Meta’nın Omnilingual ASR’ı, daha önce hiçbir konuşma tanıma sisteminin hizmet vermediği 500’den fazla dil dahil olmak üzere 1.600’den fazla dili metne döküyor (Meta FAIR, Omnilingual ASR 2025); yine de bu sayı, Ethnologue’un 2026 baskısındaki 7.170 yaşayan dilin dörtte birinden az. İki yıl önceki referans noktası, 680.000 saatlik veriyle eğitilen ve bunun yalnızca 117.000 saati 96 İngilizce dışı dile dağılan Whisper’dı (OpenAI, Whisper makalesi 2022). En büyük açık kitle kaynaklı derlem olan Mozilla Common Voice artık 289 dili ve 38.932 saati kapsıyor (Common Voice 24.0, 2025); canlı çeviriden dikteye kadar en hızlı büyüyen ürünlerin hepsi bu temel modellerin üzerinde duruyor, konuşmayı metne çevirme istatistikleri derlememiz de bunu izliyor. Meta FAIR, OpenAI, Google Research, Ethnologue, UNESCO, Mozilla, NVIDIA, Hugging Face, PNAS, MarketsandMarkets ve metodoloji bölümünde listelenen diğer birincil kaynaklardan veri derledik.
TL;DR
- Omnilingual ASR 1.600+ dili kapsıyor ve bunların 500+‘ı daha önce hiçbir ASR tarafından desteklenmemişti (Meta FAIR, Omnilingual ASR 2025).
- Sıfır örnekli bağlam içi öğrenme, Omnilingual ASR’ı 5.400’den fazla dile genişletebilir (Meta, Kasım 2025).
- 7.170 yaşayan dil var; bir yılda net 11 artış (Ethnologue, 29. baskı 2026).
- Dünya nüfusunun %40’ı anladığı bir dilde eğitime erişemiyor (UNESCO GEM Raporu 2025).
- Meta’nın MMS’i 4.017 konuşulan dili tanıyor ve 1.107’sini metne döküyor (Meta, MMS makalesi 2023).
- Google’ın USM’si 300’den fazla dilde 12 milyon saatlik konuşma üzerinde eğitildi (Google Research 2023).
- Whisper large-v3 yaklaşık 5 milyon saat üzerinde eğitildi, bunun 4 milyonu sahte etiketli (OpenAI, Kasım 2023).
- Whisper’ın kelime hata oranı, dil başına eğitim verisi her 16 kat arttığında yarıya iniyor (OpenAI, Whisper makalesi 2022).
- Common Voice 24.0: 289 dilde 38.932 saat (Mozilla, Aralık 2025).
- Omnilingual ASR dillerinin %78’inde karakter hata oranı 10’un altında (Meta, Kasım 2025).
- Gemini 3.5 Live Translate, tek bir Meet görüşmesinde 70+ dili ve 2.000+ dil kombinasyonunu destekliyor (Google, Haziran 2026).
- Beş ticari sistemde siyahi konuşmacılar için ortalama WER 0,35, beyaz konuşmacılar için 0,19 çıktı (PNAS, 2020).
1. Dil Açığı: 7.170 Dil, Hizmet Verilen Birkaç Yüz
Payda önemli. Ethnologue’un 29. baskısı 7.170 yaşayan dil sayıyor; bu, bir önceki yıla göre net 11’lik artış ve 8.000’den fazla veri tabanı güncellemesinin, ayrıca sekiz dilin soyu tükenmiş sınıfından yaşayan sınıfına yeniden sınıflandırılmasının ardından geldi (Ethnologue, 29. baskıya hoş geldiniz, Şubat 2026). MMS ekibinin belirttiğine göre 2023’ten önce ana akım konuşma sistemleri bunların yalnızca yaklaşık 100’ünü işleyebiliyordu. 1.600+‘a sıçramadan sonra bile yaşayan dillerin kabaca dörtte üçünün hâlâ hazır bir konuşma tanıyıcısı yok.
