Meta의 Omnilingual ASR은 1,600개가 넘는 언어를 받아쓸 수 있으며, 그중 500개 이상은 이전에 어떤 음성 인식 시스템도 지원한 적이 없던 언어다(Meta FAIR, Omnilingual ASR 2025). 그래도 Ethnologue 2026년판이 집계한 현존 언어 7,170개의 4분의 1에 못 미친다. 2년 전의 기준점은 Whisper였는데, 68만 시간으로 학습했고 그중 영어를 제외한 96개 언어에 배분된 데이터는 117,000시간뿐이었다(OpenAI, Whisper 논문 2022). 가장 큰 오픈 크라우드소싱 코퍼스인 Mozilla Common Voice는 이제 289개 언어와 38,932시간에 이르며(Common Voice 24.0, 2025년), 실시간 번역부터 받아쓰기까지 가장 빠르게 성장하는 제품은 모두 이러한 파운데이션 모델 위에서 돌아간다. 이는 저희 음성-텍스트 변환 통계 모음에서도 추적하고 있다. Meta FAIR, OpenAI, Google Research, Ethnologue, UNESCO, Mozilla, NVIDIA, Hugging Face, PNAS, MarketsandMarkets 및 방법론에 나열한 기타 1차 출처의 데이터를 집계했다.
요약
- Omnilingual ASR은 1,600개 이상의 언어를 지원하며, 그중 500개 이상은 이전에 ASR이 지원한 적이 없다(Meta FAIR, Omnilingual ASR 2025)
- 제로샷 인컨텍스트 학습으로 Omnilingual ASR을 5,400개 이상의 언어로 확장할 수 있다(Meta, 2025년 11월)
- 현존하는 언어는 7,170개로, 1년 동안 순증 11개(Ethnologue, 제29판 2026)
- 세계 인구의 40%는 자신이 이해하는 언어로 교육을 받지 못한다(UNESCO GEM 보고서 2025)
- Meta의 MMS는 4,017개 구어를 식별하고 1,107개 언어를 받아쓴다(Meta, MMS 논문 2023)
- Google의 USM은 300개 이상의 언어에 걸친 1,200만 시간의 음성으로 학습(Google Research 2023)
- Whisper large-v3는 약 500만 시간으로 학습했으며, 그중 400만 시간은 의사 레이블(OpenAI, 2023년 11월)
- Whisper의 단어 오류율은 언어별 학습 데이터가 16배 늘어날 때마다 절반으로 줄어든다(OpenAI, Whisper 논문 2022)
- Common Voice 24.0: 289개 언어에 걸친 38,932시간(Mozilla, 2025년 12월)
- Omnilingual ASR 언어의 78%에서 문자 오류율이 10 미만(Meta, 2025년 11월)
- Gemini 3.5 Live Translate는 한 번의 Meet 통화에서 70개 이상의 언어와 2,000개 이상의 언어 조합을 지원(Google, 2026년 6월)
- 5개 상용 시스템의 평균 WER은 흑인 화자 0.35, 백인 화자 0.19(PNAS, 2020)
1. 언어 격차: 7,170개 언어 중 지원되는 것은 수백 개
분모가 중요하다. Ethnologue 제29판은 현존하는 언어를 7,170개로 집계했으며, 이는 전년보다 순증 11개다. 8,000건이 넘는 데이터베이스 갱신 끝에, 8개 언어가 소멸에서 현존으로 재분류되었다(Ethnologue, Welcome to the 29th edition, 2026년 2월). MMS 팀이 지적했듯이 2023년 이전에는 주류 음성 시스템이 그중 약 100개만 처리했다. 1,600개 이상으로 뛰어오른 뒤에도, 현존 언어의 약 4분의 3에는 바로 쓸 수 있는 음성 인식기가 없다.
