OpenAI의 Whisper를 뒷받침한 음성 인식 학습 데이터에는 영어가 438,218시간 들어 있었던 반면, 라오어, 순다어, 버마어는 각각 0.1시간에 불과했다 (OpenAI, Whisper 논문 2022). 이 격차는 음성 인식의 롱테일을 한 줄로 보여주며, 전 세계에서 사용되는 언어는 7,170개에 이른다 (Ethnologue, How Many Languages 2026). 쓸 만한 정확도에 필요한 하한선은 이 격차가 시사하는 것보다 낮아 보인다. 2025년의 한 연구는 학습 데이터 50시간만으로 단어 오류율 13% 미만을 달성했다 (Akera 외, 키냐르완다어·키쿠유어 데이터 스케일링 연구 2025). 크라우드소싱이 이 격차의 일부를 메우고 있으며, Mozilla Common Voice의 검증된 음성은 29,295시간이다 (Mozilla, Common Voice cv-dataset 저장소 2026). 주요 언어 안에서 억양에 따라 정확도가 달라지는 문제는 저희 음성 인식 억양 편향 통계에서 다루며, 이번 정리는 언어 전체를 대상으로 한다. Ethnologue, OpenAI의 Whisper 논문, Meta의 MMS 및 Omnilingual ASR 논문, Google의 USM 및 FLEURS 논문, Mozilla Common Voice, Project Vaani, IndicVoices, NaijaVoices, African Next Voices, 그리고 최근의 아프리카 언어 ASR 벤치마크에서 데이터를 취합했다.
요약
- 현재 사용되는 언어는 7,170개이며, 약 44%가 소멸 위기에 있고 사용자가 1,000명에 못 미치는 경우도 많다 (Ethnologue, How Many Languages 2026).
- Meta의 7B 모델에서 문자 오류율이 10 미만에 도달한 저자원 언어는 546개 중 195개(36%)에 그쳤고, 고자원 언어는 249개 중 236개였다 (Meta FAIR, Omnilingual ASR 논문 2025).
- Whisper 학습 음성의 65%는 영어 음성 인식 438,218시간이었고, 나머지 96개 언어가 117,113시간을 나눠 가졌다 (OpenAI, Whisper 논문 2022).
- 키냐르완다어 모델은 학습 데이터 단 50시간으로 단어 오류율 13% 미만에 도달했다 (Akera 외, 데이터 스케일링 연구 2025).
- 스와힐리어 최고 모델의 단어 오류율은 데이터 1시간의 24.81%에서 400시간의 11.36%로 떨어졌다 (Nahabwe 외, Benchmarking ASR Models for African Languages 2025).
- Mozilla Common Voice Scripted Speech는 릴리스 27.0에서 42,593시간을 보유하며 그중 29,295시간이 검증되었다 (Mozilla, Common Voice cv-dataset 저장소 2026).
- Project Vaani는 인도 음성을 31,278.37시간 녹음했지만 전사된 것은 약 6.8%뿐이다 (IISc와 ARTPARK, Project Vaani 대시보드 2026).
- African Next Voices는 케냐, 나이지리아, 남아프리카공화국에서 18개 언어로 9,000시간 넘게 녹음했다 (프리토리아 대학교, African Next Voices 뉴스 2025).
- 1,800시간 규모의 NaijaVoices 코퍼스로 미세 조정하자 Whisper의 평균 단어 오류율이 이그보어, 하우사어, 요루바어에서 75.86% 개선되었다 (NaijaVoices 데이터셋 논문, Interspeech 2025).
- Google의 Universal Speech Model은 약 7분의 1 규모의 레이블 데이터로 62개 FLEURS 언어에서 Whisper를 상대 WER 기준 66% 앞섰다 (Google, USM 논문 2023).
- IndicVoices는 인도 22개 언어, 16,237명의 화자로부터 7,348시간을 보유한다 (IndicVoices 데이터셋 논문 2024).
1. 세계 언어 중 음성 인식이 되는 언어는 얼마나 되는가
핵심은 분모다. Ethnologue는 현재 사용되는 언어를 7,170개로 집계하며, 그중 단 20개, 전체의 0.3%가 3.7십억 명이 넘는 사람들의 모국어다 (Ethnologue, How Many Languages 2026). 음성 인식도 이 쏠림을 그대로 따라갔다. 2023년까지도 Google의 Universal Speech Model이 지원한 언어는 100여 개였다.
