MetaのOmnilingual ASRは1,600以上の言語を文字起こしでき、そのうち500以上はこれまでどの音声認識システムも対応したことのない言語だ(Meta FAIR、Omnilingual ASR 2025)。それでも、Ethnologue 2026年版が数える現存7,170言語の4分の1に満たない。2年前の基準点はWhisperで、68万時間で学習され、英語以外の96言語に割り当てられたのはわずか11.7万時間だった(OpenAI、Whisper論文 2022)。最大のオープンなクラウドソーシングコーパスであるMozilla Common Voiceは、現在289言語・38,932時間に及び(Common Voice 24.0、2025年)、リアルタイム翻訳から音声入力まで、成長の最も速い製品はすべてこれらの基盤モデルの上に成り立っている。この点は当社の音声テキスト変換の統計のまとめでも追っている。ここでは、Meta FAIR、OpenAI、Google Research、Ethnologue、UNESCO、Mozilla、NVIDIA、Hugging Face、PNAS、MarketsandMarketsのほか、方法論に記載した一次資料からデータを集計した。
主なポイント
- Omnilingual ASRは1,600以上の言語に対応し、そのうち500以上はこれまでASRが対応していなかった言語(Meta FAIR、Omnilingual ASR 2025)
- ゼロショットのインコンテキスト学習により、Omnilingual ASRは5,400以上の言語に拡張できる可能性がある(Meta、2025年11月)
- 現存する言語は7,170で、1年間で純増11(Ethnologue、第29版 2026)
- 世界人口の40%は、理解できる言語で教育を受けられていない(UNESCO GEMレポート 2025)
- MetaのMMSは4,017の音声言語を識別し、1,107言語を文字起こしできる(Meta、MMS論文 2023)
- GoogleのUSMは300以上の言語にわたる1,200万時間の音声で学習(Google Research 2023)
- Whisper large-v3は約500万時間で学習され、そのうち400万時間は擬似ラベル(OpenAI、2023年11月)
- Whisperの単語誤り率は、言語ごとの学習データが16倍になるたびに半分になる(OpenAI、Whisper論文 2022)
- Common Voice 24.0:289言語にわたる38,932時間(Mozilla、2025年12月)
- Omnilingual ASRの言語の78%で文字誤り率が10未満(Meta、2025年11月)
- Gemini 3.5 Live Translateは、1回のMeet通話で70以上の言語と2,000以上の言語の組み合わせに対応(Google、2026年6月)
- 5つの商用システムの平均WERは、黒人話者で0.35、白人話者で0.19(PNAS、2020)
1. 言語のギャップ:7,170言語のうち、対応は数百言語
分母が重要だ。Ethnologue第29版は現存する言語を7,170と数え、前年から純増11となった。8,000件超のデータベース更新を経て、8つの言語が「消滅」から「現存」に再分類された(Ethnologue、Welcome to the 29th edition、2026年2月)。MMSチームが指摘したように、2023年以前の主流の音声システムが扱えたのは、そのうちわずか約100言語だった。1,600以上へと跳ね上がった後でも、現存言語のおよそ4分の3には、すぐに使える音声認識がない。
このギャップは机上の話ではない。UNESCOのGlobal Education Monitoringチームによれば、世界人口の40%は、理解できる言語で教育を受けられておらず、低所得国・中所得国の一部ではその割合が90%に達する(UNESCO GEMレポート、Languages Matter)。これらの言語を飛ばす音声技術は、音声インターフェースが最も重要となる人々をも飛ばすことになる。このテーマは、保存の観点から当社の危機言語の統計で取り上げている。
| 指標 | 値 | 出典 |
|---|---|---|
| 現存言語数、2026年 | 7,170(1年間で純増11) | Ethnologue、第29版 2026 |
| 現存言語数、2025年 | 7,159 | Ethnologue、第28版 2025 |
| 危機言語 | 3,193(現存言語の45%) | Ethnologue、第28版 2025 |
| 「消滅間近」の言語 | 1,030(14%) | Ethnologue、第28版 2025 |
| 理解できる言語で教育を受けられない人口 | 40%(低所得国・中所得国の一部では最大90%) | UNESCO GEMレポート 2025 |
| MMS以前の一般的な音声システムの対応言語数 | 約100 | Meta、MMS論文 2023 |
| Omnilingual ASRが追加した、これまでASRが対応していなかった言語 | 500超 | Meta FAIR、Omnilingual ASR 2025 |
