O Omnilingual ASR da Meta transcreve mais de 1.600 idiomas, incluindo mais de 500 que nenhum sistema de reconhecimento de fala havia atendido antes (Meta FAIR, Omnilingual ASR 2025), e ainda assim isso representa menos de um quarto dos 7.170 idiomas vivos da edição 2026 do Ethnologue. Dois anos antes, o ponto de referência era o Whisper, treinado com 680.000 horas, com apenas 117.000 horas distribuídas por 96 idiomas além do inglês (OpenAI, artigo do Whisper 2022). O maior corpus aberto de contribuição coletiva, o Mozilla Common Voice, hoje abrange 289 idiomas e 38.932 horas (Common Voice 24.0, 2025), e os produtos de crescimento mais rápido, da tradução ao vivo ao ditado, estão todos construídos sobre esses modelos de base, como também acompanha nosso levantamento de estatísticas de fala para texto. Agregamos dados de Meta FAIR, OpenAI, Google Research, Ethnologue, UNESCO, Mozilla, NVIDIA, Hugging Face, PNAS, MarketsandMarkets e outras fontes primárias listadas na metodologia.
TL;DR
- O Omnilingual ASR cobre mais de 1.600 idiomas, mais de 500 deles nunca atendidos por ASR antes (Meta FAIR, Omnilingual ASR 2025).
- O aprendizado em contexto zero-shot poderia estender o Omnilingual ASR a mais de 5.400 idiomas (Meta, novembro de 2025).
- Existem 7.170 idiomas vivos, um ganho líquido de 11 em um ano (Ethnologue, 29ª edição 2026).
- 40% da população mundial não tem acesso à educação em um idioma que compreende (Relatório GEM da UNESCO 2025).
- O MMS da Meta identifica 4.017 idiomas falados e transcreve 1.107 (Meta, artigo do MMS 2023).
- O USM do Google foi treinado com 12 milhões de horas de fala em mais de 300 idiomas (Google Research 2023).
- O Whisper large-v3 foi treinado com cerca de 5 milhões de horas, 4 milhões delas com pseudorrótulos (OpenAI, nov. 2023).
- A taxa de erro de palavras do Whisper cai pela metade a cada aumento de 16 vezes nos dados de treinamento por idioma (OpenAI, artigo do Whisper 2022).
- Common Voice 24.0: 38.932 horas em 289 idiomas (Mozilla, dez. 2025).
- Taxa de erro de caracteres abaixo de 10 em 78% dos idiomas do Omnilingual ASR (Meta, nov. 2025).
- O Gemini 3.5 Live Translate suporta mais de 70 idiomas e mais de 2.000 combinações em uma única chamada do Meet (Google, jun. 2026).
- Falantes negros tiveram WER média de 0,35 contra 0,19 para falantes brancos em cinco sistemas comerciais (PNAS, 2020).
1. A Lacuna de Idiomas: 7.170 Idiomas, Algumas Centenas Atendidos
O denominador importa. A 29ª edição do Ethnologue contabiliza 7.170 idiomas vivos, um aumento líquido de 11 em relação ao ano anterior após mais de 8.000 atualizações no banco de dados, com oito idiomas reclassificados de extintos para vivos (Ethnologue, Boas-vindas à 29ª edição, fevereiro de 2026). Antes de 2023, observou a equipe do MMS, os sistemas de fala convencionais atendiam a apenas cerca de 100 deles. Mesmo depois do salto para mais de 1.600, aproximadamente três em cada quatro idiomas vivos ainda não têm um reconhecedor de fala pronto para uso.
A lacuna não é acadêmica. A equipe de Monitoramento Global da Educação da UNESCO informa que 40% da população mundial não tem acesso à educação em um idioma que compreende, parcela que chega a 90% em alguns países de renda baixa e média (Relatório GEM da UNESCO, Languages Matter). A tecnologia de fala que ignora esses idiomas também ignora as pessoas para as quais as interfaces de voz fariam mais diferença, tema que nossas estatísticas de idiomas ameaçados tratam pelo lado da preservação.