이 격차는 학술적인 문제가 아니다. UNESCO 글로벌 교육 모니터링 팀에 따르면 세계 인구의 40%는 자신이 이해하는 언어로 교육을 받지 못하며, 일부 저소득 및 중소득 국가에서는 그 비율이 90%에 이른다(UNESCO GEM 보고서, Languages Matter). 이러한 언어를 건너뛰는 음성 기술은 음성 인터페이스가 가장 필요한 사람들도 건너뛰는 셈이며, 이 주제는 보존의 관점에서 저희 위기 언어 통계에서 다룬다.
| 지표 | 값 | 출처 |
|---|---|---|
| 현존 언어, 2026년 | 7,170(1년 동안 순증 11) | Ethnologue, 제29판 2026 |
| 현존 언어, 2025년 | 7,159 | Ethnologue, 제28판 2025 |
| 위기 언어 | 3,193(현존 언어의 45%) | Ethnologue, 제28판 2025 |
| ’소멸 직전’ 언어 | 1,030(14%) | Ethnologue, 제28판 2025 |
| 이해하는 언어로 교육받지 못하는 인구 | 40%(일부 저소득 및 중소득 국가에서는 최대 90%) | UNESCO GEM 보고서 2025 |
| MMS 이전 일반적인 음성 시스템이 지원하던 언어 | 약 100개 | Meta, MMS 논문 2023 |
| Omnilingual ASR이 추가한, 이전에 ASR이 지원한 적 없는 언어 | 500개 이상 | Meta FAIR, Omnilingual ASR 2025 |
참고: 위기 언어와 소멸 직전 언어의 수치는 공개 보도에서 요약된 2025년판 자료이며, Ethnologue의 전체 수치는 유료 구독 뒤에 있다. UNESCO는 이 40%라는 수치를 큰 학습 손실과 연결한다. 온두라스에서는 수업 언어를 쓰는 6학년 학생의 94%가 읽기 기초를 달성했지만, 그렇지 않은 학생은 62%였다.
2. 커버리지 경쟁: 각 모델이 처리하는 언어 수
언어 수는 3년 만에 한 자릿수 배로 뛰어올랐다. Meta의 MMS는 4,017개 언어를 식별하고 1,107개 언어를 받아쓰며 합성한다. 대부분 신약성경 녹음으로 구축되었고, 사전 학습 모델은 1,406개 언어를 다룬다(MMS: Scaling Speech Technology to 1,000+ Languages). 이후 Omnilingual ASR은 받아쓰기를 1,600개 이상으로 넓혔고, 소수의 짝지어진 예시로부터의 제로샷 인컨텍스트 학습을 통해 5,400개가 넘는 언어에 도달할 수 있다고 주장한다(Meta AI, Omnilingual ASR 발표).
상용 제품은 훨씬 보수적이며, 그 차이는 품질 기준이 어디에 있는지를 보여준다. Google Cloud의 Chirp 3은 정식 제공 받아쓰기 언어 24개와 프리뷰 76개를 나열하는데(Google Cloud, Chirp 3 문서), 연구 모델은 수백 개를 내세운다. 음성 번역은 그 중간이다. Meta의 SeamlessM4T는 101개 언어의 음성을 입력받지만 음성으로 출력하는 것은 36개 언어뿐이다(Nature, Joint speech and text machine translation for up to 100 languages). 음성을 생성하는 일이 인식하는 일보다 어렵다는 점을 상기시켜 준다.
