ข้อมูลฝึกสอนการรู้จำเสียงพูดเบื้องหลัง Whisper ของ OpenAI มีภาษาอังกฤษ 438,218 ชั่วโมง แต่มีภาษาลาว ภาษาซุนดา และภาษาพม่าอย่างละเพียง 0.1 ชั่วโมง (OpenAI, บทความวิจัย Whisper 2022) ช่องว่างนี้คือกลุ่มภาษาหางยาวของการรู้จำเสียงพูดในบรรทัดเดียว เมื่อเทียบกับ 7,170 ภาษาที่มีการใช้งานทั่วโลก (Ethnologue, ภาษาในโลกมีกี่ภาษา 2026) เกณฑ์ขั้นต่ำสำหรับความแม่นยำที่ใช้งานได้ดูต่ำกว่าที่ช่องว่างนั้นสื่อ: การศึกษาหนึ่งในปี 2025 ทำอัตราความผิดพลาดของคำได้ต่ำกว่า 13% ด้วยข้อมูลฝึกสอนเพียง 50 ชั่วโมง (Akera และคณะ, การศึกษาการขยายข้อมูลภาษาคินยาร์วันดาและคีคูยู 2025) การระดมข้อมูลจากสาธารณะกำลังอุดช่องว่างบางส่วน โดย Mozilla Common Voice มี 29,295 ชั่วโมงที่ผ่านการตรวจสอบยืนยัน (Mozilla, คลังข้อมูล cv-dataset ของ Common Voice 2026) ช่องว่างด้านความแม่นยำตามสำเนียงภายในภาษาหลักมีกล่าวไว้ในสถิติอคติด้านสำเนียงของการรู้จำเสียงพูดของเรา ส่วนสรุปฉบับนี้พิจารณาทั้งภาษา เรารวบรวมข้อมูลจาก Ethnologue บทความวิจัย Whisper ของ OpenAI บทความวิจัย MMS และ Omnilingual ASR ของ Meta บทความวิจัย USM และ FLEURS ของ Google, Mozilla Common Voice, Project Vaani, IndicVoices, NaijaVoices, African Next Voices และเกณฑ์วัดมาตรฐาน ASR ภาษาแอฟริกาล่าสุด
สรุปโดยย่อ
- ปัจจุบันมีภาษาที่ใช้งานอยู่ 7,170 ภาษา และราว 44% ใกล้สูญหาย โดยมักมีผู้ใช้น้อยกว่า 1,000 คน (Ethnologue, ภาษาในโลกมีกี่ภาษา 2026)
- มีเพียง 195 จาก 546 ภาษาทรัพยากรต่ำ (36%) ที่ได้อัตราความผิดพลาดของอักขระต่ำกว่า 10 ในโมเดล 7B ของ Meta เทียบกับ 236 จาก 249 ภาษาทรัพยากรสูง (Meta FAIR, บทความวิจัย Omnilingual ASR 2025)
- 65% ของเสียงฝึกสอน Whisper เป็นการรู้จำเสียงพูดภาษาอังกฤษ คือ 438,218 ชั่วโมง ขณะที่อีก 96 ภาษาแบ่งกัน 117,113 ชั่วโมง (OpenAI, บทความวิจัย Whisper 2022)
- โมเดลภาษาคินยาร์วันดาทำอัตราความผิดพลาดของคำได้ต่ำกว่า 13% ด้วยข้อมูลฝึกสอนเพียง 50 ชั่วโมง (Akera และคณะ, การศึกษาการขยายข้อมูล 2025)
- โมเดลภาษาสวาฮีลีที่ดีที่สุดลดจาก WER 24.81% เมื่อใช้ข้อมูล 1 ชั่วโมง เหลือ 11.36% เมื่อใช้ 400 ชั่วโมง (Nahabwe และคณะ, การเปรียบเทียบโมเดล ASR สำหรับภาษาแอฟริกา 2025)
- Mozilla Common Voice Scripted Speech มี 42,593 ชั่วโมง โดย 29,295 ชั่วโมงผ่านการตรวจสอบยืนยัน ในรุ่นเผยแพร่ 27.0 (Mozilla, คลังข้อมูล cv-dataset ของ Common Voice 2026)
- Project Vaani บันทึกเสียงพูดภาษาอินเดียได้ 31,278.37 ชั่วโมง แต่ถอดความแล้วเพียงราว 6.8% (IISc และ ARTPARK, แดชบอร์ด Project Vaani 2026)
- African Next Voices บันทึกได้ 9,000+ ชั่วโมงใน 18 ภาษาทั่วเคนยา ไนจีเรีย และแอฟริกาใต้ (มหาวิทยาลัยพรีทอเรีย, ข่าว African Next Voices 2025)
- การปรับจูนละเอียดบนคลังข้อมูล NaijaVoices ขนาด 1,800 ชั่วโมงช่วยให้อัตราความผิดพลาดของคำเฉลี่ยของ Whisper ดีขึ้น 75.86% ในภาษาอีกโบ เฮาซา และโยรูบา (บทความวิจัยชุดข้อมูล NaijaVoices, Interspeech 2025)
