Dane treningowe do rozpoznawania mowy stojące za Whisperem od OpenAI obejmowały 438.218 godzin angielskiego, ale tylko po 0,1 godziny laotańskiego, sundajskiego i birmańskiego (OpenAI, artykuł o Whisper 2022). Ta przepaść to cały długi ogon rozpoznawania mowy w jednym zdaniu, na tle 7.170 języków używanych na świecie (Ethnologue, How Many Languages 2026). Próg użytecznej dokładności wygląda na niższy, niż sugeruje ta przepaść: jedno badanie z 2025 roku osiągnęło współczynnik błędów słów poniżej 13% przy zaledwie 50 godzinach danych treningowych (Akera i in., badanie skalowania danych dla kinyarwanda i kikuju 2025). Część luki wypełnia crowdsourcing: Mozilla Common Voice ma 29.295 zwalidowanych godzin (Mozilla, repozytorium cv-dataset Common Voice 2026). Różnice w dokładności między akcentami w obrębie głównych języków omawiamy w naszych statystykach stronniczości akcentowej w rozpoznawaniu mowy; to zestawienie dotyczy całych języków. Zagregowaliśmy dane z Ethnologue, artykułu OpenAI o Whisper, artykułów Meta o MMS i Omnilingual ASR, artykułów Google o USM i FLEURS, Mozilla Common Voice, Project Vaani, IndicVoices, NaijaVoices, African Next Voices oraz najnowszych testów porównawczych ASR dla języków afrykańskich.
TL;DR
- Dziś używanych jest 7.170 języków, a około 44% jest zagrożonych wymarciem, często z mniej niż 1.000 użytkowników (Ethnologue, How Many Languages 2026).
- Tylko 195 z 546 języków niskozasobowych (36%) uzyskało w modelu 7B firmy Meta współczynnik błędów znaków poniżej 10, wobec 236 z 249 języków wysokozasobowych (Meta FAIR, artykuł o Omnilingual ASR 2025).
- 65% dźwięku treningowego Whispera stanowiło rozpoznawanie mowy angielskiej, czyli 438.218 godzin, podczas gdy 96 pozostałych języków dzieliło 117.113 godzin (OpenAI, artykuł o Whisper 2022).
- Model dla kinyarwanda osiągnął współczynnik błędów słów poniżej 13% przy zaledwie 50 godzinach danych treningowych (Akera i in., badanie skalowania danych 2025).
- Najlepszy model dla suahili spadł z 24,81% WER przy 1 godzinie danych do 11,36% przy 400 godzinach (Nahabwe i in., Benchmarking ASR Models for African Languages 2025).
- Mozilla Common Voice Scripted Speech liczy w wydaniu 27.0 łącznie 42.593 godziny, z czego 29.295 zwalidowanych (Mozilla, repozytorium cv-dataset Common Voice 2026).
- Project Vaani nagrał 31.278,37 godziny indyjskiej mowy, ale tylko około 6,8% jest transkrybowane (IISc i ARTPARK, panel Project Vaani 2026).
- African Next Voices nagrał ponad 9.000 godzin w 18 językach w Kenii, Nigerii i Republice Południowej Afryki (Uniwersytet w Pretorii, wiadomości o African Next Voices 2025).
- Dostrojenie na korpusie NaijaVoices o długości 1.800 godzin poprawiło średni współczynnik błędów słów Whispera o 75,86% dla igbo, hausa i joruba (artykuł o zbiorze NaijaVoices, Interspeech 2025).
- Universal Speech Model od Google pokonał Whisper o 66% względnego WER na 62 językach FLEURS przy zbiorze z etykietami mniej więcej siedem razy mniejszym (Google, artykuł o USM 2023).
- IndicVoices liczy 7.348 godzin od 16.237 mówców w 22 językach indyjskich (artykuł o zbiorze IndicVoices 2024).
1. Ile języków świata ma jakiekolwiek rozpoznawanie mowy
Mianownik jest tu sednem sprawy. Ethnologue wylicza dziś 7.170 używanych języków, a zaledwie 20 z nich, czyli 0,3% ogółu, to języki ojczyste ponad 3,7 miliarda ludzi (Ethnologue, How Many Languages 2026). Rozpoznawanie mowy podążyło za tą koncentracją: jeszcze w 2023 roku Universal Speech Model od Google obejmował ponad 100 języków.