| Métrica | Valor | Fonte |
|---|---|---|
| Idiomas vivos, 2026 | 7.170 (ganho líquido de 11 em um ano) | Ethnologue, 29ª edição 2026 |
| Idiomas vivos, 2025 | 7.159 | Ethnologue, 28ª edição 2025 |
| Idiomas ameaçados | 3.193 (45% dos idiomas vivos) | Ethnologue, 28ª edição 2025 |
| Idiomas ‘moribundos’ | 1.030 (14%) | Ethnologue, 28ª edição 2025 |
| População sem educação em um idioma que compreende | 40% (até 90% em alguns países de renda baixa e média) | Relatório GEM da UNESCO 2025 |
| Idiomas cobertos por sistemas de fala típicos antes do MMS | Cerca de 100 | Meta, artigo do MMS 2023 |
| Idiomas nunca antes atendidos por ASR, adicionados pelo Omnilingual ASR | Mais de 500 | Meta FAIR, Omnilingual ASR 2025 |
Nota de contexto: as contagens de idiomas ameaçados e moribundos são da edição de 2025, conforme resumidas em reportagens públicas; os números completos do Ethnologue ficam atrás de assinatura. A UNESCO associa o dado de 40% a grandes perdas de aprendizado: em Honduras, 94% dos alunos do 6º ano que falavam o idioma de ensino alcançaram o básico em leitura, contra 62% dos que não o falavam.
2. Corrida pela Cobertura: Quantos Idiomas Cada Modelo Atende
O número de idiomas deu um salto de uma ordem de grandeza em três anos. O MMS da Meta identifica 4.017 idiomas e transcreve e sintetiza 1.107, construído em grande parte a partir de gravações do Novo Testamento, com modelos pré-treinados que cobrem 1.406 idiomas (MMS: Scaling Speech Technology to 1,000+ Languages). O Omnilingual ASR então levou a transcrição além de 1.600 e, por meio de aprendizado em contexto zero-shot a partir de poucos exemplos pareados, afirma ter alcance potencial de mais de 5.400 idiomas (Meta AI, anúncio do Omnilingual ASR).
Os produtos comerciais são muito mais conservadores, e a diferença mostra onde está o patamar de qualidade. O Chirp 3 do Google Cloud lista 24 idiomas de transcrição com disponibilidade geral e 76 em versão prévia (Google Cloud, documentação do Chirp 3), enquanto os modelos de pesquisa anunciam centenas. A tradução de fala fica no meio do caminho: o SeamlessM4T da Meta recebe fala em 101 idiomas, mas só fala em 36 (Nature, Joint speech and text machine translation for up to 100 languages), um lembrete de que gerar fala é mais difícil do que reconhecê-la.
| Métrica | Valor | Fonte |
|---|---|---|
| Transcrição do Omnilingual ASR | Mais de 1.600 idiomas | Meta FAIR, nov. 2025 |
| Potencial do Omnilingual ASR via aprendizado zero-shot | Mais de 5.400 idiomas | Meta, nov. 2025 |
| MMS: identificação de idioma / ASR e TTS / pré-treinamento | 4.017 / 1.107 / 1.406 idiomas | Meta, artigo do MMS 2023 |
| Cobertura de pré-treinamento do Google USM | Mais de 300 idiomas | Google Research, março de 2023 |
| Whisper large-v3 | 99 idiomas | Open ASR Leaderboard do Hugging Face 2025 |
| Tradução fala para fala do SeamlessM4T | 101 idiomas de entrada, 36 de saída | Meta, Nature 2025 |
| Transcrição do Google Chirp 3 | 24 com disponibilidade geral + 76 em versão prévia | Documentação do Google Cloud 2026 |
| Embeddings de fala do Meta OmniSONAR | 177 idiomas falados em um espaço semântico de 200 idiomas | Meta, artigo do OmniSONAR 2026 |
A tradução em tempo real chegou aos aplicativos de massa. O Gemini 3.5 Live Translate detecta mais de 70 idiomas e suporta mais de 2.000 combinações de idiomas em uma única sessão do Google Meet, contra cinco idiomas antes (Google, Gemini 3.5 Live Translate, junho de 2026). O Google afirma que as pessoas traduzem cerca de 1 trilhão de palavras por mês no Tradutor, na Pesquisa, no Lens e no Circle to Search (Google, agosto de 2025). Mais sobre a adoção em dispositivos está em nossas estatísticas de tradução de fala para fala.