오늘날 가장 폭넓은 오픈 시스템도 1,600개 이상의 언어를 지원하지만 Ethnologue가 집계한 수의 약 5분의 1에 불과하다. 언어의 소멸은 이 격차의 반대편이며, 저희 소멸 위기 언어 통계에서 다룬다. 아프리카에만 2,000개가 넘는 언어가 있으며, 그중 상당수는 전사된 음성 데이터가 없다.
| 지표 | 값 | 출처 |
|---|---|---|
| 전 세계에서 사용되는 언어 | 7,170 | Ethnologue, How Many Languages 2026 |
| 현존 언어 중 소멸 위기 언어의 비중 | 약 44%, 남은 사용자가 1,000명 미만인 경우가 많음 | Ethnologue, How Many Languages 2026 |
| 상위 20개 언어의 모국어 화자 | 3.7십억 명 이상, 세계 인구의 거의 절반, 전체 언어의 0.3%에서 나옴 | Ethnologue, How Many Languages 2026 |
| 아프리카 전역에서 쓰이는 언어 | 2,000개 이상, 상당수는 전사된 음성 데이터 부족 | Nahabwe 외, Benchmarking ASR Models for African Languages 2025 |
| Google의 Universal Speech Model이 음성 인식에서 지원하는 언어 | 100개 이상 | Google, USM 논문 2023 |
| IndicASR이 지원하는 인도 헌법 제8부칙 언어 (저자들은 이 모두를 지원하는 최초의 모델이라고 설명) | 22 | IndicVoices 데이터셋 논문 2024 |
| 가장 폭넓은 오픈 ASR 시스템이 지원하는 언어 | 1,600개 이상 (500개 넘는 언어는 기존 어떤 ASR 시스템도 지원한 적 없음), 사용되는 7,170개의 약 22% (1,600 / 7,170) | Meta FAIR, Omnilingual ASR 논문 2025; Ethnologue 2026 |
배경: 1,600개 이상을 지원하는 이 시스템은 약 150개의 수어, 인공 언어, 확립된 문자 체계가 없는 언어를 의도적으로 제외하므로, 지원되지 않는 나머지 중 일부는 텍스트를 출력하는 음성 인식의 범위 밖에 있다. USM의 입수 가능한 최신 데이터: 2023년.
2. 학습 시간: 영어와 롱테일
음성 인식의 학습 데이터는 분포가 아니라 절벽이다. Whisper의 영어 음성 인식 데이터(438,218시간)는 스와힐리어 데이터(5.4시간)보다 약 81,000배 컸다 (438,218 / 5.4 = 81,151). 라오어, 순다어, 버마어는 각각 0.1시간을 받았다. 영어 이외 언어 중 데이터가 가장 풍부한 중국어(23,446시간)와 비교해도 영어는 약 19배의 음성을 갖고 있었다 (438,218 / 23,446 = 18.7).
최근 시스템은 언어를 자원 구간으로 나누는데, 그 경계가 시사하는 바가 크다. 고자원(학습 데이터가 충분한) 언어로 치는 기준은 불과 50시간 초과다. 목적에 맞게 만든 데이터셋은 언어를 이 선 너머로 옮겨 놓을 수 있다. IndicVoices는 22개 언어에서 언어당 전사된 시간의 중앙값이 73시간이라고 보고한다 (IndicVoices 데이터셋 논문 2024).
| 지표 | 값 | 출처 |
|---|---|---|
| Whisper 학습 음성: 영어 음성 인식 대 나머지 96개 언어 | 438,218시간(65%) 대 117,113시간(17%) | OpenAI, Whisper 논문 2022 |
| Whisper의 언어별 음성 인식 시간, 최대 대 최소 | 중국어 23,446, 독일어 13,344, 스페인어 11,100 대 스와힐리어 5.4, 라오어·순다어·버마어 각 0.1 | OpenAI, Whisper 논문 2022 |
| Whisper 학습 데이터가 전혀 없는 FLEURS 벤치마크 언어 | 102개 중 20개 | OpenAI, Whisper 논문 2022 |
| 레이블 학습 데이터 기준 Omnilingual ASR 언어: 50시간 초과 / 10~50시간 / 10시간 미만 | 249 / 881 / 546개 언어 | Meta FAIR, Omnilingual ASR 논문 2025 |
| 언어당 FLEURS 평가 데이터 | 102개 언어 각각 약 12시간의 음성 | Google, FLEURS 논문 2022 |
| IndicVoices의 전사된 음성 | 1,639시간, 언어당 중앙값 73시간 | IndicVoices 데이터셋 논문 2024 |
Whisper의 입수 가능한 최신 데이터: 2022년. 위의 시간은 음성 인식 데이터만 해당하며 Whisper의 번역용 음성과는 별개다. 이후 버전의 Whisper에 대해서는 동등한 언어별 내역을 찾지 못했다.
