Omnilingual ASR firmy Meta transkrybuje ponad 1 600 języków, w tym ponad 500 takich, których żaden system rozpoznawania mowy nigdy wcześniej nie obsługiwał (Meta FAIR, Omnilingual ASR 2025), a mimo to to wciąż mniej niż jedna czwarta z 7 170 żywych języków w wydaniu Ethnologue z 2026 roku. Dwa lata wcześniej punktem odniesienia był Whisper, wytrenowany na 680 000 godzin, z czego zaledwie 117 000 godzin rozłożono na 96 języków innych niż angielski (OpenAI, artykuł o Whisperze 2022). Największy otwarty korpus tworzony społecznościowo, Mozilla Common Voice, obejmuje dziś 289 języków i 38 932 godziny (Common Voice 24.0, 2025), a najszybciej rosnące produkty, od tłumaczenia na żywo po dyktowanie, opierają się na tych modelach bazowych, co śledzi także nasze zestawienie statystyk zamiany mowy na tekst. Zebraliśmy dane od Meta FAIR, OpenAI, Google Research, Ethnologue, UNESCO, Mozilla, NVIDIA, Hugging Face, PNAS, MarketsandMarkets i z innych źródeł pierwotnych wymienionych w metodologii.
TL;DR
- Omnilingual ASR obejmuje ponad 1 600 języków, w tym ponad 500 nigdy wcześniej nieobsługiwanych przez ASR (Meta FAIR, Omnilingual ASR 2025).
- Uczenie w kontekście bez przykładów (zero-shot) mogłoby rozszerzyć Omnilingual ASR na ponad 5 400 języków (Meta, listopad 2025).
- Istnieje 7 170 żywych języków, co oznacza przyrost netto o 11 w ciągu roku (Ethnologue, 29. wydanie 2026).
- 40% ludności świata nie ma dostępu do edukacji w języku, który rozumie (raport UNESCO GEM 2025).
- MMS firmy Meta rozpoznaje 4 017 języków mówionych i transkrybuje 1 107 (Meta, artykuł o MMS 2023).
- USM firmy Google trenowano na 12 milionach godzin mowy w ponad 300 językach (Google Research 2023).
- Whisper large-v3 trenowano na około 5 milionach godzin, z czego 4 miliony miały pseudoetykiety (OpenAI, listopad 2023).
- Wskaźnik błędów słownych Whispera spada o połowę przy każdym 16-krotnym wzroście ilości danych treningowych na język (OpenAI, artykuł o Whisperze 2022).
- Common Voice 24.0: 38 932 godziny w 289 językach (Mozilla, grudzień 2025).
- Wskaźnik błędów znakowych poniżej 10 dla 78% języków Omnilingual ASR (Meta, listopad 2025).
- Gemini 3.5 Live Translate obsługuje ponad 70 języków i ponad 2 000 kombinacji w jednym połączeniu Meet (Google, czerwiec 2026).
- Czarnoskórzy mówcy uzyskali średni WER 0,35, wobec 0,19 dla białych, w pięciu systemach komercyjnych (PNAS, 2020).
1. Luka językowa: 7 170 języków, obsługiwanych kilkaset
Mianownik ma znaczenie. 29. wydanie Ethnologue zlicza 7 170 żywych języków, czyli o 11 więcej netto niż rok wcześniej, po ponad 8 000 aktualizacji bazy danych, przy czym osiem języków przeklasyfikowano z wymarłych na żywe (Ethnologue, Welcome to the 29th edition, luty 2026). Przed 2023 rokiem, jak zauważył zespół MMS, popularne systemy mowy obsługiwały zaledwie około 100 z nich. Nawet po skoku do ponad 1 600 mniej więcej trzy na cztery żywe języki wciąż nie mają gotowego rozpoznawania mowy.
