Omnilingual ASR ของ Meta ถอดเสียงได้มากกว่า 1,600 ภาษา รวมถึงกว่า 500 ภาษาที่ไม่เคยมีระบบรู้จำเสียงพูดใดรองรับมาก่อน (Meta FAIR, Omnilingual ASR 2025) แต่ตัวเลขนี้ยังน้อยกว่าหนึ่งในสี่ของ 7,170 ภาษาที่ยังมีผู้ใช้ในฉบับปี 2026 ของ Ethnologue เมื่อสองปีก่อน จุดอ้างอิงคือ Whisper ซึ่งฝึกด้วยข้อมูล 680,000 ชั่วโมง โดยมีเพียง 117,000 ชั่วโมงที่กระจายอยู่ใน 96 ภาษาที่ไม่ใช่ภาษาอังกฤษ (OpenAI, เอกสารวิจัย Whisper 2022) คลังข้อมูลแบบเปิดที่ระดมจากมวลชนใหญ่ที่สุดอย่าง Mozilla Common Voice ปัจจุบันครอบคลุม 289 ภาษาและ 38,932 ชั่วโมง (Common Voice 24.0, 2025) และผลิตภัณฑ์ที่เติบโตเร็วที่สุด ตั้งแต่การแปลสดไปจนถึงการพิมพ์ตามเสียงบอก ล้วนตั้งอยู่บนโมเดลพื้นฐานเหล่านี้ ดังที่สรุปสถิติการแปลงเสียงพูดเป็นข้อความของเราติดตามไว้ด้วย เรารวบรวมข้อมูลจาก Meta FAIR, OpenAI, Google Research, Ethnologue, UNESCO, Mozilla, NVIDIA, Hugging Face, PNAS, MarketsandMarkets และแหล่งข้อมูลปฐมภูมิอื่น ๆ ที่ระบุไว้ในส่วนระเบียบวิธี
สรุปโดยย่อ
- Omnilingual ASR ครอบคลุมกว่า 1,600 ภาษา โดยกว่า 500 ภาษาไม่เคยมี ASR รองรับมาก่อน (Meta FAIR, Omnilingual ASR 2025)
- การเรียนรู้จากบริบทแบบไม่ต้องมีตัวอย่างฝึกอาจขยาย Omnilingual ASR ไปได้มากกว่า 5,400 ภาษา (Meta, พฤศจิกายน 2025)
- มีภาษาที่ยังมีผู้ใช้ 7,170 ภาษา เพิ่มขึ้นสุทธิ 11 ภาษาในหนึ่งปี (Ethnologue, ฉบับที่ 29 ปี 2026)
- 40% ของประชากรโลกไม่ได้เข้าถึงการศึกษาในภาษาที่ตนเข้าใจ (รายงาน GEM ของ UNESCO 2025)
- MMS ของ Meta ระบุภาษาพูดได้ 4,017 ภาษาและถอดเสียงได้ 1,107 ภาษา (Meta, เอกสารวิจัย MMS 2023)
- USM ของ Google ฝึกด้วยเสียงพูด 12 ล้านชั่วโมงในกว่า 300 ภาษา (Google Research 2023)
- Whisper large-v3 ฝึกด้วยข้อมูลราว 5 ล้านชั่วโมง โดย 4 ล้านชั่วโมงเป็นข้อมูลที่ติดป้ายกำกับเทียม (OpenAI, พฤศจิกายน 2023)
- อัตราความผิดพลาดของคำของ Whisper ลดลงครึ่งหนึ่งทุกครั้งที่ข้อมูลฝึกสอนต่อภาษาเพิ่มขึ้น 16 เท่า (OpenAI, เอกสารวิจัย Whisper 2022)
- Common Voice 24.0: 38,932 ชั่วโมงใน 289 ภาษา (Mozilla, ธันวาคม 2025)
- อัตราความผิดพลาดของตัวอักษรต่ำกว่า 10 ใน 78% ของภาษาที่ Omnilingual ASR รองรับ (Meta, พฤศจิกายน 2025)
- Gemini 3.5 Live Translate รองรับกว่า 70 ภาษาและกว่า 2,000 คู่ภาษาในการประชุม Meet ครั้งเดียว (Google, มิถุนายน 2026)
- ผู้พูดผิวดำมี WER เฉลี่ย 0.35 เทียบกับ 0.19 สำหรับผู้พูดผิวขาวในระบบเชิงพาณิชย์ห้าระบบ (PNAS, 2020)
1. ช่องว่างด้านภาษา: 7,170 ภาษา มีเพียงไม่กี่ร้อยที่ได้รับการรองรับ
ตัวหารสำคัญ Ethnologue ฉบับที่ 29 นับภาษาที่ยังมีผู้ใช้ได้ 7,170 ภาษา เพิ่มขึ้นสุทธิ 11 ภาษาจากปีก่อน หลังการอัปเดตฐานข้อมูลมากกว่า 8,000 ครั้ง และมีแปดภาษาที่ถูกจัดประเภทใหม่จากสูญหายเป็นยังมีผู้ใช้ (Ethnologue, ยินดีต้อนรับสู่ฉบับที่ 29, กุมภาพันธ์ 2026) ทีม MMS ระบุว่าก่อนปี 2023 ระบบเสียงพูดกระแสหลักรองรับเพียงราว 100 ภาษา แม้หลังจากก้าวกระโดดไปที่กว่า 1,600 ภาษา ภาษาที่ยังมีผู้ใช้ราวสามในสี่ก็ยังไม่มีระบบรู้จำเสียงพูดพร้อมใช้งาน