補足:危機言語と消滅間近の言語の数は、公開報道でまとめられた2025年版のものだ。Ethnologueの完全な数値は有料購読の向こう側にある。UNESCOはこの40%という数字を、学習面での大きな不利益と結び付けている。ホンジュラスでは、教授言語を話す6年生の94%が読解の基礎に到達したのに対し、話さない生徒では62%だった。
2. 対応範囲の競争:各モデルが扱う言語数
言語数は3年で桁が1つ上がった。MetaのMMSは4,017言語を識別し、1,107言語の文字起こしと音声合成を行う。主に新約聖書の録音から構築され、事前学習済みモデルは1,406言語に及ぶ(MMS: Scaling Speech Technology to 1,000+ Languages)。その後Omnilingual ASRは文字起こしを1,600超に押し上げ、少数の対訳例を使ったゼロショットのインコンテキスト学習により、5,400超の言語に届く可能性があると主張している(Meta AI、Omnilingual ASR発表)。
商用製品ははるかに保守的で、その差は品質基準の位置を示している。Google CloudのChirp 3は、一般提供の文字起こし言語を24、プレビューを76と掲載しており(Google Cloud、Chirp 3ドキュメント)、研究モデルが数百言語を掲げるのとは対照的だ。音声翻訳はその中間に位置する。MetaのSeamlessM4Tは101言語の音声を入力として受け付けるが、音声で出力できるのは36言語にとどまる(Nature、Joint speech and text machine translation for up to 100 languages)。音声を生成することは、認識することより難しいことを思い起こさせる。
| 指標 | 値 | 出典 |
|---|---|---|
| Omnilingual ASRの文字起こし | 1,600以上の言語 | Meta FAIR、2025年11月 |
| ゼロショット学習によるOmnilingual ASRの潜在的な対応範囲 | 5,400以上の言語 | Meta、2025年11月 |
| MMSの言語識別 / ASRとTTS / 事前学習 | 4,017 / 1,107 / 1,406言語 | Meta、MMS論文 2023 |
| Google USMの事前学習の対応範囲 | 300以上の言語 | Google Research、2023年3月 |
| Whisper large-v3 | 99言語 | Hugging Face Open ASR Leaderboard 2025 |
| SeamlessM4Tの音声間翻訳 | 入力101言語、出力36言語 | Meta、Nature 2025 |
| Google Chirp 3の文字起こし | 一般提供24言語 + プレビュー76言語 | Google Cloudドキュメント 2026 |
| Meta OmniSONARの音声埋め込み | 200言語の意味空間における177の音声言語 | Meta、OmniSONAR論文 2026 |
リアルタイム翻訳は、マスマーケットのアプリにも広がった。Gemini 3.5 Live Translateは70以上の言語を検出し、1回のGoogle Meetセッションで2,000以上の言語の組み合わせに対応する。以前は5言語だった(Google、Gemini 3.5 Live Translate、2026年6月)。Googleによれば、人々はTranslate、検索、Lens、Circle to Searchを通じて月に約1兆語を翻訳している(Google、2025年8月)。デバイスレベルでの普及については、当社の音声間翻訳の統計で詳しく紹介している。
| 指標 | 値 | 出典 |
|---|---|---|
| Gemini 3.5 Live Translateの対応言語 | 70以上 | Google、2026年6月 |
| 1回のMeet通話での言語の組み合わせ | 2,000以上(以前は5言語) | Google、2026年6月 |
| Google Translateのライブ会話の対応言語 | 70以上 | Google、2025年8月 |
| Google製品全体で月間に翻訳される語数 | 約1兆 | Google、2025年8月 |
| Mistral Voxtralのオープンウェイトモデルのサイズ | 240億と30億パラメータ | Mistral AI、2025年7月 |
| Voxtralの最大音声長 | 文字起こし30分、理解40分 | Mistral AI、2025年7月 |
3. 学習データの規模:68万時間から1,200万時間へ
これらのモデルを支えるデータ量は、言語数よりはるかに速く増えた。GoogleのUniversal Speech Modelは、1,200万時間の音声と280億文のテキストで学習された。パラメータ数は20億で(Google Research、USM)、Whisperの元のコーパスのおよそ18倍にあたる。OpenAI自身も、Whisper large-v3では68万時間から約500万時間へと拡大し、そのうち400万時間は前のモデルが擬似ラベルを付けたものだ(OpenAI、large-v3リリースノート)。
