Os dados de treinamento de reconhecimento de fala por trás do Whisper, da OpenAI, tinham 438.218 horas de inglês, mas apenas 0,1 hora cada de laosiano, sundanês e birmanês (OpenAI, artigo do Whisper 2022). Essa diferença é a cauda longa do reconhecimento de fala numa só linha, diante de 7.170 idiomas em uso no mundo (Ethnologue, How Many Languages 2026). O piso para uma precisão útil parece menor do que essa diferença sugere: um estudo de 2025 chegou a uma taxa de erro de palavras abaixo de 13% com apenas 50 horas de dados de treinamento (Akera et al., estudo de escala de dados em kinyarwanda e quicuio 2025). O crowdsourcing está preenchendo parte da lacuna, com o Mozilla Common Voice em 29.295 horas validadas (Mozilla, repositório cv-dataset do Common Voice 2026). As diferenças de precisão entre sotaques dentro dos grandes idiomas são tratadas em nossas estatísticas de viés de sotaque no reconhecimento de fala; este levantamento olha para idiomas inteiros. Reunimos dados do Ethnologue, do artigo do Whisper da OpenAI, dos artigos MMS e Omnilingual ASR da Meta, dos artigos USM e FLEURS do Google, do Mozilla Common Voice, do Project Vaani, do IndicVoices, do NaijaVoices, do African Next Voices e de benchmarks recentes de ASR em idiomas africanos.
TL;DR
- 7.170 idiomas estão em uso hoje, e cerca de 44% estão ameaçados de extinção, muitas vezes com menos de 1.000 usuários (Ethnologue, How Many Languages 2026).
- Apenas 195 de 546 idiomas de poucos recursos (36%) atingiram uma taxa de erro de caracteres abaixo de 10 no modelo de 7B da Meta, contra 236 de 249 idiomas de muitos recursos (Meta FAIR, artigo do Omnilingual ASR 2025).
- 65% do áudio de treinamento do Whisper era de reconhecimento de fala em inglês, 438.218 horas, enquanto outros 96 idiomas dividiam 117.113 horas (OpenAI, artigo do Whisper 2022).
- Um modelo de kinyarwanda atingiu uma taxa de erro de palavras abaixo de 13% com apenas 50 horas de dados de treinamento (Akera et al., estudo de escala de dados 2025).
- O melhor modelo de suaíli caiu de 24,81% de WER com 1 hora de dados para 11,36% com 400 horas (Nahabwe et al., Benchmarking ASR Models for African Languages 2025).
- O Mozilla Common Voice Scripted Speech reúne 42.593 horas, 29.295 delas validadas, na versão 27.0 (Mozilla, repositório cv-dataset do Common Voice 2026).
- O Project Vaani gravou 31.278,37 horas de fala indiana, mas apenas cerca de 6,8% está transcrito (IISc e ARTPARK, painel do Project Vaani 2026).
- O African Next Voices gravou mais de 9.000 horas em 18 idiomas no Quênia, na Nigéria e na África do Sul (Universidade de Pretória, notícia sobre o African Next Voices 2025).
- O ajuste fino no corpus NaijaVoices, de 1.800 horas, melhorou a taxa de erro de palavras média do Whisper em 75,86% em igbo, hauçá e iorubá (artigo do conjunto de dados NaijaVoices, Interspeech 2025).
- O Universal Speech Model do Google superou o Whisper em 66% de WER relativo em 62 idiomas do FLEURS com um conjunto rotulado cerca de sete vezes menor (Google, artigo do USM 2023).
- O IndicVoices reúne 7.348 horas de 16.237 falantes em 22 idiomas indianos (artigo do conjunto de dados IndicVoices 2024).
1. Quantos Idiomas do Mundo Têm Algum Reconhecimento de Fala
O denominador é a história. O Ethnologue contabiliza 7.170 idiomas em uso hoje, e apenas 20 deles, 0,3% do total, são a língua materna de mais de 3,7 bilhões de pessoas (Ethnologue, How Many Languages 2026). O reconhecimento de fala seguiu essa concentração: ainda em 2023, o Universal Speech Model, do Google, cobria mais de 100 idiomas.