ช่องว่างนี้ไม่ใช่เรื่องเชิงวิชาการ ทีมติดตามการศึกษาโลกของ UNESCO รายงานว่า 40% ของประชากรโลกไม่ได้เข้าถึงการศึกษาในภาษาที่ตนเข้าใจ และสัดส่วนนี้สูงถึง 90% ในบางประเทศที่มีรายได้ต่ำและปานกลาง (รายงาน GEM ของ UNESCO, ภาษาสำคัญ) เทคโนโลยีเสียงพูดที่ข้ามภาษาเหล่านั้นก็ข้ามผู้คนที่ต้องการอินเทอร์เฟซเสียงมากที่สุดไปด้วย ซึ่งเป็นประเด็นที่สถิติภาษาใกล้สูญหายของเราพูดถึงจากมุมของการอนุรักษ์
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ภาษาที่ยังมีผู้ใช้ ปี 2026 | 7,170 (เพิ่มสุทธิ 11 ในหนึ่งปี) | Ethnologue ฉบับที่ 29 ปี 2026 |
| ภาษาที่ยังมีผู้ใช้ ปี 2025 | 7,159 | Ethnologue ฉบับที่ 28 ปี 2025 |
| ภาษาใกล้สูญหาย | 3,193 (45% ของภาษาที่ยังมีผู้ใช้) | Ethnologue ฉบับที่ 28 ปี 2025 |
| ภาษาที่ ‘กำลังจะตาย’ | 1,030 (14%) | Ethnologue ฉบับที่ 28 ปี 2025 |
| ประชากรที่ไม่ได้รับการศึกษาในภาษาที่ตนเข้าใจ | 40% (สูงสุด 90% ในบางประเทศรายได้ต่ำและปานกลาง) | รายงาน GEM ของ UNESCO 2025 |
| ภาษาที่ระบบเสียงพูดทั่วไปรองรับก่อนมี MMS | ประมาณ 100 | Meta, เอกสารวิจัย MMS 2023 |
| ภาษาที่ไม่เคยมี ASR รองรับมาก่อน ซึ่ง Omnilingual ASR เพิ่มเข้ามา | มากกว่า 500 | Meta FAIR, Omnilingual ASR 2025 |
หมายเหตุบริบท: จำนวนภาษาใกล้สูญหายและภาษาที่กำลังจะตายมาจากฉบับปี 2025 ตามที่สรุปไว้ในรายงานสาธารณะ ตัวเลขฉบับเต็มของ Ethnologue อยู่หลังระบบสมาชิก UNESCO จับคู่ตัวเลข 40% กับผลเสียด้านการเรียนรู้ที่รุนแรง: ในฮอนดูรัส นักเรียนชั้นประถมศึกษาปีที่ 6 ที่พูดภาษาที่ใช้สอน 94% มีทักษะการอ่านขั้นพื้นฐาน เทียบกับ 62% ของผู้ที่ไม่ได้พูด
2. การแข่งขันด้านความครอบคลุม: แต่ละโมเดลรองรับกี่ภาษา
จำนวนภาษาก้าวกระโดดหนึ่งลำดับขนาดในสามปี MMS ของ Meta ระบุได้ 4,017 ภาษา และถอดเสียงพร้อมสังเคราะห์เสียงได้ 1,107 ภาษา สร้างขึ้นโดยอาศัยการบันทึกเสียงพันธสัญญาใหม่เป็นหลัก โดยมีโมเดลฝึกเบื้องต้นครอบคลุม 1,406 ภาษา (MMS: ขยายเทคโนโลยีเสียงพูดไปสู่กว่า 1,000 ภาษา) จากนั้น Omnilingual ASR ผลักดันการถอดเสียงเกิน 1,600 ภาษา และด้วยการเรียนรู้จากบริบทแบบไม่ต้องมีตัวอย่างฝึกจากตัวอย่างคู่เพียงไม่กี่ชุด จึงอ้างศักยภาพที่ครอบคลุมได้มากกว่า 5,400 ภาษา (Meta AI, ประกาศ Omnilingual ASR)
ผลิตภัณฑ์เชิงพาณิชย์อนุรักษ์นิยมกว่ามาก และช่องว่างนี้บอกว่ามาตรฐานคุณภาพอยู่ตรงไหน Chirp 3 ของ Google Cloud ระบุภาษาถอดเสียง 24 ภาษาที่เปิดให้ใช้งานทั่วไปและ 76 ภาษาในรุ่นตัวอย่าง (Google Cloud, เอกสาร Chirp 3) ขณะที่โมเดลวิจัยอ้างหลายร้อยภาษา การแปลเสียงพูดอยู่ตรงกลาง: SeamlessM4T ของ Meta รับเสียงพูดได้ 101 ภาษาแต่พูดได้เพียง 36 ภาษา (Nature, การแปลด้วยเครื่องแบบรวมเสียงพูดและข้อความสำหรับสูงสุด 100 ภาษา) เป็นเครื่องเตือนใจว่าการสร้างเสียงพูดยากกว่าการรู้จำเสียงพูด
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| การถอดเสียงของ Omnilingual ASR | กว่า 1,600 ภาษา | Meta FAIR, พฤศจิกายน 2025 |
| ศักยภาพของ Omnilingual ASR ผ่านการเรียนรู้แบบไม่ต้องมีตัวอย่างฝึก | กว่า 5,400 ภาษา | Meta, พฤศจิกายน 2025 |
| MMS การระบุภาษา / ASR และ TTS / การฝึกเบื้องต้น | 4,017 / 1,107 / 1,406 ภาษา | Meta, เอกสารวิจัย MMS 2023 |
| ความครอบคลุมการฝึกเบื้องต้นของ Google USM | กว่า 300 ภาษา | Google Research, มีนาคม 2023 |
| Whisper large-v3 | 99 ภาษา | Hugging Face Open ASR Leaderboard 2025 |
| การแปลเสียงเป็นเสียงของ SeamlessM4T | รับเข้า 101 ภาษา ส่งออก 36 ภาษา | Meta, Nature 2025 |