Bu açık akademik bir mesele değil. UNESCO’nun Küresel Eğitim İzleme ekibi, küresel nüfusun %40’ının anladığı bir dilde eğitime erişemediğini, bu payın bazı düşük ve orta gelirli ülkelerde %90’a ulaştığını bildiriyor (UNESCO GEM Raporu, Diller Önemlidir). Bu dilleri atlayan konuşma teknolojisi, sesli arayüzlerin en çok işine yarayacağı insanları da atlıyor; tehlike altındaki diller istatistiklerimiz aynı konuyu korunma açısından ele alıyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| Yaşayan diller, 2026 | 7.170 (bir yılda net +11) | Ethnologue, 29. baskı 2026 |
| Yaşayan diller, 2025 | 7.159 | Ethnologue, 28. baskı 2025 |
| Tehlike altındaki diller | 3.193 (yaşayan dillerin %45’i) | Ethnologue, 28. baskı 2025 |
| ’Ölmekte olan’ diller | 1.030 (%14) | Ethnologue, 28. baskı 2025 |
| Anladığı bir dilde eğitime erişemeyen nüfus | %40 (bazı düşük ve orta gelirli ülkelerde %90’a kadar) | UNESCO GEM Raporu 2025 |
| MMS öncesinde tipik konuşma sistemlerinin kapsadığı diller | Yaklaşık 100 | Meta, MMS makalesi 2023 |
| Omnilingual ASR’ın eklediği, daha önce hiçbir ASR’ın desteklemediği diller | 500’den fazla | Meta FAIR, Omnilingual ASR 2025 |
Bağlam notu: tehlike altındaki ve ölmekte olan dil sayıları, kamuya açık haberlerde özetlendiği haliyle 2025 baskısından geliyor; Ethnologue’un tam rakamları abonelik duvarının arkasında. UNESCO, %40 rakamını ağır öğrenme kayıplarıyla eşleştiriyor: Honduras’ta, öğretim dilini konuşan 6. sınıf öğrencilerinin %94’ü temel okuma becerisine ulaşırken, konuşmayanlarda bu oran %62’de kaldı.
2. Kapsam Yarışı: Her Model Kaç Dili İşliyor
Dil sayıları üç yılda bir büyüklük mertebesi sıçradı. Meta’nın MMS’i 4.017 dili tanıyor, 1.107 dili metne döküyor ve sese çeviriyor; büyük ölçüde Yeni Ahit kayıtlarından oluşturuldu ve ön eğitimli modelleri 1.406 dili kapsıyor (MMS: Konuşma Teknolojisini 1.000’den Fazla Dile Ölçeklemek). Omnilingual ASR ardından metne dökmeyi 1.600’ün üzerine taşıdı ve birkaç eşleşmiş örnekten sıfır örnekli bağlam içi öğrenme yoluyla 5.400’den fazla dile potansiyel erişim iddia ediyor (Meta AI, Omnilingual ASR duyurusu).
Ticari ürünler çok daha temkinli ve aradaki fark kalite çıtasının nerede durduğunu gösteriyor. Google Cloud’un Chirp 3’ü, genel kullanıma açık 24 ve önizlemede 76 metne dökme dili sıralıyor (Google Cloud, Chirp 3 belgeleri); araştırma modelleri ise yüzlercesini iddia ediyor. Konuşma çevirisi ikisinin arasında duruyor: Meta’nın SeamlessM4T’si 101 dilde konuşmayı alıyor ama yalnızca 36 dilde konuşuyor (Nature, 100’e kadar dil için ortak konuşma ve metin makine çevirisi); konuşma üretmenin tanımaktan zor olduğunun bir hatırlatması.