Nawet najszerszy dziś otwarty system, obejmujący ponad 1.600 języków, sięga zaledwie około jednej piątej liczby wyliczonej przez Ethnologue. Utrata języków to druga strona tej luki, omawiamy ją w naszych statystykach języków zagrożonych. Sama Afryka to ponad 2.000 języków, z których wiele nie ma transkrybowanych danych mowy.
| Metryka | Wartość | Źródło |
|---|---|---|
| Języki używane na świecie | 7.170 | Ethnologue, How Many Languages 2026 |
| Odsetek żywych języków zagrożonych wymarciem | Około 44%, często z mniej niż 1.000 pozostałych użytkowników | Ethnologue, How Many Languages 2026 |
| Rodzimi użytkownicy 20 największych języków | Ponad 3,7 miliarda ludzi, niemal połowa ludności świata, z 0,3% wszystkich języków | Ethnologue, How Many Languages 2026 |
| Języki używane w całej Afryce | Ponad 2.000, wiele bez transkrybowanych danych mowy | Nahabwe i in., Benchmarking ASR Models for African Languages 2025 |
| Języki objęte rozpoznawaniem mowy w Universal Speech Model od Google | Ponad 100 | Google, artykuł o USM 2023 |
| Języki z Ósmego załącznika do Konstytucji Indii objęte przez IndicASR, który według autorów jest pierwszym modelem obsługującym wszystkie z nich | 22 | Artykuł o zbiorze IndicVoices 2024 |
| Języki objęte przez najszerszy otwarty system ASR | Ponad 1.600 (ponad 500 nigdy wcześniej nieobsłużonych przez żaden system ASR), około 22% z 7.170 używanych (1.600 / 7.170) | Meta FAIR, artykuł o Omnilingual ASR 2025; Ethnologue 2026 |
Kontekst: ten system obejmujący ponad 1.600 języków celowo pomija około 150 języków migowych, języków sztucznych i języków bez ustalonego pisma, więc część nieobjętej reszty leży poza zasięgiem rozpoznawania mowy zwracającego tekst. Najnowsze dostępne dane dla USM: 2023.
2. Godziny treningowe: angielski kontra długi ogon
Dane treningowe do rozpoznawania mowy nie tworzą rozkładu, to urwisko. Dane Whispera do rozpoznawania mowy angielskiej (438.218 godzin) były około 81.000 razy większe niż dane suahili (5,4 godziny) (438.218 / 5,4 = 81.151), a laotański, sundajski i birmański dostały po 0,1 godziny. Nawet wobec chińskiego, najlepiej zaopatrzonego języka spoza angielskiego z 23.446 godzinami, angielski miał około 19 razy więcej dźwięku (438.218 / 23.446 = 18,7).
Nowsze systemy dzielą języki na przedziały zasobowe, a ich granice są wymowne: język liczy się jako wysokozasobowy (dobrze zaopatrzony w dane treningowe) już powyżej zaledwie 50 godzin. Zbiory zbudowane z myślą o takim celu mogą przesunąć język przez tę granicę: IndicVoices podaje medianę 73 transkrybowanych godzin na język w swoich 22 językach (artykuł o zbiorze IndicVoices 2024).
| Metryka | Wartość | Źródło |
|---|---|---|
| Dźwięk treningowy Whispera: rozpoznawanie mowy angielskiej wobec 96 innych języków | 438.218 godzin (65%) wobec 117.113 godzin (17%) | OpenAI, artykuł o Whisper 2022 |
| Godziny rozpoznawania mowy w Whisperze na język, największe wobec najmniejszych | Chiński 23.446; niemiecki 13.344; hiszpański 11.100 wobec suahili 5,4; laotański, sundajski i birmański po 0,1 | OpenAI, artykuł o Whisper 2022 |
| Języki testu FLEURS bez żadnych danych treningowych Whispera | 20 ze 102 | OpenAI, artykuł o Whisper 2022 |
| Języki Omnilingual ASR według danych treningowych z etykietami: ponad 50 godzin / od 10 do 50 godzin / poniżej 10 godzin | 249 / 881 / 546 języków | Meta FAIR, artykuł o Omnilingual ASR 2025 |
| Dane ewaluacyjne FLEURS na język | Około 12 godzin mowy w każdym ze 102 języków | Google, artykuł o FLEURS 2022 |
| Transkrybowany dźwięk w IndicVoices | 1.639 godzin, mediana 73 godziny na język | Artykuł o zbiorze IndicVoices 2024 |
Najnowsze dostępne dane dla Whispera: 2022. Powyższe godziny to wyłącznie dane do rozpoznawania mowy, oddzielone od dźwięku do tłumaczenia w Whisperze. Nie znaleźliśmy równoważnego podziału na języki dla późniejszych wersji Whispera.
