Опубликованная таблица синтеза речи Azure перечисляет 82 различных языковых кода, около 1,1% от 7 170 языков, которые Ethnologue сегодня считает используемыми (82 / 7 170). Документация Gemini 3.8 Flash TTS заявляет более 130 языков, а исследовательский проект MMS дошёл до 1 107, но эта самая широкая модель распространяется по некоммерческой лицензии. Глубина скромнее широты: у американского английского в таблице Azure 118 записей, у амхарского - 2. Мы свели данные Ethnologue, Microsoft, Google, Amazon, Apple, Meta и рецензируемых исследований речи, прочитав каждую страницу поставщиков 31 октября 2026 года. Этот обзор охватывает только синтез; о стороне распознавания того же пробела читайте в нашей статистике охвата распознавания речи для языков с малыми ресурсами.
Кратко (TL;DR)
- В мире используются 7 170 языков, и у 4 153 из них есть развитая письменность (Ethnologue 2026).
- 128 из 7 829 языковых кодов достигли двух верхних уровней цифровой поддержки, около 1,6% (Simons, Thomas и White, COLING 2022).
- Более 130 языков заявлено для Gemini 3.8 Flash TTS, это самое широкое коммерческое заявление из изученных нами (Google, документация поставщика).
- 82 языковых кода в 154 локалях присутствуют в таблице голосов Azure Speech (Microsoft, документация поставщика, наш подсчёт).
- 25 языков и 42 варианта присутствуют в таблице Amazon Polly, из них 2 варианта предлагают голоса для длинных текстов (Amazon, документация поставщика, наш подсчёт).
- 1 107 языков имеют модели синтеза MMS, около 15,4% используемых языков (Meta AI, статья о MMS, 2023).
- 945 из этих 1 107 моделей достигли доли ошибочных символов 5 или ниже, но Африка отстала с 76% (Meta AI, статья о MMS, 2023).
- 41 из 90 голосов Aura-2 английские (Deepgram, документация поставщика, наш подсчёт).
- 18 из 22 официально перечисленных языков Индии есть в списке речи для специальных возможностей Apple, против 1 в Polly (Apple и Amazon, документация поставщиков, наш свод).
- 1 704 часа от 10 496 дикторов теперь покрывают все 22 официально перечисленных языка Индии для синтеза речи (AI4Bharat, IndicVoices-R, 2024).
1. Знаменатель: 7 170 языков, и не все из них письменные
Любому заявлению об охвате нужен знаменатель, а у синтеза он жёстче, чем многие думают. Синтез речи по тексту читает текст, поэтому 3 017 языков без развитой письменности оказываются вне обычного пути ввода ещё до обучения какой-либо модели.
Население рассказывает более мягкую историю, и эти два взгляда нельзя смешивать. Платформа может обслуживать большинство людей, перечисляя менее 3% языков, потому что более 88% людей говорят как на родном на одном из всего 200 языков, а 200 / 7 170 - это 2,8%. Ни одна из изученных нами страниц поставщиков не указывает, какую долю людей охватывает их каталог, поэтому охват нельзя сравнивать напрямую.
| Показатель | Значение | Источник |
|---|---|---|
| Языки, используемые в мире | 7 170 | Ethnologue, How Many Languages 2026 |
| Языки с развитой письменностью и без неё | 4 153 (57,9%) и 3 017 (42,1%, из 7 170 - 4 153, наш расчёт) | FAQ Ethnologue, 29-е издание, 2026 |
| Люди, для которых родной язык - один из 200 крупнейших | Более 88% | Ethnologue 200, 2026 |
| Языковые коды на двух верхних уровнях цифровой поддержки (Vital и Thriving) | 128 из 7 829 (95 + 33), или 1,6% | Simons, Thomas и White, COLING 2022 |
| Языковые коды на самом низком уровне цифровой поддержки (Still, оценка 0) | 3 996 из 7 829, или 51,0% | Simons, Thomas и White, COLING 2022 |
| Языковые коды на двух средних уровнях цифровой поддержки (Emerging, Ascending) | 3 304 и 401 | Simons, Thomas и White, COLING 2022 |
Самые свежие доступные данные об уровнях цифровой поддержки: Simons, Thomas и White, 2022. В том исследовании собирались списки поддерживаемых языков из 143 цифровых инструментов, а обработка речи - одна из семи категорий инструментов. Итоговые цифры взяты из подсчёта языков Ethnologue и её FAQ о системах письма.