| 지표 | 값 | 출처 |
|---|---|---|
| Omnilingual ASR 받아쓰기 | 1,600개 이상의 언어 | Meta FAIR, 2025년 11월 |
| 제로샷 학습을 통한 Omnilingual ASR의 잠재 범위 | 5,400개 이상의 언어 | Meta, 2025년 11월 |
| MMS 언어 식별 / ASR 및 TTS / 사전 학습 | 4,017 / 1,107 / 1,406개 언어 | Meta, MMS 논문 2023 |
| Google USM 사전 학습 커버리지 | 300개 이상의 언어 | Google Research, 2023년 3월 |
| Whisper large-v3 | 99개 언어 | Hugging Face Open ASR Leaderboard 2025 |
| SeamlessM4T 음성-음성 번역 | 입력 101개, 출력 36개 언어 | Meta, Nature 2025 |
| Google Chirp 3 받아쓰기 | 정식 제공 24개 + 프리뷰 76개 언어 | Google Cloud 문서 2026 |
| Meta OmniSONAR 음성 임베딩 | 200개 언어 의미 공간 안의 177개 구어 | Meta, OmniSONAR 논문 2026 |
실시간 번역은 대중 시장 앱으로 넘어왔다. Gemini 3.5 Live Translate는 70개 이상의 언어를 감지하고 한 번의 Google Meet 세션에서 2,000개가 넘는 언어 조합을 지원하며, 이전에는 5개 언어였다(Google, Gemini 3.5 Live Translate, 2026년 6월). Google에 따르면 사람들은 Translate, 검색, Lens, Circle to Search를 통해 한 달에 약 1조 단어를 번역한다(Google, 2025년 8월). 기기 차원의 보급에 대해서는 저희 음성-음성 번역 통계에서 더 볼 수 있다.
| 지표 | 값 | 출처 |
|---|---|---|
| Gemini 3.5 Live Translate 지원 언어 | 70개 이상 | Google, 2026년 6월 |
| 한 번의 Meet 통화에서 언어 조합 | 2,000개 이상(이전에는 5개 언어) | Google, 2026년 6월 |
| Google Translate 실시간 대화 지원 언어 | 70개 이상 | Google, 2025년 8월 |
| Google 제품 전체에서 월간 번역되는 단어 수 | 약 1조 | Google, 2025년 8월 |
| Mistral Voxtral 오픈 웨이트 모델 크기 | 240억 및 30억 파라미터 | Mistral AI, 2025년 7월 |
| Voxtral 최대 오디오 길이 | 받아쓰기 30분, 이해 40분 | Mistral AI, 2025년 7월 |
3. 학습 데이터 규모: 68만 시간에서 1,200만 시간으로
이 모델들을 뒷받침하는 데이터 규모는 언어 수보다 훨씬 빠르게 커졌다. Google의 Universal Speech Model은 1,200만 시간의 음성과 280억 문장의 텍스트로 학습되었으며, 파라미터는 20억 개다(Google Research, USM). 이는 Whisper 원래 코퍼스의 약 18배다. OpenAI 자체도 Whisper large-v3에서 68만 시간에서 약 500만 시간으로 늘렸고, 그중 400만 시간은 이전 모델이 의사 레이블을 붙인 것이다(OpenAI, large-v3 릴리스 노트).
진짜 이야기는 이 코퍼스 내부의 분포다. Whisper의 원래 68만 시간에는 영어를 제외한 96개 언어에 걸친 117,000시간과 영어로의 번역 125,000시간이 포함되어 있었다(Whisper 논문). 뺄셈(680,000에서 117,000과 125,000을 뺌)으로 보면 약 438,000시간, 즉 대략 64%가 영어 받아쓰기였다. Meta MMS의 레이블 데이터셋은 언어당 평균 32시간에 불과했고, 공개된 Omnilingual ASR 데이터는 언어당 평균 약 10시간의 받아쓰기 음성이다. 초다국어 모델은 수천 시간이 아니라 몇 시간 단위로 측정되는 롱테일 위에 세워져 있다.