- Universal Speech Model ของ Google เอาชนะ Whisper ได้ 66% ใน WER แบบสัมพัทธ์บน 62 ภาษาของ FLEURS ด้วยชุดที่มีป้ายกำกับเล็กกว่าราวเจ็ดเท่า (Google, บทความวิจัย USM 2023)
- IndicVoices มี 7,348 ชั่วโมงจากผู้พูด 16,237 คนใน 22 ภาษาอินเดีย (บทความวิจัยชุดข้อมูล IndicVoices 2024)
1. ภาษาในโลกกี่ภาษาที่มีการรู้จำเสียงพูด
ตัวหารคือแก่นของเรื่องนี้ Ethnologue นับภาษาที่มีการใช้งานอยู่ในปัจจุบันได้ 7,170 ภาษา และมีเพียง 20 ภาษาในนั้น คิดเป็น 0.3% ของทั้งหมด ที่เป็นภาษาแม่ของผู้คนมากกว่า 3.7 พันล้านคน (Ethnologue, ภาษาในโลกมีกี่ภาษา 2026) การรู้จำเสียงพูดเดินตามการกระจุกตัวนั้น: แม้ในปี 2023 Universal Speech Model ของ Google ก็ครอบคลุม 100+ ภาษา
แม้แต่ระบบโอเพนซอร์สที่กว้างที่สุดในวันนี้ ซึ่งครอบคลุม 1,600+ ภาษา ก็เข้าถึงได้เพียงราวหนึ่งในห้าของจำนวนที่ Ethnologue นับไว้ การสูญเสียภาษาคืออีกด้านหนึ่งของช่องว่างนี้ ซึ่งกล่าวไว้ในสถิติภาษาที่ใกล้สูญหายของเรา แอฟริกาเพียงทวีปเดียวมีมากกว่า 2,000 ภาษา และหลายภาษาไม่มีข้อมูลเสียงพูดที่ถอดความแล้ว
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ภาษาที่มีการใช้งานทั่วโลก | 7,170 | Ethnologue, ภาษาในโลกมีกี่ภาษา 2026 |
| สัดส่วนภาษาที่ยังมีชีวิตซึ่งใกล้สูญหาย | ราว 44% โดยมักเหลือผู้ใช้น้อยกว่า 1,000 คน | Ethnologue, ภาษาในโลกมีกี่ภาษา 2026 |
| เจ้าของภาษาของ 20 ภาษาที่ใหญ่ที่สุด | มากกว่า 3.7 พันล้านคน เกือบครึ่งหนึ่งของประชากรโลก จาก 0.3% ของภาษาทั้งหมด | Ethnologue, ภาษาในโลกมีกี่ภาษา 2026 |
| ภาษาที่พูดทั่วแอฟริกา | มากกว่า 2,000 หลายภาษาไม่มีข้อมูลเสียงพูดที่ถอดความแล้ว | Nahabwe และคณะ, การเปรียบเทียบโมเดล ASR สำหรับภาษาแอฟริกา 2025 |
| ภาษาที่ Universal Speech Model ของ Google ครอบคลุมสำหรับการรู้จำเสียงพูด | 100+ | Google, บทความวิจัย USM 2023 |
| ภาษาในตารางที่ 8 ของรัฐธรรมนูญอินเดียที่ IndicASR ครอบคลุม ซึ่งผู้เขียนเรียกว่าโมเดลแรกที่รองรับทั้งหมด | 22 | บทความวิจัยชุดข้อมูล IndicVoices 2024 |
| ภาษาที่ระบบ ASR โอเพนซอร์สที่กว้างที่สุดครอบคลุม | 1,600+ (มากกว่า 500 ภาษาที่ไม่เคยมีระบบ ASR ใดรองรับมาก่อน) ราว 22% ของ 7,170 ภาษาที่ใช้งานอยู่ (1,600 / 7,170) | Meta FAIR, บทความวิจัย Omnilingual ASR 2025; Ethnologue 2026 |
บริบท: ระบบ 1,600+ ภาษานั้นจงใจตัดราว 150 ภาษา (ภาษามือ ภาษาประดิษฐ์ และภาษาที่ไม่มีระบบการเขียนที่แน่นอน) ออกไป ดังนั้นส่วนหนึ่งของจำนวนที่ยังไม่ครอบคลุมจึงอยู่นอกขอบเขตของการรู้จำเสียงพูดที่ให้ผลลัพธ์เป็นข้อความ ข้อมูลล่าสุดที่มีสำหรับ USM: 2023
2. ชั่วโมงการฝึกสอน: ภาษาอังกฤษเทียบกับกลุ่มภาษาหางยาว