| Metrik | Değer | Kaynak |
|---|---|---|
| Omnilingual ASR metne dökme | 1.600+ dil | Meta FAIR, Kasım 2025 |
| Sıfır örnekli öğrenmeyle Omnilingual ASR potansiyeli | 5.400+ dil | Meta, Kasım 2025 |
| MMS dil tanıma / ASR ve TTS / ön eğitim | 4.017 / 1.107 / 1.406 dil | Meta, MMS makalesi 2023 |
| Google USM ön eğitim kapsamı | 300+ dil | Google Research, Mart 2023 |
| Whisper large-v3 | 99 dil | Hugging Face Open ASR Leaderboard 2025 |
| SeamlessM4T konuşmadan konuşmaya çeviri | 101 giriş, 36 çıkış dili | Meta, Nature 2025 |
| Google Chirp 3 metne dökme | 24 genel kullanım + 76 önizleme dili | Google Cloud belgeleri 2026 |
| Meta OmniSONAR konuşma gömmeleri | 200 dillik anlamsal uzayda 177 konuşulan dil | Meta, OmniSONAR makalesi 2026 |
Gerçek zamanlı çeviri kitlesel pazar uygulamalarına geçti. Gemini 3.5 Live Translate, tek bir Google Meet oturumunda 70+ dili algılıyor ve 2.000’den fazla dil kombinasyonunu destekliyor; bu sayı daha önce beş dildi (Google, Gemini 3.5 Live Translate, Haziran 2026). Google, insanların Translate, Arama, Lens ve Circle to Search genelinde ayda yaklaşık 1 trilyon kelime çevirdiğini söylüyor (Google, Ağustos 2025). Cihaz düzeyindeki benimsemeye dair daha fazlası konuşmadan konuşmaya çeviri istatistiklerimizde yer alıyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| Gemini 3.5 Live Translate dilleri | 70+ | Google, Haziran 2026 |
| Tek bir Meet görüşmesindeki dil kombinasyonları | 2.000+ (önceden 5 dil) | Google, Haziran 2026 |
| Google Translate canlı konuşma dilleri | 70+ | Google, Ağustos 2025 |
| Google ürünlerinde ayda çevrilen kelimeler | Yaklaşık 1 trilyon | Google, Ağustos 2025 |
| Mistral Voxtral açık ağırlıklı model boyutları | 24 milyar ve 3 milyar parametre | Mistral AI, Temmuz 2025 |
| Voxtral azami ses uzunluğu | Metne dökmede 30 dakika, anlamada 40 dakika | Mistral AI, Temmuz 2025 |
3. Eğitim Verisi Ölçeği: 680.000 Saatten 12 Milyona
Bu modellerin arkasındaki veri bütçesi, dil sayılarından çok daha hızlı büyüdü. Google’ın Universal Speech Model’i 12 milyon saatlik konuşma ve 28 milyar cümlelik metin üzerinde, 2 milyar parametreyle eğitildi (Google Research, USM); bu, Whisper’ın özgün derleminin kabaca 18 katı. OpenAI’ın kendisi Whisper large-v3 için 680.000 saatten yaklaşık 5 milyon saate çıktı; bunun 4 milyonu bir önceki model tarafından sahte etiketlendi (OpenAI, large-v3 sürüm notları).
Asıl hikaye bu derlemlerin içindeki dağılım. Whisper’ın özgün 680.000 saati, İngilizce dışı 96 dilde 117.000 saat ve İngilizce’ye çeviri için 125.000 saat içeriyordu (Whisper makalesi). Çıkarma yoluyla (680.000 eksi 117.000 eksi 125.000) yaklaşık 438.000 saat, yani kabaca %64’ü İngilizce metne dökmeydi. Meta’nın MMS etiketli kümesi dil başına ortalama yalnızca 32 saatti ve Omnilingual ASR’ın yayımlanan verisi dil başına yaklaşık 10 saat metne dökülmüş ses içeriyor. Devasa çok dilli modeller, binlerce saatle değil saatlerle ölçülen uzun bir kuyruk üzerine kuruluyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| Whisper eğitim sesi | 680.000 saat | OpenAI, Whisper makalesi 2022 |
| Whisper İngilizce dışı tanıma verisi | 96 dilde 117.000 saat | OpenAI, Whisper makalesi 2022 |
| Whisper X’ten İngilizce’ye çeviri verisi | 125.000 saat | OpenAI, Whisper makalesi 2022 |
| Whisper İngilizce metne dökme (türetilmiş) | Yaklaşık 438.000 saat (yaklaşık %64) | OpenAI rakamlarından hesaplandı |