| 지표 | 값 | 출처 |
|---|---|---|
| Whisper 학습 오디오 | 68만 시간 | OpenAI, Whisper 논문 2022 |
| Whisper의 영어 외 인식 데이터 | 96개 언어에 걸친 117,000시간 | OpenAI, Whisper 논문 2022 |
| Whisper의 다른 언어에서 영어로의 번역 데이터 | 125,000시간 | OpenAI, Whisper 논문 2022 |
| Whisper 영어 받아쓰기(산출) | 약 438,000시간(약 64%) | OpenAI 수치로부터 산출 |
| Whisper large-v3 학습 데이터 | 약한 레이블 100만 시간 + 의사 레이블 400만 시간 | OpenAI, 2023년 11월 |
| Google USM | 음성 1,200만 시간, 텍스트 280억 문장, 파라미터 20억 | Google Research, 2023 |
| MMS 자기 지도 사전 학습 | 1,400개 이상의 언어에 걸친 약 50만 시간 | Meta, 2023년 5월 |
| MMS 언어당 레이블 데이터 | 평균 32시간 | Meta, 2023년 5월 |
Meta의 최신 스택은 양쪽 끝을 모두 키운다. Omnilingual ASR은 파라미터 70억 개의 wav2vec 2.0 인코더를 1,239개 언어에 걸친 384만 시간과 언어 레이블이 없는 46만 시간으로 사전 학습했으며, 지도 학습용 AllASR 코퍼스에는 1,690개 언어에 걸친 120,710시간이 담겨 있다(Omnilingual ASR 논문). 공개된 가장 작은 변형은 파라미터 3억 개이며, 저전력 기기를 겨냥한다.
| 지표 | 값 | 출처 |
|---|---|---|
| Omnilingual ASR 비레이블 사전 학습 | 384만 시간, 1,239개 언어 | Meta FAIR, Omnilingual ASR 논문 2025 |
| 언어 ID가 없는 추가 비레이블 음성 | 46만 시간 | Meta FAIR, 2025 |
| AllASR 레이블 코퍼스 | 120,710시간, 1,690개 언어 | Meta FAIR, 2025 |
| 언어당 받아쓰기 음성 평균(공개 데이터) | 약 10시간 | Meta FAIR, 2025 |
| 최대 / 최소 모델 | 파라미터 70억 / 3억 개 | Meta FAIR, 2025 |
4. 모델 뒤에 있는 오픈 데이터셋과 벤치마크
롱테일 커버리지는 오픈 데이터에서 만들어진다. Mozilla Common Voice Scripted Speech 24.0은 289개 언어에 걸쳐 38,932시간에 이르렀고, 그중 25,886시간이 검증되었다(Mozilla Discourse 릴리스 게시글, 2025년 12월). 더 큰 도약은 한 릴리스 전에 있었는데, Common Voice 23.0이 149개 언어를 추가해 언어 수를 두 배 이상 늘려 286개로 만들었다(Mozilla Data Collective). 두 릴리스 사이에 시간은 약 8%밖에 늘지 않았으므로, 새 언어는 언어당 오디오가 아주 적은 채로 들어온다.
평가는 학습보다 훨씬 좁은 상태로 남아 있다. 표준 다국어 벤치마크인 FLEURS는 언어당 약 12시간의 음성으로 102개 언어를 다루며(FLEURS 논문), Hugging Face Open ASR Leaderboard의 다국어 트랙은 18개 조직의 60개 이상 모델을 단 5개 언어로 벤치마크한다(Hugging Face, Open ASR Leaderboard). 따라서 ‘1,600개 언어’라는 주장은 그 수의 일부에서만 검증된다.
| 지표 | 값 | 출처 |
|---|---|---|
| Common Voice 24.0 총 시간 / 검증된 시간 | 38,932 / 25,886 | Mozilla, 2025년 12월 |
| Common Voice 24.0 언어 수 | 289 | Mozilla, 2025년 12월 |
| Common Voice 23.0에서 추가된 언어 | 149(총 286) | Mozilla Data Collective, 2025년 9월 |
| Common Voice 23.0 자발적 발화 | 51개 언어에 걸친 357시간 | Mozilla Data Collective, 2025년 9월 |
| Spontaneous Speech 2.0 데이터셋 | 62 | Mozilla, 2025년 12월 |
| FLEURS 벤치마크 | 102개 언어, 각 약 12시간 | Conneau 외, FLEURS 2022 |
| Omnilingual ASR Corpus | 지원이 부족한 350개 언어(CC-BY) | Meta, 2025년 11월 |
유럽도 자체 대형 오픈 코퍼스를 갖게 되었다. NVIDIA의 Granary는 약 100만 시간을 담고 있으며, 인식용이 65만 시간 가까이, 번역용이 35만 시간 이상으로, 유럽 25개 언어에 걸쳐 있다. 크로아티아어, 에스토니아어, 몰타어 등이 포함된다(NVIDIA 블로그, 2025년 8월). Interspeech 2025에 채택된 함께 발표된 논문은 모델이 기존 데이터셋보다 약 50% 적은 데이터로 비슷한 성능에 도달한다고 보고한다(Granary 논문).