3. 오류율: 저자원 언어 대 고자원 언어
단어 오류율(WER)은 치환, 삭제, 삽입을 합산해 시스템이 틀린 단어의 비율을 나타낸다. 삽입된 단어도 계산에 들어가므로, 모델이 참조 텍스트에 담긴 것보다 더 많은 틀린 단어를 만들어내면 100%를 넘을 수 있다. FLEURS 벤치마크에서 Whisper large-v2의 WER은 영어 4.2%, 쇼나어 121.0%였으며, 쇼나어에서는 오류가 실제로 발화된 단어 수보다 많았다는 뜻이다 (OpenAI, Whisper 논문 2022). 모델이 이런 수치에 이르는 알려진 경로 하나는 아무도 말하지 않은 유창한 텍스트를 써내는 것으로, 이 실패 유형은 저희 음성 인식 환각 통계에서 추적한다.
더 새로운 모델도 격차를 그대로 남겨 둔다. 아래 표에서 문자 오류율(CER, 같은 개념을 단어가 아닌 글자 단위로 센 것)은 데이터가 10시간 이상인 언어의 약 95%(1,130개 중 1,077개)에서 10 미만이었지만, 10시간 미만 그룹에서는 3분의 1을 겨우 넘는 수준이었다. 하나의 모델 안에서도 데이터 양만으로 이런 결과가 갈린다.
| 지표 | 값 | 출처 |
|---|---|---|
| FLEURS에서 Whisper large-v2의 단어 오류율: 영어 / 스페인어 / 스와힐리어 | 4.2% / 3.0% / 39.3% | OpenAI, Whisper 논문 2022 |
| FLEURS에서 Whisper large-v2의 단어 오류율: 요루바어 / 소말리어 / 쇼나어 / 신드어 | 94.8% / 102.9% / 121.0% / 156.5% | OpenAI, Whisper 논문 2022 |
| 자원 수준별 문자 오류율 10 미만인 Omnilingual 7B LLM-ASR 언어: 고 / 중 / 저 | 249개 중 236 / 881개 중 841 / 546개 중 195 (논문은 저자원 언어 비중을 36%로 반올림) | Meta FAIR, Omnilingual ASR 논문 2025 |
| Omnilingual 7B LLM-ASR 평균 문자 오류율: 고자원 언어 대 저자원 언어 | 3.13 대 18.0 | Meta FAIR, Omnilingual ASR 논문 2025 |
이상치 참고: Whisper 행은 2022년 논문의 large-v2 표에서 가져온 것으로, 이런 종류의 언어별 표 중 입수 가능한 최신 자료다. WER과 CER은 서로 다른 척도이므로 Whisper 행과 Omnilingual 행을 직접 비교할 수 없다.
4. 격차를 메우는 데 필요한 데이터 양
2025년의 고무적인 발견은 쓸 만한 인식의 문턱이 수천 시간이 아니라 수십 시간 단위로 측정된다는 점이다. 키냐르완다어 모델은 학습 데이터 단 50시간으로 실용적인 정확도, 즉 단어 오류율 13% 미만에 도달했고, 200시간에서는 10% 미만으로 떨어졌다 (Akera 외, 데이터 스케일링 연구 2025). 이것이 다른 언어에도 통한다면, 자금을 확보한 녹음 캠페인 한 번이면 첫 번째 쓸 만한 모델을 만들기에 충분하다.
데이터 품질도 중요하다. 같은 연구는 오류가 큰 사례의 38.6%를 잡음이 섞인 정답 전사 탓으로 돌렸는데, 이는 ‘오류’ 중 일부가 사실 참조 텍스트가 틀린 것이었다는 뜻이다. 그리고 13개 언어를 다룬 별도 벤치마크의 스와힐리어 결과는 데이터 양만으로 무엇을 얻을 수 있는지 보여 준다. 1시간에서 400시간으로 늘리자 최고 오류율이 절반 이하로 줄었지만, 11.36%는 여전히 3절의 Whisper 영어 점수보다 훨씬 높다.