2. Коммерческие каталоги бок о бок
Это подсчёты по документации поставщиков: первичная запись того, что перечисляет каждая платформа, а не независимое доказательство качества. Разрыв между самым длинным и самым коротким каталогом в этой таблице составляет от более чем 130 языков до 9.
Единица измерения важна не меньше самой цифры. Локаль - это язык плюс регион, поэтому испанский для Мексики и испанский для Испании считаются двумя локалями, но одним языком. Обзорная страница Azure говорит «более 100 языков и локалей», что смешивает оба понятия; сама таблица языков Azure Speech раскладывается в строке ниже.
Длиннее - ещё не значит надмножество более короткого. В таблице языков Gemini TTS нет строки для украинского, урду и зулу, а Azure перечисляет все три.
| Показатель | Значение | Источник |
|---|---|---|
| Gemini 3.8 Flash TTS | Заявлено более 130 языков; 132 строки таблицы, прочитано 31 октября 2026 года | Google, документация Gemini API по генерации речи, обновлено 28 октября 2026 года (заявление поставщика) |
| Eleven v4 / Eleven v3 / Flash v2.5 / Multilingual v2 | 90+ / 70+ / 32 / 29 языков | ElevenLabs, документация по моделям (заявление поставщика) |
| Готовые голоса Azure Speech | 82 языковых кода в 154 локалях; английский, испанский и арабский занимают 52 из 154 (33,8%) | Microsoft, таблица поддержки языков, обновлено 22 октября 2026 года (документация поставщика, наш подсчёт) |
| Apple VoiceOver, Live Speech и Read & Speak | 75 языковых записей в iOS 27 | Apple, доступность функций iOS (документация поставщика) |
| Таблица голосов Google Cloud Text-to-Speech | 53 языковых кода, 61 код языка и региона; один только Chirp 3: HD охватывает 47 языков в 53 локалях | Google Cloud, список голосов и документация Chirp 3: HD (документация поставщика, наш подсчёт) |
| Sonic 3.6 | 44 языка | Cartesia, документация по моделям TTS (заявление поставщика) |
| Amazon Polly | 25 языков, 42 варианта, 123 позиции голосов | Amazon, доступные голоса Polly (документация поставщика, наш подсчёт) |
| IBM Text to Speech | 9 базовых языков, 15 языковых записей, 48 голосов | Документация IBM Cloud, обновлено 4 июня 2026 года (документация поставщика, наш подсчёт) |
Если вы выбираете генератор голоса на основе ИИ для языка, отличного от английского, открывать стоит список по локалям, а не заглавную цифру на странице продукта.
3. Глубина голосов: где голоса находятся на самом деле
То, что язык указан в каталоге, мало говорит о том, сколько голосов он получает. У американского английского 118 записей в таблице Azure, тогда как у амхарского, африкаанс и зулу по 2, то есть соотношение 59 к 1. Для продюсера 2 голоса могут означать отсутствие выбора по возрасту, тембру или характеру.
