Omnilingual ASR от Meta расшифровывает более 1 600 языков, включая более 500, которые прежде не обслуживала ни одна система распознавания речи (Meta FAIR, Omnilingual ASR 2025), и всё же это менее четверти от 7 170 живых языков в издании Ethnologue 2026 года. Двумя годами ранее точкой отсчёта был Whisper, обученный на 680 000 часов, из которых лишь 117 000 часов приходилось на 96 языков, кроме английского (OpenAI, статья о Whisper 2022). Крупнейший открытый корпус, собранный силами добровольцев, Mozilla Common Voice, теперь охватывает 289 языков и 38 932 часа (Common Voice 24.0, 2025), а самые быстрорастущие продукты, от живого перевода до диктовки, опираются на эти базовые модели, что отслеживает и наш обзор статистики преобразования речи в текст. Мы собрали данные от Meta FAIR, OpenAI, Google Research, Ethnologue, ЮНЕСКО, Mozilla, NVIDIA, Hugging Face, PNAS, MarketsandMarkets и других первичных источников, перечисленных в методологии.
Кратко (TL;DR)
- Omnilingual ASR охватывает более 1 600 языков, более 500 из них прежде не обслуживались ASR (Meta FAIR, Omnilingual ASR 2025).
- Контекстное обучение без дообучения могло бы расширить Omnilingual ASR более чем до 5 400 языков (Meta, ноябрь 2025).
- Существует 7 170 живых языков, чистый прирост за год составил 11 (Ethnologue, 29-е издание 2026).
- 40% населения мира не имеет доступа к образованию на понятном ему языке (доклад ЮНЕСКО GEM 2025).
- MMS от Meta определяет 4 017 разговорных языков и расшифровывает 1 107 (Meta, статья о MMS 2023).
- USM от Google обучена на 12 миллионах часов речи более чем на 300 языках (Google Research 2023).
- Whisper large-v3 обучен примерно на 5 миллионах часов, 4 миллиона из них с псевдоразметкой (OpenAI, нояб. 2023).
- Доля ошибочных слов у Whisper уменьшается вдвое при каждом 16-кратном росте обучающих данных на язык (OpenAI, статья о Whisper 2022).
- Common Voice 24.0: 38 932 часа на 289 языках (Mozilla, дек. 2025).
- Доля ошибочных символов ниже 10 для 78% языков Omnilingual ASR (Meta, нояб. 2025).
- Gemini 3.5 Live Translate поддерживает более 70 языков и более 2 000 комбинаций в одном звонке Meet (Google, июнь 2026).
- Для чернокожих дикторов средний WER составил 0,35 против 0,19 для белых по пяти коммерческим системам (PNAS, 2020).
1. Языковой разрыв: 7 170 языков, обслуживаются несколько сотен
Знаменатель имеет значение. В 29-м издании Ethnologue насчитывается 7 170 живых языков, чистый прирост по сравнению с прошлым годом составил 11 после более чем 8 000 обновлений базы данных, при этом восемь языков были переклассифицированы из вымерших в живые (Ethnologue, Добро пожаловать в 29-е издание, февраль 2026). До 2023 года, как отмечала команда MMS, массовые речевые системы справлялись лишь примерно со 100 из них. Даже после скачка до более чем 1 600 примерно у трёх из четырёх живых языков по-прежнему нет готового распознавателя речи.
Этот разрыв не академический. Команда ЮНЕСКО по глобальному мониторингу образования сообщает, что 40% населения мира не имеет доступа к образованию на понятном ему языке, причём в некоторых странах с низким и средним уровнем дохода эта доля достигает 90% (доклад ЮНЕСКО GEM, Языки имеют значение). Речевая технология, которая обходит эти языки, обходит и людей, для которых голосовые интерфейсы были бы важнее всего, и эту тему наша статистика исчезающих языков раскрывает со стороны сохранения.