Ta luka nie jest akademicka. Zespół UNESCO ds. Global Education Monitoring podaje, że 40% ludności świata nie ma dostępu do edukacji w języku, który rozumie, a w niektórych krajach o niskich i średnich dochodach odsetek ten sięga 90% (raport UNESCO GEM, Languages Matter). Technologia mowy, która pomija te języki, pomija też ludzi, dla których interfejsy głosowe miałyby największe znaczenie, o czym piszemy w naszych statystykach zagrożonych języków od strony ochrony.
| Metryka | Wartość | Źródło |
|---|---|---|
| Żywe języki, 2026 | 7 170 (przyrost netto o 11 w ciągu roku) | Ethnologue, 29. wydanie 2026 |
| Żywe języki, 2025 | 7 159 | Ethnologue, 28. wydanie 2025 |
| Języki zagrożone | 3 193 (45% żywych języków) | Ethnologue, 28. wydanie 2025 |
| Języki ‘umierające’ | 1 030 (14%) | Ethnologue, 28. wydanie 2025 |
| Ludność bez dostępu do edukacji w zrozumiałym języku | 40% (do 90% w niektórych krajach o niskich i średnich dochodach) | raport UNESCO GEM 2025 |
| Języki obsługiwane przez typowe systemy mowy przed MMS | około 100 | Meta, artykuł o MMS 2023 |
| Języki nigdy wcześniej nieobsługiwane przez ASR, dodane przez Omnilingual ASR | ponad 500 | Meta FAIR, Omnilingual ASR 2025 |
Uwaga kontekstowa: liczby języków zagrożonych i umierających pochodzą z wydania 2025, w ujęciu publicznych podsumowań; pełne dane Ethnologue znajdują się za paywallem subskrypcji. UNESCO zestawia wartość 40% z dużymi stratami w nauce: w Hondurasie 94% uczniów klasy 6, którzy znali język nauczania, opanowało podstawy czytania, wobec 62% tych, którzy go nie znali.
2. Wyścig o pokrycie: ile języków obsługuje każdy model
Liczba języków wzrosła o rząd wielkości w trzy lata. MMS firmy Meta rozpoznaje 4 017 języków oraz transkrybuje i syntetyzuje 1 107, zbudowany w dużej mierze na nagraniach Nowego Testamentu, a modele wstępnie wytrenowane obejmują 1 406 języków (MMS: Scaling Speech Technology to 1,000+ Languages). Omnilingual ASR przesunął następnie transkrypcję powyżej 1 600, a dzięki uczeniu w kontekście bez przykładów, na podstawie kilku sparowanych próbek, deklaruje potencjalny zasięg ponad 5 400 języków (Meta AI, ogłoszenie Omnilingual ASR).
Produkty komercyjne są znacznie ostrożniejsze, a ta różnica pokazuje, gdzie leży poprzeczka jakości. Chirp 3 w Google Cloud wymienia 24 języki transkrypcji w wersji ogólnodostępnej i 76 w wersji zapoznawczej (Google Cloud, dokumentacja Chirp 3), podczas gdy modele badawcze deklarują setki. Tłumaczenie mowy plasuje się pośrodku: SeamlessM4T firmy Meta przyjmuje mowę w 101 językach, ale mówi tylko w 36 (Nature, Joint speech and text machine translation for up to 100 languages), co przypomina, że generowanie mowy jest trudniejsze niż jej rozpoznawanie.