| Whisper large-v3 eğitim verisi | 1 milyon zayıf etiketli + 4 milyon sahte etiketli saat | OpenAI, Kasım 2023 |
| Google USM | 12 milyon saat konuşma, 28 milyar metin cümlesi, 2 milyar parametre | Google Research, 2023 |
| MMS kendi kendine denetimli ön eğitim | 1.400+ dilde yaklaşık 500.000 saat | Meta, Mayıs 2023 |
| MMS dil başına etiketli veri | Ortalama 32 saat | Meta, Mayıs 2023 |
Meta’nın en yeni yığını iki ucu da ölçekliyor. Omnilingual ASR, 7 milyar parametreli bir wav2vec 2.0 kodlayıcısını 1.239 dilde 3,84 milyon saat ile dil etiketi olmayan 460.000 saat üzerinde ön eğitimden geçirdi; denetimli AllASR derlemi ise 1.690 dilde 120.710 saat içeriyor (Omnilingual ASR makalesi). Yayımlanan en küçük varyantın 300 milyon parametresi var ve düşük güçlü cihazları hedefliyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| Omnilingual ASR etiketsiz ön eğitim | 3,84 milyon saat, 1.239 dil | Meta FAIR, Omnilingual ASR makalesi 2025 |
| Dil kimliği olmayan ek etiketsiz konuşma | 460.000 saat | Meta FAIR, 2025 |
| AllASR etiketli derlem | 120.710 saat, 1.690 dil | Meta FAIR, 2025 |
| Dil başına ortalama metne dökülmüş konuşma (yayımlanan veri) | Yaklaşık 10 saat | Meta FAIR, 2025 |
| En büyük / en küçük model | 7 milyar / 300 milyon parametre | Meta FAIR, 2025 |
4. Modellerin Arkasındaki Açık Veri Kümeleri ve Kıyaslamalar
Uzun kuyruk kapsamı açık veriyle inşa ediliyor. Mozilla Common Voice Scripted Speech 24.0, 289 dilde 38.932 saate ulaştı ve bunun 25.886 saati doğrulanmış (Mozilla Discourse sürüm duyurusu, Aralık 2025). Daha büyük sıçrama bir önceki sürümde geldi: Common Voice 23.0, 149 dil ekleyerek dil sayısını ikiye katlamaktan fazlasıyla 286’ya çıkardı (Mozilla Data Collective). Saatler bu iki sürüm arasında yalnızca yaklaşık %8 arttı; yani yeni diller, her biri için çok az sesle geliyor.
Değerlendirme, eğitimden çok daha dar kalıyor. Standart çok dilli kıyaslama olan FLEURS, dil başına yaklaşık 12 saat konuşmayla 102 dili kapsıyor (FLEURS makalesi); Hugging Face Open ASR Leaderboard’un çok dilli kategorisi ise 18 kuruluştan 60+ modeli yalnızca beş dilde kıyaslıyor (Hugging Face, Open ASR Leaderboard). Dolayısıyla ‘1.600 dil’ iddiaları, bu sayının küçük bir bölümü üzerinde doğrulanıyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| Common Voice 24.0 toplam / doğrulanmış saat | 38.932 / 25.886 | Mozilla, Aralık 2025 |
| Common Voice 24.0 dilleri | 289 | Mozilla, Aralık 2025 |
| Common Voice 23.0’da eklenen diller | 149 (toplam 286) | Mozilla Data Collective, Eylül 2025 |
| Common Voice 23.0 spontan konuşma | 51 dilde 357 saat | Mozilla Data Collective, Eylül 2025 |
| Spontaneous Speech 2.0 veri kümeleri | 62 | Mozilla, Aralık 2025 |
| FLEURS kıyaslaması | 102 dil, her biri yaklaşık 12 saat | Conneau ve ark., FLEURS 2022 |
| Omnilingual ASR Corpus | 350 yetersiz hizmet alan dil (CC-BY) | Meta, Kasım 2025 |
Avrupa kendi büyük açık derlemini edindi. NVIDIA’nın Granary’si yaklaşık 1 milyon saat içeriyor: Hırvatça, Estonca ve Maltaca dahil 25 Avrupa dilinde tanıma için yaklaşık 650.000, çeviri için 350.000’den fazla saat (NVIDIA blogu, Ağustos 2025). Interspeech 2025’te kabul edilen eşlik eden makale, modellerin önceki veri kümelerine kıyasla kabaca %50 daha az veriyle benzer performansa ulaştığını bildiriyor (Granary makalesi).