| Métrica | Valor | Fonte |
|---|---|---|
| Idiomas do Gemini 3.5 Live Translate | Mais de 70 | Google, jun. 2026 |
| Combinações de idiomas em uma chamada do Meet | Mais de 2.000 (antes, 5 idiomas) | Google, jun. 2026 |
| Idiomas de conversa ao vivo do Google Tradutor | Mais de 70 | Google, ago. 2025 |
| Palavras traduzidas por mês nos produtos do Google | Cerca de 1 trilhão | Google, ago. 2025 |
| Tamanhos dos modelos de pesos abertos Mistral Voxtral | 24B e 3B de parâmetros | Mistral AI, jul. 2025 |
| Duração máxima de áudio do Voxtral | 30 minutos para transcrição, 40 minutos para compreensão | Mistral AI, jul. 2025 |
3. Escala dos Dados de Treinamento: de 680.000 Horas a 12 Milhões
O orçamento de dados por trás desses modelos cresceu bem mais rápido do que o número de idiomas. O Universal Speech Model do Google foi treinado com 12 milhões de horas de fala e 28 bilhões de frases de texto, com 2 bilhões de parâmetros (Google Research, USM), cerca de 18 vezes o corpus original do Whisper. A própria OpenAI foi de 680.000 horas para cerca de 5 milhões no Whisper large-v3, das quais 4 milhões receberam pseudorrótulos do modelo anterior (OpenAI, notas de lançamento do large-v3).
A distribuição dentro desses corpora é o que realmente importa. As 680.000 horas originais do Whisper incluíam 117.000 horas em 96 idiomas além do inglês e 125.000 horas de tradução para o inglês (artigo do Whisper). Por subtração (680.000 menos 117.000 menos 125.000), cerca de 438.000 horas, ou aproximadamente 64%, eram de transcrição em inglês. O conjunto rotulado do MMS tinha em média apenas 32 horas por idioma, e os dados divulgados do Omnilingual ASR têm em média cerca de 10 horas transcritas por idioma. Os modelos massivamente multilíngues são construídos sobre uma cauda longa medida em horas, não em milhares de horas.
| Métrica | Valor | Fonte |
|---|---|---|
| Áudio de treinamento do Whisper | 680.000 horas | OpenAI, artigo do Whisper 2022 |
| Dados de reconhecimento do Whisper em outros idiomas além do inglês | 117.000 horas em 96 idiomas | OpenAI, artigo do Whisper 2022 |
| Dados de tradução de qualquer idioma para inglês do Whisper | 125.000 horas | OpenAI, artigo do Whisper 2022 |
| Transcrição em inglês do Whisper (derivado) | Cerca de 438.000 horas (cerca de 64%) | Calculado a partir de números da OpenAI |
| Dados de treinamento do Whisper large-v3 | 1M de horas com rótulos fracos + 4M de horas com pseudorrótulos | OpenAI, nov. 2023 |
| Google USM | 12M de horas de fala, 28B de frases de texto, 2B de parâmetros | Google Research, 2023 |
| Pré-treinamento autossupervisionado do MMS | Cerca de 500.000 horas em mais de 1.400 idiomas | Meta, maio de 2023 |
| Dados rotulados do MMS por idioma | 32 horas em média | Meta, maio de 2023 |
A pilha mais recente da Meta escala as duas pontas. O Omnilingual ASR pré-treinou um codificador wav2vec 2.0 de 7 bilhões de parâmetros com 3,84 milhões de horas em 1.239 idiomas, mais 460.000 horas sem rótulo de idioma, e seu corpus supervisionado AllASR reúne 120.710 horas em 1.690 idiomas (artigo do Omnilingual ASR). A menor variante divulgada tem 300 milhões de parâmetros, voltada a dispositivos de baixo consumo.