Mesmo o sistema aberto mais abrangente de hoje, com mais de 1.600 idiomas, alcança apenas cerca de um quinto da contagem do Ethnologue. A perda de idiomas é o outro lado dessa lacuna, tema de nossas estatísticas de idiomas ameaçados de extinção. Só a África reúne mais de 2.000 idiomas, muitos deles sem dados de fala transcritos.
| Métrica | Valor | Fonte |
|---|---|---|
| Idiomas em uso no mundo | 7.170 | Ethnologue, How Many Languages 2026 |
| Parcela dos idiomas vivos que estão ameaçados de extinção | Cerca de 44%, muitas vezes com menos de 1.000 usuários restantes | Ethnologue, How Many Languages 2026 |
| Falantes nativos dos 20 maiores idiomas | Mais de 3,7 bilhões de pessoas, quase metade da população mundial, em 0,3% de todos os idiomas | Ethnologue, How Many Languages 2026 |
| Idiomas falados na África | Mais de 2.000, muitos sem dados de fala transcritos | Nahabwe et al., Benchmarking ASR Models for African Languages 2025 |
| Idiomas cobertos pelo Universal Speech Model do Google para reconhecimento de fala | Mais de 100 | Google, artigo do USM 2023 |
| Idiomas do Oitavo Anexo da Constituição da Índia cobertos pelo IndicASR, que seus autores chamam de primeiro modelo a oferecer suporte a todos eles | 22 | Artigo do conjunto de dados IndicVoices 2024 |
| Idiomas cobertos pelo sistema de ASR aberto mais abrangente | Mais de 1.600 (mais de 500 nunca atendidos antes por nenhum sistema de ASR), cerca de 22% dos 7.170 em uso (1.600 / 7.170) | Meta FAIR, artigo do Omnilingual ASR 2025; Ethnologue 2026 |
Contexto: esse sistema de mais de 1.600 idiomas deixa de fora de propósito cerca de 150 línguas de sinais, línguas artificiais e idiomas sem sistema de escrita estabelecido, de modo que parte do total não coberto está fora do alcance de um reconhecimento de fala que gera texto. Dado mais recente disponível para o USM: 2023.
2. Horas de Treinamento: Inglês vs a Cauda Longa
Os dados de treinamento para reconhecimento de fala não formam uma distribuição, formam um precipício. Os dados de reconhecimento de fala em inglês do Whisper (438.218 horas) eram cerca de 81.000 vezes maiores que os de suaíli (5,4 horas) (438.218 / 5,4 = 81.151), e laosiano, sundanês e birmanês receberam 0,1 hora cada. Mesmo diante do chinês, o idioma não inglês mais bem abastecido, com 23.446 horas, o inglês tinha cerca de 19 vezes mais áudio (438.218 / 23.446 = 18,7).
Sistemas mais novos separam os idiomas em faixas de recursos, e os limites são reveladores: um idioma conta como de muitos recursos (bem abastecido de dados de treinamento) a partir de apenas 50 horas. Conjuntos de dados feitos sob medida podem levar um idioma para o outro lado dessa linha: o IndicVoices informa uma mediana de 73 horas transcritas por idioma em seus 22 idiomas (artigo do conjunto de dados IndicVoices 2024).
| Métrica | Valor | Fonte |
|---|---|---|
| Áudio de treinamento do Whisper: reconhecimento de fala em inglês vs outros 96 idiomas | 438.218 horas (65%) vs 117.113 horas (17%) | OpenAI, artigo do Whisper 2022 |
| Horas de reconhecimento de fala do Whisper por idioma, maior vs menor | Chinês 23.446; alemão 13.344; espanhol 11.100 vs suaíli 5,4; laosiano, sundanês e birmanês 0,1 cada | OpenAI, artigo do Whisper 2022 |
| Idiomas do benchmark FLEURS sem nenhum dado de treinamento do Whisper | 20 de 102 | OpenAI, artigo do Whisper 2022 |
| Idiomas do Omnilingual ASR por dados de treinamento rotulados: mais de 50 horas / 10 a 50 horas / menos de 10 horas | 249 / 881 / 546 idiomas | Meta FAIR, artigo do Omnilingual ASR 2025 |
| Dados de avaliação do FLEURS por idioma | Cerca de 12 horas de fala em cada um dos 102 idiomas | Google, artigo do FLEURS 2022 |
| Áudio transcrito do IndicVoices | 1.639 horas, mediana de 73 horas por idioma | Artigo do conjunto de dados IndicVoices 2024 |
Dado mais recente disponível para o Whisper: 2022. As horas acima são apenas de dados de reconhecimento de fala, separadas do áudio de tradução do Whisper. Não encontramos um detalhamento equivalente por idioma para versões posteriores do Whisper.
