Dữ liệu huấn luyện nhận dạng giọng nói đằng sau Whisper của OpenAI có 438.218 giờ tiếng Anh nhưng chỉ 0,1 giờ cho mỗi ngôn ngữ trong số tiếng Lào, tiếng Sunda và tiếng Miến Điện (OpenAI, bài báo Whisper 2022). Khoảng cách đó là cái đuôi dài của nhận dạng giọng nói gói trong một dòng, đặt cạnh 7.170 ngôn ngữ đang được sử dụng trên thế giới (Ethnologue, How Many Languages 2026). Ngưỡng cho độ chính xác hữu ích có vẻ thấp hơn so với những gì khoảng cách đó gợi ý: một nghiên cứu năm 2025 đạt tỷ lệ lỗi từ dưới 13% chỉ với 50 giờ dữ liệu huấn luyện (Akera và cộng sự, nghiên cứu mở rộng dữ liệu tiếng Kinyarwanda và Kikuyu 2025). Huy động cộng đồng đang lấp một phần khoảng trống này, với Mozilla Common Voice ở mức 29.295 giờ đã xác thực (Mozilla, kho lưu trữ cv-dataset của Common Voice 2026). Khoảng cách về độ chính xác giữa các giọng vùng miền bên trong các ngôn ngữ lớn được đề cập trong thống kê thiên lệch giọng vùng miền trong nhận dạng giọng nói của chúng tôi; bài tổng hợp này xem xét toàn bộ ngôn ngữ. Chúng tôi đã tổng hợp dữ liệu từ Ethnologue, bài báo Whisper của OpenAI, các bài báo MMS và Omnilingual ASR của Meta, các bài báo USM và FLEURS của Google, Mozilla Common Voice, Project Vaani, IndicVoices, NaijaVoices, African Next Voices và các bài đánh giá chuẩn ASR tiếng châu Phi gần đây.
Tóm tắt nhanh
- 7.170 ngôn ngữ đang được sử dụng hiện nay, và khoảng 44% đang bị đe dọa, thường chỉ còn dưới 1.000 người dùng (Ethnologue, How Many Languages 2026).
- Chỉ 195 trong 546 ngôn ngữ ít tài nguyên (36%) đạt tỷ lệ lỗi ký tự dưới 10 ở mô hình 7B của Meta, so với 236 trong 249 ngôn ngữ nhiều tài nguyên (Meta FAIR, bài báo Omnilingual ASR 2025).
- 65% âm thanh huấn luyện của Whisper là nhận dạng giọng nói tiếng Anh, 438.218 giờ, trong khi 96 ngôn ngữ khác chia nhau 117.113 giờ (OpenAI, bài báo Whisper 2022).
- Một mô hình tiếng Kinyarwanda đạt tỷ lệ lỗi từ dưới 13% chỉ với 50 giờ dữ liệu huấn luyện (Akera và cộng sự, nghiên cứu mở rộng dữ liệu 2025).
- Mô hình tiếng Swahili tốt nhất giảm từ WER 24,81% với 1 giờ dữ liệu xuống 11,36% với 400 giờ (Nahabwe và cộng sự, Benchmarking ASR Models for African Languages 2025).
- Mozilla Common Voice Scripted Speech có 42.593 giờ, trong đó 29.295 giờ đã xác thực, ở bản phát hành 27.0 (Mozilla, kho lưu trữ cv-dataset của Common Voice 2026).
- Project Vaani đã ghi 31.278,37 giờ giọng nói Ấn Độ, nhưng chỉ khoảng 6,8% được phiên âm (IISc và ARTPARK, bảng điều khiển Project Vaani 2026).
- African Next Voices đã ghi hơn 9.000 giờ trong 18 ngôn ngữ ở Kenya, Nigeria và Nam Phi (Đại học Pretoria, tin tức African Next Voices 2025).
- Tinh chỉnh trên kho ngữ liệu NaijaVoices 1.800 giờ đã cải thiện tỷ lệ lỗi từ trung bình của Whisper 75,86% trên tiếng Igbo, Hausa và Yoruba (bài báo về bộ dữ liệu NaijaVoices, Interspeech 2025).