| Metryka | Wartość | Źródło |
|---|---|---|
| Transkrypcja w Omnilingual ASR | ponad 1 600 języków | Meta FAIR, listopad 2025 |
| Potencjał Omnilingual ASR dzięki uczeniu bez przykładów | ponad 5 400 języków | Meta, listopad 2025 |
| MMS: identyfikacja języka / ASR i TTS / wstępny trening | 4 017 / 1 107 / 1 406 języków | Meta, artykuł o MMS 2023 |
| Pokrycie wstępnego treningu Google USM | ponad 300 języków | Google Research, marzec 2023 |
| Whisper large-v3 | 99 języków | Hugging Face Open ASR Leaderboard 2025 |
| Tłumaczenie mowy na mowę w SeamlessM4T | 101 języków wejściowych, 36 wyjściowych | Meta, Nature 2025 |
| Transkrypcja w Google Chirp 3 | 24 języki GA + 76 w wersji zapoznawczej | dokumentacja Google Cloud 2026 |
| Osadzenia mowy Meta OmniSONAR | 177 języków mówionych w 200-językowej przestrzeni semantycznej | Meta, artykuł o OmniSONAR 2026 |
Tłumaczenie w czasie rzeczywistym trafiło do aplikacji masowego rynku. Gemini 3.5 Live Translate wykrywa ponad 70 języków i obsługuje ponad 2 000 kombinacji językowych w jednej sesji Google Meet, wobec wcześniejszych pięciu języków (Google, Gemini 3.5 Live Translate, czerwiec 2026). Google podaje, że ludzie tłumaczą około 1 biliona słów miesięcznie w Translate, Wyszukiwarce, Lens i Circle to Search (Google, sierpień 2025). Więcej o upowszechnieniu na poziomie urządzeń znajdziesz w naszych statystykach tłumaczenia mowy na mowę.
| Metryka | Wartość | Źródło |
|---|---|---|
| Języki w Gemini 3.5 Live Translate | ponad 70 | Google, czerwiec 2026 |
| Kombinacje językowe w jednym połączeniu Meet | ponad 2 000 (wcześniej 5 języków) | Google, czerwiec 2026 |
| Języki rozmów na żywo w Google Translate | ponad 70 | Google, sierpień 2025 |
| Słowa tłumaczone miesięcznie w produktach Google | około 1 biliona | Google, sierpień 2025 |
| Rozmiary otwartych modeli Mistral Voxtral | 24 mld i 3 mld parametrów | Mistral AI, lipiec 2025 |
| Maksymalna długość nagrania w Voxtral | 30 minut transkrypcji, 40 minut rozumienia | Mistral AI, lipiec 2025 |
3. Skala danych treningowych: od 680 000 godzin do 12 milionów
Budżet danych stojący za tymi modelami rósł znacznie szybciej niż liczba języków. Universal Speech Model firmy Google trenowano na 12 milionach godzin mowy i 28 miliardach zdań tekstu, przy 2 miliardach parametrów (Google Research, USM), czyli mniej więcej 18 razy więcej niż w oryginalnym korpusie Whispera. Sama OpenAI przeszła z 680 000 godzin do około 5 milionów dla Whisper large-v3, z czego 4 miliony opatrzył pseudoetykietami poprzedni model (OpenAI, informacje o wydaniu large-v3).
Prawdziwą historią jest rozkład danych wewnątrz tych korpusów. Oryginalne 680 000 godzin Whispera obejmowało 117 000 godzin w 96 językach innych niż angielski oraz 125 000 godzin tłumaczeń na angielski (artykuł o Whisperze). Po odjęciu (680 000 minus 117 000 minus 125 000) około 438 000 godzin, czyli mniej więcej 64%, stanowiła transkrypcja angielskiego. Zbiór z etykietami MMS miał średnio zaledwie 32 godziny na język, a udostępnione dane Omnilingual ASR to średnio około 10 godzin transkrybowanej mowy na język. Ogromne modele wielojęzyczne opierają się na długim ogonie mierzonym w godzinach, a nie w tysiącach godzin.