3. Taxas de Erro: Idiomas de Poucos Recursos vs Idiomas de Muitos Recursos
A taxa de erro de palavras (WER) é a parcela de palavras que um sistema erra, contando substituições, omissões e inserções; como as palavras inseridas contam, ela pode passar de 100% quando um modelo produz mais palavras erradas do que a referência contém. O Whisper large-v2 teve 4,2% de WER em inglês, mas 121,0% em xona no benchmark FLEURS, de modo que, em xona, os erros superaram as palavras realmente pronunciadas (OpenAI, artigo do Whisper 2022). Uma forma conhecida de um modelo chegar a esse ponto é escrever um texto fluente que ninguém disse, o modo de falha acompanhado em nossas estatísticas de alucinação no reconhecimento de fala.
Os modelos mais novos ainda mantêm a lacuna. Na tabela abaixo, a taxa de erro de caracteres (CER, a mesma ideia contada por letra em vez de por palavra) ficou abaixo de 10 em cerca de 95% dos idiomas com 10 ou mais horas de dados (1.077 de 1.130), mas em pouco mais de um terço do grupo com menos de 10 horas. Dentro de um mesmo modelo, só o volume de dados separa esses resultados.
| Métrica | Valor | Fonte |
|---|---|---|
| Taxa de erro de palavras do Whisper large-v2 no FLEURS: inglês / espanhol / suaíli | 4,2% / 3,0% / 39,3% | OpenAI, artigo do Whisper 2022 |
| Taxa de erro de palavras do Whisper large-v2 no FLEURS: iorubá / somali / xona / sindi | 94,8% / 102,9% / 121,0% / 156,5% | OpenAI, artigo do Whisper 2022 |
| Idiomas do Omnilingual 7B LLM-ASR com taxa de erro de caracteres abaixo de 10, por nível de recursos: alto / médio / baixo | 236 de 249 / 841 de 881 / 195 de 546 (o artigo arredonda a parcela de poucos recursos para 36%) | Meta FAIR, artigo do Omnilingual ASR 2025 |
| Taxa de erro de caracteres média do Omnilingual 7B LLM-ASR: idiomas de muitos recursos vs de poucos recursos | 3,13 vs 18,0 | Meta FAIR, artigo do Omnilingual ASR 2025 |
Nota sobre valores atípicos: as linhas do Whisper vêm da tabela do large-v2 no artigo de 2022, a tabela por idioma mais recente disponível desse tipo. WER e CER são medidas diferentes, portanto as linhas do Whisper e do Omnilingual não podem ser comparadas diretamente.
4. Quantos Dados Fecham a Lacuna
A descoberta animadora de 2025 é que o limiar para um reconhecimento utilizável se mede em dezenas de horas, não em milhares. Um modelo de kinyarwanda atingiu precisão prática, uma taxa de erro de palavras abaixo de 13%, com apenas 50 horas de dados de treinamento, e caiu abaixo de 10% com 200 horas (Akera et al., estudo de escala de dados 2025). Se isso valer para outros idiomas, uma única campanha de gravação financiada basta para um primeiro modelo utilizável.
A qualidade dos dados também conta. O mesmo estudo rastreou 38,6% dos casos de erro alto até transcrições de referência ruidosas, ou seja, parte dos “erros” era o texto de referência estar errado. E os resultados de suaíli em um benchmark separado com 13 idiomas mostram o que só o volume compra: ir de 1 para 400 horas mais que reduziu pela metade a melhor taxa de erro, mas 11,36% ainda está bem acima da pontuação do Whisper em inglês vista na seção 3.