本当に重要なのは、これらのコーパス内の分布だ。Whisperの元の68万時間には、英語以外の96言語にわたる11.7万時間と、英語への翻訳12.5万時間が含まれていた(Whisper論文)。引き算(68万から11.7万と12.5万を引く)により、約43.8万時間、つまりおよそ64%が英語の文字起こしだったことになる。MMSのラベル付きデータセットは言語あたり平均わずか32時間で、公開されたOmnilingual ASRのデータは言語あたり平均約10時間の文字起こし音声だ。超多言語モデルは、数千時間ではなく数時間単位で測られるロングテールの上に築かれている。
| 指標 | 値 | 出典 |
|---|---|---|
| Whisperの学習音声 | 68万時間 | OpenAI、Whisper論文 2022 |
| Whisperの英語以外の認識データ | 96言語にわたる11.7万時間 | OpenAI、Whisper論文 2022 |
| Whisperの他言語から英語への翻訳データ | 12.5万時間 | OpenAI、Whisper論文 2022 |
| Whisperの英語文字起こし(算出) | 約43.8万時間(約64%) | OpenAIの数値からの算出 |
| Whisper large-v3の学習データ | 弱ラベル100万時間 + 擬似ラベル400万時間 | OpenAI、2023年11月 |
| Google USM | 音声1,200万時間、テキスト280億文、20億パラメータ | Google Research、2023 |
| MMSの自己教師あり事前学習 | 1,400以上の言語にわたる約50万時間 | Meta、2023年5月 |
| MMSの言語あたりラベル付きデータ | 平均32時間 | Meta、2023年5月 |
Metaの最新スタックは、両端をスケールさせている。Omnilingual ASRは、70億パラメータのwav2vec 2.0エンコーダーを1,239言語にわたる384万時間と、言語ラベルのない46万時間で事前学習し、教師ありのAllASRコーパスは1,690言語にわたる120,710時間を収録している(Omnilingual ASR論文)。公開された最小のバリアントは3億パラメータで、低消費電力デバイス向けとなっている。
| 指標 | 値 | 出典 |
|---|---|---|
| Omnilingual ASRのラベルなし事前学習 | 384万時間、1,239言語 | Meta FAIR、Omnilingual ASR論文 2025 |
| 言語IDのない追加のラベルなし音声 | 46万時間 | Meta FAIR、2025 |
| AllASRのラベル付きコーパス | 120,710時間、1,690言語 | Meta FAIR、2025 |
| 言語あたりの文字起こし音声の平均(公開データ) | 約10時間 | Meta FAIR、2025 |
| 最大 / 最小モデル | 70億 / 3億パラメータ | Meta FAIR、2025 |
4. モデルを支えるオープンデータセットとベンチマーク
ロングテールの対応範囲は、オープンデータの上で築かれる。Mozilla Common Voice Scripted Speech 24.0は、289言語にわたる38,932時間(うち25,886時間が検証済み)に達した(Mozilla Discourseのリリース投稿、2025年12月)。より大きな飛躍は1つ前のリリースで起き、Common Voice 23.0は149言語を追加して言語数を2倍超の286に増やした(Mozilla Data Collective)。この2つのリリース間で時間数はわずか約8%しか増えておらず、新しい言語は言語あたりごくわずかな音声とともに加わることになる。
評価は、学習よりはるかに狭いままだ。標準的な多言語ベンチマークであるFLEURSは、言語あたり約12時間の音声で102言語を対象とし(FLEURS論文)、Hugging Face Open ASR Leaderboardの多言語トラックは、18組織の60以上のモデルを、わずか5言語でベンチマークしている(Hugging Face、Open ASR Leaderboard)。そのため「1,600言語」という主張は、その数のごく一部でしか検証されていない。
| 指標 | 値 | 出典 |
|---|---|---|
| Common Voice 24.0の総時間 / 検証済み時間 | 38,932 / 25,886 | Mozilla、2025年12月 |
| Common Voice 24.0の言語数 | 289 | Mozilla、2025年12月 |
| Common Voice 23.0で追加された言語 | 149(合計286) | Mozilla Data Collective、2025年9月 |
| Common Voice 23.0の自発的な発話 | 51言語にわたる357時間 | Mozilla Data Collective、2025年9月 |
| Spontaneous Speech 2.0のデータセット数 | 62 | Mozilla、2025年12月 |
| FLEURSベンチマーク | 102言語、各約12時間 | Conneau他、FLEURS 2022 |
| Omnilingual ASR Corpus | 支援が不足している350言語(CC-BY) | Meta、2025年11月 |