| Metrik | Değer | Kaynak |
|---|---|---|
| Granary toplam ses | Yaklaşık 1 milyon saat | NVIDIA, Ağustos 2025 |
| Granary tanıma / çeviri dağılımı | Yaklaşık 650.000 / 350.000+ saat | NVIDIA, Ağustos 2025 |
| Granary dilleri | 25 Avrupa dili | NVIDIA, Ağustos 2025 |
| Aynı doğruluk için önceki veri kümelerine kıyasla gereken veri | Yaklaşık %50 daha az | Granary makalesi, Interspeech 2025 |
| Open ASR Leaderboard kapsamı | 60+ model, 18 kuruluş, 11 veri kümesi | Hugging Face, Kasım 2025 |
| Hugging Face Hub’da barındırılan ASR modelleri | Yaklaşık 27.000 | Hugging Face, Kasım 2025 |
| Leaderboard’un çok dilli kategorisindeki diller | 5 | Hugging Face, Kasım 2025 |
5. Doğruluk: Dil Başına Veri, Model Boyutunu Yeniyor
Alandaki en kullanışlı sayı bir ölçekleme yasası. Whisper’ın yazarları, dil başına log kelime hata oranı ile log eğitim saati arasında 0,83’lük bir kare korelasyon buldu; veri her 16 kat arttığında WER yarıya iniyor (OpenAI, Whisper makalesi). Aynı ilişki konuşma çevirisi için yalnızca 0,24 idi. 10 saatlik sese sahip bir dil için kullanılabilir doğruluğa giden pratik yol daha büyük bir model değil, daha fazla veri.
Kapsam kazanımları şaşırtıcı biçimde küçük doğruluk maliyetleriyle geldi. Meta, MMS’i 61 dilden 1.107 dile ölçeklemenin karakter hata oranını yalnızca yaklaşık %0,4 artırdığını, MMS’in ise 54 FLEURS dilinde Whisper’ın kelime hata oranını yarıya indirdiğini bildirdi (Meta AI, MMS duyurusu). Omnilingual ASR, 1.600+ dilinin %78’inde 10’un altında bir karakter hata oranına ulaşıyor. Bunlar kendi beyanları, ancak her iddia kamuya açık bir kıyaslamaya bağlı.
| Metrik | Değer | Kaynak |
|---|---|---|
| Log WER ile log eğitim saati korelasyonu (ASR) | r kare = 0,83 | OpenAI, Whisper makalesi 2022 |
| Konuşma çevirisi için aynı korelasyon | r kare = 0,24 | OpenAI, Whisper makalesi 2022 |
| 16 kat daha fazla veriyle WER iyileşmesi | Yarıya iniyor | OpenAI, Whisper makalesi 2022 |
| MMS’in Whisper’a göre WER’i, 54 FLEURS dilinde | Yaklaşık yarı WER | Meta, MMS 2023 |
| MMS’in 61’den 1.107 dile ölçeklenmesiyle CER artışı | Yaklaşık %0,4 | Meta, Mayıs 2023 |
| CER’i 10’un altında olan Omnilingual ASR dilleri | %78 | Meta, Kasım 2025 |
| Whisper large-v3’ün large-v2’ye göre hata azalması | %10 ila %20 | OpenAI, Kasım 2023 |
Google’ın rakamları aynı yönü gösteriyor. USM, karşılaştırılabilir 18 dilde Whisper’a göre %32,7 göreli daha düşük WER, 73 YouTube altyazı dilinde %30’un altında ortalama WER ve alan içi veri olmadan FLEURS’ta %65,8 göreli daha düşük WER elde etti. Verimlilik artık ikinci bir yarış: NVIDIA’nın milyar parametreli Canary-1b-v2’si, 3 kat büyük modellerle karşılaştırılabilir kalite ve 10 kata kadar daha hızlı çıkarım iddia ediyor; uzun biçimli leaderboard’da Parakeet CTC, Whisper large-v3’ün 68,56’lık RTFx değerine karşı 2.793,75 elde etti (Hugging Face, 2025). Canlı ses klonlama yazılımlarının arkasındakiler gibi gerçek zamanlı ses araçları için bu verim farkı çoğu zaman bir puanlık WER’den daha önemli.