| Métrica | Valor | Fonte |
|---|---|---|
| Dados de treinamento de kinyarwanda necessários para uma taxa de erro de palavras abaixo de 13% | Apenas 50 horas | Akera et al., estudo de escala de dados em kinyarwanda e quicuio 2025 |
| Taxa de erro de palavras em kinyarwanda com 200 horas de dados de treinamento | Abaixo de 10% | Akera et al., estudo de escala de dados em kinyarwanda e quicuio 2025 |
| Casos de erro alto causados por transcrições de referência ruidosas | 38,6% | Akera et al., estudo de escala de dados em kinyarwanda e quicuio 2025 |
| Idiomas africanos avaliados, com subconjuntos de ajuste fino de 1, 5, 10, 20, 50, 100 e 200 horas | 13 idiomas (só o suaíli teve também um subconjunto de 400 horas) | Nahabwe et al., Benchmarking ASR Models for African Languages 2025 |
| Melhor taxa de erro de palavras em suaíli com 400 horas de dados de ajuste fino (XLS-R vs Whisper) | 11,36% vs 16,88% | Nahabwe et al., Benchmarking ASR Models for African Languages 2025 |
Contexto: os 13 idiomas do benchmark de Nahabwe et al. são africâner, akan, bambara, bemba, eve, kinyarwanda, lingala, luganda, xona, suaíli, uólofe, xhosa e zulu.
5. Conjuntos de Dados de Fala de Crowdsourcing e Comunitários
Os conjuntos de dados abertos, construídos por comunidades, são onde os dados de fala da cauda longa se tornam públicos. O conjunto Scripted Speech do Mozilla Common Voice cresceu cerca de 31 vezes, de 1.368 horas na primeira versão para 42.593 horas na versão 27.0 (42.593 / 1.368 = 31,1), e o repositório lista 295 idiomas (Mozilla, repositório cv-dataset do Common Voice 2026). O gargalo passou da gravação para a verificação: cerca de 31% dessas horas não foram validadas (29.295 / 42.593 = 68,8% validadas).
Projetos regionais mostram o mesmo padrão em escala maior. O Project Vaani reuniu mais de 31.000 horas de fala indiana, mas transcreveu apenas cerca de 6,8% delas (2.122,21 / 31.278,37), e alcançou 165 dos 773 distritos da Índia (21,3%). Na África, dois projetos divulgados em 2025 reúnem mais de 10.800 horas entre si (mais de 9.000 mais 1.800), contra as 5,4 horas de suaíli nos dados de reconhecimento de fala do Whisper.
| Métrica | Valor | Fonte |
|---|---|---|
| Horas totais do Common Voice Scripted Speech: versão 1 vs versão 27.0 (corte de dados em setembro de 2026) | 1.368 vs 42.593 horas | Mozilla, repositório cv-dataset do Common Voice 2026 |
| Horas validadas do Common Voice Scripted Speech, versão 27.0 | 29.295 (68,8% do total) | Mozilla, repositório cv-dataset do Common Voice 2026 |
| Idiomas listados no Common Voice Scripted Speech: versão 19.0 (2024) vs versão 27.0 (2026) | 131 vs 295 | Mozilla, lançamento do Common Voice 19.0 2024; repositório cv-dataset 2026 |
| Common Voice Spontaneous Speech versão 5.0 | 541 horas (302 validadas), 80 idiomas | Mozilla, repositório cv-dataset do Common Voice 2026 |
| Fala coletada pelo Project Vaani na Índia | 31.278,37 horas de 156.208 falantes em 105 idiomas, 165 de 773 distritos | IISc e ARTPARK, painel do Project Vaani 2026 |
| Fala transcrita do Project Vaani | 2.122,21 horas (cerca de 6,8% do áudio coletado) | IISc e ARTPARK, painel do Project Vaani 2026 |
| Fala gravada pelo African Next Voices | Mais de 9.000 horas em 18 idiomas em 3 países | Universidade de Pretória, notícia sobre o African Next Voices 2025 |
| Dados de fala e texto do NaijaVoices | 1.800 horas de mais de 5.000 falantes em igbo, hauçá e iorubá | Artigo do conjunto de dados NaijaVoices, Interspeech 2025 |
Contexto: a meta declarada do Project Vaani é mais de 150.000 horas de fala de todos os 773 distritos, de modo que o painel atual representa cerca de um quinto do áudio planejado (31.278,37 / 150.000 = 20,9%).