- Universal Speech Model của Google vượt Whisper 66% về WER tương đối trên 62 ngôn ngữ FLEURS với tập có nhãn nhỏ hơn khoảng bảy lần (Google, bài báo USM 2023).
- IndicVoices có 7.348 giờ từ 16.237 người nói trong 22 ngôn ngữ Ấn Độ (bài báo về bộ dữ liệu IndicVoices 2024).
1. Có Bao Nhiêu Ngôn Ngữ Trên Thế Giới Có Nhận Dạng Giọng Nói
Mẫu số chính là câu chuyện. Ethnologue ghi nhận 7.170 ngôn ngữ đang được sử dụng hiện nay, và chỉ 20 ngôn ngữ trong số đó, 0,3% tổng số, là tiếng mẹ đẻ của hơn 3,7 tỷ người (Ethnologue, How Many Languages 2026). Nhận dạng giọng nói đã đi theo sự tập trung đó: ngay cả vào năm 2023, Universal Speech Model của Google cũng mới bao phủ 100+ ngôn ngữ.
Ngay cả hệ thống mã nguồn mở rộng nhất hiện nay, với 1.600+ ngôn ngữ, cũng chỉ chạm tới khoảng một phần năm con số của Ethnologue. Sự mai một ngôn ngữ là mặt còn lại của khoảng cách này, được đề cập trong thống kê ngôn ngữ nguy cấp của chúng tôi. Riêng châu Phi đã có hơn 2.000 ngôn ngữ, nhiều ngôn ngữ trong số đó thiếu dữ liệu giọng nói đã phiên âm.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Ngôn ngữ đang được sử dụng trên toàn thế giới | 7.170 | Ethnologue, How Many Languages 2026 |
| Tỷ lệ ngôn ngữ còn sống đang bị đe dọa | Khoảng 44%, thường chỉ còn dưới 1.000 người dùng | Ethnologue, How Many Languages 2026 |
| Người bản ngữ của 20 ngôn ngữ lớn nhất | Hơn 3,7 tỷ người, gần một nửa dân số thế giới, từ 0,3% tổng số ngôn ngữ | Ethnologue, How Many Languages 2026 |
| Ngôn ngữ được nói trên khắp châu Phi | Hơn 2.000, nhiều ngôn ngữ thiếu dữ liệu giọng nói đã phiên âm | Nahabwe và cộng sự, Benchmarking ASR Models for African Languages 2025 |
| Ngôn ngữ được Universal Speech Model của Google bao phủ cho nhận dạng giọng nói | 100+ | Google, bài báo USM 2023 |
| Ngôn ngữ thuộc Phụ lục 8 của Hiến pháp Ấn Độ được IndicASR bao phủ, mà các tác giả gọi là mô hình đầu tiên hỗ trợ tất cả | 22 | Bài báo về bộ dữ liệu IndicVoices 2024 |
| Ngôn ngữ được hệ thống ASR mã nguồn mở rộng nhất bao phủ | 1.600+ (hơn 500 ngôn ngữ chưa từng được hệ thống ASR nào phục vụ trước đó), khoảng 22% trong 7.170 ngôn ngữ đang sử dụng (1.600 / 7.170) | Meta FAIR, bài báo Omnilingual ASR 2025; Ethnologue 2026 |
Bối cảnh: hệ thống 1.600+ ngôn ngữ đó cố ý loại trừ khoảng 150 ngôn ngữ (ngôn ngữ ký hiệu, ngôn ngữ nhân tạo và ngôn ngữ chưa có hệ thống chữ viết ổn định), nên một phần tổng số chưa được bao phủ nằm ngoài tầm với của nhận dạng giọng nói xuất ra văn bản. Dữ liệu mới nhất hiện có cho USM: 2023.
2. Số Giờ Huấn Luyện: Tiếng Anh So Với Cái Đuôi Dài
Dữ liệu huấn luyện nhận dạng giọng nói không phải là một phân phối, mà là một vách đá. Dữ liệu nhận dạng giọng nói tiếng Anh của Whisper (438.218 giờ) lớn hơn khoảng 81.000 lần so với dữ liệu tiếng Swahili (5,4 giờ) (438.218 / 5,4 = 81.151), còn tiếng Lào, tiếng Sunda và tiếng Miến Điện mỗi ngôn ngữ chỉ có 0,1 giờ. Ngay cả so với tiếng Trung, ngôn ngữ không phải tiếng Anh được cung cấp tốt nhất với 23.446 giờ, tiếng Anh vẫn có lượng âm thanh nhiều hơn khoảng 19 lần (438.218 / 23.446 = 18,7).