| Métrica | Valor | Fonte |
|---|---|---|
| Pré-treinamento sem rótulos do Omnilingual ASR | 3,84M de horas, 1.239 idiomas | Meta FAIR, artigo do Omnilingual ASR 2025 |
| Fala adicional sem rótulos e sem identificação de idioma | 460.000 horas | Meta FAIR, 2025 |
| Corpus rotulado AllASR | 120.710 horas, 1.690 idiomas | Meta FAIR, 2025 |
| Média de fala transcrita por idioma (dados divulgados) | Cerca de 10 horas | Meta FAIR, 2025 |
| Maior / menor modelo | 7B / 300M de parâmetros | Meta FAIR, 2025 |
4. Conjuntos de Dados e Benchmarks Abertos por Trás dos Modelos
É nos dados abertos que a cobertura da cauda longa é construída. O Mozilla Common Voice Scripted Speech 24.0 chegou a 38.932 horas em 289 idiomas, 25.886 delas validadas (publicação de lançamento no Mozilla Discourse, dezembro de 2025). O salto maior veio uma versão antes, quando o Common Voice 23.0 adicionou 149 idiomas e mais que dobrou a contagem, para 286 (Mozilla Data Collective). As horas cresceram apenas cerca de 8% entre essas versões, de modo que os novos idiomas chegam com muito pouco áudio cada um.
A avaliação continua muito mais restrita do que o treinamento. O FLEURS, o benchmark multilíngue padrão, cobre 102 idiomas com cerca de 12 horas de fala por idioma (artigo do FLEURS), e a trilha multilíngue do Open ASR Leaderboard do Hugging Face avalia apenas cinco idiomas em mais de 60 modelos de 18 organizações (Hugging Face, Open ASR Leaderboard). As afirmações de ‘1.600 idiomas’ são, portanto, verificadas em uma fração desse número.
| Métrica | Valor | Fonte |
|---|---|---|
| Common Voice 24.0, horas totais / validadas | 38.932 / 25.886 | Mozilla, dez. 2025 |
| Idiomas do Common Voice 24.0 | 289 | Mozilla, dez. 2025 |
| Idiomas adicionados no Common Voice 23.0 | 149 (total de 286) | Mozilla Data Collective, set. 2025 |
| Fala espontânea do Common Voice 23.0 | 357 horas em 51 idiomas | Mozilla Data Collective, set. 2025 |
| Conjuntos de dados do Spontaneous Speech 2.0 | 62 | Mozilla, dez. 2025 |
| Benchmark FLEURS | 102 idiomas, cerca de 12 horas cada | Conneau et al., FLEURS 2022 |
| Omnilingual ASR Corpus | 350 idiomas sub-representados (CC-BY) | Meta, nov. 2025 |
A Europa ganhou seu próprio grande corpus aberto. O Granary da NVIDIA reúne cerca de 1 milhão de horas: quase 650.000 para reconhecimento e mais de 350.000 para tradução, em 25 idiomas europeus, incluindo croata, estoniano e maltês (blog da NVIDIA, agosto de 2025). O artigo que o acompanha, aceito no Interspeech 2025, informa que os modelos alcançam desempenho semelhante com cerca de 50% menos dados do que com conjuntos anteriores (artigo do Granary).
| Métrica | Valor | Fonte |
|---|---|---|
| Áudio total do Granary | Cerca de 1 milhão de horas | NVIDIA, ago. 2025 |
| Divisão do Granary entre reconhecimento e tradução | Cerca de 650.000 / mais de 350.000 horas | NVIDIA, ago. 2025 |
| Idiomas do Granary | 25 europeus | NVIDIA, ago. 2025 |
| Dados necessários frente a conjuntos anteriores para a mesma precisão | Cerca de 50% menos | Artigo do Granary, Interspeech 2025 |
| Cobertura do Open ASR Leaderboard | Mais de 60 modelos, 18 organizações, 11 conjuntos de dados | Hugging Face, nov. 2025 |
| Modelos de ASR hospedados no Hugging Face Hub | Cerca de 27.000 | Hugging Face, nov. 2025 |
| Idiomas na trilha multilíngue do leaderboard | 5 | Hugging Face, nov. 2025 |
5. Precisão: Dados por Idioma Superam o Tamanho do Modelo
O número mais útil da área é uma lei de escala. Os autores do Whisper encontraram uma correlação ao quadrado de 0,83 entre o log da taxa de erro de palavras e o log das horas de treinamento por idioma, com a WER caindo pela metade a cada aumento de 16 vezes nos dados (OpenAI, artigo do Whisper). A mesma relação foi de apenas 0,24 para tradução de fala. Para um idioma com 10 horas de áudio, o caminho prático para uma precisão utilizável são mais dados, não um modelo maior.