6. Abordagens: Pré-Treinamento Autossupervisionado, Leituras de Textos Religiosos e Extensão com Poucos Exemplos
A cauda longa está sendo alcançada por três táticas. O pré-treinamento autossupervisionado (o modelo aprende primeiro com áudio sem transcrição e depois precisa apenas de um pequeno conjunto rotulado) é a camada base; o Universal Speech Model do Google superou o Whisper em 66% de taxa de erro de palavras relativa em 62 idiomas do FLEURS usando um conjunto rotulado cerca de sete vezes menor (Google, artigo do USM 2023). Leituras de textos religiosos disponíveis publicamente deram ao projeto MMS uma média de 32 horas por idioma, média que se situa dentro da faixa de 10 a 50 horas da seção 2.
A tática mais recente é a extensão com poucos exemplos (few-shot): dar ao modelo um punhado de exemplos pareados de áudio e texto na hora da execução e deixá-lo se adaptar sem novo treinamento. O quadro mais amplo dos modelos compartilhados que tratam vários idiomas ao mesmo tempo é abordado em nossas estatísticas de modelos de base de fala multilíngue. A eficiência no uso de dados também varia conforme o projeto: com 1 hora de suaíli, o MMS, construído sobre pré-treinamento autossupervisionado, superou o Whisper em 26,52 pontos de WER (51,33 - 24,81).
| Métrica | Valor | Fonte |
|---|---|---|
| Dados rotulados do MMS construídos a partir de leituras de textos religiosos | 44,7 mil horas em 1.107 idiomas, cerca de 32 horas por idioma em média | Meta AI, artigo e blog do MMS 2023 |
| Taxa de erro de caracteres em idiomas não vistos no treinamento: modelo de base CTC vs modelo zero-shot (sem novo treinamento) com 10 exemplos de contexto | 26,33% vs 14,4% | Meta FAIR, artigo do Omnilingual ASR 2025 |
| Dados de treinamento supervisionado do USM vs os do Whisper, sem o inglês | 90 mil horas vs 117 mil horas, com o Whisper superado em 66% de WER relativo em 62 idiomas do FLEURS | Google, artigo do USM 2023 |
| Taxa de erro de palavras em suaíli após 1 hora de ajuste fino: MMS / W2v-BERT / Whisper / XLS-R | 24,81% / 32,36% / 51,33% / 58,23% | Nahabwe et al., Benchmarking ASR Models for African Languages 2025 |
| Melhora média da taxa de erro de palavras após ajuste fino no NaijaVoices: Whisper / MMS / XLSR | 75,86% / 52,06% / 42,33% | Artigo do conjunto de dados NaijaVoices, Interspeech 2025 |
Nota sobre valores atípicos: o artigo do USM descreve seu conjunto rotulado do YouTube como cobrindo 73 idiomas na introdução e 75 na seção 3.1. Dado mais recente disponível para MMS e USM: 2023.
Resumo: Cobertura do Reconhecimento de Fala em Idiomas de Poucos Recursos em Números
| Métrica | Valor | Fonte |
|---|---|---|
| Idiomas em uso no mundo | 7.170 | Ethnologue, How Many Languages 2026 |
| Idiomas cobertos pelo sistema de ASR aberto mais abrangente | Mais de 1.600, mais de 500 nunca atendidos antes | Meta FAIR, artigo do Omnilingual ASR 2025 |
| Idiomas de poucos recursos (menos de 10 horas) com taxa de erro de caracteres abaixo de 10 | 195 de 546 (36%) | Meta FAIR, artigo do Omnilingual ASR 2025 |
| Parcela do áudio de treinamento do Whisper que era de reconhecimento de fala em inglês | 65% (438.218 horas) | OpenAI, artigo do Whisper 2022 |
| Idiomas falados na África | Mais de 2.000 | Nahabwe et al., Benchmarking ASR Models for African Languages 2025 |
| Dados de kinyarwanda necessários para taxa de erro de palavras abaixo de 13% | Apenas 50 horas | Akera et al., estudo de escala de dados 2025 |
| Taxa de erro de palavras em kinyarwanda com 200 horas | Abaixo de 10% | Akera et al., estudo de escala de dados 2025 |
| Melhor taxa de erro de palavras em suaíli: 1 hora vs 400 horas de dados de ajuste fino | 24,81% vs 11,36% | Nahabwe et al., Benchmarking ASR Models for African Languages 2025 |
| Horas do Common Voice Scripted Speech, versão 27.0 | 42.593 no total, 29.295 validadas | Mozilla, repositório cv-dataset do Common Voice 2026 |
| Idiomas listados no Common Voice Scripted Speech | 295 | Mozilla, repositório cv-dataset do Common Voice 2026 |
| Áudio do Project Vaani coletado vs transcrito | 31.278,37 vs 2.122,21 horas | IISc e ARTPARK, painel do Project Vaani 2026 |
| Áudio do IndicVoices | 7.348 horas, 16.237 falantes, 22 idiomas | Artigo do conjunto de dados IndicVoices 2024 |
| Fala gravada pelo African Next Voices | Mais de 9.000 horas, 18 idiomas | Universidade de Pretória, notícia sobre o African Next Voices 2025 |
| Dados de fala e texto do NaijaVoices | 1.800 horas, 3 idiomas | Artigo do conjunto de dados NaijaVoices, Interspeech 2025 |
| USM vs Whisper em 62 idiomas do FLEURS | 66% menos WER relativo | Google, artigo do USM 2023 |
Metodologia e Fontes
- Ethnologue, How Many Languages Are There in the World? (página lida em outubro de 2026): idiomas vivos, parcela de idiomas ameaçados, concentração dos 20 maiores idiomas.