| Показатель | Значение | Источник |
|---|---|---|
| Живые языки, 2026 | 7 170 (чистый прирост +11 за год) | Ethnologue, 29-е издание 2026 |
| Живые языки, 2025 | 7 159 | Ethnologue, 28-е издание 2025 |
| Языки под угрозой исчезновения | 3 193 (45% живых языков) | Ethnologue, 28-е издание 2025 |
| «Умирающие» языки | 1 030 (14%) | Ethnologue, 28-е издание 2025 |
| Население без образования на понятном языке | 40% (до 90% в некоторых странах с низким и средним уровнем дохода) | Доклад ЮНЕСКО GEM 2025 |
| Языки, охваченные типичными речевыми системами до MMS | Около 100 | Meta, статья о MMS 2023 |
| Языки, прежде не обслуживавшиеся ASR, добавленные Omnilingual ASR | Более 500 | Meta FAIR, Omnilingual ASR 2025 |
Примечание к контексту: данные о языках под угрозой исчезновения и умирающих языках взяты из издания 2025 года в пересказе публичных материалов; полные цифры Ethnologue доступны только по подписке. ЮНЕСКО связывает показатель 40% с серьёзными потерями в обучении: в Гондурасе 94% шестиклассников, говоривших на языке обучения, достигли базовых навыков чтения, против 62% тех, кто на нём не говорил.
2. Гонка за охватом: сколько языков обрабатывает каждая модель
Число языков выросло на порядок за три года. MMS от Meta определяет 4 017 языков, а расшифровывает и синтезирует 1 107, будучи в значительной степени построенной на записях Нового Завета, с предварительно обученными моделями на 1 406 языков (MMS: масштабирование речевых технологий до более чем 1 000 языков). Затем Omnilingual ASR вывела расшифровку за пределы 1 600 и благодаря контекстному обучению без дообучения по нескольким парным примерам заявляет о потенциальном охвате более чем 5 400 языков (Meta AI, анонс Omnilingual ASR).
Коммерческие продукты гораздо консервативнее, и этот разрыв показывает, где проходит планка качества. Chirp 3 от Google Cloud перечисляет 24 языка расшифровки с общей доступностью и 76 в предварительной версии (Google Cloud, документация Chirp 3), тогда как исследовательские модели заявляют сотни. Перевод речи находится посередине: SeamlessM4T от Meta принимает речь на 101 языке, но говорит лишь на 36 (Nature, Совместный машинный перевод речи и текста для 100 языков), что напоминает: генерировать речь сложнее, чем распознавать.
| Показатель | Значение | Источник |
|---|---|---|
| Расшифровка Omnilingual ASR | Более 1 600 языков | Meta FAIR, нояб. 2025 |
| Потенциал Omnilingual ASR за счёт обучения без дообучения | Более 5 400 языков | Meta, нояб. 2025 |
| MMS: определение языка / ASR и синтез речи / предварительное обучение | 4 017 / 1 107 / 1 406 языков | Meta, статья о MMS 2023 |
| Охват предварительного обучения Google USM | Более 300 языков | Google Research, март 2023 |
| Whisper large-v3 | 99 языков | Open ASR Leaderboard на Hugging Face 2025 |
| Перевод речи в речь в SeamlessM4T | 101 язык на входе, 36 на выходе | Meta, Nature 2025 |
| Расшифровка Google Chirp 3 | 24 с общей доступностью + 76 в предварительной версии | Документация Google Cloud 2026 |
| Речевые эмбеддинги Meta OmniSONAR | 177 разговорных языков в семантическом пространстве из 200 языков | Meta, статья об OmniSONAR 2026 |
Перевод в реальном времени дошёл до массовых приложений. Gemini 3.5 Live Translate определяет более 70 языков и поддерживает более 2 000 языковых комбинаций в одной сессии Google Meet, тогда как раньше было пять языков (Google, Gemini 3.5 Live Translate, июнь 2026). По данным Google, люди переводят около 1 триллиона слов в месяц через Translate, Поиск, Lens и Circle to Search (Google, август 2025). Подробнее о внедрении на уровне устройств в нашей статистике перевода речи в речь.