Các hệ thống mới hơn phân loại ngôn ngữ thành các nhóm tài nguyên, và ranh giới rất đáng chú ý: một ngôn ngữ được tính là nhiều tài nguyên (được cung cấp đầy đủ dữ liệu huấn luyện) chỉ cần vượt 50 giờ. Các bộ dữ liệu xây dựng có chủ đích có thể đưa một ngôn ngữ vượt qua ranh giới đó: IndicVoices báo cáo trung vị 73 giờ đã phiên âm cho mỗi ngôn ngữ trên 22 ngôn ngữ của mình (bài báo về bộ dữ liệu IndicVoices 2024).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Âm thanh huấn luyện của Whisper: nhận dạng giọng nói tiếng Anh so với 96 ngôn ngữ khác | 438.218 giờ (65%) so với 117.113 giờ (17%) | OpenAI, bài báo Whisper 2022 |
| Số giờ nhận dạng giọng nói của Whisper theo ngôn ngữ, lớn nhất so với nhỏ nhất | Tiếng Trung 23.446; tiếng Đức 13.344; tiếng Tây Ban Nha 11.100 so với tiếng Swahili 5,4; tiếng Lào, tiếng Sunda và tiếng Miến Điện mỗi ngôn ngữ 0,1 | OpenAI, bài báo Whisper 2022 |
| Ngôn ngữ trong bộ đánh giá FLEURS hoàn toàn không có dữ liệu huấn luyện Whisper | 20 trong 102 | OpenAI, bài báo Whisper 2022 |
| Ngôn ngữ của Omnilingual ASR theo dữ liệu huấn luyện có nhãn: hơn 50 giờ / 10 đến 50 giờ / dưới 10 giờ | 249 / 881 / 546 ngôn ngữ | Meta FAIR, bài báo Omnilingual ASR 2025 |
| Dữ liệu đánh giá FLEURS cho mỗi ngôn ngữ | Khoảng 12 giờ giọng nói trong mỗi ngôn ngữ trong số 102 ngôn ngữ | Google, bài báo FLEURS 2022 |
| Âm thanh đã phiên âm của IndicVoices | 1.639 giờ, trung vị 73 giờ cho mỗi ngôn ngữ | Bài báo về bộ dữ liệu IndicVoices 2024 |
Dữ liệu mới nhất hiện có cho Whisper: 2022. Số giờ ở trên chỉ là dữ liệu nhận dạng giọng nói, tách biệt với âm thanh dịch thuật của Whisper. Chúng tôi không tìm thấy bảng phân tích theo ngôn ngữ tương đương cho các phiên bản Whisper sau này.
3. Tỷ Lệ Lỗi: Ngôn Ngữ Ít Tài Nguyên So Với Nhiều Tài Nguyên
Tỷ lệ lỗi từ (WER) là phần trăm từ mà hệ thống nhận dạng sai, tính cả thay thế, bỏ sót và chèn thêm; vì các từ chèn thêm cũng được tính, tỷ lệ này có thể vượt 100% khi mô hình tạo ra nhiều từ sai hơn số từ trong bản tham chiếu. Whisper large-v2 đạt WER 4,2% với tiếng Anh nhưng 121,0% với tiếng Shona trên bộ đánh giá FLEURS, nghĩa là với tiếng Shona số lỗi nhiều hơn số từ thực sự được nói (OpenAI, bài báo Whisper 2022). Một cách đã biết khiến mô hình rơi vào tình trạng này là viết ra văn bản trôi chảy mà không ai từng nói, kiểu lỗi được theo dõi trong thống kê ảo giác của nhận dạng giọng nói của chúng tôi.