| การถอดเสียงของ Google Chirp 3 | 24 ภาษาที่เปิดให้ใช้งานทั่วไป + 76 ภาษารุ่นตัวอย่าง | เอกสาร Google Cloud 2026 |
| เอ็มเบดดิงเสียงพูด Meta OmniSONAR | 177 ภาษาพูดในพื้นที่ความหมาย 200 ภาษา | Meta, เอกสารวิจัย OmniSONAR 2026 |
การแปลแบบเรียลไทม์เข้าสู่แอปสำหรับตลาดมวลชนแล้ว Gemini 3.5 Live Translate ตรวจจับได้กว่า 70 ภาษาและรองรับมากกว่า 2,000 คู่ภาษาในเซสชัน Google Meet เดียว เพิ่มจากห้าภาษา (Google, Gemini 3.5 Live Translate, มิถุนายน 2026) Google ระบุว่าผู้คนแปลราว 1 ล้านล้านคำต่อเดือนผ่าน Translate, Search, Lens และ Circle to Search (Google, สิงหาคม 2025) ข้อมูลเพิ่มเติมเกี่ยวกับการใช้งานระดับอุปกรณ์อยู่ในสถิติการแปลเสียงเป็นเสียงของเรา
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ภาษาของ Gemini 3.5 Live Translate | กว่า 70 | Google, มิถุนายน 2026 |
| คู่ภาษาในการประชุม Meet ครั้งเดียว | กว่า 2,000 (ก่อนหน้านี้ 5 ภาษา) | Google, มิถุนายน 2026 |
| ภาษาของการสนทนาสดบน Google Translate | กว่า 70 | Google, สิงหาคม 2025 |
| จำนวนคำที่แปลต่อเดือนทั่วผลิตภัณฑ์ของ Google | ประมาณ 1 ล้านล้านคำ | Google, สิงหาคม 2025 |
| ขนาดโมเดลน้ำหนักแบบเปิดของ Mistral Voxtral | 24 พันล้านและ 3 พันล้านพารามิเตอร์ | Mistral AI, กรกฎาคม 2025 |
| ความยาวเสียงสูงสุดของ Voxtral | 30 นาทีสำหรับการถอดเสียง 40 นาทีสำหรับการทำความเข้าใจ | Mistral AI, กรกฎาคม 2025 |
3. ขนาดข้อมูลฝึกสอน: จาก 680,000 ชั่วโมงสู่ 12 ล้าน
งบประมาณข้อมูลเบื้องหลังโมเดลเหล่านี้เติบโตเร็วกว่าจำนวนภาษามาก Universal Speech Model ของ Google ฝึกด้วยเสียงพูด 12 ล้านชั่วโมงและข้อความ 28 พันล้านประโยค โดยมี 2 พันล้านพารามิเตอร์ (Google Research, USM) ซึ่งมากกว่าคลังข้อมูลดั้งเดิมของ Whisper ราว 18 เท่า OpenAI เองก็ขยับจาก 680,000 ชั่วโมงเป็นราว 5 ล้านชั่วโมงสำหรับ Whisper large-v3 โดย 4 ล้านชั่วโมงถูกติดป้ายกำกับเทียมด้วยโมเดลรุ่นก่อนหน้า (OpenAI, บันทึกการเปิดตัว large-v3)
การกระจายตัวภายในคลังข้อมูลเหล่านี้คือเรื่องจริง 680,000 ชั่วโมงดั้งเดิมของ Whisper ประกอบด้วย 117,000 ชั่วโมงใน 96 ภาษาที่ไม่ใช่ภาษาอังกฤษ และ 125,000 ชั่วโมงของการแปลเป็นภาษาอังกฤษ (เอกสารวิจัย Whisper) เมื่อคำนวณด้วยการลบ (680,000 ลบ 117,000 ลบ 125,000) ราว 438,000 ชั่วโมง หรือประมาณ 64% เป็นการถอดเสียงภาษาอังกฤษ ชุดข้อมูลติดป้ายกำกับของ MMS เฉลี่ยเพียง 32 ชั่วโมงต่อภาษา และข้อมูลที่ Omnilingual ASR เผยแพร่เฉลี่ยราว 10 ชั่วโมงที่ถอดเสียงแล้วต่อภาษา โมเดลหลายภาษาขนาดมหึมาสร้างขึ้นบนหางยาวที่วัดเป็นชั่วโมง ไม่ใช่หลายพันชั่วโมง
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| เสียงที่ใช้ฝึก Whisper | 680,000 ชั่วโมง | OpenAI, เอกสารวิจัย Whisper 2022 |
| ข้อมูลการรู้จำที่ไม่ใช่ภาษาอังกฤษของ Whisper | 117,000 ชั่วโมงใน 96 ภาษา | OpenAI, เอกสารวิจัย Whisper 2022 |
| ข้อมูลการแปลจากภาษาใดก็ได้เป็นอังกฤษของ Whisper | 125,000 ชั่วโมง | OpenAI, เอกสารวิจัย Whisper 2022 |
| การถอดเสียงภาษาอังกฤษของ Whisper (คำนวณต่อ) | ประมาณ 438,000 ชั่วโมง (ประมาณ 64%) | คำนวณจากตัวเลขของ OpenAI |
| ข้อมูลฝึก Whisper large-v3 | 1 ล้านชั่วโมงติดป้ายกำกับแบบอ่อน + 4 ล้านชั่วโมงติดป้ายกำกับเทียม | OpenAI, พฤศจิกายน 2023 |