| Metrik | Değer | Kaynak |
|---|---|---|
| USM’nin Whisper’a göre WER’i, 18 dil | %32,7 göreli daha düşük | Google Research, 2023 |
| USM ortalama WER, 73 YouTube dili | %30’un altında | Google Research, 2023 |
| USM göreli WER azalması FLEURS’ta (alan içi veri yok) | %65,8 | Google Research, 2023 |
| SeamlessM4T v2 ve ardışık sistemler | %8’e kadar (konuşmadan metne) ve %23’e kadar (konuşmadan konuşmaya) daha yüksek BLEU | Meta, Nature 2025 |
| OmniSONAR konuşmadan metne çeviri, sıfır örnekli | SeamlessM4T kalitesinin %97’si | Meta, OmniSONAR 2026 |
| Canary-1b-v2 ve daha büyük modeller | 3 kat büyük modellerle karşılaştırılabilir kalite, 10 kata kadar daha hızlı | NVIDIA, Ağustos 2025 |
| Uzun biçimli verim (RTFx): Parakeet CTC ve Whisper large-v3 | 2.793,75 ve 68,56 | Hugging Face Open ASR Leaderboard 2025 |
Aykırı değer notu: OmniSONAR makalesi (arXiv, Mart 2026) ayrıca önceki modellere göre %43 daha düşük konuşma benzerlik araması hatası bildiriyor; bu, ortak konuşma-metin gömme uzaylarının kendi başlarına bir yapı taşı hâline geldiğinin işareti.
6. Aksan Önyargısı, Erişim ve Ticari Pay
Dil kapsamı, ‘desteklenen’ dillerin içindeki ikinci bir açığı gizliyor. Amazon, Apple, Google, IBM ve Microsoft’un beş ticari sisteminde ortalama WER, siyahi konuşmacılar için 0,35, beyaz konuşmacılar için 0,19 idi (Koenecke ve ark., PNAS 2020); bu, 73 siyahi ve 42 beyaz konuşmacıyla yapılan görüşmelere dayanıyor. Üç yıldan eski olan bu çalışma, türünün mevcut en güncel denetimi olarak gösteriliyor. Daha yeni çalışmalar benzer sonuçlara ulaşıyor: 10’dan fazla ülkede 100’den fazla Afrika İngilizcesi aksanını kapsayan AfriSpeech-MultiBench, tescilli modellerin temiz konuşmada doğru olduğunu ama ülkeye ve alana göre belirgin biçimde farklılaştığını, en gelişmiş modellerin çoğunda halüsinasyonların hâlâ sorun olduğunu buldu (arXiv, Kasım 2025).
Pazar büyüklüğü tahminleri tutarsız olsa da ticari pay yükselmeye devam ediyor. MarketsandMarkets, konuşma ve ses tanıma pazarının 2025’te 9,66 milyar USD’den 2030’a kadar 23,11 milyar USD’ye, %19,1 YBBO ile büyüyeceğini öngörüyor (MarketsandMarkets basın bülteni); Grand View Research ise pazarı 2023’te 20,2 milyar USD olarak alıp %14,6 büyümeyle 2030’a kadar 53,7 milyar USD’ye taşıyor (Grand View Research). Her iki firma da Asya Pasifik’i ve gelişmekte olan pazarları büyüme itici güçleri olarak işaretliyor; bunlar tam da dil kapsamının en ince olduğu bölgeler. Aynı pazarın metin tarafı için makine çevirisi istatistiklerimize de bakın.