| Показатель | Значение | Источник |
|---|---|---|
| Языки Gemini 3.5 Live Translate | Более 70 | Google, июнь 2026 |
| Языковые комбинации в одном звонке Meet | Более 2 000 (раньше 5 языков) | Google, июнь 2026 |
| Языки живого разговора в Google Translate | Более 70 | Google, август 2025 |
| Слов переводится в месяц во всех продуктах Google | Около 1 триллиона | Google, август 2025 |
| Размеры моделей с открытыми весами Mistral Voxtral | 24 млрд и 3 млрд параметров | Mistral AI, июль 2025 |
| Максимальная длина аудио в Voxtral | 30 минут для расшифровки, 40 минут для понимания | Mistral AI, июль 2025 |
3. Масштаб обучающих данных: от 680 000 часов до 12 миллионов
Бюджет данных за этими моделями рос гораздо быстрее, чем число языков. Universal Speech Model от Google обучена на 12 миллионах часов речи и 28 миллиардах предложений текста, имеет 2 миллиарда параметров (Google Research, USM), то есть примерно в 18 раз больше исходного корпуса Whisper. Сама OpenAI перешла с 680 000 часов примерно на 5 миллионов для Whisper large-v3, из которых 4 миллиона получили псевдоразметку от предыдущей модели (OpenAI, примечания к выпуску large-v3).
Настоящая история - распределение внутри этих корпусов. Исходные 680 000 часов Whisper включали 117 000 часов на 96 языках, кроме английского, и 125 000 часов перевода на английский (статья о Whisper). Вычитанием (680 000 минус 117 000 минус 125 000) получаем около 438 000 часов, или примерно 64%, английской расшифровки. Размеченный набор MMS в среднем содержал лишь 32 часа на язык, а опубликованные данные Omnilingual ASR в среднем дают около 10 расшифрованных часов на язык. Массово многоязычные модели строятся на длинном хвосте, который измеряется часами, а не тысячами часов.
| Показатель | Значение | Источник |
|---|---|---|
| Обучающее аудио Whisper | 680 000 часов | OpenAI, статья о Whisper 2022 |
| Данные Whisper для распознавания не на английском | 117 000 часов на 96 языках | OpenAI, статья о Whisper 2022 |
| Данные Whisper для перевода с любых языков на английский | 125 000 часов | OpenAI, статья о Whisper 2022 |
| Английская расшифровка Whisper (расчётная) | Около 438 000 часов (около 64%) | Расчёт на основе данных OpenAI |
| Обучающие данные Whisper large-v3 | 1 млн часов со слабой разметкой + 4 млн часов с псевдоразметкой | OpenAI, нояб. 2023 |
| Google USM | 12 млн часов речи, 28 млрд предложений текста, 2 млрд параметров | Google Research, 2023 |
| Самообучаемое предварительное обучение MMS | Около 500 000 часов более чем на 1 400 языках | Meta, май 2023 |
| Размеченные данные MMS на язык | В среднем 32 часа | Meta, май 2023 |
Новейший стек Meta масштабируется с обоих концов. Omnilingual ASR предварительно обучила энкодер wav2vec 2.0 на 7 миллиардов параметров на 3,84 миллиона часов на 1 239 языках, плюс 460 000 часов без метки языка, а её корпус с учителем AllASR содержит 120 710 часов на 1 690 языках (статья об Omnilingual ASR). Самый маленький опубликованный вариант имеет 300 миллионов параметров и рассчитан на маломощные устройства.
| Показатель | Значение | Источник |
|---|---|---|
| Предварительное обучение Omnilingual ASR без разметки | 3,84 млн часов, 1 239 языков | Meta FAIR, статья об Omnilingual ASR 2025 |
| Дополнительная речь без разметки и без определения языка | 460 000 часов | Meta FAIR, 2025 |
| Размеченный корпус AllASR | 120 710 часов, 1 690 языков | Meta FAIR, 2025 |
| Среднее количество расшифрованной речи на язык (опубликованные данные) | Около 10 часов | Meta FAIR, 2025 |
| Самая большая / самая маленькая модель | 7 млрд / 300 млн параметров | Meta FAIR, 2025 |
4. Открытые датасеты и бенчмарки за моделями
Именно на открытых данных строится охват длинного хвоста. Mozilla Common Voice Scripted Speech 24.0 достиг 38 932 часов на 289 языках, из них 25 886 проверены (пост о выпуске на Mozilla Discourse, декабрь 2025). Больший скачок произошёл на один выпуск раньше, когда Common Voice 23.0 добавил 149 языков и более чем вдвое увеличил их число, до 286 (Mozilla Data Collective). Объём в часах между этими выпусками вырос лишь примерно на 8%, поэтому новые языки приходят с очень малым количеством аудио на каждый.