| Google USM | เสียงพูด 12 ล้านชั่วโมง ข้อความ 28 พันล้านประโยค 2 พันล้านพารามิเตอร์ | Google Research, 2023 |
| การฝึกเบื้องต้นแบบเรียนรู้ด้วยตนเองของ MMS | ประมาณ 500,000 ชั่วโมงในกว่า 1,400 ภาษา | Meta, พฤษภาคม 2023 |
| ข้อมูลติดป้ายกำกับของ MMS ต่อภาษา | เฉลี่ย 32 ชั่วโมง | Meta, พฤษภาคม 2023 |
ชุดเทคโนโลยีล่าสุดของ Meta ขยายทั้งสองปลาย Omnilingual ASR ฝึกเบื้องต้นตัวเข้ารหัส wav2vec 2.0 ขนาด 7 พันล้านพารามิเตอร์ด้วย เสียง 3.84 ล้านชั่วโมงใน 1,239 ภาษา บวกอีก 460,000 ชั่วโมงที่ไม่มีป้ายกำกับภาษา และคลังข้อมูลแบบมีผู้กำกับ AllASR ของโมเดลนี้มีเสียง 120,710 ชั่วโมงใน 1,690 ภาษา (เอกสารวิจัย Omnilingual ASR) รุ่นเล็กที่สุดที่เผยแพร่มี 300 ล้านพารามิเตอร์ มุ่งสำหรับอุปกรณ์พลังงานต่ำ
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| การฝึกเบื้องต้นแบบไม่มีป้ายกำกับของ Omnilingual ASR | 3.84 ล้านชั่วโมง 1,239 ภาษา | Meta FAIR, เอกสารวิจัย Omnilingual ASR 2025 |
| เสียงพูดไม่มีป้ายกำกับเพิ่มเติมที่ไม่มีรหัสภาษา | 460,000 ชั่วโมง | Meta FAIR, 2025 |
| คลังข้อมูลติดป้ายกำกับ AllASR | 120,710 ชั่วโมง 1,690 ภาษา | Meta FAIR, 2025 |
| เสียงพูดที่ถอดเสียงแล้วเฉลี่ยต่อภาษา (ข้อมูลที่เผยแพร่) | ประมาณ 10 ชั่วโมง | Meta FAIR, 2025 |
| โมเดลใหญ่ที่สุด / เล็กที่สุด | 7 พันล้าน / 300 ล้านพารามิเตอร์ | Meta FAIR, 2025 |
4. ชุดข้อมูลแบบเปิดและเกณฑ์วัดเบื้องหลังโมเดล
ข้อมูลแบบเปิดคือที่ที่ความครอบคลุมของหางยาวถูกสร้างขึ้น Mozilla Common Voice Scripted Speech 24.0 ไปถึง 38,932 ชั่วโมงใน 289 ภาษา โดย 25,886 ชั่วโมงผ่านการตรวจสอบแล้ว (โพสต์ประกาศการเปิดตัวบน Mozilla Discourse, ธันวาคม 2025) ก้าวกระโดดที่ใหญ่กว่าเกิดขึ้นเมื่อหนึ่งรุ่นก่อนหน้า ตอนที่ Common Voice 23.0 เพิ่ม 149 ภาษาและทำให้จำนวนภาษามากกว่าสองเท่าเป็น 286 (Mozilla Data Collective) จำนวนชั่วโมงเพิ่มขึ้นเพียงราว 8% ระหว่างสองรุ่นนั้น ภาษาใหม่จึงมาพร้อมเสียงเพียงเล็กน้อยต่อภาษา
การประเมินผลยังแคบกว่าการฝึกสอนมาก FLEURS ซึ่งเป็นเกณฑ์วัดหลายภาษามาตรฐาน ครอบคลุม 102 ภาษาด้วยเสียงพูดราว 12 ชั่วโมงต่อภาษา (เอกสารวิจัย FLEURS) และสาย ‘หลายภาษา’ ของ Hugging Face Open ASR Leaderboard ทดสอบเพียงห้าภาษากับโมเดลกว่า 60 ตัวจาก 18 องค์กร (Hugging Face, Open ASR Leaderboard) ข้ออ้างเรื่อง ‘1,600 ภาษา’ จึงถูกตรวจสอบกับเพียงส่วนเล็กน้อยของตัวเลขนั้น
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| Common Voice 24.0 ชั่วโมงรวม / ที่ผ่านการตรวจสอบ | 38,932 / 25,886 | Mozilla, ธันวาคม 2025 |
| ภาษาของ Common Voice 24.0 | 289 | Mozilla, ธันวาคม 2025 |
| ภาษาที่เพิ่มใน Common Voice 23.0 | 149 (รวม 286) | Mozilla Data Collective, กันยายน 2025 |
| เสียงพูดแบบธรรมชาติของ Common Voice 23.0 | 357 ชั่วโมงใน 51 ภาษา | Mozilla Data Collective, กันยายน 2025 |
| ชุดข้อมูล Spontaneous Speech 2.0 | 62 | Mozilla, ธันวาคม 2025 |
| เกณฑ์วัด FLEURS | 102 ภาษา ภาษาละประมาณ 12 ชั่วโมง | Conneau และคณะ, FLEURS 2022 |
| Omnilingual ASR Corpus | 350 ภาษาที่ยังได้รับการบริการน้อย (CC-BY) | Meta, พฤศจิกายน 2025 |