ข้อมูลฝึกสอนการรู้จำเสียงพูดไม่ใช่การกระจายตัว แต่เป็นหน้าผา ข้อมูลการรู้จำเสียงพูดภาษาอังกฤษของ Whisper (438,218 ชั่วโมง) ใหญ่กว่าข้อมูลภาษาสวาฮีลี (5.4 ชั่วโมง) ราว 81,000 เท่า (438,218 / 5.4 = 81,151) และภาษาลาว ภาษาซุนดา และภาษาพม่าได้อย่างละ 0.1 ชั่วโมง แม้เทียบกับภาษาจีน ซึ่งเป็นภาษาที่ไม่ใช่อังกฤษที่มีข้อมูลมากที่สุดที่ 23,446 ชั่วโมง ภาษาอังกฤษก็ยังมีเสียงมากกว่าราว 19 เท่า (438,218 / 23,446 = 18.7)
ระบบที่ใหม่กว่าแบ่งภาษาออกเป็นกลุ่มตามทรัพยากร และเส้นแบ่งนั้นน่าสนใจ: ภาษาจะนับเป็นทรัพยากรสูง (มีข้อมูลฝึกสอนเพียงพอ) เมื่อมีมากกว่า 50 ชั่วโมงเท่านั้น ชุดข้อมูลที่สร้างขึ้นเพื่อวัตถุประสงค์เฉพาะสามารถพาภาษาข้ามเส้นนั้นได้: IndicVoices รายงานค่ามัธยฐาน 73 ชั่วโมงที่ถอดความแล้วต่อภาษา ตลอด 22 ภาษาของชุดข้อมูล (บทความวิจัยชุดข้อมูล IndicVoices 2024)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| เสียงฝึกสอนของ Whisper: การรู้จำเสียงพูดภาษาอังกฤษเทียบกับอีก 96 ภาษา | 438,218 ชั่วโมง (65%) เทียบกับ 117,113 ชั่วโมง (17%) | OpenAI, บทความวิจัย Whisper 2022 |
| ชั่วโมงการรู้จำเสียงพูดของ Whisper ต่อภาษา มากที่สุดเทียบกับน้อยที่สุด | ภาษาจีน 23,446; ภาษาเยอรมัน 13,344; ภาษาสเปน 11,100 เทียบกับภาษาสวาฮีลี 5.4; ภาษาลาว ภาษาซุนดา และภาษาพม่าอย่างละ 0.1 | OpenAI, บทความวิจัย Whisper 2022 |
| ภาษาในเกณฑ์วัด FLEURS ที่ไม่มีข้อมูลฝึกสอน Whisper เลย | 20 จาก 102 | OpenAI, บทความวิจัย Whisper 2022 |
| ภาษาของ Omnilingual ASR ตามข้อมูลฝึกสอนที่มีป้ายกำกับ: มากกว่า 50 ชั่วโมง / 10 ถึง 50 ชั่วโมง / น้อยกว่า 10 ชั่วโมง | 249 / 881 / 546 ภาษา | Meta FAIR, บทความวิจัย Omnilingual ASR 2025 |
| ข้อมูลประเมินผล FLEURS ต่อภาษา | เสียงพูดราว 12 ชั่วโมงในแต่ละภาษาจาก 102 ภาษา | Google, บทความวิจัย FLEURS 2022 |
| เสียงที่ถอดความแล้วของ IndicVoices | 1,639 ชั่วโมง ค่ามัธยฐาน 73 ชั่วโมงต่อภาษา | บทความวิจัยชุดข้อมูล IndicVoices 2024 |
ข้อมูลล่าสุดที่มีสำหรับ Whisper: 2022 ชั่วโมงข้างต้นเป็นข้อมูลการรู้จำเสียงพูดเท่านั้น แยกจากเสียงสำหรับการแปลของ Whisper เราไม่พบการแจกแจงรายภาษาที่เทียบเท่ากันสำหรับ Whisper รุ่นหลัง
3. อัตราความผิดพลาด: ภาษาทรัพยากรต่ำเทียบกับภาษาทรัพยากรสูง
อัตราความผิดพลาดของคำ (WER) คือสัดส่วนของคำที่ระบบทำผิด โดยนับการแทนที่ การตกหล่น และการแทรก เนื่องจากคำที่แทรกเข้าไปก็ถูกนับด้วย ค่านี้จึงเกิน 100% ได้เมื่อโมเดลสร้างคำผิดมากกว่าจำนวนคำในข้อความอ้างอิง Whisper large-v2 ได้ WER 4.2% ในภาษาอังกฤษ แต่ 121.0% ในภาษาโชนาบนเกณฑ์วัด FLEURS ซึ่งหมายความว่าสำหรับภาษาโชนา ข้อผิดพลาดมีมากกว่าจำนวนคำที่พูดจริง (OpenAI, บทความวิจัย Whisper 2022) วิธีหนึ่งที่รู้กันว่าทำให้โมเดลไปถึงจุดนั้นได้คือการเขียนข้อความที่ลื่นไหลซึ่งไม่มีใครพูด ซึ่งเป็นรูปแบบความล้มเหลวที่ติดตามไว้ในสถิติอาการหลอนของการรู้จำเสียงพูดของเรา