Оценка остаётся гораздо уже, чем обучение. FLEURS, стандартный многоязычный бенчмарк, охватывает 102 языка примерно по 12 часов речи на язык (статья о FLEURS), а многоязычный трек Open ASR Leaderboard на Hugging Face тестирует лишь пять языков на более чем 60 моделях от 18 организаций (Hugging Face, Open ASR Leaderboard). Поэтому заявления о «1 600 языках» проверяются на малой доле этого числа.
| Показатель | Значение | Источник |
|---|---|---|
| Common Voice 24.0, часов всего / проверено | 38 932 / 25 886 | Mozilla, дек. 2025 |
| Языки Common Voice 24.0 | 289 | Mozilla, дек. 2025 |
| Языки, добавленные в Common Voice 23.0 | 149 (всего 286) | Mozilla Data Collective, сент. 2025 |
| Спонтанная речь в Common Voice 23.0 | 357 часов на 51 языке | Mozilla Data Collective, сент. 2025 |
| Датасеты Spontaneous Speech 2.0 | 62 | Mozilla, дек. 2025 |
| Бенчмарк FLEURS | 102 языка, примерно по 12 часов на каждый | Conneau et al., FLEURS 2022 |
| Omnilingual ASR Corpus | 350 недостаточно обслуживаемых языков (CC-BY) | Meta, нояб. 2025 |
У Европы появился собственный крупный открытый корпус. Granary от NVIDIA содержит около 1 миллиона часов: почти 650 000 для распознавания и более 350 000 для перевода, на 25 европейских языках, включая хорватский, эстонский и мальтийский (блог NVIDIA, август 2025). В сопровождающей статье, принятой на Interspeech 2025, сообщается, что модели достигают сопоставимого качества примерно на 50% меньшем объёме данных, чем с прежними датасетами (статья о Granary).
| Показатель | Значение | Источник |
|---|---|---|
| Общий объём аудио Granary | Около 1 миллиона часов | NVIDIA, авг. 2025 |
| Разбивка Granary на распознавание / перевод | Около 650 000 / более 350 000 часов | NVIDIA, авг. 2025 |
| Языки Granary | 25 европейских | NVIDIA, авг. 2025 |
| Необходимый объём данных по сравнению с прежними датасетами при той же точности | Примерно на 50% меньше | Статья о Granary, Interspeech 2025 |
| Охват Open ASR Leaderboard | Более 60 моделей, 18 организаций, 11 датасетов | Hugging Face, нояб. 2025 |
| Моделей ASR на Hugging Face Hub | Около 27 000 | Hugging Face, нояб. 2025 |
| Языки в многоязычном треке лидерборда | 5 | Hugging Face, нояб. 2025 |
5. Точность: данные на язык важнее размера модели
Самое полезное число в этой области - закон масштабирования. Авторы Whisper обнаружили квадрат корреляции 0,83 между логарифмом доли ошибочных слов и логарифмом обучающих часов на язык, при этом WER уменьшается вдвое при каждом 16-кратном росте данных (OpenAI, статья о Whisper). Для перевода речи та же зависимость составила лишь 0,24. Для языка с 10 часами аудио практический путь к пригодной точности - больше данных, а не более крупная модель.