| Metryka | Wartość | Źródło |
|---|---|---|
| Nagrania treningowe Whispera | 680 000 godzin | OpenAI, artykuł o Whisperze 2022 |
| Dane Whispera do rozpoznawania języków innych niż angielski | 117 000 godzin w 96 językach | OpenAI, artykuł o Whisperze 2022 |
| Dane Whispera do tłumaczenia z X na angielski | 125 000 godzin | OpenAI, artykuł o Whisperze 2022 |
| Transkrypcja angielskiego w Whisperze (wyliczona) | około 438 000 godzin (około 64%) | wyliczone na podstawie danych OpenAI |
| Dane treningowe Whisper large-v3 | 1 mln godzin ze słabymi etykietami + 4 mln z pseudoetykietami | OpenAI, listopad 2023 |
| Google USM | 12 mln godzin mowy, 28 mld zdań tekstu, 2 mld parametrów | Google Research, 2023 |
| Samonadzorowany wstępny trening MMS | około 500 000 godzin w ponad 1 400 językach | Meta, maj 2023 |
| Dane z etykietami MMS na język | średnio 32 godziny | Meta, maj 2023 |
Najnowszy zestaw Meta skaluje oba końce. Omnilingual ASR wstępnie wytrenował 7-miliardowy koder wav2vec 2.0 na 3,84 miliona godzin w 1 239 językach oraz 460 000 godzin bez etykiety językowej, a jego nadzorowany korpus AllASR liczy 120 710 godzin w 1 690 językach (artykuł o Omnilingual ASR). Najmniejszy udostępniony wariant ma 300 milionów parametrów i jest przeznaczony dla urządzeń o niskim poborze mocy.
| Metryka | Wartość | Źródło |
|---|---|---|
| Wstępny trening Omnilingual ASR bez etykiet | 3,84 mln godzin, 1 239 języków | Meta FAIR, artykuł o Omnilingual ASR 2025 |
| Dodatkowa mowa bez etykiet, bez identyfikacji języka | 460 000 godzin | Meta FAIR, 2025 |
| Korpus z etykietami AllASR | 120 710 godzin, 1 690 języków | Meta FAIR, 2025 |
| Średnia transkrybowana mowa na język (dane udostępnione) | około 10 godzin | Meta FAIR, 2025 |
| Największy / najmniejszy model | 7 mld / 300 mln parametrów | Meta FAIR, 2025 |
4. Otwarte zbiory danych i benchmarki stojące za modelami
To w otwartych danych buduje się pokrycie długiego ogona. Mozilla Common Voice Scripted Speech 24.0 osiągnął 38 932 godziny w 289 językach, z czego 25 886 zweryfikowanych (wpis o wydaniu na Mozilla Discourse, grudzień 2025). Większy skok nastąpił o jedno wydanie wcześniej, gdy Common Voice 23.0 dodał 149 języków i ponad dwukrotnie zwiększył liczbę do 286 (Mozilla Data Collective). Liczba godzin wzrosła między tymi wydaniami tylko o około 8%, więc nowe języki pojawiają się z bardzo małą ilością nagrań.
Ewaluacja pozostaje znacznie węższa niż trening. FLEURS, standardowy benchmark wielojęzyczny, obejmuje 102 języki, z około 12 godzinami mowy na język (artykuł o FLEURS), a ścieżka wielojęzyczna rankingu Hugging Face Open ASR Leaderboard testuje zaledwie pięć języków w ponad 60 modelach z 18 organizacji (Hugging Face, Open ASR Leaderboard). Deklaracje o ‘1 600 języków’ są więc weryfikowane na ułamku tej liczby.
| Metryka | Wartość | Źródło |
|---|---|---|
| Common Voice 24.0, godziny łącznie / zweryfikowane | 38 932 / 25 886 | Mozilla, grudzień 2025 |
| Języki w Common Voice 24.0 | 289 | Mozilla, grudzień 2025 |
| Języki dodane w Common Voice 23.0 | 149 (łącznie 286) | Mozilla Data Collective, wrzesień 2025 |
| Mowa spontaniczna w Common Voice 23.0 | 357 godzin w 51 językach | Mozilla Data Collective, wrzesień 2025 |
| Zbiory danych Spontaneous Speech 2.0 | 62 | Mozilla, grudzień 2025 |
| Benchmark FLEURS | 102 języki, około 12 godzin każdy | Conneau i in., FLEURS 2022 |
| Omnilingual ASR Corpus | 350 niedostatecznie obsłużonych języków (CC-BY) | Meta, listopad 2025 |
Europa dostała własny duży otwarty korpus. Granary firmy NVIDIA zawiera około 1 miliona godzin: prawie 650 000 do rozpoznawania i ponad 350 000 do tłumaczenia, w 25 językach europejskich, m.in. chorwackim, estońskim i maltańskim (blog NVIDIA, sierpień 2025). Towarzyszący artykuł, przyjęty na Interspeech 2025, podaje, że modele osiągają podobną wydajność przy mniej więcej 50% mniejszej ilości danych niż w poprzednich zbiorach (artykuł o Granary).