โมเดลที่ใหม่กว่ายังคงเหลือช่องว่างไว้ ในตารางด้านล่าง อัตราความผิดพลาดของอักขระ (CER แนวคิดเดียวกันแต่นับต่อตัวอักษรแทนที่จะนับต่อคำ) ต่ำกว่า 10 ในราว 95% ของภาษาที่มีข้อมูล 10 ชั่วโมงขึ้นไป (1,077 จาก 1,130) แต่ทำได้เพียงเกินหนึ่งในสามของกลุ่มที่มีน้อยกว่า 10 ชั่วโมงเล็กน้อย ภายในโมเดลเดียวกัน ปริมาณข้อมูลเพียงอย่างเดียวก็แยกผลลัพธ์เหล่านี้ออกจากกัน
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| อัตราความผิดพลาดของคำของ Whisper large-v2 บน FLEURS: ภาษาอังกฤษ / ภาษาสเปน / ภาษาสวาฮีลี | 4.2% / 3.0% / 39.3% | OpenAI, บทความวิจัย Whisper 2022 |
| อัตราความผิดพลาดของคำของ Whisper large-v2 บน FLEURS: ภาษาโยรูบา / ภาษาโซมาลี / ภาษาโชนา / ภาษาสินธี | 94.8% / 102.9% / 121.0% / 156.5% | OpenAI, บทความวิจัย Whisper 2022 |
| ภาษาของ Omnilingual 7B LLM-ASR ที่มีอัตราความผิดพลาดของอักขระต่ำกว่า 10 แยกตามระดับทรัพยากร: สูง / กลาง / ต่ำ | 236 จาก 249 / 841 จาก 881 / 195 จาก 546 (บทความปัดสัดส่วนภาษาทรัพยากรต่ำเป็น 36%) | Meta FAIR, บทความวิจัย Omnilingual ASR 2025 |
| อัตราความผิดพลาดของอักขระเฉลี่ยของ Omnilingual 7B LLM-ASR: ภาษาทรัพยากรสูงเทียบกับภาษาทรัพยากรต่ำ | 3.13 เทียบกับ 18.0 | Meta FAIR, บทความวิจัย Omnilingual ASR 2025 |
หมายเหตุเรื่องค่าผิดปกติ: แถวของ Whisper มาจากตาราง large-v2 ในบทความวิจัยปี 2022 ซึ่งเป็นตารางรายภาษาล่าสุดที่มีของประเภทนี้ WER และ CER เป็นการวัดคนละแบบ จึงเปรียบเทียบแถวของ Whisper กับ Omnilingual โดยตรงไม่ได้
4. ต้องใช้ข้อมูลเท่าใดจึงปิดช่องว่างได้
ข้อค้นพบที่น่าชื่นใจของปี 2025 คือเกณฑ์ขั้นต่ำสำหรับการรู้จำเสียงพูดที่ใช้งานได้วัดเป็นหลักสิบชั่วโมง ไม่ใช่หลักพัน โมเดลภาษาคินยาร์วันดาไปถึงความแม่นยำระดับใช้งานจริง คืออัตราความผิดพลาดของคำต่ำกว่า 13% ด้วยข้อมูลฝึกสอนเพียง 50 ชั่วโมง และลดลงต่ำกว่า 10% เมื่อถึง 200 ชั่วโมง (Akera และคณะ, การศึกษาการขยายข้อมูล 2025) หากสิ่งนี้เป็นจริงกับภาษาอื่นด้วย แคมเปญบันทึกเสียงที่มีงบสนับสนุนเพียงครั้งเดียวก็เพียงพอสำหรับโมเดลแรกที่ใช้งานได้
คุณภาพข้อมูลก็สำคัญเช่นกัน การศึกษาเดียวกันนี้สืบหาว่า 38.6% ของกรณีที่มีข้อผิดพลาดสูงมาจากข้อความถอดความอ้างอิงที่คลาดเคลื่อน หมายความว่าส่วนหนึ่งของ “ข้อผิดพลาด” คือตัวข้อความอ้างอิงที่ผิดเอง และผลลัพธ์ภาษาสวาฮีลีในเกณฑ์วัดมาตรฐาน 13 ภาษาอีกชุดหนึ่งแสดงให้เห็นว่าปริมาณข้อมูลเพียงอย่างเดียวให้อะไรได้บ้าง: การเพิ่มจาก 1 เป็น 400 ชั่วโมงลดอัตราความผิดพลาดที่ดีที่สุดลงมากกว่าครึ่ง แต่ 11.36% ก็ยังสูงกว่าคะแนนภาษาอังกฤษของ Whisper จากหัวข้อที่ 3 อยู่มาก
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ข้อมูลฝึกสอนภาษาคินยาร์วันดาที่ต้องใช้เพื่อให้อัตราความผิดพลาดของคำต่ำกว่า 13% | เพียง 50 ชั่วโมง | Akera และคณะ, การศึกษาการขยายข้อมูลภาษาคินยาร์วันดาและคีคูยู 2025 |
| อัตราความผิดพลาดของคำภาษาคินยาร์วันดาที่ข้อมูลฝึกสอน 200 ชั่วโมง | ต่ำกว่า 10% | Akera และคณะ, การศึกษาการขยายข้อมูลภาษาคินยาร์วันดาและคีคูยู 2025 |