| 지표 | 값 | 출처 |
|---|---|---|
| Granary 총 오디오 | 약 100만 시간 | NVIDIA, 2025년 8월 |
| Granary 인식 / 번역 구성 | 약 65만 / 35만 시간 이상 | NVIDIA, 2025년 8월 |
| Granary 언어 | 유럽 25개 | NVIDIA, 2025년 8월 |
| 같은 정확도에 필요한 데이터(기존 데이터셋 대비) | 약 50% 적음 | Granary 논문, Interspeech 2025 |
| Open ASR Leaderboard 범위 | 60개 이상 모델, 18개 조직, 11개 데이터셋 | Hugging Face, 2025년 11월 |
| Hugging Face Hub에 호스팅된 ASR 모델 | 약 27,000개 | Hugging Face, 2025년 11월 |
| 리더보드 다국어 트랙의 언어 수 | 5 | Hugging Face, 2025년 11월 |
5. 정확도: 언어별 데이터가 모델 크기를 이긴다
이 분야에서 가장 유용한 수치는 스케일링 법칙이다. Whisper의 저자들은 언어별 학습 시간의 로그와 단어 오류율의 로그 사이에서 결정계수 0.83을 확인했으며, 데이터가 16배 늘어날 때마다 WER이 절반으로 줄어든다는 것을 발견했다(OpenAI, Whisper 논문). 같은 관계가 음성 번역에서는 0.24에 그쳤다. 오디오가 10시간뿐인 언어에서 쓸 만한 정확도로 가는 현실적인 길은 더 큰 모델이 아니라 더 많은 데이터다.
커버리지 확대는 놀라울 만큼 작은 정확도 비용으로 이루어졌다. Meta는 MMS를 61개에서 1,107개 언어로 확장했을 때 문자 오류율이 약 0.4%만 올랐다고 보고했고, MMS는 FLEURS의 54개 언어에서 Whisper의 단어 오류율을 절반으로 줄였다(Meta AI, MMS 발표). Omnilingual ASR은 1,600개 이상 언어의 78%에서 문자 오류율 10 미만을 달성한다. 자체 보고된 수치이지만, 각 주장은 공개 벤치마크에 연결되어 있다.
| 지표 | 값 | 출처 |
|---|---|---|
| 로그 WER와 로그 학습 시간의 상관관계(ASR) | 결정계수 = 0.83 | OpenAI, Whisper 논문 2022 |
| 음성 번역에서의 같은 상관관계 | 결정계수 = 0.24 | OpenAI, Whisper 논문 2022 |
| 데이터 16배 증가당 WER 개선 | 절반으로 감소 | OpenAI, Whisper 논문 2022 |
| FLEURS 54개 언어에서 MMS와 Whisper 비교 | WER 약 절반 | Meta, MMS 2023 |
| MMS를 61개에서 1,107개 언어로 확장할 때 CER 증가 | 약 0.4% | Meta, 2023년 5월 |
| CER 10 미만인 Omnilingual ASR 언어 | 78% | Meta, 2025년 11월 |
| Whisper large-v3의 large-v2 대비 오류 감소 | 10%에서 20% | OpenAI, 2023년 11월 |
Google의 수치도 같은 방향을 가리킨다. USM은 비교 가능한 18개 언어에서 Whisper보다 WER이 상대적으로 32.7% 낮았고, YouTube 자막 73개 언어의 평균 WER은 30% 미만이었으며, 분야 내 데이터 없이 FLEURS에서 WER을 상대적으로 65.8% 줄였다. 이제 효율이 두 번째 경쟁 축이다. NVIDIA의 10억 파라미터 Canary-1b-v2는 3배 큰 모델과 비슷한 품질을 최대 10배 빠른 추론으로 제공한다고 주장하며, 장문 리더보드에서 Parakeet CTC의 RTFx는 2,793.75로 Whisper large-v3의 68.56을 크게 앞섰다(Hugging Face, 2025). 실시간 음성 도구, 예를 들어 라이브 보이스 클론 소프트웨어 뒤에 있는 기술에서는 이러한 처리량 격차가 WER 1점보다 더 중요한 경우가 많다.