Các mô hình mới hơn vẫn để lại khoảng cách. Trong bảng dưới đây, tỷ lệ lỗi ký tự (CER, cùng ý tưởng nhưng tính theo từng chữ cái thay vì từng từ) vẫn dưới 10 với khoảng 95% ngôn ngữ có từ 10 giờ dữ liệu trở lên (1.077 trong 1.130), nhưng chỉ với hơn một phần ba một chút của nhóm dưới 10 giờ. Trong cùng một mô hình, chỉ riêng lượng dữ liệu đã phân tách các kết quả đó.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Tỷ lệ lỗi từ của Whisper large-v2 trên FLEURS: tiếng Anh / tiếng Tây Ban Nha / tiếng Swahili | 4,2% / 3,0% / 39,3% | OpenAI, bài báo Whisper 2022 |
| Tỷ lệ lỗi từ của Whisper large-v2 trên FLEURS: tiếng Yoruba / tiếng Somali / tiếng Shona / tiếng Sindhi | 94,8% / 102,9% / 121,0% / 156,5% | OpenAI, bài báo Whisper 2022 |
| Ngôn ngữ của Omnilingual 7B LLM-ASR có tỷ lệ lỗi ký tự dưới 10, theo mức tài nguyên: cao / trung bình / thấp | 236 trong 249 / 841 trong 881 / 195 trong 546 (bài báo làm tròn tỷ lệ ngôn ngữ ít tài nguyên thành 36%) | Meta FAIR, bài báo Omnilingual ASR 2025 |
| Tỷ lệ lỗi ký tự trung bình của Omnilingual 7B LLM-ASR: ngôn ngữ nhiều tài nguyên so với ngôn ngữ ít tài nguyên | 3,13 so với 18,0 | Meta FAIR, bài báo Omnilingual ASR 2025 |
Ghi chú về giá trị ngoại lệ: các hàng của Whisper lấy từ bảng large-v2 trong bài báo 2022, bảng theo ngôn ngữ mới nhất hiện có thuộc loại này. WER và CER là các thước đo khác nhau, nên các hàng của Whisper và Omnilingual không thể so sánh trực tiếp.
4. Cần Bao Nhiêu Dữ Liệu Để Thu Hẹp Khoảng Cách
Phát hiện đáng khích lệ của năm 2025 là ngưỡng cho nhận dạng dùng được được đo bằng hàng chục giờ, không phải hàng nghìn. Một mô hình tiếng Kinyarwanda đạt độ chính xác thực tế, tỷ lệ lỗi từ dưới 13%, chỉ với 50 giờ dữ liệu huấn luyện, và xuống dưới 10% ở mức 200 giờ (Akera và cộng sự, nghiên cứu mở rộng dữ liệu 2025). Nếu điều đó đúng với các ngôn ngữ khác, một chiến dịch ghi âm có kinh phí là đủ để có mô hình dùng được đầu tiên.
Chất lượng dữ liệu cũng quan trọng. Chính nghiên cứu này truy 38,6% trường hợp lỗi cao về các bản phiên âm tham chiếu nhiễu, nghĩa là một phần các “lỗi” thực ra là do văn bản tham chiếu sai. Và kết quả tiếng Swahili trong một bài đánh giá chuẩn riêng với 13 ngôn ngữ cho thấy chỉ riêng lượng dữ liệu mang lại điều gì: đi từ 1 lên 400 giờ đã giảm hơn một nửa tỷ lệ lỗi tốt nhất, nhưng 11,36% vẫn còn cao hơn nhiều so với điểm tiếng Anh của Whisper ở mục 3.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Dữ liệu huấn luyện tiếng Kinyarwanda cần để đạt tỷ lệ lỗi từ dưới 13% | Chỉ 50 giờ | Akera và cộng sự, nghiên cứu mở rộng dữ liệu tiếng Kinyarwanda và Kikuyu 2025 |
| Tỷ lệ lỗi từ tiếng Kinyarwanda ở mức 200 giờ dữ liệu huấn luyện | Dưới 10% | Akera và cộng sự, nghiên cứu mở rộng dữ liệu tiếng Kinyarwanda và Kikuyu 2025 |
| Trường hợp lỗi cao do bản phiên âm tham chiếu nhiễu | 38,6% | Akera và cộng sự, nghiên cứu mở rộng dữ liệu tiếng Kinyarwanda và Kikuyu 2025 |
| Ngôn ngữ châu Phi được đánh giá, với các tập con tinh chỉnh 1, 5, 10, 20, 50, 100 và 200 giờ | 13 ngôn ngữ (riêng tiếng Swahili còn có tập con 400 giờ) | Nahabwe và cộng sự, Benchmarking ASR Models for African Languages 2025 |
| Tỷ lệ lỗi từ tiếng Swahili tốt nhất với 400 giờ dữ liệu tinh chỉnh (XLS-R so với Whisper) | 11,36% so với 16,88% | Nahabwe và cộng sự, Benchmarking ASR Models for African Languages 2025 |
Bối cảnh: 13 ngôn ngữ trong bài đánh giá chuẩn của Nahabwe và cộng sự là tiếng Afrikaans, Akan, Bambara, Bemba, Ewe, Kinyarwanda, Lingala, Luganda, Shona, Swahili, Wolof, Xhosa và Zulu.