| Metryka | Wartość | Źródło |
|---|---|---|
| Łączny czas nagrań Granary | około 1 mln godzin | NVIDIA, sierpień 2025 |
| Podział Granary: rozpoznawanie / tłumaczenie | około 650 000 / ponad 350 000 godzin | NVIDIA, sierpień 2025 |
| Języki Granary | 25 europejskich | NVIDIA, sierpień 2025 |
| Ilość danych potrzebnych do tej samej dokładności w porównaniu z wcześniejszymi zbiorami | około 50% mniej | artykuł o Granary, Interspeech 2025 |
| Pokrycie Open ASR Leaderboard | ponad 60 modeli, 18 organizacji, 11 zbiorów danych | Hugging Face, listopad 2025 |
| Modele ASR w Hugging Face Hub | około 27 000 | Hugging Face, listopad 2025 |
| Języki w ścieżce wielojęzycznej rankingu | 5 | Hugging Face, listopad 2025 |
5. Dokładność: dane na język liczą się bardziej niż rozmiar modelu
Najbardziej użytecznym wskaźnikiem w tej dziedzinie jest prawo skalowania. Autorzy Whispera stwierdzili kwadrat korelacji równy 0,83 między logarytmem wskaźnika błędów słownych a logarytmem godzin treningowych na język, przy czym WER spada o połowę przy każdym 16-krotnym wzroście ilości danych (OpenAI, artykuł o Whisperze). Ta sama zależność wynosiła zaledwie 0,24 w przypadku tłumaczenia mowy. Dla języka z 10 godzinami nagrań praktyczna droga do użytecznej dokładności to więcej danych, a nie większy model.
Wzrost pokrycia wiązał się z zaskakująco małymi kosztami dokładności. Meta podała, że zwiększenie liczby języków MMS z 61 do 1 107 podniosło wskaźnik błędów znakowych tylko o około 0,4%, a jednocześnie MMS o połowę zmniejszył wskaźnik błędów słownych Whispera w 54 językach FLEURS (Meta AI, ogłoszenie MMS). Omnilingual ASR osiąga wskaźnik błędów znakowych poniżej 10 dla 78% swoich ponad 1 600 języków. To dane raportowane samodzielnie, ale każda deklaracja jest powiązana z publicznym benchmarkiem.
| Metryka | Wartość | Źródło |
|---|---|---|
| Korelacja logarytmu WER z logarytmem godzin treningowych (ASR) | r kwadrat = 0,83 | OpenAI, artykuł o Whisperze 2022 |
| Ta sama korelacja dla tłumaczenia mowy | r kwadrat = 0,24 | OpenAI, artykuł o Whisperze 2022 |
| Poprawa WER przy 16-krotnie większej ilości danych | spada o połowę | OpenAI, artykuł o Whisperze 2022 |
| MMS kontra Whisper w 54 językach FLEURS | około połowy WER | Meta, MMS 2023 |
| Wzrost CER przy zwiększeniu MMS z 61 do 1 107 języków | około 0,4% | Meta, maj 2023 |
| Języki Omnilingual ASR z CER poniżej 10 | 78% | Meta, listopad 2025 |
| Redukcja błędów Whisper large-v3 względem large-v2 | od 10% do 20% | OpenAI, listopad 2023 |
Liczby Google wskazują ten sam kierunek. USM uzyskał o 32,7% względnie niższy WER niż Whisper w 18 porównywalnych językach i poniżej 30% średniego WER w 73 językach napisów na YouTube, a także o 65,8% niższy względny WER na FLEURS bez danych z domeny. Efektywność to teraz drugi wyścig: miliardowy model Canary-1b-v2 firmy NVIDIA deklaruje jakość porównywalną z modelami 3 razy większymi przy nawet 10 razy szybszym wnioskowaniu, a w rankingu nagrań długich Parakeet CTC uzyskał RTFx równy 2 793,75, wobec 68,56 dla Whisper large-v3 (Hugging Face, 2025). W narzędziach głosowych czasu rzeczywistego, w tym tych stojących za oprogramowaniem do klonowania głosu na żywo, ta różnica przepustowości często liczy się bardziej niż punkt WER.