3. Poziom błędów: języki niskozasobowe kontra wysokozasobowe
Współczynnik błędów słów (WER) to odsetek słów, w których system się myli, licząc podstawienia, pominięcia i wstawienia; ponieważ wstawione słowa się liczą, może przekroczyć 100%, gdy model wytwarza więcej błędnych słów, niż zawiera tekst referencyjny. Whisper large-v2 uzyskał 4,2% WER dla angielskiego, ale 121,0% dla szona w teście FLEURS, więc dla szona błędów było więcej niż słów faktycznie wypowiedzianych (OpenAI, artykuł o Whisper 2022). Jednym ze znanych sposobów, w jaki model do tego dochodzi, jest pisanie płynnego tekstu, którego nikt nie wypowiedział, czyli typ awarii śledzony w naszych statystykach halucynacji w rozpoznawaniu mowy.
Nowsze modele nadal nie likwidują tej luki. W poniższej tabeli współczynnik błędów znaków (CER, ta sama idea liczona na literę, a nie na słowo) pozostał poniżej 10 dla około 95% języków z 10 lub więcej godzinami danych (1.077 z 1.130), ale tylko dla nieco ponad jednej trzeciej grupy poniżej 10 godzin. W obrębie jednego modelu o tych wynikach decyduje sama ilość danych.
| Metryka | Wartość | Źródło |
|---|---|---|
| Współczynnik błędów słów Whisper large-v2 na FLEURS: angielski / hiszpański / suahili | 4,2% / 3,0% / 39,3% | OpenAI, artykuł o Whisper 2022 |
| Współczynnik błędów słów Whisper large-v2 na FLEURS: joruba / somalijski / szona / sindhi | 94,8% / 102,9% / 121,0% / 156,5% | OpenAI, artykuł o Whisper 2022 |
| Języki Omnilingual 7B LLM-ASR ze współczynnikiem błędów znaków poniżej 10, według poziomu zasobów: wysoki / średni / niski | 236 z 249 / 841 z 881 / 195 z 546 (artykuł zaokrągla odsetek języków niskozasobowych do 36%) | Meta FAIR, artykuł o Omnilingual ASR 2025 |
| Średni współczynnik błędów znaków Omnilingual 7B LLM-ASR: języki wysokozasobowe wobec niskozasobowych | 3,13 wobec 18,0 | Meta FAIR, artykuł o Omnilingual ASR 2025 |
Uwaga o wartościach odstających: wiersze dotyczące Whispera pochodzą z tabeli large-v2 w artykule z 2022 roku, najnowszej dostępnej tabeli tego rodzaju dla poszczególnych języków. WER i CER to różne miary, więc wierszy dotyczących Whispera i Omnilingual nie można porównywać bezpośrednio.
4. Ile danych zamyka tę lukę
Optymistyczny wniosek z 2025 roku jest taki, że próg użytecznego rozpoznawania mierzy się w dziesiątkach godzin, a nie w tysiącach. Model dla kinyarwanda osiągnął praktyczną dokładność, czyli współczynnik błędów słów poniżej 13%, przy zaledwie 50 godzinach danych treningowych, a przy 200 godzinach spadł poniżej 10% (Akera i in., badanie skalowania danych 2025). Jeśli to samo dotyczy innych języków, jedna sfinansowana kampania nagraniowa wystarcza na pierwszy użyteczny model.
Liczy się też jakość danych. To samo badanie przypisało 38,6% przypadków wysokiego błędu zaszumionym transkrypcjom wzorcowym, czyli część “błędów” wynikała z tego, że tekst referencyjny był błędny. A wyniki dla suahili w odrębnym teście porównawczym 13 języków pokazują, co daje sama ilość: przejście z 1 do 400 godzin ponad dwukrotnie zmniejszyło najlepszy poziom błędów, a mimo to 11,36% pozostaje znacznie powyżej wyniku Whispera dla angielskiego z sekcji 3.