Закономерность повторяется в каталогах любого размера. Polly, Aura-2 и открытая модель Kokoro отдают английскому от 28,5% до 51,9% своих голосов. Часть разницы структурная: записи таблицы могут повторять одну и ту же персону на разных уровнях качества, поэтому это подсчёты записей, а не уникальных дикторов.
| Показатель | Значение | Источник |
|---|---|---|
| Записи в таблице голосов Azure: американский английский, китайский (мандарин), немецкий, хинди | 118, 59, 23 и 17 | Microsoft, таблица поддержки языков (документация поставщика, наш подсчёт) |
| Записи в таблице голосов Azure для амхарского, африкаанс, египетского арабского и зулу | по 2 | Microsoft, таблица поддержки языков (документация поставщика, наш подсчёт) |
| Позиции голосов Polly в вариантах английского | 35 из 123 (28,5%) | Amazon, доступные голоса Polly (документация поставщика, наш подсчёт) |
| Голоса Aura-2: английский, испанский, французский | 41, 17 и 2, из 90 на 7 языках | Deepgram, документация по моделям TTS (документация поставщика, наш подсчёт) |
| Голоса Kokoro-82M на американском и британском английском | 28 из 54 (51,9%), против 1 для французского | Hexgrad, список голосов Kokoro-82M (документация проекта) |
| Записи Google Cloud для хинди (Индия) и исландского | 46 (30 Chirp 3: HD, 4 Neural2, 6 Standard, 6 WaveNet) против 1 голоса Standard | Google Cloud, список голосов (документация поставщика, наш подсчёт) |
| Встроенные голоса OpenAI на конечной точке речи | 13, которые документация называет «в настоящее время оптимизированными для английского» | OpenAI, руководство по синтезу речи (заявление поставщика) |
Список голосов Cloud показывает, почему важны и уровни: 30 записей Chirp 3: HD для хинди относятся к одному общему набору голосов, а языки вне этого набора сохраняют более старые типы голосов. Подсчёт Polly взят из таблицы голосов, где 4 имени повторяются, потому что голоса двуязычные, и остаётся 119 различных имён.
4. Уровни функций: перечисленный не значит равный
Общий итог каталога - самая широкая цифра, которую может назвать поставщик, а каждая премиальная функция опирается на меньшее подмножество. Генеративный движок Polly охватывает 25 из 42 вариантов, а мандаринский китайский, японский, арабский и русский входят в число 17 исключённых.
Azure демонстрирует то же сужение. Его 154 локали сокращаются до 102 записей с виземами (данные о форме рта для анимации лица) и до 42 с межъязыковым переносом (когда пользовательский голос говорит на втором языке). Командам, планирующим многоязычный запуск, стоит проверять функцию, а не язык. Скорость и цена по моделям - отдельный вопрос, рассмотренный в нашей статистике стоимости вывода TTS.
| Показатель | Значение | Источник |
|---|---|---|
| Локали Azure по функциям: готовые голоса / записи с виземами / профессиональный пользовательский голос / персональный голос / источник межъязыкового переноса | 154 / 102 / 68 / 65 / 42 | Microsoft, таблица поддержки языков (документация поставщика, наш подсчёт) |
| Варианты Polly хотя бы с одним генеративным голосом и хотя бы с одним голосом для длинных текстов | 25 из 42 (59,5%) и 2 из 42 (американский английский, испанский для Испании) | Amazon, доступные голоса Polly (документация поставщика, наш подсчёт) |
| Варианты Polly, предлагающие только голосовой движок Standard | 6 из 42, включая русский, румынский и исландский | Amazon, доступные голоса Polly (документация поставщика, наш подсчёт) |
| Строки таблицы Gemini, поддерживаемые в Flash TTS и в Flash-Lite TTS | 132 и 103; финский, шведский, тайский и суахили входят в число 29 отсутствующих во Flash-Lite | Google, документация Gemini API по генерации речи (документация поставщика, наш подсчёт) |
| Языки Apple Personal Voice и записи списка речи для специальных возможностей | 3 и 75 в iOS 27 | Apple, доступность функций iOS (документация поставщика) |
Разрыв у Apple самый резкий: на её странице доступности функций Personal Voice указан только для американского английского, материкового мандаринского китайского и мексиканского испанского.