5. Bộ Dữ Liệu Giọng Nói Do Cộng Đồng Đóng Góp
Các bộ dữ liệu mở do cộng đồng xây dựng là nơi dữ liệu giọng nói của cái đuôi dài trở nên công khai. Bộ dữ liệu Scripted Speech của Mozilla Common Voice đã tăng khoảng 31 lần, từ 1.368 giờ ở bản phát hành đầu tiên lên 42.593 giờ ở bản phát hành 27.0 (42.593 / 1.368 = 31,1), và kho lưu trữ liệt kê 295 ngôn ngữ (Mozilla, kho lưu trữ cv-dataset của Common Voice 2026). Điểm nghẽn đã chuyển từ ghi âm sang kiểm tra: khoảng 31% số giờ đó chưa được xác thực (29.295 / 42.593 = 68,8% đã xác thực).
Các dự án khu vực cho thấy cùng một mô hình ở quy mô lớn hơn. Project Vaani đã thu thập hơn 31.000 giờ giọng nói Ấn Độ, nhưng mới phiên âm khoảng 6,8% trong số đó (2.122,21 / 31.278,37), và đã tiếp cận 165 trong 773 quận của Ấn Độ (21,3%). Ở châu Phi, hai dự án được báo cáo năm 2025 có tổng cộng hơn 10.800 giờ (9.000+ cộng 1.800), so với 5,4 giờ tiếng Swahili trong dữ liệu nhận dạng giọng nói của Whisper.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Tổng số giờ Common Voice Scripted Speech: bản phát hành 1 so với bản phát hành 27.0 (dữ liệu chốt tháng 9 năm 2026) | 1.368 so với 42.593 giờ | Mozilla, kho lưu trữ cv-dataset của Common Voice 2026 |
| Số giờ đã xác thực của Common Voice Scripted Speech, bản phát hành 27.0 | 29.295 (68,8% tổng số) | Mozilla, kho lưu trữ cv-dataset của Common Voice 2026 |
| Ngôn ngữ được liệt kê cho Common Voice Scripted Speech: bản phát hành 19.0 (2024) so với bản phát hành 27.0 (2026) | 131 so với 295 | Mozilla, bản phát hành Common Voice 19.0 năm 2024; kho lưu trữ cv-dataset 2026 |
| Common Voice Spontaneous Speech bản phát hành 5.0 | 541 giờ (302 giờ đã xác thực), 80 ngôn ngữ | Mozilla, kho lưu trữ cv-dataset của Common Voice 2026 |
| Giọng nói Project Vaani thu thập ở Ấn Độ | 31.278,37 giờ từ 156.208 người nói trong 105 ngôn ngữ, 165 trong 773 quận | IISc và ARTPARK, bảng điều khiển Project Vaani 2026 |
| Giọng nói đã phiên âm của Project Vaani | 2.122,21 giờ (khoảng 6,8% âm thanh đã thu thập) | IISc và ARTPARK, bảng điều khiển Project Vaani 2026 |
| Giọng nói African Next Voices đã ghi | Hơn 9.000 giờ trong 18 ngôn ngữ tại 3 quốc gia | Đại học Pretoria, tin tức African Next Voices 2025 |
| Dữ liệu giọng nói và văn bản của NaijaVoices | 1.800 giờ từ hơn 5.000 người nói bằng tiếng Igbo, Hausa và Yoruba | Bài báo về bộ dữ liệu NaijaVoices, Interspeech 2025 |
Bối cảnh: mục tiêu đã nêu của Project Vaani là hơn 150.000 giờ giọng nói từ toàn bộ 773 quận, nên bảng điều khiển hiện tại đại diện cho khoảng một phần năm lượng âm thanh dự kiến (31.278,37 / 150.000 = 20,9%).