| Metrik | Değer | Kaynak |
|---|---|---|
| Siyahi ve beyaz konuşmacılarda ortalama WER (5 sistem) | 0,35 ve 0,19 | Koenecke ve ark., PNAS 2020 |
| PNAS denetimindeki konuşmacılar | 73 siyahi, 42 beyaz | Koenecke ve ark., PNAS 2020 |
| Kıyaslanan Afrika İngilizcesi aksanları | 10+ ülkede 100+ | AfriSpeech-MultiBench, 2025 |
| 5. sınıf temel okuma, Fildişi Sahili: ev dili = sınav dili ve değil | %55 ve %25 | UNESCO GEM Raporu 2025 |
| Konuşma ve ses tanıma pazarı, 2025 - 2030 | 9,66 milyar USD’den 23,11 milyar USD’ye (%19,1 YBBO) | MarketsandMarkets, Ağustos 2025 |
| ABD konuşma ve ses tanıma pazarı, 2025 - 2030 | 3,13 milyar USD’den 7,70 milyar USD’ye (%19,7 YBBO) | MarketsandMarkets, 2025 |
| Ses ve konuşma tanıma pazarı, 2023 - 2030 | 20,2 milyar USD’den 53,7 milyar USD’ye (%14,6 YBBO) | Grand View Research, 2024 |
| Kuzey Amerika gelir payı | %30,8 (2023) | Grand View Research, 2024 |
Özet: Rakamlarla Çok Dilli Konuşma Temel Modelleri
| Metrik | Değer | Kaynak |
|---|---|---|
| Yaşayan diller | 7.170 | Ethnologue, 29. baskı 2026 |
| Omnilingual ASR kapsamı | 1.600+ dil (500+‘ı daha önce hizmet almamış) | Meta FAIR, 2025 |
| Omnilingual ASR sıfır örnekli potansiyeli | 5.400+ dil | Meta, Kasım 2025 |
| MMS dil tanıma | 4.017 dil | Meta, 2023 |
| Whisper large-v3 kapsamı | 99 dil | Hugging Face, 2025 |
| SeamlessM4T konuşma girişi / konuşma çıkışı | 101 / 36 dil | Meta, Nature 2025 |
| Gemini 3.5 Live Translate | 70+ dil, 2.000+ kombinasyon | Google, Haziran 2026 |
| Whisper eğitim verisi | 680.000 saat (117.000’i İngilizce dışı) | OpenAI, 2022 |
| Whisper large-v3 eğitim verisi | Yaklaşık 5 milyon saat | OpenAI, 2023 |
| Google USM eğitim verisi | 12 milyon saat, 300+ dil | Google Research, 2023 |
| Omnilingual ASR ön eğitimi | 3,84 milyon saat, 1.239 dil | Meta FAIR, 2025 |
| Common Voice 24.0 | 38.932 saat, 289 dil | Mozilla, Aralık 2025 |
| NVIDIA Granary | Yaklaşık 1 milyon saat, 25 dil | NVIDIA, Ağustos 2025 |
| FLEURS kıyaslaması | 102 dil, her biri yaklaşık 12 saat | FLEURS, 2022 |
| WER ve veri | 16 kat daha fazla veriyle yarıya iniyor | OpenAI, 2022 |
| CER’i 10’un altında olan Omnilingual ASR dilleri | %78 | Meta, Kasım 2025 |
| MMS ve Whisper WER’i, 54 dil | Yaklaşık yarısı | Meta, 2023 |
| Anladığı bir dilde eğitime erişemeyen nüfus | %40 | UNESCO, 2025 |
| Siyahi ve beyaz konuşmacılar arasındaki WER farkı | 0,35 ve 0,19 | PNAS, 2020 |
| Konuşma ve ses tanıma pazarı, 2030 | 23,11 milyar USD (MarketsandMarkets) ve 53,7 milyar USD (Grand View) | MarketsandMarkets 2025; Grand View Research 2024 |
Metodoloji ve Kaynaklar
Her rakam, onu üreten kuruluşa kadar izlendi; basın haberlerine kıyasla makaleler, resmî sürüm notları ve belgeler tercih edildi. Satıcı doğruluk iddiaları (Meta, Google, OpenAI, NVIDIA, Mistral) kamuya açık kıyaslamalarda kendi beyanlarıdır ve kaynaklarıyla etiketlenmiştir. Yayımlanmış bir sayıya bağlayamadığımız ticari iddialar, örneğin rakamsal karşılığı olmayan ‘en düşük WER’ pazarlama ifadeleri, dışarıda bırakıldı.