ยุโรปมีคลังข้อมูลแบบเปิดขนาดใหญ่เป็นของตนเอง Granary ของ NVIDIA มีราว 1 ล้านชั่วโมง: เกือบ 650,000 ชั่วโมงสำหรับการรู้จำและมากกว่า 350,000 ชั่วโมงสำหรับการแปล ครอบคลุม 25 ภาษายุโรป รวมถึงภาษาโครเอเชีย เอสโตเนีย และมอลตา (บล็อก NVIDIA, สิงหาคม 2025) เอกสารวิจัยที่มาคู่กัน ซึ่งได้รับการตอบรับใน Interspeech 2025 รายงานว่าโมเดลได้ประสิทธิภาพใกล้เคียงกันโดยใช้ข้อมูลน้อยกว่าชุดข้อมูลก่อนหน้าราว 50% (เอกสารวิจัย Granary)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| เสียงรวมของ Granary | ประมาณ 1 ล้านชั่วโมง | NVIDIA, สิงหาคม 2025 |
| สัดส่วนการรู้จำ / การแปลของ Granary | ประมาณ 650,000 / มากกว่า 350,000 ชั่วโมง | NVIDIA, สิงหาคม 2025 |
| ภาษาของ Granary | 25 ภาษายุโรป | NVIDIA, สิงหาคม 2025 |
| ข้อมูลที่ต้องใช้เทียบกับชุดข้อมูลก่อนหน้าเพื่อความแม่นยำเท่ากัน | น้อยกว่าราว 50% | เอกสารวิจัย Granary, Interspeech 2025 |
| ความครอบคลุมของ Open ASR Leaderboard | กว่า 60 โมเดล 18 องค์กร 11 ชุดข้อมูล | Hugging Face, พฤศจิกายน 2025 |
| โมเดล ASR ที่โฮสต์บน Hugging Face Hub | ประมาณ 27,000 | Hugging Face, พฤศจิกายน 2025 |
| ภาษาในสายหลายภาษาของลีดเดอร์บอร์ด | 5 | Hugging Face, พฤศจิกายน 2025 |
5. ความแม่นยำ: ข้อมูลต่อภาษาชนะขนาดโมเดล
ตัวเลขที่มีประโยชน์ที่สุดในสาขานี้คือกฎการขยายขนาด ผู้เขียน Whisper พบ สหสัมพันธ์กำลังสอง 0.83 ระหว่างลอการิทึมของอัตราความผิดพลาดของคำกับลอการิทึมของชั่วโมงฝึกสอนต่อภาษา โดย WER ลดลงครึ่งหนึ่งทุกครั้งที่ข้อมูลเพิ่มขึ้น 16 เท่า (OpenAI, เอกสารวิจัย Whisper) ความสัมพันธ์เดียวกันสำหรับการแปลเสียงพูดมีเพียง 0.24 สำหรับภาษาที่มีเสียง 10 ชั่วโมง ทางปฏิบัติสู่ความแม่นยำที่ใช้งานได้คือข้อมูลที่มากขึ้น ไม่ใช่โมเดลที่ใหญ่ขึ้น
การเพิ่มความครอบคลุมมาพร้อมต้นทุนด้านความแม่นยำที่เล็กอย่างน่าประหลาดใจ Meta รายงานว่าการขยาย MMS จาก 61 เป็น 1,107 ภาษาทำให้อัตราความผิดพลาดของตัวอักษรเพิ่มขึ้นเพียงราว 0.4% ขณะที่ MMS ลดอัตราความผิดพลาดของคำของ Whisper ลงครึ่งหนึ่งบน 54 ภาษาของ FLEURS (Meta AI, ประกาศ MMS) Omnilingual ASR ได้อัตราความผิดพลาดของตัวอักษรต่ำกว่า 10 ใน 78% ของกว่า 1,600 ภาษา ตัวเลขเหล่านี้รายงานโดยผู้พัฒนาเอง แต่ทุกข้ออ้างผูกกับเกณฑ์วัดสาธารณะ
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| สหสัมพันธ์ ลอการิทึม WER กับลอการิทึมชั่วโมงฝึกสอน (ASR) | r กำลังสอง = 0.83 | OpenAI, เอกสารวิจัย Whisper 2022 |
| สหสัมพันธ์เดียวกันสำหรับการแปลเสียงพูด | r กำลังสอง = 0.24 | OpenAI, เอกสารวิจัย Whisper 2022 |
| WER ที่ดีขึ้นต่อข้อมูลที่เพิ่ม 16 เท่า | ลดลงครึ่งหนึ่ง | OpenAI, เอกสารวิจัย Whisper 2022 |
| MMS เทียบกับ Whisper บน 54 ภาษาของ FLEURS | WER ประมาณครึ่งหนึ่ง | Meta, MMS 2023 |
| CER ที่เพิ่มขึ้นเมื่อขยาย MMS จาก 61 เป็น 1,107 ภาษา | ประมาณ 0.4% | Meta, พฤษภาคม 2023 |
| ภาษาของ Omnilingual ASR ที่มี CER ต่ำกว่า 10 | 78% | Meta, พฤศจิกายน 2025 |
| ความผิดพลาดที่ลดลงของ Whisper large-v3 เทียบกับ large-v2 | 10% ถึง 20% | OpenAI, พฤศจิกายน 2023 |