Os ganhos de cobertura vieram com custos de precisão surpreendentemente pequenos. A Meta informou que ampliar o MMS de 61 para 1.107 idiomas elevou a taxa de erro de caracteres em apenas cerca de 0,4%, enquanto o MMS reduziu pela metade a taxa de erro de palavras do Whisper em 54 idiomas do FLEURS (Meta AI, anúncio do MMS). O Omnilingual ASR atinge taxa de erro de caracteres abaixo de 10 em 78% de seus mais de 1.600 idiomas. São números autodeclarados, mas cada afirmação está vinculada a um benchmark público.
| Métrica | Valor | Fonte |
|---|---|---|
| Correlação entre log da WER e log das horas de treinamento (ASR) | r ao quadrado = 0,83 | OpenAI, artigo do Whisper 2022 |
| Mesma correlação para tradução de fala | r ao quadrado = 0,24 | OpenAI, artigo do Whisper 2022 |
| Melhora da WER a cada 16 vezes mais dados | Cai pela metade | OpenAI, artigo do Whisper 2022 |
| MMS contra Whisper em 54 idiomas do FLEURS | Cerca de metade da WER | Meta, MMS 2023 |
| Aumento da CER ao ampliar o MMS de 61 para 1.107 idiomas | Cerca de 0,4% | Meta, maio de 2023 |
| Idiomas do Omnilingual ASR com CER abaixo de 10 | 78% | Meta, nov. 2025 |
| Redução de erro do Whisper large-v3 frente ao large-v2 | 10% a 20% | OpenAI, nov. 2023 |
Os números do Google apontam na mesma direção. O USM registrou WER 32,7% menor em termos relativos do que o Whisper em 18 idiomas comparáveis e WER média abaixo de 30% em 73 idiomas de legendas do YouTube, com redução relativa de 65,8% na WER no FLEURS sem dados do domínio. A eficiência virou uma segunda corrida: o Canary-1b-v2 da NVIDIA, de um bilhão de parâmetros, afirma qualidade comparável à de modelos 3 vezes maiores com inferência até 10 vezes mais rápida, e no leaderboard de áudio longo o Parakeet CTC registrou um RTFx de 2.793,75 contra 68,56 do Whisper large-v3 (Hugging Face, 2025). Para ferramentas de voz em tempo real, incluindo as que estão por trás de software de clonagem de voz ao vivo, essa diferença de vazão muitas vezes pesa mais do que um ponto de WER.
| Métrica | Valor | Fonte |
|---|---|---|
| WER do USM contra o Whisper, 18 idiomas | 32,7% menor em termos relativos | Google Research, 2023 |
| WER média do USM, 73 idiomas do YouTube | Abaixo de 30% | Google Research, 2023 |
| Redução relativa da WER do USM no FLEURS (sem dados do domínio) | 65,8% | Google Research, 2023 |
| SeamlessM4T v2 contra sistemas em cascata | Até 8% (fala para texto) e 23% (fala para fala) mais de BLEU | Meta, Nature 2025 |
| Tradução de fala para texto do OmniSONAR, zero-shot | 97% da qualidade do SeamlessM4T | Meta, OmniSONAR 2026 |
| Canary-1b-v2 contra modelos maiores | Qualidade comparável à de modelos 3 vezes maiores, até 10 vezes mais rápido | NVIDIA, ago. 2025 |
| Vazão em áudio longo (RTFx): Parakeet CTC contra Whisper large-v3 | 2.793,75 contra 68,56 | Open ASR Leaderboard do Hugging Face 2025 |
Nota sobre dado atípico: o artigo do OmniSONAR (arXiv, março de 2026) também relata um erro de busca por similaridade de fala 43% menor do que o de modelos anteriores, sinal de que os espaços de embeddings compartilhados entre fala e texto estão se tornando um componente básico por si só.
6. Viés de Sotaque, Acesso e o Que Está em Jogo Comercialmente
A cobertura de idiomas esconde uma segunda lacuna dentro dos idiomas ‘suportados’. Em cinco sistemas comerciais de Amazon, Apple, Google, IBM e Microsoft, a WER média foi de 0,35 para falantes negros contra 0,19 para falantes brancos (Koenecke et al., PNAS 2020), com base em entrevistas com 73 falantes negros e 42 brancos. O estudo tem mais de três anos e é apresentado como a auditoria mais recente do gênero. Trabalhos mais novos chegam a conclusões parecidas: o AfriSpeech-MultiBench, que abrange mais de 100 sotaques de inglês africano em mais de 10 países, constatou que os modelos proprietários são precisos em fala limpa, mas variam significativamente por país e domínio, com alucinações ainda sendo um problema para a maioria dos modelos de ponta (arXiv, nov. 2025).