| Metryka | Wartość | Źródło |
|---|---|---|
| WER USM wobec Whispera, 18 języków | względnie niższy o 32,7% | Google Research, 2023 |
| Średni WER USM, 73 języki YouTube | poniżej 30% | Google Research, 2023 |
| Względna redukcja WER w USM na FLEURS (bez danych z domeny) | 65,8% | Google Research, 2023 |
| SeamlessM4T v2 wobec systemów kaskadowych | do 8% (mowa na tekst) i 23% (mowa na mowę) wyższy BLEU | Meta, Nature 2025 |
| Tłumaczenie mowy na tekst w OmniSONAR, bez przykładów | 97% jakości SeamlessM4T | Meta, OmniSONAR 2026 |
| Canary-1b-v2 wobec większych modeli | jakość porównywalna z modelami 3 razy większymi, do 10 razy szybszy | NVIDIA, sierpień 2025 |
| Przepustowość nagrań długich (RTFx): Parakeet CTC wobec Whisper large-v3 | 2 793,75 wobec 68,56 | Hugging Face Open ASR Leaderboard 2025 |
Uwaga o wartościach odstających: artykuł o OmniSONAR (arXiv, marzec 2026) podaje też o 43% niższy błąd wyszukiwania podobieństwa mowy niż w poprzednich modelach, co sygnalizuje, że wspólne przestrzenie osadzeń mowy i tekstu stają się samodzielnym elementem składowym.
6. Uprzedzenia wobec akcentów, dostęp i stawka komercyjna
Pokrycie językowe ukrywa drugą lukę wewnątrz języków ‘obsługiwanych’. W pięciu systemach komercyjnych firm Amazon, Apple, Google, IBM i Microsoft średni WER wynosił 0,35 dla czarnoskórych mówców wobec 0,19 dla białych (Koenecke i in., PNAS 2020), na podstawie wywiadów z 73 czarnoskórymi i 42 białymi mówcami. Badanie ma ponad trzy lata i jest pokazane jako najnowszy dostępny audyt tego rodzaju. Nowsze prace prowadzą do podobnych wniosków: AfriSpeech-MultiBench, obejmujący ponad 100 akcentów afrykańskiej odmiany angielskiego w ponad 10 krajach, wykazał, że modele zastrzeżone są dokładne przy czystej mowie, ale ich wyniki wyraźnie różnią się w zależności od kraju i dziedziny, a halucynacje wciąż są problemem większości najnowocześniejszych modeli (arXiv, listopad 2025).
Stawka komercyjna stale rośnie, choć szacunki wielkości rynku są niespójne. MarketsandMarkets prognozuje wzrost rynku rozpoznawania mowy i głosu z 9,66 mld USD w 2025 roku do 23,11 mld USD do 2030 roku, przy CAGR 19,1% (komunikat prasowy MarketsandMarkets), podczas gdy Grand View Research szacuje rynek na 20,2 mld USD w 2023 roku, zmierzający do 53,7 mld USD do 2030 roku przy 14,6% (Grand View Research). Obie firmy wskazują Azję i Pacyfik oraz rynki wschodzące jako motory wzrostu, czyli dokładnie te regiony, w których pokrycie językowe jest najcieńsze. Zobacz też nasze statystyki tłumaczenia maszynowego, które opisują tekstową stronę tego samego rynku.