ตัวเลขของ Google ชี้ไปในทิศทางเดียวกัน USM ทำ WER ต่ำกว่า Whisper 32.7% เชิงสัมพัทธ์บน 18 ภาษาที่เทียบกันได้ และ WER เฉลี่ยต่ำกว่า 30% บน 73 ภาษาคำบรรยายของ YouTube พร้อม WER ต่ำกว่า 65.8% เชิงสัมพัทธ์บน FLEURS โดยไม่มีข้อมูลในโดเมน ประสิทธิภาพกลายเป็นการแข่งขันที่สอง: Canary-1b-v2 ขนาดพันล้านพารามิเตอร์ของ NVIDIA อ้างคุณภาพเทียบเท่าโมเดลที่ใหญ่กว่า 3 เท่าด้วยการอนุมานที่เร็วขึ้นสูงสุด 10 เท่า และบนลีดเดอร์บอร์ดเสียงยาว Parakeet CTC ทำ RTFx ได้ 2,793.75 เทียบกับ 68.56 ของ Whisper large-v3 (Hugging Face, 2025) สำหรับเครื่องมือเสียงแบบเรียลไทม์ รวมถึงชนิดที่อยู่เบื้องหลังซอฟต์แวร์โคลนเสียงแบบสด ช่องว่างด้านปริมาณงานที่ประมวลผลได้นี้มักสำคัญกว่า WER หนึ่งจุด
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| WER ของ USM เทียบกับ Whisper, 18 ภาษา | ต่ำกว่า 32.7% เชิงสัมพัทธ์ | Google Research, 2023 |
| WER เฉลี่ยของ USM, 73 ภาษา YouTube | ต่ำกว่า 30% | Google Research, 2023 |
| WER ที่ลดลงเชิงสัมพัทธ์ของ USM บน FLEURS (ไม่มีข้อมูลในโดเมน) | 65.8% | Google Research, 2023 |
| SeamlessM4T v2 เทียบกับระบบแบบต่อเรียง | BLEU สูงกว่าสูงสุด 8% (เสียงเป็นข้อความ) และ 23% (เสียงเป็นเสียง) | Meta, Nature 2025 |
| การแปลเสียงเป็นข้อความของ OmniSONAR แบบไม่ต้องมีตัวอย่างฝึก | 97% ของคุณภาพ SeamlessM4T | Meta, OmniSONAR 2026 |
| Canary-1b-v2 เทียบกับโมเดลที่ใหญ่กว่า | คุณภาพเทียบเท่าโมเดลใหญ่กว่า 3 เท่า เร็วขึ้นสูงสุด 10 เท่า | NVIDIA, สิงหาคม 2025 |
| ปริมาณงานเสียงยาว (RTFx): Parakeet CTC เทียบกับ Whisper large-v3 | 2,793.75 เทียบกับ 68.56 | Hugging Face Open ASR Leaderboard 2025 |
หมายเหตุค่าผิดปกติ: เอกสารวิจัย OmniSONAR (arXiv, มีนาคม 2026) ยังรายงานข้อผิดพลาดในการค้นหาความคล้ายของเสียงพูดต่ำกว่าโมเดลก่อนหน้า 43% ซึ่งเป็นสัญญาณว่าพื้นที่เอ็มเบดดิงร่วมของเสียงพูดและข้อความกำลังกลายเป็นส่วนประกอบพื้นฐานในตัวเอง
6. อคติด้านสำเนียง การเข้าถึง และผลประโยชน์เชิงพาณิชย์
ความครอบคลุมของภาษาซ่อนช่องว่างที่สองไว้ภายในภาษาที่ ‘รองรับ’ ในระบบเชิงพาณิชย์ห้าระบบจาก Amazon, Apple, Google, IBM และ Microsoft WER เฉลี่ยคือ 0.35 สำหรับผู้พูดผิวดำ เทียบกับ 0.19 สำหรับผู้พูดผิวขาว (Koenecke และคณะ, PNAS 2020) จากการสัมภาษณ์ผู้พูดผิวดำ 73 คนและผู้พูดผิวขาว 42 คน งานนี้เก่ากว่าสามปีและแสดงไว้ในฐานะการตรวจสอบประเภทเดียวกันล่าสุดที่มีอยู่ งานใหม่กว่าได้ข้อสรุปคล้ายกัน: AfriSpeech-MultiBench ซึ่งครอบคลุมสำเนียงภาษาอังกฤษแบบแอฟริกันกว่า 100 สำเนียงในกว่า 10 ประเทศ พบว่าโมเดลของผู้ผลิตเฉพาะรายแม่นยำกับเสียงที่ชัดเจน แต่แตกต่างกันอย่างมีนัยสำคัญตามประเทศและโดเมน โดยภาพหลอนของโมเดลยังคงเป็นปัญหาสำหรับโมเดลล้ำสมัยส่วนใหญ่ (arXiv, พฤศจิกายน 2025)
ผลประโยชน์เชิงพาณิชย์ยังคงสูงขึ้น แม้การประมาณขนาดตลาดจะไม่สอดคล้องกัน MarketsandMarkets คาดว่าตลาดการรู้จำเสียงพูดและเสียงจะเติบโตจาก 9.66 พันล้านดอลลาร์สหรัฐในปี 2025 เป็น 23.11 พันล้านดอลลาร์สหรัฐภายในปี 2030 หรือ CAGR 19.1% (ข่าวประชาสัมพันธ์ของ MarketsandMarkets) ขณะที่ Grand View Research ประเมินตลาดไว้ที่ 20.2 พันล้านดอลลาร์สหรัฐในปี 2023 และมุ่งสู่ 53.7 พันล้านดอลลาร์สหรัฐภายในปี 2030 ที่ CAGR 14.6% (Grand View Research) ทั้งสองบริษัทชี้ว่าเอเชียแปซิฟิกและตลาดเกิดใหม่เป็นตัวขับเคลื่อนการเติบโต ซึ่งเป็นภูมิภาคที่ความครอบคลุมของภาษาบางเบาที่สุดพอดี ดูสถิติการแปลด้วยเครื่องของเราเพิ่มเติมสำหรับด้านข้อความของตลาดเดียวกันนี้