| 지표 | 값 | 출처 |
|---|---|---|
| 단어 오류율 13% 미만에 필요한 키냐르완다어 학습 데이터 | 단 50시간 | Akera 외, 키냐르완다어·키쿠유어 데이터 스케일링 연구 2025 |
| 학습 데이터 200시간에서 키냐르완다어 단어 오류율 | 10% 미만 | Akera 외, 키냐르완다어·키쿠유어 데이터 스케일링 연구 2025 |
| 잡음이 섞인 참조 전사가 원인인 오류가 큰 사례 | 38.6% | Akera 외, 키냐르완다어·키쿠유어 데이터 스케일링 연구 2025 |
| 벤치마크 대상 아프리카 언어 (미세 조정 부분집합 1, 5, 10, 20, 50, 100, 200시간) | 13개 언어 (스와힐리어만 400시간 부분집합도 보유) | Nahabwe 외, Benchmarking ASR Models for African Languages 2025 |
| 미세 조정 데이터 400시간에서 스와힐리어 최고 단어 오류율 (XLS-R 대 Whisper) | 11.36% 대 16.88% | Nahabwe 외, Benchmarking ASR Models for African Languages 2025 |
배경: Nahabwe 외 벤치마크의 13개 언어는 아프리칸스어, 아칸어, 밤바라어, 벰바어, 에웨어, 키냐르완다어, 링갈라어, 루간다어, 쇼나어, 스와힐리어, 월로프어, 코사어, 줄루어다.
5. 크라우드소싱 및 커뮤니티 음성 데이터셋
롱테일 음성 데이터가 공개되는 곳은 커뮤니티가 구축한 오픈 데이터셋이다. Mozilla Common Voice의 Scripted Speech 데이터셋은 첫 릴리스의 1,368시간에서 릴리스 27.0의 42,593시간으로 약 31배 성장했고 (42,593 / 1,368 = 31.1), 저장소에는 295개 언어가 등재되어 있다 (Mozilla, Common Voice cv-dataset 저장소 2026). 병목은 녹음에서 검증으로 옮겨 갔다. 이 시간의 약 31%는 검증되지 않았다 (29,295 / 42,593 = 68.8%가 검증됨).
지역 프로젝트들도 더 큰 규모에서 같은 양상을 보인다. Project Vaani는 인도 음성을 31,000시간 넘게 모았지만 전사한 것은 약 6.8%(2,122.21 / 31,278.37)에 불과하고, 인도 773개 지구 중 165곳(21.3%)에 도달했다. 아프리카에서는 2025년에 보고된 두 프로젝트가 합쳐서 10,800시간이 넘는 데이터를 보유하며(9,000 이상에 1,800을 더한 값), 이는 Whisper 음성 인식 데이터에 있는 스와힐리어 5.4시간과 대비된다.
| 지표 | 값 | 출처 |
|---|---|---|
| Common Voice Scripted Speech 총 시간: 릴리스 1 대 릴리스 27.0 (데이터 마감 2026년 9월) | 1,368시간 대 42,593시간 | Mozilla, Common Voice cv-dataset 저장소 2026 |
| Common Voice Scripted Speech 검증된 시간, 릴리스 27.0 | 29,295 (전체의 68.8%) | Mozilla, Common Voice cv-dataset 저장소 2026 |
| Common Voice Scripted Speech에 등재된 언어: 릴리스 19.0(2024년) 대 릴리스 27.0(2026년) | 131 대 295 | Mozilla, Common Voice 19.0 릴리스 2024; cv-dataset 저장소 2026 |
| Common Voice Spontaneous Speech 릴리스 5.0 | 541시간(그중 302시간 검증), 80개 언어 | Mozilla, Common Voice cv-dataset 저장소 2026 |
| Project Vaani가 인도에서 수집한 음성 | 105개 언어, 156,208명의 화자로부터 31,278.37시간, 773개 지구 중 165곳 | IISc와 ARTPARK, Project Vaani 대시보드 2026 |
| Project Vaani의 전사된 음성 | 2,122.21시간 (수집된 음성의 약 6.8%) | IISc와 ARTPARK, Project Vaani 대시보드 2026 |
| African Next Voices가 녹음한 음성 | 3개국, 18개 언어에서 9,000시간 이상 | 프리토리아 대학교, African Next Voices 뉴스 2025 |
| NaijaVoices 음성-텍스트 데이터 | 이그보어, 하우사어, 요루바어 화자 5,000명 이상으로부터 1,800시간 | NaijaVoices 데이터셋 논문, Interspeech 2025 |
배경: Project Vaani가 밝힌 목표는 773개 지구 전체에서 150,000시간 넘는 음성을 모으는 것이므로, 현재 대시보드는 계획된 음성의 약 5분의 1에 해당한다 (31,278.37 / 150,000 = 20.9%).