| Metryka | Wartość | Źródło |
|---|---|---|
| Średni WER, czarnoskórzy wobec białych mówców (5 systemów) | 0,35 wobec 0,19 | Koenecke i in., PNAS 2020 |
| Mówcy w audycie PNAS | 73 czarnoskórych, 42 białych | Koenecke i in., PNAS 2020 |
| Przebadane akcenty afrykańskiej odmiany angielskiego | ponad 100 w ponad 10 krajach | AfriSpeech-MultiBench, 2025 |
| Podstawy czytania w klasie 5, Wybrzeże Kości Słoniowej: język domowy = język testu wobec inny | 55% wobec 25% | raport UNESCO GEM 2025 |
| Rynek rozpoznawania mowy i głosu, 2025 do 2030 | od 9,66 do 23,11 mld USD (CAGR 19,1%) | MarketsandMarkets, sierpień 2025 |
| Rynek rozpoznawania mowy i głosu w USA, 2025 do 2030 | od 3,13 do 7,70 mld USD (CAGR 19,7%) | MarketsandMarkets, 2025 |
| Rynek rozpoznawania głosu i mowy, 2023 do 2030 | od 20,2 do 53,7 mld USD (CAGR 14,6%) | Grand View Research, 2024 |
| Udział Ameryki Północnej w przychodach | 30,8% (2023) | Grand View Research, 2024 |
Podsumowanie: wielojęzyczne modele bazowe mowy w liczbach
| Metryka | Wartość | Źródło |
|---|---|---|
| Żywe języki | 7 170 | Ethnologue, 29. wydanie 2026 |
| Pokrycie Omnilingual ASR | ponad 1 600 języków (ponad 500 nigdy wcześniej nieobsługiwanych) | Meta FAIR, 2025 |
| Potencjał Omnilingual ASR dzięki uczeniu bez przykładów | ponad 5 400 języków | Meta, listopad 2025 |
| Identyfikacja języka w MMS | 4 017 języków | Meta, 2023 |
| Pokrycie Whisper large-v3 | 99 języków | Hugging Face, 2025 |
| Wejście mowy / wyjście mowy w SeamlessM4T | 101 / 36 języków | Meta, Nature 2025 |
| Gemini 3.5 Live Translate | ponad 70 języków, ponad 2 000 kombinacji | Google, czerwiec 2026 |
| Dane treningowe Whispera | 680 000 godzin (117 000 w językach innych niż angielski) | OpenAI, 2022 |
| Dane treningowe Whisper large-v3 | około 5 milionów godzin | OpenAI, 2023 |
| Dane treningowe Google USM | 12 milionów godzin, ponad 300 języków | Google Research, 2023 |
| Wstępny trening Omnilingual ASR | 3,84 mln godzin, 1 239 języków | Meta FAIR, 2025 |
| Common Voice 24.0 | 38 932 godziny, 289 języków | Mozilla, grudzień 2025 |
| NVIDIA Granary | około 1 mln godzin, 25 języków | NVIDIA, sierpień 2025 |
| Benchmark FLEURS | 102 języki, około 12 godzin każdy | FLEURS, 2022 |
| WER a ilość danych | spada o połowę przy 16-krotnie większej ilości danych | OpenAI, 2022 |
| Języki Omnilingual ASR z CER poniżej 10 | 78% | Meta, listopad 2025 |
| WER MMS wobec Whispera, 54 języki | około połowy | Meta, 2023 |
| Ludność bez dostępu do edukacji w zrozumiałym języku | 40% | UNESCO, 2025 |
| Luka WER, czarnoskórzy wobec białych mówców | 0,35 wobec 0,19 | PNAS, 2020 |
| Rynek rozpoznawania mowy i głosu, 2030 | 23,11 mld USD (MarketsandMarkets) wobec 53,7 mld USD (Grand View) | MarketsandMarkets 2025; Grand View Research 2024 |
Metodologia i źródła
Każdą liczbę prześledziliśmy do organizacji, która ją opracowała, preferując artykuły naukowe, oficjalne informacje o wydaniach i dokumentację zamiast doniesień prasowych. Deklaracje dokładności dostawców (Meta, Google, OpenAI, NVIDIA, Mistral) są raportowane samodzielnie na publicznych benchmarkach i oznaczone swoim źródłem. Pominęliśmy twierdzenia komercyjne, których nie dało się powiązać z opublikowaną liczbą, takie jak niepoparte danymi marketingowe hasła o ‘najniższym WER’.