欧州には独自の大規模オープンコーパスができた。NVIDIAのGranaryは約100万時間を収録し、うち認識用が約65万時間、翻訳用が35万時間超で、欧州の25言語にわたる。クロアチア語、エストニア語、マルタ語などが含まれる(NVIDIAブログ、2025年8月)。Interspeech 2025に採択された付随論文は、従来のデータセットと比べて約50%少ないデータで同等の性能に達すると報告している(Granary論文)。
| 指標 | 値 | 出典 |
|---|---|---|
| Granaryの総音声時間 | 約100万時間 | NVIDIA、2025年8月 |
| Granaryの認識 / 翻訳の内訳 | 約65万 / 35万時間超 | NVIDIA、2025年8月 |
| Granaryの言語 | 欧州25言語 | NVIDIA、2025年8月 |
| 同じ精度に必要なデータ量(従来のデータセット比) | 約50%少ない | Granary論文、Interspeech 2025 |
| Open ASR Leaderboardの対象範囲 | 60以上のモデル、18組織、11データセット | Hugging Face、2025年11月 |
| Hugging Face HubでホストされているASRモデル | 約27,000 | Hugging Face、2025年11月 |
| リーダーボードの多言語トラックの言語数 | 5 | Hugging Face、2025年11月 |
5. 精度:モデルサイズより言語ごとのデータ量
この分野で最も有用な数値はスケーリング則だ。Whisperの著者らは、言語ごとの学習時間の対数と単語誤り率の対数の間で決定係数0.83を確認し、データが16倍になるごとにWERが半分になることを示した(OpenAI、Whisper論文)。同じ関係は音声翻訳ではわずか0.24だった。音声が10時間しかない言語にとって、実用的な精度に至る現実的な道は、より大きなモデルではなく、より多くのデータだ。
対応範囲の拡大は、意外なほど小さな精度の代償で実現してきた。Metaは、MMSを61言語から1,107言語に拡大しても文字誤り率の上昇は約0.4%にとどまったと報告しており、MMSはFLEURSの54言語でWhisperの単語誤り率を半分にした(Meta AI、MMS発表)。Omnilingual ASRは、1,600超の言語のうち78%で文字誤り率10未満を達成している。いずれも自己申告だが、それぞれの主張は公開ベンチマークに結び付いている。
| 指標 | 値 | 出典 |
|---|---|---|
| 対数WERと対数学習時間の相関(ASR) | 決定係数 = 0.83 | OpenAI、Whisper論文 2022 |
| 音声翻訳における同じ相関 | 決定係数 = 0.24 | OpenAI、Whisper論文 2022 |
| データが16倍になるごとのWERの改善 | 半減 | OpenAI、Whisper論文 2022 |
| FLEURSの54言語でのMMSとWhisperの比較 | WERは約半分 | Meta、MMS 2023 |
| MMSを61言語から1,107言語に拡大した際のCER上昇 | 約0.4% | Meta、2023年5月 |
| CERが10未満のOmnilingual ASR言語 | 78% | Meta、2025年11月 |
| Whisper large-v3のlarge-v2に対する誤り削減 | 10%から20% | OpenAI、2023年11月 |
Googleの数値も同じ方向を示している。USMは、比較可能な18言語でWhisperよりWERが相対的に32.7%低く、YouTubeの字幕73言語の平均WERは30%未満で、FLEURSでは分野内データなしでWERを相対的に65.8%削減した。効率は今や第2の競争軸だ。NVIDIAの10億パラメータのCanary-1b-v2は、3倍大きいモデルに匹敵する品質を最大10倍高速な推論で実現するとしており、長尺音声のリーダーボードではParakeet CTCのRTFxが2,793.75で、Whisper large-v3の68.56を大きく上回った(Hugging Face、2025)。リアルタイム音声ツール、たとえばライブのボイスクローンソフトを支える技術では、このスループットの差がWERの1ポイントより重要になることが多い。
| 指標 | 値 | 出典 |
|---|---|---|
| USMとWhisperのWER比較、18言語 | 相対的に32.7%低い | Google Research、2023 |
| USMの平均WER、YouTube 73言語 | 30%未満 | Google Research、2023 |
| FLEURSでのUSMの相対WER削減(分野内データなし) | 65.8% | Google Research、2023 |
| SeamlessM4T v2とカスケード型システムの比較 | BLEUが最大8%(音声からテキスト)、23%(音声から音声)高い | Meta、Nature 2025 |
| OmniSONARのゼロショット音声からテキストへの翻訳 | SeamlessM4Tの品質の97% | Meta、OmniSONAR 2026 |
| Canary-1b-v2と大型モデルの比較 | 3倍大きいモデルと同等の品質、最大10倍高速 | NVIDIA、2025年8月 |