| Metryka | Wartość | Źródło |
|---|---|---|
| Dane treningowe kinyarwanda potrzebne do uzyskania współczynnika błędów słów poniżej 13% | Zaledwie 50 godzin | Akera i in., badanie skalowania danych dla kinyarwanda i kikuju 2025 |
| Współczynnik błędów słów dla kinyarwanda przy 200 godzinach danych treningowych | Poniżej 10% | Akera i in., badanie skalowania danych dla kinyarwanda i kikuju 2025 |
| Przypadki wysokiego błędu spowodowane zaszumionymi transkrypcjami referencyjnymi | 38,6% | Akera i in., badanie skalowania danych dla kinyarwanda i kikuju 2025 |
| Przetestowane języki afrykańskie, z podzbiorami do dostrajania o długości 1, 5, 10, 20, 50, 100 i 200 godzin | 13 języków (tylko suahili miało także podzbiór 400-godzinny) | Nahabwe i in., Benchmarking ASR Models for African Languages 2025 |
| Najlepszy współczynnik błędów słów dla suahili przy 400 godzinach danych do dostrajania (XLS-R wobec Whispera) | 11,36% wobec 16,88% | Nahabwe i in., Benchmarking ASR Models for African Languages 2025 |
Kontekst: 13 języków w teście Nahabwe i in. to afrikaans, akan, bambara, bemba, ewe, kinyarwanda, lingala, luganda, szona, suahili, wolof, xhosa i zulu.
5. Zbiory mowy tworzone przez społeczność i crowdsourcing
Otwarte zbiory budowane przez społeczność to miejsce, w którym dane mowy z długiego ogona stają się publiczne. Zbiór Scripted Speech w Mozilla Common Voice urósł mniej więcej 31-krotnie, z 1.368 godzin w pierwszym wydaniu do 42.593 godzin w wydaniu 27.0 (42.593 / 1.368 = 31,1), a repozytorium wymienia 295 języków (Mozilla, repozytorium cv-dataset Common Voice 2026). Wąskim gardłem przestało być nagrywanie, a stało się sprawdzanie: około 31% tych godzin nie jest zwalidowane (29.295 / 42.593 = 68,8% zwalidowanych).
Projekty regionalne pokazują ten sam wzorzec w większej skali. Project Vaani zebrał ponad 31.000 godzin indyjskiej mowy, ale transkrybował tylko około 6,8% (2.122,21 / 31.278,37) i dotarł do 165 z 773 okręgów Indii (21,3%). W Afryce dwa projekty ogłoszone w 2025 roku mają razem ponad 10.800 godzin (ponad 9.000 plus 1.800), wobec 5,4 godziny suahili w danych Whispera do rozpoznawania mowy.
| Metryka | Wartość | Źródło |
|---|---|---|
| Łączna liczba godzin Common Voice Scripted Speech: wydanie 1 wobec 27.0 (stan danych: wrzesień 2026) | 1.368 wobec 42.593 godzin | Mozilla, repozytorium cv-dataset Common Voice 2026 |
| Zwalidowane godziny Common Voice Scripted Speech, wydanie 27.0 | 29.295 (68,8% całości) | Mozilla, repozytorium cv-dataset Common Voice 2026 |
| Języki wymienione dla Common Voice Scripted Speech: wydanie 19.0 (2024) wobec 27.0 (2026) | 131 wobec 295 | Mozilla, wydanie Common Voice 19.0 z 2024 roku; repozytorium cv-dataset 2026 |
| Common Voice Spontaneous Speech, wydanie 5.0 | 541 godzin (302 zwalidowane), 80 języków | Mozilla, repozytorium cv-dataset Common Voice 2026 |
| Mowa zebrana w Indiach przez Project Vaani | 31.278,37 godziny od 156.208 mówców w 105 językach, 165 z 773 okręgów | IISc i ARTPARK, panel Project Vaani 2026 |
| Transkrybowana mowa Project Vaani | 2.122,21 godziny (około 6,8% zebranego dźwięku) | IISc i ARTPARK, panel Project Vaani 2026 |
| Mowa nagrana przez African Next Voices | Ponad 9.000 godzin w 18 językach w 3 krajach | Uniwersytet w Pretorii, wiadomości o African Next Voices 2025 |
| Dane mowa-tekst NaijaVoices | 1.800 godzin od ponad 5.000 mówców w igbo, hausa i joruba | Artykuł o zbiorze NaijaVoices, Interspeech 2025 |
Kontekst: deklarowanym celem Project Vaani jest ponad 150.000 godzin mowy ze wszystkich 773 okręgów, więc obecny panel odpowiada około jednej piątej planowanego dźwięku (31.278,37 / 150.000 = 20,9%).