5. Открытые модели: широкий охват, но с условиями
Самая широкая цифра этого обзора принадлежит открытой стороне. MMS-TTS охватил 1 107 языков, примерно в 8,5 раза больше 130, заявленных для Gemini (1 107 / 130), и примерно в 11 раз больше около 100 языков, которые охватывали речевые технологии до него (1 107 / 100).
Широта имела свою цену. В статье о MMS для каждого языка обучалась отдельная модель VITS, в основном на записях одного диктора, читающего религиозные тексты, а её карточка модели указывает некоммерческую лицензию. Самый полезный результат касается регионов: качество упало сильнее всего в Африке, что авторы относят «отчасти» на счёт систем письма.
Доля ошибочных символов здесь означает, что система распознавания речи расшифровывает синтетический звук и подсчитываются ошибки, поэтому чем ниже, тем лучше. Она показывает, сохраняются ли слова, а не звучит ли речь естественно; об этой стороне читайте в нашей статистике просодии и интонации нейросетевого TTS.
| Показатель | Значение | Источник |
|---|---|---|
| Охват языков и лицензия MMS-TTS | 1 107 языков (15,4% от 7 170), CC-BY-NC 4.0 | Pratap и др. (Meta AI), статья о MMS, 2023; карточка модели на Hugging Face |
| Языки MMS, достигшие доли ошибочных символов 5 или ниже на синтетической речи | 945 из 1 107 (85%) | Pratap и др. (Meta AI), статья о MMS, 2023 |
| Доля языков MMS, достигших этого порога, по регионам | Африка 76% (277 из 363), Азия 88%, Северная Америка 87%, Тихоокеанский регион 90%, Южная Америка и Европа 95% | Pratap и др. (Meta AI), статья о MMS, 2023 |
| Доля ошибочных символов MMS: синтетическая и эталонная человеческая речь; средняя экспертная оценка (MOS, от 1 до 5) на 61 языке | 3,5 ±0,2 и 2,2 ±0,1; 3,52 для синтетической и 3,33 для человеческого эталонного звука вне обучающих данных, разрыв, который авторы объясняют шумными эталонными записями | Pratap и др. (Meta AI), статья о MMS, 2023 |
| Целевые языки SeamlessM4T: речевой вывод и текстовый вывод | 36 и 96 | SEAMLESS Communication Team (Meta), Nature 2025 |
| Синтезатор на основе правил eSpeak NG | Более 100 языков и акцентов | README проекта eSpeak NG |
| Список голосов Piper | 37 языков, 42 записи локалей; репозиторий архивирован 6 октября 2025 года | Rhasspy, Piper VOICES.md |
| Chatterbox Multilingual и XTTS-v2 | 23+ и 17 языков | Resemble AI, репозиторий Chatterbox; Coqui, карточка модели XTTS-v2 |
Самые свежие доступные данные о качестве синтеза на уровне языков: Pratap и др., 2023. Более новые открытые модели в этой таблице перечисляют заметно меньше языков. Статья о SeamlessM4T показывает ту же асимметрию внутри одной модели: она читает и пишет гораздо больше языков, чем произносит.
6. Африка и Индия: где пробел становится конкретным
Региональные подсчёты показывают то, что скрывают глобальные итоги. В таблице Gemini 22 языка Африки, в таблице Azure - 5, а Polly и Apple не перечисляют ни одного, кроме южноафриканского английского, тогда как одна только Африка к югу от Сахары насчитывает более 2 000 различных языков (Google Research, WAXAL 2026).
Йоруба показывает, что пробел связан не только с данными. Он присутствует в открытых корпусах WAXAL и BibleTTS, но не имеет записи в изученных нами таблицах Azure, Polly, Chirp 3: HD и Gemini. Наличие открытых данных не означает, что платформа выпустила голос.