| 長尺音声のスループット(RTFx):Parakeet CTCとWhisper large-v3 | 2,793.75対68.56 | Hugging Face Open ASR Leaderboard 2025 |
参考情報:OmniSONAR論文(arXiv、2026年3月)は、従来のモデルより音声の類似検索の誤りが43%低いことも報告しており、音声とテキストの共有埋め込み空間がそれ自体で構成要素になりつつあることを示している。
6. アクセントのバイアス、アクセス、そして商業的な利害
対応言語数の陰には、「対応している」言語の内部にもう1つのギャップが隠れている。Amazon、Apple、Google、IBM、Microsoftの5つの商用システムで、平均WERは黒人話者で0.35、白人話者で0.19だった(Koenecke他、PNAS 2020)。これは黒人話者73人と白人話者42人へのインタビューに基づく。調査は3年以上前のものだが、この種の監査として入手可能な最新のものとして掲載している。より新しい研究も同様の結論に至っている。10か国以上で100以上のアフリカ英語アクセントを対象としたAfriSpeech-MultiBenchでは、プロプライエタリモデルはクリーンな音声では高精度だが国や分野によって大きく変動し、最先端のモデルの多くでハルシネーションが依然として問題であることが分かった(arXiv、2025年11月)。
商業的な利害は高まり続けているが、市場規模の推計は一貫していない。MarketsandMarketsは、音声認識市場が2025年の96.6億ドルから2030年には231.1億ドルへ、年平均成長率19.1%で成長すると予測している(MarketsandMarketsのプレスリリース)。一方、Grand View Researchは、2023年の202億ドルから2030年に537億ドルへ、年平均14.6%で成長すると見ている(Grand View Research)。両社ともアジア太平洋と新興市場を成長の牽引役として挙げているが、そこはまさに言語の対応範囲が最も薄い地域だ。同じ市場のテキスト側については、当社の機械翻訳の統計もご覧ください。
| 指標 | 値 | 出典 |
|---|---|---|
| 平均WER、黒人話者と白人話者(5システム) | 0.35対0.19 | Koenecke他、PNAS 2020 |
| PNAS監査の話者数 | 黒人73人、白人42人 | Koenecke他、PNAS 2020 |
| ベンチマーク対象のアフリカ英語アクセント | 10か国以上で100以上 | AfriSpeech-MultiBench、2025 |
| 5年生の読解の基礎、コートジボワール:家庭の言語がテスト言語である場合とない場合 | 55%対25% | UNESCO GEMレポート 2025 |
| 音声認識市場、2025年から2030年 | 96.6億ドルから231.1億ドル(年平均成長率19.1%) | MarketsandMarkets、2025年8月 |
| 米国の音声認識市場、2025年から2030年 | 31.3億ドルから77.0億ドル(年平均成長率19.7%) | MarketsandMarkets、2025 |
| 音声・発話認識市場、2023年から2030年 | 202億ドルから537億ドル(年平均成長率14.6%) | Grand View Research、2024 |
| 北米の収益シェア | 30.8%(2023年) | Grand View Research、2024 |
まとめ:数字で見る多言語音声基盤モデル
| 指標 | 値 | 出典 |
|---|---|---|
| 現存言語数 | 7,170 | Ethnologue、第29版 2026 |
| Omnilingual ASRの対応範囲 | 1,600以上の言語(500以上はこれまで未対応) | Meta FAIR、2025 |
| Omnilingual ASRのゼロショットでの潜在的な対応範囲 | 5,400以上の言語 | Meta、2025年11月 |
| MMSの言語識別 | 4,017言語 | Meta、2023 |
| Whisper large-v3の対応範囲 | 99言語 | Hugging Face、2025 |
| SeamlessM4Tの音声入力 / 音声出力 | 101 / 36言語 | Meta、Nature 2025 |
| Gemini 3.5 Live Translate | 70以上の言語、2,000以上の組み合わせ | Google、2026年6月 |
| Whisperの学習データ | 68万時間(うち英語以外は11.7万時間) | OpenAI、2022 |
| Whisper large-v3の学習データ | 約500万時間 | OpenAI、2023 |
| Google USMの学習データ | 1,200万時間、300以上の言語 | Google Research、2023 |
| Omnilingual ASRの事前学習 | 384万時間、1,239言語 | Meta FAIR、2025 |
| Common Voice 24.0 | 38,932時間、289言語 | Mozilla、2025年12月 |