| กรณีที่มีข้อผิดพลาดสูงซึ่งเกิดจากข้อความถอดความอ้างอิงที่คลาดเคลื่อน | 38.6% | Akera และคณะ, การศึกษาการขยายข้อมูลภาษาคินยาร์วันดาและคีคูยู 2025 |
| ภาษาแอฟริกาที่ถูกนำมาวัด โดยมีชุดย่อยสำหรับการปรับจูนละเอียด 1, 5, 10, 20, 50, 100 และ 200 ชั่วโมง | 13 ภาษา (เฉพาะภาษาสวาฮีลีที่มีชุดย่อย 400 ชั่วโมงด้วย) | Nahabwe และคณะ, การเปรียบเทียบโมเดล ASR สำหรับภาษาแอฟริกา 2025 |
| อัตราความผิดพลาดของคำภาษาสวาฮีลีที่ดีที่สุดเมื่อใช้ข้อมูลปรับจูนละเอียด 400 ชั่วโมง (XLS-R เทียบกับ Whisper) | 11.36% เทียบกับ 16.88% | Nahabwe และคณะ, การเปรียบเทียบโมเดล ASR สำหรับภาษาแอฟริกา 2025 |
บริบท: 13 ภาษาในเกณฑ์วัดมาตรฐานของ Nahabwe และคณะ ได้แก่ ภาษาแอฟริคานส์ อาคาน บัมบารา เบมบา เอเว คินยาร์วันดา ลิงกาลา ลูกันดา โชนา สวาฮีลี โวลอฟ โคซา และซูลู
5. ชุดข้อมูลเสียงพูดจากการระดมข้อมูลและชุมชน
ชุดข้อมูลเปิดที่ชุมชนช่วยกันสร้างคือที่ที่ข้อมูลเสียงพูดของกลุ่มภาษาหางยาวถูกเปิดเป็นสาธารณะ ชุดข้อมูล Scripted Speech ของ Mozilla Common Voice เติบโตราว 31 เท่า จาก 1,368 ชั่วโมงในรุ่นแรกเป็น 42,593 ชั่วโมงในรุ่นเผยแพร่ 27.0 (42,593 / 1,368 = 31.1) และคลังข้อมูลระบุ 295 ภาษา (Mozilla, คลังข้อมูล cv-dataset ของ Common Voice 2026) คอขวดย้ายจากการบันทึกไปสู่การตรวจสอบ: ราว 31% ของชั่วโมงเหล่านั้นยังไม่ผ่านการตรวจสอบยืนยัน (29,295 / 42,593 = ผ่านการตรวจสอบยืนยัน 68.8%)
โครงการระดับภูมิภาคแสดงรูปแบบเดียวกันในระดับที่ใหญ่กว่า Project Vaani รวบรวมเสียงพูดภาษาอินเดียได้กว่า 31,000 ชั่วโมง แต่ถอดความแล้วเพียงราว 6.8% (2,122.21 / 31,278.37) และเข้าถึง 165 จาก 773 เขตของอินเดีย (21.3%) ในแอฟริกา สองโครงการที่รายงานในปี 2025 มีรวมกันมากกว่า 10,800 ชั่วโมง (9,000+ บวก 1,800) เทียบกับภาษาสวาฮีลี 5.4 ชั่วโมงในข้อมูลการรู้จำเสียงพูดของ Whisper
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ชั่วโมงรวมของ Common Voice Scripted Speech: รุ่นเผยแพร่ 1 เทียบกับรุ่นเผยแพร่ 27.0 (ตัดข้อมูลเดือนกันยายน 2026) | 1,368 เทียบกับ 42,593 ชั่วโมง | Mozilla, คลังข้อมูล cv-dataset ของ Common Voice 2026 |
| ชั่วโมงที่ผ่านการตรวจสอบยืนยันของ Common Voice Scripted Speech รุ่นเผยแพร่ 27.0 | 29,295 (68.8% ของทั้งหมด) | Mozilla, คลังข้อมูล cv-dataset ของ Common Voice 2026 |
| ภาษาที่ระบุไว้สำหรับ Common Voice Scripted Speech: รุ่นเผยแพร่ 19.0 (2024) เทียบกับรุ่นเผยแพร่ 27.0 (2026) | 131 เทียบกับ 295 | Mozilla, Common Voice รุ่น 19.0 ปี 2024; คลังข้อมูล cv-dataset 2026 |
| Common Voice Spontaneous Speech รุ่นเผยแพร่ 5.0 | 541 ชั่วโมง (ผ่านการตรวจสอบยืนยัน 302), 80 ภาษา | Mozilla, คลังข้อมูล cv-dataset ของ Common Voice 2026 |
| เสียงพูดที่ Project Vaani รวบรวมในอินเดีย | 31,278.37 ชั่วโมงจากผู้พูด 156,208 คนใน 105 ภาษา, 165 จาก 773 เขต | IISc และ ARTPARK, แดชบอร์ด Project Vaani 2026 |