O que está em jogo comercialmente continua crescendo, embora as estimativas de mercado sejam inconsistentes. A MarketsandMarkets projeta que o reconhecimento de fala e voz crescerá de US$ 9,66 bilhões em 2025 para US$ 23,11 bilhões até 2030, um CAGR de 19,1% (comunicado da MarketsandMarkets), enquanto a Grand View Research estima o mercado em US$ 20,2 bilhões em 2023, rumo a US$ 53,7 bilhões até 2030, com CAGR de 14,6% (Grand View Research). As duas empresas apontam a Ásia-Pacífico e os mercados emergentes como motores de crescimento, justamente as regiões onde a cobertura de idiomas é mais fraca. Veja também nossas estatísticas de tradução automática para o lado textual do mesmo mercado.
| Métrica | Valor | Fonte |
|---|---|---|
| WER média, falantes negros contra brancos (5 sistemas) | 0,35 contra 0,19 | Koenecke et al., PNAS 2020 |
| Falantes na auditoria da PNAS | 73 negros, 42 brancos | Koenecke et al., PNAS 2020 |
| Sotaques de inglês africano avaliados | Mais de 100 em mais de 10 países | AfriSpeech-MultiBench, 2025 |
| Noções básicas de leitura no 5º ano, Costa do Marfim: idioma de casa = idioma da prova contra não | 55% contra 25% | Relatório GEM da UNESCO 2025 |
| Mercado de reconhecimento de fala e voz, 2025 a 2030 | US$ 9,66 bi a US$ 23,11 bi (CAGR de 19,1%) | MarketsandMarkets, ago. 2025 |
| Mercado de reconhecimento de fala e voz dos EUA, 2025 a 2030 | US$ 3,13 bi a US$ 7,70 bi (CAGR de 19,7%) | MarketsandMarkets, 2025 |
| Mercado de reconhecimento de voz e fala, 2023 a 2030 | US$ 20,2 bi a US$ 53,7 bi (CAGR de 14,6%) | Grand View Research, 2024 |
| Participação da América do Norte na receita | 30,8% (2023) | Grand View Research, 2024 |
Resumo: Modelos de Fala Multilíngues em Números
| Métrica | Valor | Fonte |
|---|---|---|
| Idiomas vivos | 7.170 | Ethnologue, 29ª edição 2026 |
| Cobertura do Omnilingual ASR | Mais de 1.600 idiomas (mais de 500 nunca atendidos antes) | Meta FAIR, 2025 |
| Potencial zero-shot do Omnilingual ASR | Mais de 5.400 idiomas | Meta, nov. 2025 |
| Identificação de idioma do MMS | 4.017 idiomas | Meta, 2023 |
| Cobertura do Whisper large-v3 | 99 idiomas | Hugging Face, 2025 |
| Entrada de fala / saída de fala do SeamlessM4T | 101 / 36 idiomas | Meta, Nature 2025 |
| Gemini 3.5 Live Translate | Mais de 70 idiomas, mais de 2.000 combinações | Google, jun. 2026 |
| Dados de treinamento do Whisper | 680.000 horas (117.000 além do inglês) | OpenAI, 2022 |
| Dados de treinamento do Whisper large-v3 | Cerca de 5 milhões de horas | OpenAI, 2023 |
| Dados de treinamento do Google USM | 12 milhões de horas, mais de 300 idiomas | Google Research, 2023 |
| Pré-treinamento do Omnilingual ASR | 3,84M de horas, 1.239 idiomas | Meta FAIR, 2025 |
| Common Voice 24.0 | 38.932 horas, 289 idiomas | Mozilla, dez. 2025 |
| NVIDIA Granary | Cerca de 1M de horas, 25 idiomas | NVIDIA, ago. 2025 |
| Benchmark FLEURS | 102 idiomas, cerca de 12 horas cada | FLEURS, 2022 |
| WER contra dados | Cai pela metade a cada 16 vezes mais dados | OpenAI, 2022 |
| Idiomas do Omnilingual ASR com CER abaixo de 10 | 78% | Meta, nov. 2025 |
| WER do MMS contra Whisper, 54 idiomas | Cerca de metade | Meta, 2023 |
| População sem educação em um idioma que compreende | 40% | UNESCO, 2025 |
| Diferença de WER, falantes negros contra brancos | 0,35 contra 0,19 | PNAS, 2020 |
| Mercado de reconhecimento de fala e voz, 2030 | US$ 23,11 bi (MarketsandMarkets) contra US$ 53,7 bi (Grand View) | MarketsandMarkets 2025; Grand View Research 2024 |
Metodologia e Fontes
Todo número foi rastreado até a organização que o produziu, dando preferência a artigos, notas oficiais de lançamento e documentação em vez de cobertura da imprensa. As afirmações de precisão dos fornecedores (Meta, Google, OpenAI, NVIDIA, Mistral) são autodeclaradas em benchmarks públicos e estão identificadas com sua fonte. Afirmações comerciais que não conseguimos vincular a um número publicado, como declarações de marketing sem quantificação sobre a ‘menor WER’, foram excluídas.