Рост охвата дался на удивление малой ценой в точности. Meta сообщила, что масштабирование MMS с 61 до 1 107 языков увеличило долю ошибочных символов лишь примерно на 0,4%, тогда как MMS вдвое снизила долю ошибочных слов у Whisper на 54 языках FLEURS (Meta AI, анонс MMS). Omnilingual ASR достигает доли ошибочных символов ниже 10 для 78% своих более чем 1 600 языков. Это самостоятельно раскрытые данные, но каждое утверждение привязано к публичному бенчмарку.
| Показатель | Значение | Источник |
|---|---|---|
| Корреляция между логарифмом WER и логарифмом обучающих часов (ASR) | r в квадрате = 0,83 | OpenAI, статья о Whisper 2022 |
| Та же корреляция для перевода речи | r в квадрате = 0,24 | OpenAI, статья о Whisper 2022 |
| Улучшение WER при 16-кратном росте данных | Уменьшается вдвое | OpenAI, статья о Whisper 2022 |
| MMS в сравнении с Whisper на 54 языках FLEURS | Примерно половина WER | Meta, MMS 2023 |
| Рост CER при масштабировании MMS с 61 до 1 107 языков | Около 0,4% | Meta, май 2023 |
| Языки Omnilingual ASR с CER ниже 10 | 78% | Meta, нояб. 2025 |
| Снижение ошибок у Whisper large-v3 по сравнению с large-v2 | От 10% до 20% | OpenAI, нояб. 2023 |
Цифры Google указывают в ту же сторону. USM показала относительно на 32,7% меньший WER, чем Whisper, на 18 сопоставимых языках и средний WER ниже 30% на 73 языках субтитров YouTube, а относительное снижение WER на FLEURS без данных предметной области составило 65,8%. Эффективность теперь стала второй гонкой: Canary-1b-v2 от NVIDIA с миллиардом параметров заявляет качество, сопоставимое с моделями в 3 раза крупнее, при инференсе до 10 раз быстрее, а в лидерборде для длинных записей Parakeet CTC показала RTFx 2 793,75 против 68,56 у Whisper large-v3 (Hugging Face, 2025). Для речевых инструментов реального времени, включая те, что лежат в основе ПО для клонирования голоса в прямом эфире, эта разница в пропускной способности часто важнее одного пункта WER.
| Показатель | Значение | Источник |
|---|---|---|
| WER у USM в сравнении с Whisper, 18 языков | Относительно на 32,7% ниже | Google Research, 2023 |
| Средний WER у USM, 73 языка YouTube | Ниже 30% | Google Research, 2023 |
| Относительное снижение WER у USM на FLEURS (без данных предметной области) | 65,8% | Google Research, 2023 |
| SeamlessM4T v2 в сравнении с каскадными системами | До 8% (речь в текст) и 23% (речь в речь) выше по BLEU | Meta, Nature 2025 |
| Перевод речи в текст в OmniSONAR, без дообучения | 97% качества SeamlessM4T | Meta, OmniSONAR 2026 |
| Canary-1b-v2 в сравнении с более крупными моделями | Качество, сопоставимое с моделями в 3 раза крупнее, до 10 раз быстрее | NVIDIA, авг. 2025 |
| Пропускная способность на длинных записях (RTFx): Parakeet CTC в сравнении с Whisper large-v3 | 2 793,75 против 68,56 | Open ASR Leaderboard на Hugging Face 2025 |
Примечание о выбросе: в статье об OmniSONAR (arXiv, март 2026) также сообщается об ошибке поиска речи по сходству на 43% ниже, чем у прежних моделей, что говорит о том, что общие речево-текстовые пространства эмбеддингов становятся самостоятельным строительным блоком.
6. Акцентный перекос, доступ и коммерческие ставки
Языковой охват скрывает второй разрыв внутри «поддерживаемых» языков. По пяти коммерческим системам от Amazon, Apple, Google, IBM и Microsoft средний WER составил 0,35 для чернокожих дикторов против 0,19 для белых (Koenecke et al., PNAS 2020), на основе интервью с 73 чернокожими и 42 белыми дикторами. Исследованию больше трёх лет, и оно приводится как самый свежий доступный аудит такого рода. Более новые работы приходят к схожим выводам: AfriSpeech-MultiBench, охватывающий более 100 акцентов африканского английского в более чем 10 странах, показал, что проприетарные модели точны на чистой речи, но заметно различаются по странам и предметным областям, а галлюцинации остаются проблемой для большинства самых современных моделей (arXiv, нояб. 2025).