| เสียงพูดที่ถอดความแล้วของ Project Vaani | 2,122.21 ชั่วโมง (ราว 6.8% ของเสียงที่รวบรวมได้) | IISc และ ARTPARK, แดชบอร์ด Project Vaani 2026 |
| เสียงพูดที่ African Next Voices บันทึกไว้ | 9,000+ ชั่วโมงใน 18 ภาษา ใน 3 ประเทศ | มหาวิทยาลัยพรีทอเรีย, ข่าว African Next Voices 2025 |
| ข้อมูลเสียงพูดคู่ข้อความของ NaijaVoices | 1,800 ชั่วโมงจากผู้พูด 5,000+ คน ในภาษาอีกโบ เฮาซา และโยรูบา | บทความวิจัยชุดข้อมูล NaijaVoices, Interspeech 2025 |
บริบท: เป้าหมายที่ Project Vaani ประกาศไว้คือเสียงพูดมากกว่า 150,000 ชั่วโมงจากทั้ง 773 เขต ดังนั้นแดชบอร์ดปัจจุบันจึงเท่ากับราวหนึ่งในห้าของเสียงที่วางแผนไว้ (31,278.37 / 150,000 = 20.9%)
6. แนวทาง: การฝึกสอนล่วงหน้าแบบเรียนรู้ด้วยตนเอง การอ่านตำราศาสนา และการขยายด้วยตัวอย่างจำนวนน้อย
กลุ่มภาษาหางยาวกำลังถูกเข้าถึงด้วยสามยุทธวิธี การฝึกสอนล่วงหน้าแบบเรียนรู้ด้วยตนเอง (โมเดลเรียนรู้จากเสียงที่ยังไม่ได้ถอดความก่อน แล้วจึงต้องการเพียงชุดที่มีป้ายกำกับขนาดเล็ก) เป็นชั้นพื้นฐาน Universal Speech Model ของ Google เอาชนะ Whisper ได้ 66% ในอัตราความผิดพลาดของคำแบบสัมพัทธ์บน 62 ภาษาของ FLEURS โดยใช้ชุดที่มีป้ายกำกับเล็กกว่าราวเจ็ดเท่า (Google, บทความวิจัย USM 2023) การอ่านข้อความทางศาสนาที่เผยแพร่ต่อสาธารณะทำให้โครงการ MMS ได้เฉลี่ย 32 ชั่วโมงต่อภาษา ซึ่งค่าเฉลี่ยนี้อยู่ในช่วง 10 ถึง 50 ชั่วโมงจากหัวข้อที่ 2
ยุทธวิธีใหม่ล่าสุดคือการขยายด้วยตัวอย่างจำนวนน้อย: ให้โมเดลดูตัวอย่างเสียงและข้อความที่จับคู่กันเพียงไม่กี่ชุดขณะทำงาน แล้วปล่อยให้ปรับตัวโดยไม่ต้องฝึกซ้ำ ภาพรวมที่กว้างขึ้นของโมเดลที่ใช้ร่วมกันซึ่งจัดการหลายภาษาพร้อมกันมีกล่าวไว้ในสถิติโมเดลพื้นฐานเสียงพูดหลายภาษาของเรา ประสิทธิภาพของข้อมูลยังต่างกันไปตามการออกแบบ: เมื่อใช้ภาษาสวาฮีลี 1 ชั่วโมง MMS ซึ่งสร้างบนการฝึกสอนล่วงหน้าแบบเรียนรู้ด้วยตนเอง เอาชนะ Whisper ได้ 26.52 จุด WER (51.33 - 24.81)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ข้อมูลที่มีป้ายกำกับของ MMS ซึ่งสร้างจากการอ่านข้อความทางศาสนา | 44.7K ชั่วโมงใน 1,107 ภาษา เฉลี่ยราว 32 ชั่วโมงต่อภาษา | Meta AI, บทความวิจัยและบล็อก MMS 2023 |
| อัตราความผิดพลาดของอักขระในภาษาที่ไม่เคยเห็นตอนฝึกสอน: โมเดลฐาน CTC เทียบกับโมเดลซีโรช็อต (ไม่ฝึกซ้ำ) ที่ได้รับตัวอย่างบริบท 10 ตัวอย่าง | 26.33% เทียบกับ 14.4% | Meta FAIR, บทความวิจัย Omnilingual ASR 2025 |
| ข้อมูลฝึกสอนแบบมีผู้กำกับของ USM เทียบกับของ Whisper โดยไม่รวมภาษาอังกฤษ | 90k ชั่วโมง เทียบกับ 117k ชั่วโมง โดย Whisper ถูกเอาชนะ 66% ใน WER แบบสัมพัทธ์บน 62 ภาษาของ FLEURS | Google, บทความวิจัย USM 2023 |
| อัตราความผิดพลาดของคำภาษาสวาฮีลีหลังการปรับจูนละเอียด 1 ชั่วโมง: MMS / W2v-BERT / Whisper / XLS-R | 24.81% / 32.36% / 51.33% / 58.23% | Nahabwe และคณะ, การเปรียบเทียบโมเดล ASR สำหรับภาษาแอฟริกา 2025 |