| NVIDIA Granary | 約100万時間、25言語 | NVIDIA、2025年8月 |
| FLEURSベンチマーク | 102言語、各約12時間 | FLEURS、2022 |
| WERとデータ量の関係 | データが16倍になるごとに半減 | OpenAI、2022 |
| CERが10未満のOmnilingual ASR言語 | 78% | Meta、2025年11月 |
| MMSとWhisperのWER比較、54言語 | 約半分 | Meta、2023 |
| 理解できる言語で教育を受けられない人口 | 40% | UNESCO、2025 |
| WERの格差、黒人話者と白人話者 | 0.35対0.19 | PNAS、2020 |
| 音声認識市場、2030年 | 231.1億ドル(MarketsandMarkets)と537億ドル(Grand View) | MarketsandMarkets 2025;Grand View Research 2024 |
方法論と出典
すべての数値は、それを作成した組織まで遡って確認し、報道よりも論文、公式リリースノート、ドキュメントを優先した。ベンダー(Meta、Google、OpenAI、NVIDIA、Mistral)の精度に関する主張は、公開ベンチマークでの自己申告であり、出典を明記している。公表された数値と結び付けられなかった商業的な主張、たとえば裏付けのない「最低WER」という宣伝文句は除外した。
- Ethnologue:Welcome to the 29th edition(2026年2月)
- UNESCO GEMレポート:40%が理解できる言語で教育を受けられていない(2025)
- Meta:MMS発表(2023年5月)、MMS論文、Omnilingual ASR発表(2025年11月)、Omnilingual ASR論文、OmniSONAR論文(2026)
- Meta Seamless Communicationチーム:Joint speech and text machine translation for up to 100 languages(Nature、2025)
- OpenAI:Robust Speech Recognition via Large-Scale Weak Supervision(2022)、Whisper large-v3リリース(2023年11月)
- Google:Universal Speech Model(2023年3月)、Chirp 3ドキュメント、Gemini 3.5 Live Translate(2026年6月)、Translateのライブ翻訳(2025年8月)
- Mozilla:Common Voice 24.0リリース(2025年12月)、Common Voice 23.0リリース(2025年9月)
- Conneau他:FLEURS(2022)
- NVIDIA:Granary、Canary、Parakeetのリリース(2025年8月)、Granary論文(Interspeech 2025)
- Hugging Face:Open ASR Leaderboardの動向(2025年11月)
- Mistral AI:Voxtral(2025年7月)
- Koenecke他:Racial disparities in automated speech recognition(PNAS、2020)
- AfriSpeech-MultiBench:arXiv 2511.14255(IJCNLP-AACL 2025)
- MarketsandMarkets:音声認識市場に関するプレスリリース(2025年8月)
- Grand View Research:音声・発話認識市場レポート(2024)
- データウォッチ:市場規模の推計は大きく食い違っている。MarketsandMarkets(2030年までに231.1億ドル)とGrand View Research(2030年までに537億ドル)は対象範囲と基準年が異なるため、これらの数値を平均したり、トレンドとして比較したりすべきではない。基盤モデルに関する数値のいくつかは2022年から2023年のもの(Whisper、USM、MMS、FLEURS)で、それらのモデルについて入手できる最新の開示情報だ。Googleは、Geminiの音声モデルについて、同等の学習データ総量を公表していない。Whisperのデータに占める英語の割合(約43.8万時間、64%)は、OpenAIが公表した合計値からの当社による引き算であり、OpenAIが概要で述べている数値ではない。Ethnologueの2025年の危機言語と消滅間近の言語の数は、完全なデータベースが有料のため、第28版の公開要約に基づいている。PNASのバイアス監査(2020)は現在の基盤モデルより前のもので、入手可能な最新データとして掲載している。それ以降、同規模の複数ベンダーにまたがる監査は公表されていない。言語数はベンダー間で比較できない。ロケールを数えるものもあれば言語を数えるものもあり、「プレビュー」の対応範囲は本番品質ではない。
最終更新日:2026年10月3日。当社はこのまとめを四半期ごとに更新しており、次回の更新は、MozillaがCommon Voice 25.0を公開し、Ethnologueが2027年2月に第30版を発行する時期を予定している。