| 지표 | 값 | 출처 |
|---|---|---|
| USM과 Whisper의 WER 비교, 18개 언어 | 상대적으로 32.7% 낮음 | Google Research, 2023 |
| USM 평균 WER, YouTube 73개 언어 | 30% 미만 | Google Research, 2023 |
| FLEURS에서 USM의 상대적 WER 감소(분야 내 데이터 없음) | 65.8% | Google Research, 2023 |
| SeamlessM4T v2와 캐스케이드 시스템 비교 | BLEU가 최대 8%(음성-텍스트), 23%(음성-음성) 높음 | Meta, Nature 2025 |
| OmniSONAR 제로샷 음성-텍스트 번역 | SeamlessM4T 품질의 97% | Meta, OmniSONAR 2026 |
| Canary-1b-v2와 더 큰 모델 비교 | 3배 큰 모델과 비슷한 품질, 최대 10배 빠름 | NVIDIA, 2025년 8월 |
| 장문 처리량(RTFx): Parakeet CTC와 Whisper large-v3 | 2,793.75 대 68.56 | Hugging Face Open ASR Leaderboard 2025 |
예외적인 참고 사항: OmniSONAR 논문(arXiv, 2026년 3월)은 기존 모델보다 음성 유사도 검색 오류가 43% 낮다고도 보고하며, 이는 음성과 텍스트가 공유하는 임베딩 공간이 그 자체로 하나의 구성 요소가 되어 가고 있음을 보여준다.
6. 억양 편향, 접근성, 그리고 상업적 이해관계
언어 커버리지는 ‘지원되는’ 언어 내부의 두 번째 격차를 가린다. Amazon, Apple, Google, IBM, Microsoft의 5개 상용 시스템에서 평균 WER은 흑인 화자 0.35, 백인 화자 0.19였다(Koenecke 외, PNAS 2020). 이는 흑인 화자 73명과 백인 화자 42명과의 인터뷰를 바탕으로 한다. 이 연구는 3년이 넘었지만, 이런 종류의 감사로 구할 수 있는 가장 최근 자료로 제시한다. 더 새로운 연구도 비슷한 결론에 이른다. 10개국 이상에서 100개가 넘는 아프리카 영어 억양을 다룬 AfriSpeech-MultiBench는 독점 모델이 깨끗한 음성에서는 정확하지만 국가와 분야에 따라 크게 달라지며, 대부분의 최첨단 모델에서 환각이 여전히 문제라는 점을 확인했다(arXiv, 2025년 11월).