- OpenAI, Robust Speech Recognition via Large-Scale Weak Supervision (artigo do Whisper), 2022: horas de treinamento por idioma (Figura 11) e taxas de erro de palavras no FLEURS (Tabela 13).
- Meta, Scaling Speech Technology to 1,000+ Languages (artigo do MMS), 2023, com o comunicado do MMS; e Omnilingual ASR: Open-Source Multilingual Speech Recognition for 1600+ Languages, 10 de novembro de 2025.
- Google, artigo do Universal Speech Model, 2023, e artigo do benchmark FLEURS, 2022.
- Mozilla, repositório cv-dataset do Common Voice (versão 27.0, corte de dados em setembro de 2026), a publicação do lançamento do Common Voice 19.0 (anunciado em 18 de setembro de 2024) e as notas de lançamento do Scripted Speech 26.0 (19 de junho de 2026).
- IISc e ARTPARK, painel ao vivo do Project Vaani (lido em outubro de 2026).
- Artigo do conjunto de dados IndicVoices, 4 de março de 2024.
- Akera et al., How much speech data is necessary for ASR in African languages?, 8 de outubro de 2025.
- Nahabwe et al., Benchmarking Automatic Speech Recognition Models for African Languages, 30 de novembro de 2025.
- The NaijaVoices Dataset, aceito no Interspeech 2025.
- Universidade de Pretória, African Next Voices featured in Nature, 1º de agosto de 2025.
- Nota sobre os dados: as contagens de idiomas diferem por fonte e método (os 7.170 do Ethnologue contam idiomas em uso; os artigos de ASR contam códigos ISO 639-3 e excluem línguas de sinais e idiomas sem escrita), portanto as parcelas de cobertura são aproximações. A contagem de idiomas do Common Voice saltou de 131 (versão 19.0) para 295 (versão 27.0); o repositório não informa se o número mais novo conta apenas idiomas com áudio liberado, então trate-o como idiomas listados. A parcela validada de 68,8% é calculada a partir dos dados do gráfico do repositório, enquanto as notas de lançamento da 26.0 descrevem cerca de 25% do áudio do Scripted Speech como ainda aguardando validação; as duas medidas não são idênticas. Quando a versão 19.0 foi anunciada, um comentário no fórum observou que apenas 129 dos seus 131 idiomas podiam ser baixados, portanto as contagens de idiomas listados e liberados podem diferir. Os números do African Next Voices vêm de uma página de notícias de uma universidade que resume a cobertura da Nature, e não lemos um artigo do conjunto de dados. Os números do Whisper (2022), FLEURS (2022), MMS (2023) e USM (2023) têm todos mais de três anos e estão sinalizados como dado mais recente disponível. O texto do artigo do Omnilingual (549) e sua Tabela 8 (546) divergem quanto ao número de idiomas de poucos recursos; usamos os valores da tabela.
Última atualização: 31 de outubro de 2026. Atualizamos este levantamento trimestralmente, e a próxima revisão é esperada quando a Mozilla publicar a versão 28.0 do Common Voice Scripted Speech.