Коммерческие ставки продолжают расти, хотя оценки рынка непоследовательны. MarketsandMarkets прогнозирует рост рынка распознавания речи и голоса с 9,66 млрд долларов США в 2025 году до 23,11 млрд долларов США к 2030 году, среднегодовой темп роста 19,1% (пресс-релиз MarketsandMarkets), тогда как Grand View Research оценивает рынок в 20,2 млрд долларов США в 2023 году с выходом на 53,7 млрд долларов США к 2030 году при темпе 14,6% (Grand View Research). Обе компании называют драйверами роста Азиатско-Тихоокеанский регион и развивающиеся рынки, то есть как раз те регионы, где языковой охват наиболее скуден. См. также нашу статистику машинного перевода о текстовой стороне того же рынка.
| Показатель | Значение | Источник |
|---|---|---|
| Средний WER, чернокожие и белые дикторы (5 систем) | 0,35 против 0,19 | Koenecke et al., PNAS 2020 |
| Дикторы в аудите PNAS | 73 чернокожих, 42 белых | Koenecke et al., PNAS 2020 |
| Протестированные акценты африканского английского | Более 100 в более чем 10 странах | AfriSpeech-MultiBench, 2025 |
| Базовые навыки чтения в 5-м классе, Кот-д’Ивуар: родной язык = язык теста и нет | 55% против 25% | Доклад ЮНЕСКО GEM 2025 |
| Рынок распознавания речи и голоса, 2025-2030 | 9,66 млрд - 23,11 млрд долларов США (среднегодовой темп роста 19,1%) | MarketsandMarkets, авг. 2025 |
| Рынок распознавания речи и голоса в США, 2025-2030 | 3,13 млрд - 7,70 млрд долларов США (среднегодовой темп роста 19,7%) | MarketsandMarkets, 2025 |
| Рынок распознавания голоса и речи, 2023-2030 | 20,2 млрд - 53,7 млрд долларов США (среднегодовой темп роста 14,6%) | Grand View Research, 2024 |
| Доля Северной Америки в выручке | 30,8% (2023) | Grand View Research, 2024 |
Итоги: многоязычные речевые базовые модели в цифрах
| Показатель | Значение | Источник |
|---|---|---|
| Живые языки | 7 170 | Ethnologue, 29-е издание 2026 |
| Охват Omnilingual ASR | Более 1 600 языков (более 500 прежде не обслуживались) | Meta FAIR, 2025 |
| Потенциал Omnilingual ASR без дообучения | Более 5 400 языков | Meta, нояб. 2025 |
| Определение языка в MMS | 4 017 языков | Meta, 2023 |
| Охват Whisper large-v3 | 99 языков | Hugging Face, 2025 |
| Речь на входе / речь на выходе в SeamlessM4T | 101 / 36 языков | Meta, Nature 2025 |
| Gemini 3.5 Live Translate | Более 70 языков, более 2 000 комбинаций | Google, июнь 2026 |
| Обучающие данные Whisper | 680 000 часов (117 000 не на английском) | OpenAI, 2022 |
| Обучающие данные Whisper large-v3 | Около 5 миллионов часов | OpenAI, 2023 |
| Обучающие данные Google USM | 12 миллионов часов, более 300 языков | Google Research, 2023 |
| Предварительное обучение Omnilingual ASR | 3,84 млн часов, 1 239 языков | Meta FAIR, 2025 |
| Common Voice 24.0 | 38 932 часа, 289 языков | Mozilla, дек. 2025 |
| NVIDIA Granary | Около 1 млн часов, 25 языков | NVIDIA, авг. 2025 |
| Бенчмарк FLEURS | 102 языка, примерно по 12 часов на каждый | FLEURS, 2022 |
| WER и данные | Уменьшается вдвое при 16-кратном росте данных | OpenAI, 2022 |
| Языки Omnilingual ASR с CER ниже 10 | 78% | Meta, нояб. 2025 |
| WER у MMS в сравнении с Whisper, 54 языка | Примерно половина | Meta, 2023 |
| Население без образования на понятном языке | 40% | ЮНЕСКО, 2025 |
| Разрыв по WER, чернокожие и белые дикторы | 0,35 против 0,19 | PNAS, 2020 |
| Рынок распознавания речи и голоса, 2030 | 23,11 млрд долларов США (MarketsandMarkets) против 53,7 млрд (Grand View) | MarketsandMarkets 2025; Grand View Research 2024 |
Методология и источники
Каждая цифра прослежена до организации, которая её подготовила, при этом статьям, официальным примечаниям к выпускам и документации отдавалось предпочтение перед журналистскими материалами. Заявления вендоров о точности (Meta, Google, OpenAI, NVIDIA, Mistral) раскрываются ими самостоятельно на публичных бенчмарках и снабжены указанием источника. Коммерческие утверждения, которые мы не смогли привязать к опубликованному числу, например неколичественные маркетинговые заявления о «самом низком WER», были исключены.