Индия рассказывает более оптимистичную историю, потому что один набор данных закрыл известный пробел. Прежние наборы останавливались на 14 из 22 официально перечисленных языков, сообщает статья об IndicVoices-R, нередко с 1 или 2 дикторами на язык. Малым сообществам может требоваться меньше, чем ожидается: Pine и коллеги поставили под сомнение допущение, что нейросетевой синтез требует больших наборов данных.
| Показатель | Значение | Источник |
|---|---|---|
| Языки Африки, кроме разновидностей арабского: Gemini Flash TTS / Gemini Flash-Lite TTS / Azure / Chirp 3: HD / Polly / Apple | 22 / 13 / 5 / 1 / 0 / 0 | Каталоги Google, Microsoft, Amazon и Apple (документация поставщиков, наш свод) |
| Языки и записанные часы WAXAL-TTS | 17 языков; более 180 часов по карточке набора данных, более 235 в статье, более 565 в записи блога | Google Research, карточка набора данных, статья и блог WAXAL, 2026 |
| Студийные записи BibleTTS для африканского синтеза | 10 языков, до 86 часов на язык при 48 кГц | Meyer и др., Interspeech 2022 |
| Из 22 официально перечисленных языков Индии представлены: Apple / Gemini Flash TTS / Azure / Chirp 3: HD / Polly | 18 / 17 / 13 / 10 / 1 | Каталоги Apple, Google, Microsoft и Amazon (документация поставщиков, наш свод) |
| Прежние данные для синтеза в Индии: IndicTTS | 284 часа, 27 дикторов, 14 языков | AI4Bharat, статья об IndicVoices-R, 2024 |
| Корпус для синтеза речи IndicVoices-R | 1 704 часа, 10 496 дикторов, 22 языка | AI4Bharat, статья об IndicVoices-R, 2024 |
| Речевой корпус на языке Kanien’kéha после решения сообщества исключить записи умерших носителей | 3,46 часа оставлено из 24 записанных | Pine и др. 2022, по сообщению Nigatu и др. 2024 |
| Модель FastSpeech2 на 1 часе английской речи и Tacotron2 на 10 часах | Сопоставимая естественность | Pine и др., ACL 2022 |
Самые свежие доступные данные по BibleTTS и по выводам Pine и др.: 2022 год. Цифру по языку Kanien’kéha приводят Nigatu и др., и она самая полезная в этой таблице: границей для этого корпуса было согласие, а не технология.
Итоги: охват языков и голосов в синтезе речи в цифрах
| Показатель | Значение | Источник |
|---|---|---|
| Языки, используемые в мире | 7 170 | Ethnologue, How Many Languages 2026 |
| Люди, для которых родной язык - один из 200 крупнейших | Более 88% | Ethnologue 200, 2026 |
| Языковые коды на двух верхних уровнях цифровой поддержки | 128 из 7 829 | Simons, Thomas и White, COLING 2022 |
| Языки Gemini 3.8 Flash TTS | Заявлено более 130 | Google, документация Gemini API (заявление поставщика) |
| Языки Eleven v4 | 90+ | ElevenLabs, документация по моделям (заявление поставщика) |
| Языковые коды и локали Azure | 82 и 154 | Microsoft, таблица поддержки языков (наш подсчёт) |
| Список речи для специальных возможностей Apple | 75 записей | Apple, доступность функций iOS |
| Языки и варианты Amazon Polly | 25 и 42 | Amazon, доступные голоса Polly (наш подсчёт) |
| Записи голосов Azure: американский английский и амхарский | 118 и 2 | Microsoft, таблица поддержки языков (наш подсчёт) |
| Голоса Aura-2, которые английские | 41 из 90 | Deepgram, документация по моделям TTS (наш подсчёт) |
| Варианты Polly с генеративным голосом | 25 из 42 | Amazon, доступные голоса Polly (наш подсчёт) |
| Языки MMS-TTS | 1 107 | Pratap и др. (Meta AI), статья о MMS, 2023 |
| Африканские языки MMS с долей ошибочных символов 5 или ниже | 277 из 363 (76%) | Pratap и др. (Meta AI), статья о MMS, 2023 |
| Голоса Kokoro-82M на американском и британском английском | 28 из 54 | Hexgrad, список голосов Kokoro-82M |
| Корпус IndicVoices-R | 1 704 часа, 22 языка | AI4Bharat, статья об IndicVoices-R, 2024 |
| Речевой корпус на языке Kanien’kéha: оставлено и записано | 3,46 и 24 часа | Pine и др. 2022, по сообщению Nigatu и др. 2024 |
Методология и источники
Все страницы поставщиков были прочитаны 31 октября 2026 года. Цифры с пометкой «наш подсчёт» или «наш свод» - это наши собственные подсчёты опубликованных таблиц; они остаются заявлениями поставщиков о том, что предлагается, а не независимыми проверками того, что каждый голос работает хорошо.