| การปรับปรุงอัตราความผิดพลาดของคำโดยเฉลี่ยหลังปรับจูนละเอียดบน NaijaVoices: Whisper / MMS / XLSR | 75.86% / 52.06% / 42.33% | บทความวิจัยชุดข้อมูล NaijaVoices, Interspeech 2025 |
หมายเหตุเรื่องค่าผิดปกติ: บทความวิจัย USM อธิบายว่าชุด YouTube ที่มีป้ายกำกับของตนครอบคลุม 73 ภาษาในบทนำ และ 75 ภาษาในหัวข้อ 3.1 ข้อมูลล่าสุดที่มีสำหรับ MMS และ USM: 2023
สรุป: ความครอบคลุมการรู้จำเสียงพูดภาษาทรัพยากรต่ำในรูปแบบตัวเลข
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ภาษาที่มีการใช้งานทั่วโลก | 7,170 | Ethnologue, ภาษาในโลกมีกี่ภาษา 2026 |
| ภาษาที่ระบบ ASR โอเพนซอร์สที่กว้างที่สุดครอบคลุม | 1,600+ โดยมากกว่า 500 ภาษาไม่เคยมีระบบใดรองรับมาก่อน | Meta FAIR, บทความวิจัย Omnilingual ASR 2025 |
| ภาษาทรัพยากรต่ำ (น้อยกว่า 10 ชั่วโมง) ที่มีอัตราความผิดพลาดของอักขระต่ำกว่า 10 | 195 จาก 546 (36%) | Meta FAIR, บทความวิจัย Omnilingual ASR 2025 |
| สัดส่วนเสียงฝึกสอนของ Whisper ที่เป็นการรู้จำเสียงพูดภาษาอังกฤษ | 65% (438,218 ชั่วโมง) | OpenAI, บทความวิจัย Whisper 2022 |
| ภาษาที่พูดทั่วแอฟริกา | มากกว่า 2,000 | Nahabwe และคณะ, การเปรียบเทียบโมเดล ASR สำหรับภาษาแอฟริกา 2025 |
| ข้อมูลภาษาคินยาร์วันดาที่ต้องใช้เพื่อให้อัตราความผิดพลาดของคำต่ำกว่า 13% | เพียง 50 ชั่วโมง | Akera และคณะ, การศึกษาการขยายข้อมูล 2025 |
| อัตราความผิดพลาดของคำภาษาคินยาร์วันดาที่ 200 ชั่วโมง | ต่ำกว่า 10% | Akera และคณะ, การศึกษาการขยายข้อมูล 2025 |
| อัตราความผิดพลาดของคำภาษาสวาฮีลีที่ดีที่สุด: ข้อมูลปรับจูนละเอียด 1 ชั่วโมงเทียบกับ 400 ชั่วโมง | 24.81% เทียบกับ 11.36% | Nahabwe และคณะ, การเปรียบเทียบโมเดล ASR สำหรับภาษาแอฟริกา 2025 |
| ชั่วโมงของ Common Voice Scripted Speech รุ่นเผยแพร่ 27.0 | รวม 42,593 ผ่านการตรวจสอบยืนยัน 29,295 | Mozilla, คลังข้อมูล cv-dataset ของ Common Voice 2026 |
| ภาษาที่ระบุไว้ของ Common Voice Scripted Speech | 295 | Mozilla, คลังข้อมูล cv-dataset ของ Common Voice 2026 |
| เสียงของ Project Vaani ที่รวบรวมเทียบกับที่ถอดความแล้ว | 31,278.37 เทียบกับ 2,122.21 ชั่วโมง | IISc และ ARTPARK, แดชบอร์ด Project Vaani 2026 |
| เสียงของ IndicVoices | 7,348 ชั่วโมง ผู้พูด 16,237 คน 22 ภาษา | บทความวิจัยชุดข้อมูล IndicVoices 2024 |
| เสียงพูดที่ African Next Voices บันทึกไว้ | 9,000+ ชั่วโมง 18 ภาษา | มหาวิทยาลัยพรีทอเรีย, ข่าว African Next Voices 2025 |
| ข้อมูลเสียงพูดคู่ข้อความของ NaijaVoices | 1,800 ชั่วโมง 3 ภาษา | บทความวิจัยชุดข้อมูล NaijaVoices, Interspeech 2025 |
| USM เทียบกับ Whisper บน 62 ภาษาของ FLEURS | WER แบบสัมพัทธ์ต่ำกว่า 66% | Google, บทความวิจัย USM 2023 |
ระเบียบวิธีและแหล่งที่มา