- Ethnologue: Добро пожаловать в 29-е издание (февр. 2026)
- Доклад ЮНЕСКО GEM: 40% не имеют доступа к образованию на понятном им языке (2025)
- Meta: анонс MMS (май 2023), статья о MMS, анонс Omnilingual ASR (нояб. 2025), статья об Omnilingual ASR, статья об OmniSONAR (2026)
- Команда Meta Seamless Communication: Совместный машинный перевод речи и текста для 100 языков (Nature, 2025)
- OpenAI: Надёжное распознавание речи с помощью слабого контроля в крупном масштабе (2022), выпуск Whisper large-v3 (нояб. 2023)
- Google: Universal Speech Model (март 2023), документация Chirp 3, Gemini 3.5 Live Translate (июнь 2026), живой перевод в Translate (авг. 2025)
- Mozilla: выпуск Common Voice 24.0 (дек. 2025), выпуск Common Voice 23.0 (сент. 2025)
- Conneau et al.: FLEURS (2022)
- NVIDIA: выпуск Granary, Canary и Parakeet (авг. 2025), статья о Granary (Interspeech 2025)
- Hugging Face: тенденции Open ASR Leaderboard (нояб. 2025)
- Mistral AI: Voxtral (июль 2025)
- Koenecke et al.: Расовые различия в автоматическом распознавании речи (PNAS, 2020)
- AfriSpeech-MultiBench: arXiv 2511.14255 (IJCNLP-AACL 2025)
- MarketsandMarkets: пресс-релиз о рынке распознавания речи и голоса (авг. 2025)
- Grand View Research: отчёт о рынке распознавания голоса и речи (2024)
- Наблюдение по данным: оценки размера рынка резко расходятся. MarketsandMarkets (23,11 млрд долларов США к 2030 году) и Grand View Research (53,7 млрд долларов США к 2030 году) используют разный охват и разные базовые годы, поэтому эти числа не следует усреднять или сравнивать как тренд. Ряд показателей базовых моделей относится к 2022-2023 годам (Whisper, USM, MMS, FLEURS) и является самым свежим из доступных раскрытий по этим моделям; Google не публиковала сопоставимых итогов по обучающим данным для своих аудиомоделей Gemini. Доля английского в данных Whisper (около 438 000 часов, 64%) - это наше вычитание из опубликованных OpenAI итогов, а не цифра, которую OpenAI называет в аннотации. Данные Ethnologue за 2025 год о языках под угрозой исчезновения и умирающих языках взяты из публичных пересказов 28-го издания, поскольку полная база данных платная. Аудит перекосов PNAS (2020) предшествует нынешним базовым моделям и приводится как самые свежие доступные данные; сопоставимого по масштабу межвендорного аудита с тех пор опубликовано не было. Числа языков несопоставимы между вендорами: одни считают локали, другие языки, а охват в «предварительной версии» не равен качеству промышленной эксплуатации.
Последнее обновление: 3 октября 2026 года. Мы обновляем этот обзор ежеквартально, и следующее обновление ожидается, когда Mozilla опубликует Common Voice 25.0, а Ethnologue выпустит своё 30-е издание в феврале 2027 года.