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| WER เฉลี่ย ผู้พูดผิวดำเทียบกับผิวขาว (5 ระบบ) | 0.35 เทียบกับ 0.19 | Koenecke และคณะ, PNAS 2020 |
| ผู้พูดในการตรวจสอบของ PNAS | ผิวดำ 73 ผิวขาว 42 | Koenecke และคณะ, PNAS 2020 |
| สำเนียงภาษาอังกฤษแบบแอฟริกันที่นำมาวัด | กว่า 100 สำเนียงในกว่า 10 ประเทศ | AfriSpeech-MultiBench, 2025 |
| ทักษะการอ่านขั้นพื้นฐานชั้นประถมศึกษาปีที่ 5 โกตดิวัวร์: ภาษาที่บ้าน = ภาษาที่ใช้สอบ เทียบกับไม่ใช่ | 55% เทียบกับ 25% | รายงาน GEM ของ UNESCO 2025 |
| ตลาดการรู้จำเสียงพูดและเสียง ปี 2025 ถึง 2030 | 9.66 พันล้านดอลลาร์สหรัฐ เป็น 23.11 พันล้านดอลลาร์สหรัฐ (CAGR 19.1%) | MarketsandMarkets, สิงหาคม 2025 |
| ตลาดการรู้จำเสียงพูดและเสียงของสหรัฐฯ ปี 2025 ถึง 2030 | 3.13 พันล้านดอลลาร์สหรัฐ เป็น 7.70 พันล้านดอลลาร์สหรัฐ (CAGR 19.7%) | MarketsandMarkets, 2025 |
| ตลาดการรู้จำเสียงและเสียงพูด ปี 2023 ถึง 2030 | 20.2 พันล้านดอลลาร์สหรัฐ เป็น 53.7 พันล้านดอลลาร์สหรัฐ (CAGR 14.6%) | Grand View Research, 2024 |
| ส่วนแบ่งรายได้ของอเมริกาเหนือ | 30.8% (2023) | Grand View Research, 2024 |
สรุป: โมเดลพื้นฐานด้านเสียงพูดหลายภาษาในรูปแบบตัวเลข
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ภาษาที่ยังมีผู้ใช้ | 7,170 | Ethnologue ฉบับที่ 29 ปี 2026 |
| ความครอบคลุมของ Omnilingual ASR | กว่า 1,600 ภาษา (กว่า 500 ภาษาไม่เคยมีระบบรองรับมาก่อน) | Meta FAIR, 2025 |
| ศักยภาพแบบไม่ต้องมีตัวอย่างฝึกของ Omnilingual ASR | กว่า 5,400 ภาษา | Meta, พฤศจิกายน 2025 |
| MMS การระบุภาษา | 4,017 ภาษา | Meta, 2023 |
| ความครอบคลุมของ Whisper large-v3 | 99 ภาษา | Hugging Face, 2025 |
| SeamlessM4T รับเสียงพูดเข้า / ส่งเสียงพูดออก | 101 / 36 ภาษา | Meta, Nature 2025 |
| Gemini 3.5 Live Translate | กว่า 70 ภาษา กว่า 2,000 คู่ภาษา | Google, มิถุนายน 2026 |
| ข้อมูลฝึก Whisper | 680,000 ชั่วโมง (117,000 ชั่วโมงไม่ใช่ภาษาอังกฤษ) | OpenAI, 2022 |
| ข้อมูลฝึก Whisper large-v3 | ประมาณ 5 ล้านชั่วโมง | OpenAI, 2023 |
| ข้อมูลฝึก Google USM | 12 ล้านชั่วโมง กว่า 300 ภาษา | Google Research, 2023 |
| การฝึกเบื้องต้นของ Omnilingual ASR | 3.84 ล้านชั่วโมง 1,239 ภาษา | Meta FAIR, 2025 |
| Common Voice 24.0 | 38,932 ชั่วโมง 289 ภาษา | Mozilla, ธันวาคม 2025 |
| NVIDIA Granary | ประมาณ 1 ล้านชั่วโมง 25 ภาษา | NVIDIA, สิงหาคม 2025 |
| เกณฑ์วัด FLEURS | 102 ภาษา ภาษาละประมาณ 12 ชั่วโมง | FLEURS, 2022 |
| WER เทียบกับข้อมูล | ลดลงครึ่งหนึ่งต่อข้อมูลที่เพิ่ม 16 เท่า | OpenAI, 2022 |
| ภาษาของ Omnilingual ASR ที่มี CER ต่ำกว่า 10 | 78% | Meta, พฤศจิกายน 2025 |
| WER ของ MMS เทียบกับ Whisper, 54 ภาษา | ประมาณครึ่งหนึ่ง | Meta, 2023 |
| ประชากรที่ไม่ได้รับการศึกษาในภาษาที่ตนเข้าใจ | 40% | UNESCO, 2025 |
| ช่องว่าง WER ผู้พูดผิวดำเทียบกับผิวขาว | 0.35 เทียบกับ 0.19 | PNAS, 2020 |
| ตลาดการรู้จำเสียงพูดและเสียง ปี 2030 | 23.11 พันล้านดอลลาร์สหรัฐ (MarketsandMarkets) เทียบกับ 53.7 พันล้านดอลลาร์สหรัฐ (Grand View) | MarketsandMarkets 2025; Grand View Research 2024 |
ระเบียบวิธีและแหล่งที่มา