6. Podejścia: pretrening samonadzorowany, nagrania tekstów religijnych i rozszerzanie z kilku przykładów
Do długiego ogona dociera się trzema taktykami. Pretrening samonadzorowany (model najpierw uczy się z nietranskrybowanego dźwięku, a potem potrzebuje tylko małego zbioru z etykietami) jest warstwą podstawową; Universal Speech Model od Google pokonał Whisper o 66% względnego współczynnika błędów słów na 62 językach FLEURS, używając zbioru z etykietami mniej więcej siedem razy mniejszego (Google, artykuł o USM 2023). Nagrania odczytów publicznie dostępnych tekstów religijnych dały projektowi MMS średnio 32 godziny na język, a ta średnia mieści się w przedziale od 10 do 50 godzin z sekcji 2.
Najnowszą taktyką jest rozszerzanie z kilku przykładów: dajemy modelowi garść par dźwięk-tekst w trakcie działania i pozwalamy mu się dostosować bez ponownego treningu. Szerszy obraz wspólnych modeli obsługujących wiele języków naraz omawiamy w naszych statystykach wielojęzycznych modeli bazowych mowy. Efektywność danych zależy też od konstrukcji: przy 1 godzinie suahili MMS, zbudowany na pretreningu samonadzorowanym, pokonał Whispera o 26,52 punktu WER (51,33 - 24,81).
| Metryka | Wartość | Źródło |
|---|---|---|
| Dane MMS z etykietami zbudowane z nagrań tekstów religijnych | 44,7 tys. godzin w 1.107 językach, średnio około 32 godzin na język | Meta AI, artykuł i wpis o MMS 2023 |
| Współczynnik błędów znaków dla języków niewidzianych w treningu: model bazowy CTC wobec modelu zero-shot (bez ponownego treningu) z 10 przykładami kontekstowymi | 26,33% wobec 14,4% | Meta FAIR, artykuł o Omnilingual ASR 2025 |
| Nadzorowane dane treningowe USM wobec Whispera, bez angielskiego | 90 tys. godzin wobec 117 tys. godzin, przy pokonaniu Whispera o 66% względnego WER na 62 językach FLEURS | Google, artykuł o USM 2023 |
| Współczynnik błędów słów dla suahili po 1 godzinie dostrajania: MMS / W2v-BERT / Whisper / XLS-R | 24,81% / 32,36% / 51,33% / 58,23% | Nahabwe i in., Benchmarking ASR Models for African Languages 2025 |
| Średnia poprawa współczynnika błędów słów po dostrojeniu na NaijaVoices: Whisper / MMS / XLSR | 75,86% / 52,06% / 42,33% | Artykuł o zbiorze NaijaVoices, Interspeech 2025 |
Uwaga o wartościach odstających: artykuł o USM opisuje swój zbiór z etykietami z YouTube jako obejmujący 73 języki we wstępie i 75 w sekcji 3.1. Najnowsze dostępne dane dla MMS i USM: 2023.
Podsumowanie: pokrycie rozpoznawaniem mowy w językach niskozasobowych w liczbach
| Metryka | Wartość | Źródło |
|---|---|---|
| Języki używane na świecie | 7.170 | Ethnologue, How Many Languages 2026 |
| Języki objęte przez najszerszy otwarty system ASR | Ponad 1.600, ponad 500 nigdy wcześniej nieobsłużonych | Meta FAIR, artykuł o Omnilingual ASR 2025 |
| Języki niskozasobowe (poniżej 10 godzin) ze współczynnikiem błędów znaków poniżej 10 | 195 z 546 (36%) | Meta FAIR, artykuł o Omnilingual ASR 2025 |
| Udział dźwięku treningowego Whispera, który stanowiło rozpoznawanie mowy angielskiej | 65% (438.218 godzin) | OpenAI, artykuł o Whisper 2022 |
| Języki używane w całej Afryce | Ponad 2.000 | Nahabwe i in., Benchmarking ASR Models for African Languages 2025 |
| Dane kinyarwanda potrzebne do uzyskania współczynnika błędów słów poniżej 13% | Zaledwie 50 godzin | Akera i in., badanie skalowania danych 2025 |
| Współczynnik błędów słów dla kinyarwanda przy 200 godzinach | Poniżej 10% | Akera i in., badanie skalowania danych 2025 |
| Najlepszy współczynnik błędów słów dla suahili: 1 godzina wobec 400 godzin danych do dostrajania | 24,81% wobec 11,36% | Nahabwe i in., Benchmarking ASR Models for African Languages 2025 |
| Godziny Common Voice Scripted Speech, wydanie 27.0 | 42.593 łącznie, 29.295 zwalidowanych | Mozilla, repozytorium cv-dataset Common Voice 2026 |
| Języki wymienione w Common Voice Scripted Speech | 295 | Mozilla, repozytorium cv-dataset Common Voice 2026 |
| Dźwięk zebrany przez Project Vaani wobec transkrybowanego | 31.278,37 wobec 2.122,21 godziny | IISc i ARTPARK, panel Project Vaani 2026 |
| Dźwięk w IndicVoices | 7.348 godzin, 16.237 mówców, 22 języki | Artykuł o zbiorze IndicVoices 2024 |
| Mowa nagrana przez African Next Voices | Ponad 9.000 godzin, 18 języków | Uniwersytet w Pretorii, wiadomości o African Next Voices 2025 |
| Dane mowa-tekst NaijaVoices | 1.800 godzin, 3 języki | Artykuł o zbiorze NaijaVoices, Interspeech 2025 |
| USM wobec Whispera na 62 językach FLEURS | O 66% niższy względny WER | Google, artykuł o USM 2023 |
Metodologia i źródła
- Ethnologue, How Many Languages Are There in the World? (strona odczytana w październiku 2026): języki żywe, odsetek języków zagrożonych, koncentracja w 20 największych językach.