- Ethnologue: Boas-vindas à 29ª edição (fev. 2026)
- Relatório GEM da UNESCO: 40% não têm acesso à educação em um idioma que compreendem (2025)
- Meta: anúncio do MMS (maio de 2023), artigo do MMS, anúncio do Omnilingual ASR (nov. 2025), artigo do Omnilingual ASR, artigo do OmniSONAR (2026)
- Equipe 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), lançamento do Whisper large-v3 (nov. 2023)
- Google: Universal Speech Model (março de 2023), documentação do Chirp 3, Gemini 3.5 Live Translate (junho de 2026), tradução ao vivo do Tradutor (ago. 2025)
- Mozilla: lançamento do Common Voice 24.0 (dez. 2025), lançamento do Common Voice 23.0 (set. 2025)
- Conneau et al.: FLEURS (2022)
- NVIDIA: lançamento do Granary, Canary e Parakeet (ago. 2025), artigo do Granary (Interspeech 2025)
- Hugging Face: tendências do Open ASR Leaderboard (nov. 2025)
- Mistral AI: Voxtral (jul. 2025)
- Koenecke et al.: Racial disparities in automated speech recognition (PNAS, 2020)
- AfriSpeech-MultiBench: arXiv 2511.14255 (IJCNLP-AACL 2025)
- MarketsandMarkets: comunicado sobre o mercado de reconhecimento de fala e voz (ago. 2025)
- Grand View Research: relatório do mercado de reconhecimento de voz e fala (2024)
- Nota sobre os dados: as estimativas de tamanho de mercado entram em forte conflito. A MarketsandMarkets (US$ 23,11 bi até 2030) e a Grand View Research (US$ 53,7 bi até 2030) usam escopos e anos-base diferentes, portanto os números não devem ser tirados em média nem comparados como tendência. Vários números dos modelos de base datam de 2022 a 2023 (Whisper, USM, MMS, FLEURS) e são as divulgações mais recentes disponíveis para esses modelos; o Google não publicou totais comparáveis de dados de treinamento para seus modelos de áudio do Gemini. A participação do inglês nos dados do Whisper (cerca de 438.000 horas, 64%) é uma subtração nossa a partir dos totais publicados pela OpenAI, não um número que a OpenAI declare no resumo do artigo. As contagens de idiomas ameaçados e moribundos do Ethnologue de 2025 vêm de resumos públicos da 28ª edição, porque o banco de dados completo é pago. A auditoria de viés da PNAS (2020) é anterior aos modelos de base atuais e é apresentada como o dado mais recente disponível; nenhuma auditoria entre fornecedores de porte equivalente foi publicada desde então. As contagens de idiomas não são comparáveis entre fornecedores: alguns contam localidades, outros contam idiomas, e a cobertura em ‘versão prévia’ não tem qualidade de produção.
Última atualização: 3 de outubro de 2026. Atualizamos este levantamento trimestralmente, e a próxima revisão é esperada quando a Mozilla publicar o Common Voice 25.0 e o Ethnologue lançar sua 30ª edição, em fevereiro de 2027.