6. 접근 방식: 자기지도 사전 학습, 종교 텍스트 낭독, 소수 예시 확장
롱테일에는 세 가지 전술로 도달하고 있다. 자기지도 사전 학습(모델이 먼저 전사되지 않은 음성에서 배우고, 이후에는 작은 레이블 세트만 필요로 함)이 기반 계층이며, Google의 Universal Speech Model은 약 7분의 1 규모의 레이블 세트를 사용하면서도 62개 FLEURS 언어에서 상대 단어 오류율 기준 66%로 Whisper를 앞섰다 (Google, USM 논문 2023). 공개된 종교 텍스트의 낭독 덕분에 MMS 프로젝트는 언어당 평균 32시간을 확보했는데, 이 평균은 2절의 10~50시간 구간 안에 들어간다.
가장 새로운 전술은 소수 예시 확장으로, 실행 시점에 소량의 음성-텍스트 쌍을 모델에 제공해 재학습 없이 적응하게 하는 방식이다. 여러 언어를 한꺼번에 다루는 공유 모델의 더 넓은 그림은 저희 다국어 음성 파운데이션 모델 통계에서 다룬다. 데이터 효율도 설계에 따라 달라진다. 스와힐리어 1시간 조건에서, 자기지도 사전 학습을 기반으로 한 MMS가 Whisper를 WER 26.52포인트 앞섰다 (51.33 - 24.81).
| 지표 | 값 | 출처 |
|---|---|---|
| 종교 텍스트 낭독으로 구축한 MMS 레이블 데이터 | 1,107개 언어에 걸쳐 44.7K시간, 언어당 평균 약 32시간 | Meta AI, MMS 논문 및 블로그 2023 |
| 학습에 없던 언어의 문자 오류율: CTC 기준 모델 대 10개의 문맥 예시를 준 제로샷 모델(재학습 없음) | 26.33% 대 14.4% | Meta FAIR, Omnilingual ASR 논문 2025 |
| USM의 지도 학습 데이터 대 Whisper, 영어 제외 | 90k시간 대 117k시간, 그럼에도 62개 FLEURS 언어에서 상대 WER 66%로 Whisper를 앞섬 | Google, USM 논문 2023 |
| 1시간 미세 조정 후 스와힐리어 단어 오류율: MMS / W2v-BERT / Whisper / XLS-R | 24.81% / 32.36% / 51.33% / 58.23% | Nahabwe 외, Benchmarking ASR Models for African Languages 2025 |
| NaijaVoices로 미세 조정한 뒤 평균 단어 오류율 개선: Whisper / MMS / XLSR | 75.86% / 52.06% / 42.33% | NaijaVoices 데이터셋 논문, Interspeech 2025 |
이상치 참고: USM 논문은 레이블이 있는 YouTube 세트가 다루는 언어를 서론에서는 73개, 3.1절에서는 75개로 기술한다. MMS와 USM의 입수 가능한 최신 데이터: 2023년.
숫자로 보는 저자원 언어 음성 인식 커버리지
| 지표 | 값 | 출처 |
|---|---|---|
| 전 세계에서 사용되는 언어 | 7,170 | Ethnologue, How Many Languages 2026 |
| 가장 폭넓은 오픈 ASR 시스템이 지원하는 언어 | 1,600개 이상, 500개 넘는 언어는 기존에 미지원 | Meta FAIR, Omnilingual ASR 논문 2025 |
| 문자 오류율 10 미만인 저자원 언어(10시간 미만) | 546개 중 195개 (36%) | Meta FAIR, Omnilingual ASR 논문 2025 |
| Whisper 학습 음성 중 영어 음성 인식의 비중 | 65% (438,218시간) | OpenAI, Whisper 논문 2022 |
| 아프리카 전역에서 쓰이는 언어 | 2,000개 이상 | Nahabwe 외, Benchmarking ASR Models for African Languages 2025 |
| 단어 오류율 13% 미만에 필요한 키냐르완다어 데이터 | 단 50시간 | Akera 외, 데이터 스케일링 연구 2025 |
| 200시간에서 키냐르완다어 단어 오류율 | 10% 미만 | Akera 외, 데이터 스케일링 연구 2025 |
| 스와힐리어 최고 단어 오류율: 미세 조정 데이터 1시간 대 400시간 | 24.81% 대 11.36% | Nahabwe 외, Benchmarking ASR Models for African Languages 2025 |
| Common Voice Scripted Speech 시간, 릴리스 27.0 | 총 42,593, 검증 29,295 | Mozilla, Common Voice cv-dataset 저장소 2026 |
| Common Voice Scripted Speech에 등재된 언어 | 295 | Mozilla, Common Voice cv-dataset 저장소 2026 |
| Project Vaani 수집 음성 대 전사된 음성 | 31,278.37시간 대 2,122.21시간 | IISc와 ARTPARK, Project Vaani 대시보드 2026 |
| IndicVoices 음성 | 7,348시간, 16,237명의 화자, 22개 언어 | IndicVoices 데이터셋 논문 2024 |
| African Next Voices가 녹음한 음성 | 9,000시간 이상, 18개 언어 | 프리토리아 대학교, African Next Voices 뉴스 2025 |
| NaijaVoices 음성-텍스트 데이터 | 1,800시간, 3개 언어 | NaijaVoices 데이터셋 논문, Interspeech 2025 |
| 62개 FLEURS 언어에서 USM 대 Whisper | 상대 WER 66% 낮음 | Google, USM 논문 2023 |
방법론과 출처
- Ethnologue, How Many Languages Are There in the World? (2026년 10월 열람): 현존 언어, 소멸 위기 비중, 상위 20개 언어의 집중도.