상업적 이해관계는 계속 커지지만, 시장 규모 추정은 일관되지 않다. MarketsandMarkets는 음성 및 음성 인식 시장이 2025년 96.6억 달러에서 2030년 231.1억 달러로, 연평균 성장률 19.1%로 성장할 것으로 전망한다(MarketsandMarkets 보도자료). 반면 Grand View Research는 2023년 202억 달러에서 2030년 537억 달러로, 연평균 14.6%로 성장할 것으로 본다(Grand View Research). 두 회사 모두 아시아 태평양과 신흥 시장을 성장 동력으로 꼽는데, 이는 바로 언어 커버리지가 가장 얇은 지역이다. 같은 시장의 텍스트 쪽은 저희 기계 번역 통계도 함께 참고하세요.
| 지표 | 값 | 출처 |
|---|---|---|
| 평균 WER, 흑인 화자와 백인 화자(5개 시스템) | 0.35 대 0.19 | Koenecke 외, PNAS 2020 |
| PNAS 감사의 화자 수 | 흑인 73명, 백인 42명 | Koenecke 외, PNAS 2020 |
| 벤치마크 대상 아프리카 영어 억양 | 10개국 이상에서 100개 이상 | AfriSpeech-MultiBench, 2025 |
| 5학년 읽기 기초, 코트디부아르: 가정 언어가 시험 언어인 경우와 아닌 경우 | 55% 대 25% | UNESCO GEM 보고서 2025 |
| 음성 및 음성 인식 시장, 2025년에서 2030년 | 96.6억 달러에서 231.1억 달러(연평균 성장률 19.1%) | MarketsandMarkets, 2025년 8월 |
| 미국 음성 및 음성 인식 시장, 2025년에서 2030년 | 31.3억 달러에서 77.0억 달러(연평균 성장률 19.7%) | MarketsandMarkets, 2025 |
| 음성 및 발화 인식 시장, 2023년에서 2030년 | 202억 달러에서 537억 달러(연평균 성장률 14.6%) | Grand View Research, 2024 |
| 북미 매출 비중 | 30.8%(2023년) | Grand View Research, 2024 |
숫자로 보는 다국어 음성 파운데이션 모델
| 지표 | 값 | 출처 |
|---|---|---|
| 현존 언어 | 7,170 | Ethnologue, 제29판 2026 |
| Omnilingual ASR 커버리지 | 1,600개 이상 언어(500개 이상은 이전에 미지원) | Meta FAIR, 2025 |
| Omnilingual ASR 제로샷 잠재 범위 | 5,400개 이상 언어 | Meta, 2025년 11월 |
| MMS 언어 식별 | 4,017개 언어 | Meta, 2023 |
| Whisper large-v3 커버리지 | 99개 언어 | Hugging Face, 2025 |
| SeamlessM4T 음성 입력 / 음성 출력 | 101 / 36개 언어 | Meta, Nature 2025 |
| Gemini 3.5 Live Translate | 70개 이상 언어, 2,000개 이상 조합 | Google, 2026년 6월 |
| Whisper 학습 데이터 | 68만 시간(영어 외 117,000시간) | OpenAI, 2022 |
| Whisper large-v3 학습 데이터 | 약 500만 시간 | OpenAI, 2023 |
| Google USM 학습 데이터 | 1,200만 시간, 300개 이상 언어 | Google Research, 2023 |
| Omnilingual ASR 사전 학습 | 384만 시간, 1,239개 언어 | Meta FAIR, 2025 |
| Common Voice 24.0 | 38,932시간, 289개 언어 | Mozilla, 2025년 12월 |
| NVIDIA Granary | 약 100만 시간, 25개 언어 | NVIDIA, 2025년 8월 |
| FLEURS 벤치마크 | 102개 언어, 각 약 12시간 | FLEURS, 2022 |
| WER과 데이터의 관계 | 데이터 16배 증가당 절반으로 감소 | OpenAI, 2022 |
| CER 10 미만인 Omnilingual ASR 언어 | 78% | Meta, 2025년 11월 |
| MMS와 Whisper의 WER 비교, 54개 언어 | 약 절반 | Meta, 2023 |
| 이해하는 언어로 교육받지 못하는 인구 | 40% | UNESCO, 2025 |
| WER 격차, 흑인 화자와 백인 화자 | 0.35 대 0.19 | PNAS, 2020 |
| 음성 및 음성 인식 시장, 2030년 | 231.1억 달러(MarketsandMarkets) 대 537억 달러(Grand View) | MarketsandMarkets 2025; Grand View Research 2024 |
방법론과 출처
모든 수치는 이를 만든 조직까지 거슬러 올라가 확인했으며, 언론 보도보다 논문, 공식 릴리스 노트, 문서를 우선했다. 벤더(Meta, Google, OpenAI, NVIDIA, Mistral)의 정확도 주장은 공개 벤치마크에서의 자체 보고이며 출처를 표시했다. 발표된 수치와 연결할 수 없었던 상업적 주장, 예를 들어 근거 없는 ‘최저 WER’ 마케팅 문구는 제외했다.