ทุกตัวเลขถูกสืบย้อนไปยังองค์กรที่จัดทำขึ้น โดยให้ความสำคัญกับเอกสารวิจัย บันทึกการเปิดตัวอย่างเป็นทางการ และเอกสารประกอบมากกว่าข่าวสื่อ ข้ออ้างด้านความแม่นยำของผู้พัฒนา (Meta, Google, OpenAI, NVIDIA, Mistral) เป็นการรายงานเองบนเกณฑ์วัดสาธารณะและระบุแหล่งที่มากำกับไว้ ข้ออ้างเชิงพาณิชย์ที่เราไม่สามารถผูกกับตัวเลขที่เผยแพร่ได้ เช่น ข้อความการตลาดเรื่อง ‘WER ต่ำที่สุด’ ที่ไม่มีตัวเลข ถูกตัดออก
- Ethnologue: ยินดีต้อนรับสู่ฉบับที่ 29 (กุมภาพันธ์ 2026)
- รายงาน GEM ของ UNESCO: 40% ไม่ได้เข้าถึงการศึกษาในภาษาที่ตนเข้าใจ (2025)
- Meta: ประกาศ MMS (พฤษภาคม 2023), เอกสารวิจัย MMS, ประกาศ Omnilingual ASR (พฤศจิกายน 2025), เอกสารวิจัย Omnilingual ASR, เอกสารวิจัย OmniSONAR (2026)
- ทีม Meta Seamless Communication: การแปลด้วยเครื่องแบบรวมเสียงพูดและข้อความสำหรับสูงสุด 100 ภาษา (Nature, 2025)
- OpenAI: การรู้จำเสียงพูดที่ทนทานด้วยการกำกับดูแลแบบอ่อนในระดับขนาดใหญ่ (2022), การเปิดตัว Whisper large-v3 (พฤศจิกายน 2023)
- Google: Universal Speech Model (มีนาคม 2023), เอกสาร Chirp 3, Gemini 3.5 Live Translate (มิถุนายน 2026), การแปลสดของ Translate (สิงหาคม 2025)
- Mozilla: การเปิดตัว Common Voice 24.0 (ธันวาคม 2025), การเปิดตัว Common Voice 23.0 (กันยายน 2025)
- Conneau และคณะ: FLEURS (2022)
- NVIDIA: การเปิดตัว Granary, Canary และ Parakeet (สิงหาคม 2025), เอกสารวิจัย Granary (Interspeech 2025)
- Hugging Face: แนวโน้ม Open ASR Leaderboard (พฤศจิกายน 2025)
- Mistral AI: Voxtral (กรกฎาคม 2025)
- Koenecke และคณะ: ความเหลื่อมล้ำทางเชื้อชาติในการรู้จำเสียงพูดอัตโนมัติ (PNAS, 2020)
- AfriSpeech-MultiBench: arXiv 2511.14255 (IJCNLP-AACL 2025)
- MarketsandMarkets: ข่าวประชาสัมพันธ์ตลาดการรู้จำเสียงพูดและเสียง (สิงหาคม 2025)
- Grand View Research: รายงานตลาดการรู้จำเสียงและเสียงพูด (2024)
- ข้อสังเกตเกี่ยวกับข้อมูล: การประมาณขนาดตลาดขัดแย้งกันอย่างมาก MarketsandMarkets (23.11 พันล้านดอลลาร์สหรัฐภายในปี 2030) และ Grand View Research (53.7 พันล้านดอลลาร์สหรัฐภายในปี 2030) ใช้ขอบเขตและปีฐานที่ต่างกัน จึงไม่ควรนำตัวเลขมาเฉลี่ยหรือเปรียบเทียบเป็นแนวโน้ม ตัวเลขโมเดลพื้นฐานหลายรายการมาจากปี 2022 ถึง 2023 (Whisper, USM, MMS, FLEURS) และเป็นการเปิดเผยล่าสุดที่มีอยู่สำหรับโมเดลเหล่านั้น Google ยังไม่ได้เผยแพร่ยอดรวมข้อมูลฝึกสอนที่เทียบกันได้สำหรับโมเดลเสียงของ Gemini ส่วนสัดส่วนภาษาอังกฤษในข้อมูลของ Whisper (ประมาณ 438,000 ชั่วโมง หรือ 64%) เป็นผลการลบของเราจากยอดรวมที่ OpenAI เผยแพร่ ไม่ใช่ตัวเลขที่ OpenAI ระบุไว้ในบทคัดย่อ จำนวนภาษาใกล้สูญหายและภาษาที่กำลังจะตายจาก Ethnologue ปี 2025 มาจากบทสรุปสาธารณะของฉบับที่ 28 เพราะฐานข้อมูลฉบับเต็มต้องชำระเงิน การตรวจสอบอคติของ PNAS (2020) เกิดก่อนโมเดลพื้นฐานในปัจจุบันและแสดงไว้ในฐานะข้อมูลล่าสุดที่มีอยู่ ยังไม่มีการเผยแพร่การตรวจสอบข้ามผู้พัฒนาขนาดใหญ่เทียบเท่านับแต่นั้น จำนวนภาษาเทียบกันระหว่างผู้พัฒนาไม่ได้: บางรายนับตามภาษาท้องถิ่น บางรายนับตามภาษา และความครอบคลุมแบบ ‘รุ่นตัวอย่าง’ ไม่ใช่คุณภาพระดับใช้งานจริง
อัปเดตล่าสุด: 3 ตุลาคม 2026 เราอัปเดตสรุปนี้ทุกไตรมาส และคาดว่าการปรับปรุงครั้งถัดไปจะเกิดขึ้นเมื่อ Mozilla เผยแพร่ Common Voice 25.0 และ Ethnologue เปิดตัวฉบับที่ 30 ในเดือนกุมภาพันธ์ 2027