- Ethnologue, ในโลกนี้มีกี่ภาษา (อ่านหน้าเว็บเมื่อเดือนตุลาคม 2026): ภาษาที่ยังมีชีวิต สัดส่วนที่ใกล้สูญหาย การกระจุกตัวของ 20 ภาษาแรก
- OpenAI, การรู้จำเสียงพูดที่ทนทานผ่านการกำกับดูแลแบบอ่อนในระดับขนาดใหญ่ (บทความวิจัย Whisper), 2022: ชั่วโมงฝึกสอนต่อภาษา (รูปที่ 11) และอัตราความผิดพลาดของคำบน FLEURS (ตารางที่ 13)
- Meta, การขยายเทคโนโลยีเสียงพูดสู่กว่า 1,000 ภาษา (บทความวิจัย MMS), 2023 พร้อมประกาศเปิดตัว MMS และ Omnilingual ASR: การรู้จำเสียงพูดหลายภาษาแบบโอเพนซอร์สสำหรับกว่า 1600 ภาษา, 10 พฤศจิกายน 2025
- Google, บทความวิจัย Universal Speech Model, 2023 และบทความวิจัยเกณฑ์วัด FLEURS, 2022
- Mozilla, คลังข้อมูล cv-dataset ของ Common Voice (รุ่นเผยแพร่ 27.0 ตัดข้อมูลเดือนกันยายน 2026) โพสต์เปิดตัว Common Voice 19.0 (ประกาศเมื่อ 18 กันยายน 2024) และบันทึกการเผยแพร่ Scripted Speech 26.0 (19 มิถุนายน 2026)
- IISc และ ARTPARK, แดชบอร์ดสดของ Project Vaani (อ่านเมื่อเดือนตุลาคม 2026)
- บทความวิจัยชุดข้อมูล IndicVoices, 4 มีนาคม 2024
- Akera และคณะ, ต้องใช้ข้อมูลเสียงพูดมากเพียงใดสำหรับ ASR ในภาษาแอฟริกา?, 8 ตุลาคม 2025
- Nahabwe และคณะ, การเปรียบเทียบโมเดลการรู้จำเสียงพูดอัตโนมัติสำหรับภาษาแอฟริกา, 30 พฤศจิกายน 2025
- ชุดข้อมูล NaijaVoices ได้รับการตอบรับในงาน Interspeech 2025
- มหาวิทยาลัยพรีทอเรีย, African Next Voices ได้รับการนำเสนอใน Nature, 1 สิงหาคม 2025
- ข้อสังเกตเกี่ยวกับข้อมูล: จำนวนภาษาแตกต่างกันตามแหล่งที่มาและวิธีการนับ (ตัวเลข 7,170 ของ Ethnologue นับภาษาที่ใช้งานอยู่ ขณะที่บทความวิจัย ASR นับรหัส ISO 639-3 และไม่รวมภาษามือกับภาษาที่ไม่มีตัวเขียน) ดังนั้นสัดส่วนความครอบคลุมจึงเป็นค่าประมาณ จำนวนภาษาของ Common Voice พุ่งจาก 131 (รุ่นเผยแพร่ 19.0) เป็น 295 (รุ่นเผยแพร่ 27.0) คลังข้อมูลไม่ได้ระบุว่าตัวเลขใหม่นับเฉพาะภาษาที่เผยแพร่เสียงแล้วหรือไม่ จึงควรมองว่าเป็นภาษาที่ระบุไว้ สัดส่วนที่ผ่านการตรวจสอบยืนยัน 68.8% คำนวณจากข้อมูลแผนภูมิของคลังข้อมูล ขณะที่บันทึกการเผยแพร่ 26.0 ระบุว่าเสียง Scripted Speech ราว 25% ยังรอการตรวจสอบยืนยัน การวัดสองแบบนี้จึงไม่เหมือนกันทั้งหมด เมื่อมีการประกาศรุ่น 19.0 ความเห็นในฟอรัมหนึ่งระบุว่าดาวน์โหลดได้เพียง 129 จาก 131 ภาษา ดังนั้นจำนวนภาษาที่ระบุไว้กับที่เผยแพร่จริงอาจต่างกัน ตัวเลขของ African Next Voices มาจากหน้าข่าวของมหาวิทยาลัยที่สรุปการรายงานของ Nature และเรายังไม่ได้อ่านบทความวิจัยชุดข้อมูล ตัวเลขของ Whisper (2022), FLEURS (2022), MMS (2023) และ USM (2023) ล้วนเก่ากว่าสามปี และถูกระบุว่าเป็นข้อมูลล่าสุดที่มี ตัวบทของบทความวิจัย Omnilingual (549) กับตารางที่ 8 (546) ขัดกันในจำนวนภาษาทรัพยากรต่ำ เราใช้ค่าจากตาราง
อัปเดตล่าสุด: 31 ตุลาคม 2026 เราจะทบทวนและอัปเดตสรุปนี้ทุกไตรมาส และคาดว่าการอัปเดตครั้งถัดไปจะเกิดขึ้นเมื่อ Mozilla เผยแพร่ Common Voice Scripted Speech รุ่นเผยแพร่ 28.0