- OpenAI, Robust Speech Recognition via Large-Scale Weak Supervision (Whisper 논문), 2022년: 언어별 학습 시간(그림 11)과 FLEURS 단어 오류율(표 13).
- Meta, Scaling Speech Technology to 1,000+ Languages (MMS 논문), 2023년, 그리고 MMS 발표; 또한 Omnilingual ASR: Open-Source Multilingual Speech Recognition for 1600+ Languages, 2025년 11월 10일.
- Google, Universal Speech Model 논문, 2023년, 그리고 FLEURS 벤치마크 논문, 2022년.
- Mozilla, Common Voice cv-dataset 저장소 (릴리스 27.0, 데이터 마감 2026년 9월), Common Voice 19.0 릴리스 게시물 (2024년 9월 18일 발표), 그리고 Scripted Speech 26.0 릴리스 노트 (2026년 6월 19일).
- IISc와 ARTPARK, Project Vaani 실시간 대시보드 (2026년 10월 열람).
- IndicVoices 데이터셋 논문, 2024년 3월 4일.
- Akera 외, How much speech data is necessary for ASR in African languages?, 2025년 10월 8일.
- Nahabwe 외, Benchmarking Automatic Speech Recognition Models for African Languages, 2025년 11월 30일.
- The NaijaVoices Dataset, Interspeech 2025 채택.
- 프리토리아 대학교, African Next Voices featured in Nature, 2025년 8월 1일.
- 데이터 참고 사항: 언어 수는 출처와 방법에 따라 다르므로(Ethnologue의 7,170은 사용되는 언어를 세는 반면, ASR 논문은 ISO 639-3 코드를 세고 수어와 문자가 없는 언어를 제외한다) 커버리지 비중은 근사치다. Common Voice의 언어 수는 131(릴리스 19.0)에서 295(릴리스 27.0)로 급증했는데, 저장소는 새 수치가 음성이 공개된 언어만 센 것인지 밝히지 않으므로 등재된 언어 수로 취급한다. 검증된 비중 68.8%는 저장소의 차트 데이터로 계산한 값이지만, 릴리스 26.0 노트는 Scripted Speech 음성의 약 25%가 여전히 검증 대기 중이라고 설명하며, 두 척도는 동일하지 않다. 릴리스 19.0이 발표되었을 때 한 포럼 댓글은 131개 언어 중 129개만 내려받을 수 있다고 지적했으므로, 등재된 언어 수와 공개된 언어 수는 다를 수 있다. African Next Voices의 수치는 Nature 보도를 요약한 대학 뉴스 페이지에서 가져온 것이며, 데이터셋 논문은 확인하지 못했다. Whisper(2022년), FLEURS(2022년), MMS(2023년), USM(2023년)의 수치는 모두 3년이 넘은 것이어서 입수 가능한 최신 데이터로 표시했다. Omnilingual 논문의 본문(549)과 표 8(546)은 저자원 언어 수가 서로 다르며, 우리는 표의 값을 사용한다.
마지막 업데이트: 2026년 10월 31일. 저희는 이 정리를 분기마다 업데이트하며, 다음 갱신은 Mozilla가 Common Voice Scripted Speech 릴리스 28.0을 공개할 때로 예상한다.