- Ethnologue: Welcome to the 29th edition (luty 2026)
- Raport UNESCO GEM: 40% nie ma dostępu do edukacji w zrozumiałym języku (2025)
- Meta: ogłoszenie MMS (maj 2023), artykuł o MMS, ogłoszenie Omnilingual ASR (listopad 2025), artykuł o Omnilingual ASR, artykuł o OmniSONAR (2026)
- Zespół Meta Seamless Communication: Joint speech and text machine translation for up to 100 languages (Nature, 2025)
- OpenAI: Robust Speech Recognition via Large-Scale Weak Supervision (2022), wydanie Whisper large-v3 (listopad 2023)
- Google: Universal Speech Model (marzec 2023), dokumentacja Chirp 3, Gemini 3.5 Live Translate (czerwiec 2026), tłumaczenie na żywo w Translate (sierpień 2025)
- Mozilla: wydanie Common Voice 24.0 (grudzień 2025), wydanie Common Voice 23.0 (wrzesień 2025)
- Conneau i in.: FLEURS (2022)
- NVIDIA: wydanie Granary, Canary i Parakeet (sierpień 2025), artykuł o Granary (Interspeech 2025)
- Hugging Face: trendy Open ASR Leaderboard (listopad 2025)
- Mistral AI: Voxtral (lipiec 2025)
- Koenecke i in.: Racial disparities in automated speech recognition (PNAS, 2020)
- AfriSpeech-MultiBench: arXiv 2511.14255 (IJCNLP-AACL 2025)
- MarketsandMarkets: komunikat prasowy o rynku rozpoznawania mowy i głosu (sierpień 2025)
- Grand View Research: raport o rynku rozpoznawania głosu i mowy (2024)
- Uwaga o danych: szacunki wielkości rynku znacznie się rozjeżdżają. MarketsandMarkets (23,11 mld USD do 2030) i Grand View Research (53,7 mld USD do 2030) przyjmują różne zakresy i lata bazowe, więc tych liczb nie należy uśredniać ani porównywać jako trendu. Kilka danych o modelach bazowych pochodzi z lat 2022 do 2023 (Whisper, USM, MMS, FLEURS) i są to najnowsze dostępne ujawnienia dla tych modeli; Google nie opublikowało porównywalnych łącznych danych treningowych dla swoich modeli audio Gemini. Udział angielskiego w danych Whispera (około 438 000 godzin, 64%) to nasze odjęcie od opublikowanych przez OpenAI sum, a nie wartość podana przez OpenAI w streszczeniu. Liczby języków zagrożonych i umierających z Ethnologue za 2025 rok pochodzą z publicznych podsumowań 28. wydania, ponieważ pełna baza jest płatna. Audyt uprzedzeń PNAS (2020) poprzedza obecne modele bazowe i jest pokazany jako najnowsze dostępne dane; od tamtej pory nie opublikowano równie dużego audytu obejmującego wielu dostawców. Liczby języków nie są porównywalne między dostawcami: jedni liczą warianty regionalne, inni języki, a pokrycie w wersji ‘zapoznawczej’ nie ma jakości produkcyjnej.
Ostatnia aktualizacja: 3 października 2026 roku. Aktualizujemy to zestawienie kwartalnie, a kolejnego odświeżenia spodziewamy się, gdy Mozilla opublikuje Common Voice 25.0, a Ethnologue wyda swoje 30. wydanie w lutym 2027 roku.