- Ethnologue: Welcome to the 29th edition (2026년 2월)
- UNESCO GEM 보고서: 40%가 이해하는 언어로 교육을 받지 못한다 (2025)
- Meta: MMS 발표 (2023년 5월), MMS 논문, Omnilingual ASR 발표 (2025년 11월), Omnilingual ASR 논문, OmniSONAR 논문 (2026)
- Meta Seamless Communication 팀: 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 릴리스 (2023년 11월)
- Google: Universal Speech Model (2023년 3월), Chirp 3 문서, Gemini 3.5 Live Translate (2026년 6월), Translate 실시간 번역 (2025년 8월)
- Mozilla: Common Voice 24.0 릴리스 (2025년 12월), Common Voice 23.0 릴리스 (2025년 9월)
- Conneau 외: FLEURS (2022)
- NVIDIA: Granary, Canary, Parakeet 릴리스 (2025년 8월), Granary 논문 (Interspeech 2025)
- Hugging Face: Open ASR Leaderboard 동향 (2025년 11월)
- Mistral AI: Voxtral (2025년 7월)
- Koenecke 외: Racial disparities in automated speech recognition (PNAS, 2020)
- AfriSpeech-MultiBench: arXiv 2511.14255 (IJCNLP-AACL 2025)
- MarketsandMarkets: 음성 및 음성 인식 시장 보도자료 (2025년 8월)
- Grand View Research: 음성 및 발화 인식 시장 보고서 (2024)
- 데이터 참고 사항: 시장 규모 추정은 크게 엇갈린다. MarketsandMarkets(2030년까지 231.1억 달러)와 Grand View Research(2030년까지 537억 달러)는 범위와 기준 연도가 다르므로, 이 수치들을 평균 내거나 추세로 비교해서는 안 된다. 파운데이션 모델 수치 가운데 일부는 2022년에서 2023년의 것(Whisper, USM, MMS, FLEURS)이며, 해당 모델에 대해 구할 수 있는 가장 최근의 공개 자료다. Google은 Gemini 오디오 모델에 대해 비교 가능한 학습 데이터 총량을 공개하지 않았다. Whisper 데이터에서 영어가 차지하는 비중(약 438,000시간, 64%)은 OpenAI가 공개한 총합에서 저희가 뺄셈으로 구한 값이며, OpenAI가 초록에서 밝힌 수치가 아니다. Ethnologue의 2025년 위기 언어 및 소멸 직전 언어 수치는 전체 데이터베이스가 유료이기 때문에 제28판의 공개 요약에서 가져왔다. PNAS 편향 감사(2020)는 현재의 파운데이션 모델보다 앞선 것이며 구할 수 있는 가장 최근 자료로 제시한다. 그 이후 동일한 규모로 여러 벤더를 아우르는 감사는 발표되지 않았다. 언어 수는 벤더 간에 비교할 수 없다. 로케일을 세는 곳도 있고 언어를 세는 곳도 있으며, ‘프리뷰’ 커버리지는 프로덕션 품질이 아니다.
마지막 업데이트: 2026년 10월 3일. 저희는 이 정리를 분기마다 업데이트하며, 다음 갱신은 Mozilla가 Common Voice 25.0을 공개하고 Ethnologue가 2027년 2월에 제30판을 내놓을 때로 예상한다.