- Ethnologue (SIL Global): How Many Languages, Ethnologue 200, FAQ о языках без письменности.
- Simons, Thomas и White: Assessing Digital Language Support on a Global Scale, COLING 2022.
- Microsoft: Поддержка языков и голосов Azure Speech, обзор синтеза речи.
- Google: Генерация речи в Gemini API, список голосов Cloud, Chirp 3: HD, блог WAXAL, статья о WAXAL, карточка набора данных WAXAL.
- Amazon: Доступные голоса Polly.
- Apple: Доступность функций iOS.
- Документация поставщиков: модели ElevenLabs, модели TTS Cartesia, модели TTS Deepgram, голоса IBM, руководство OpenAI по синтезу речи.
- Meta: статья о MMS, карточка модели MMS-TTS, SeamlessM4T в Nature.
- Открытые проекты: голоса Kokoro-82M, голоса Piper, eSpeak NG, Chatterbox, XTTS-v2.
- Исследования: BibleTTS, Meyer и др., IndicVoices-R, Pine и др., ACL 2022, Nigatu и др., Zeno’s Paradox of Low-Resource Languages.
- Наблюдение по данным: каталоги поставщиков меняются без предупреждения, поэтому каждый подсчёт следует считать снимком на момент чтения. Записи Azure повторяют персоны на разных уровнях качества, а группа американского английского включает записи с несколькими дикторами, названные по французскому и китайскому. В таблице Gemini 132 строки, но 5 языков встречаются дважды из-за разных письменностей, поэтому остаётся 127 названий, и данных о качестве по языкам на странице мы не видели. Суахили есть в таблице Chirp 3: HD, но в более широком списке голосов мы его не нашли, так что подсчёт в 53 кода может быть занижен на один. FAQ Ethnologue о системах письма приводит цифру 28-го издания под ссылкой на 29-е издание, а Simons и др. используют 7 829 кодов ISO вместо 7 170 живых языков, поэтому два знаменателя нельзя считать взаимозаменяемыми. Три источника WAXAL расходятся (27 языков и более 565 часов в блоге, 24 языка и более 235 часов в статье, 17 языков синтеза и более 180 часов в карточке). Статья о SeamlessM4T в результатах говорит о 36 речевых языках, а в методах - о «35 в речевой форме». Руководство OpenAI упоминает и 11, и 13 встроенных голосов и указывает, что его текущие речевые модели будут отключены 6 января 2027 года. Список Apple объединяет три функции под одним заголовком. Наши региональные подсчёты - это совпадения названий языков, а не лингвистические аудиты, а сравнения в 8,5 раза и 15,4% используют итог 7 170 и заявление о более чем 130 языках, поэтому оба приблизительны.
Последнее обновление: 31 октября 2026 года. Мы обновляем этот обзор ежеквартально, и следующее обновление ожидается, когда Ethnologue опубликует своё 30-е издание.