- Ethnologue: 29. baskıya hoş geldiniz (Şubat 2026)
- UNESCO GEM Raporu: %40’ı anladığı bir dilde eğitime erişemiyor (2025)
- Meta: MMS duyurusu (Mayıs 2023), MMS makalesi, Omnilingual ASR duyurusu (Kasım 2025), Omnilingual ASR makalesi, OmniSONAR makalesi (2026)
- Meta Seamless Communication ekibi: 100’e kadar dil için ortak konuşma ve metin makine çevirisi (Nature, 2025)
- OpenAI: Büyük Ölçekli Zayıf Denetimle Güçlü Konuşma Tanıma (2022), Whisper large-v3 sürümü (Kasım 2023)
- Google: Universal Speech Model (Mart 2023), Chirp 3 belgeleri, Gemini 3.5 Live Translate (Haziran 2026), Translate canlı çeviri (Ağustos 2025)
- Mozilla: Common Voice 24.0 sürümü (Aralık 2025), Common Voice 23.0 sürümü (Eylül 2025)
- Conneau ve ark.: FLEURS (2022)
- NVIDIA: Granary, Canary ve Parakeet sürümü (Ağustos 2025), Granary makalesi (Interspeech 2025)
- Hugging Face: Open ASR Leaderboard eğilimleri (Kasım 2025)
- Mistral AI: Voxtral (Temmuz 2025)
- Koenecke ve ark.: Otomatik konuşma tanımada ırksal eşitsizlikler (PNAS, 2020)
- AfriSpeech-MultiBench: arXiv 2511.14255 (IJCNLP-AACL 2025)
- MarketsandMarkets: Konuşma ve Ses Tanıma Pazarı basın bülteni (Ağustos 2025)
- Grand View Research: Ses ve Konuşma Tanıma Pazarı Raporu (2024)
- Veri notu: Pazar büyüklüğü tahminleri keskin biçimde çelişiyor. MarketsandMarkets (2030’a kadar 23,11 milyar USD) ve Grand View Research (2030’a kadar 53,7 milyar USD) farklı kapsamlar ve başlangıç yılları kullanıyor; bu yüzden rakamların ortalaması alınmamalı veya bir eğilim olarak karşılaştırılmamalı. Birkaç temel model rakamı 2022 ile 2023 arasına ait (Whisper, USM, MMS, FLEURS) ve bu modeller için mevcut en güncel açıklamalar; Google, Gemini ses modelleri için karşılaştırılabilir eğitim verisi toplamları yayımlamadı. Whisper verisindeki İngilizce payı (yaklaşık 438.000 saat, %64), OpenAI’ın yayımladığı toplamlardan yaptığımız bir çıkarma işlemidir, OpenAI’ın özet kısmında belirttiği bir rakam değildir. Ethnologue’un 2025 tehlike altındaki ve ölmekte olan dil sayıları, tam veri tabanı ücretli olduğu için 28. baskının kamuya açık özetlerinden alınmıştır. PNAS önyargı denetimi (2020) güncel temel modellerden öncedir ve mevcut en güncel veri olarak gösterilmektedir; o tarihten bu yana benzer büyüklükte, satıcılar arası bir denetim yayımlanmadı. Dil sayıları satıcılar arasında karşılaştırılabilir değil: bazıları yerel ayarları, bazıları dilleri sayıyor ve ‘önizleme’ kapsamı üretim kalitesi anlamına gelmiyor.
Son güncelleme: 3 Ekim 2026. Bu derlemeyi üç ayda bir güncelliyoruz; bir sonraki yenilemenin, Mozilla Common Voice 25.0’ı yayımladığında ve Ethnologue Şubat 2027’de 30. baskısını çıkardığında yapılması bekleniyor.