- OpenAI, Robust Speech Recognition via Large-Scale Weak Supervision (artykuł o Whisper), 2022: godziny treningowe na język (rysunek 11) i współczynniki błędów słów na FLEURS (tabela 13).
- Meta, Scaling Speech Technology to 1,000+ Languages (artykuł o MMS), 2023, wraz z ogłoszeniem MMS; oraz Omnilingual ASR: Open-Source Multilingual Speech Recognition for 1600+ Languages, 10 listopada 2025.
- Google, artykuł o Universal Speech Model, 2023, oraz artykuł o teście FLEURS, 2022.
- Mozilla, repozytorium cv-dataset Common Voice (wydanie 27.0, stan danych: wrzesień 2026), wpis o wydaniu Common Voice 19.0 (ogłoszone 18 września 2024) oraz notatki do wydania Scripted Speech 26.0 (19 czerwca 2026).
- IISc i ARTPARK, Project Vaani, panel na żywo (odczytany w październiku 2026).
- Artykuł o zbiorze IndicVoices, 4 marca 2024.
- Akera i in., How much speech data is necessary for ASR in African languages?, 8 października 2025.
- Nahabwe i in., Benchmarking Automatic Speech Recognition Models for African Languages, 30 listopada 2025.
- The NaijaVoices Dataset, przyjęty na Interspeech 2025.
- Uniwersytet w Pretorii, African Next Voices featured in Nature, 1 sierpnia 2025.
- Uwaga o danych: liczba języków różni się w zależności od źródła i metody (7.170 w Ethnologue to języki używane, a artykuły o ASR liczą kody ISO 639-3 i pomijają języki migowe oraz bezpisemne), więc udziały pokrycia są przybliżone. Liczba języków w Common Voice skoczyła z 131 (wydanie 19.0) do 295 (wydanie 27.0); repozytorium nie mówi, czy nowsza wartość obejmuje tylko języki z wydanym dźwiękiem, więc traktujemy ją jako liczbę języków wymienionych. Odsetek zwalidowanych 68,8% jest wyliczony z danych wykresu w repozytorium, podczas gdy notatki do wydania 26.0 opisują około 25% dźwięku Scripted Speech jako wciąż czekającego na walidację; obie miary nie są tożsame. Gdy ogłaszano wydanie 19.0, komentarz na forum zauważył, że do pobrania było tylko 129 ze 131 języków, więc liczby języków wymienionych i wydanych mogą się różnić. Dane African Next Voices pochodzą ze strony uniwersyteckiej podsumowującej doniesienia Nature i nie czytaliśmy artykułu o zbiorze danych. Dane o Whisperze (2022), FLEURS (2022), MMS (2023) i USM (2023) są starsze niż trzy lata i oznaczamy je jako najnowsze dostępne dane. Tekst artykułu o Omnilingual (549) i jego tabela 8 (546) rozmijają się w liczbie języków niskozasobowych; używamy wartości z tabeli.
Ostatnia aktualizacja: 31 października 2026 roku. Aktualizujemy to zestawienie co kwartał, a kolejne odświeżenie spodziewane jest, gdy Mozilla opublikuje wydanie 28.0 Common Voice Scripted Speech.