6. Các Hướng Tiếp Cận: Tiền Huấn Luyện Tự Giám Sát, Bản Đọc Văn Bản Tôn Giáo và Mở Rộng Với Vài Mẫu
Cái đuôi dài đang được tiếp cận bằng ba chiến thuật. Tiền huấn luyện tự giám sát (trước tiên mô hình học từ âm thanh chưa phiên âm, sau đó chỉ cần một tập có nhãn nhỏ) là lớp nền tảng; Universal Speech Model của Google vượt Whisper 66% về tỷ lệ lỗi từ tương đối trên 62 ngôn ngữ FLEURS trong khi dùng tập có nhãn nhỏ hơn khoảng bảy lần (Google, bài báo USM 2023). Các bản đọc văn bản tôn giáo được công bố công khai đã cho dự án MMS trung bình 32 giờ cho mỗi ngôn ngữ, mức trung bình nằm trong khoảng 10 đến 50 giờ ở mục 2.
Chiến thuật mới nhất là mở rộng với vài mẫu: đưa cho mô hình một vài ví dụ âm thanh và văn bản ghép đôi khi nó chạy và để nó thích nghi mà không cần huấn luyện lại. Bức tranh rộng hơn về các mô hình dùng chung xử lý nhiều ngôn ngữ cùng lúc được đề cập trong thống kê mô hình nền tảng giọng nói đa ngôn ngữ của chúng tôi. Hiệu quả dữ liệu cũng khác nhau tùy thiết kế: với 1 giờ tiếng Swahili, MMS, được xây dựng trên tiền huấn luyện tự giám sát, vượt Whisper 26,52 điểm WER (51,33 - 24,81).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Dữ liệu có nhãn của MMS xây dựng từ bản đọc văn bản tôn giáo | 44,7K giờ trong 1.107 ngôn ngữ, trung bình khoảng 32 giờ cho mỗi ngôn ngữ | Meta AI, bài báo và blog MMS 2023 |
| Tỷ lệ lỗi ký tự trên các ngôn ngữ chưa thấy khi huấn luyện: mô hình cơ sở CTC so với mô hình zero-shot (không huấn luyện lại) được cho 10 ví dụ ngữ cảnh | 26,33% so với 14,4% | Meta FAIR, bài báo Omnilingual ASR 2025 |
| Dữ liệu huấn luyện có giám sát của USM so với của Whisper, không tính tiếng Anh | 90k giờ so với 117k giờ, với Whisper bị vượt 66% về WER tương đối trên 62 ngôn ngữ FLEURS | Google, bài báo USM 2023 |
| Tỷ lệ lỗi từ tiếng Swahili sau 1 giờ tinh chỉnh: MMS / W2v-BERT / Whisper / XLS-R | 24,81% / 32,36% / 51,33% / 58,23% | Nahabwe và cộng sự, Benchmarking ASR Models for African Languages 2025 |
| Mức cải thiện tỷ lệ lỗi từ trung bình sau khi tinh chỉnh trên NaijaVoices: Whisper / MMS / XLSR | 75,86% / 52,06% / 42,33% | Bài báo về bộ dữ liệu NaijaVoices, Interspeech 2025 |
Ghi chú về giá trị ngoại lệ: bài báo USM mô tả tập YouTube có nhãn của mình bao phủ 73 ngôn ngữ trong phần giới thiệu và 75 ngôn ngữ ở mục 3.1. Dữ liệu mới nhất hiện có cho MMS và USM: 2023.
Tổng kết: Độ Phủ Nhận Dạng Giọng Nói Cho Ngôn Ngữ Ít Tài Nguyên Qua Các Con Số
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Ngôn ngữ đang được sử dụng trên toàn thế giới | 7.170 | Ethnologue, How Many Languages 2026 |
| Ngôn ngữ được hệ thống ASR mã nguồn mở rộng nhất bao phủ | 1.600+, hơn 500 ngôn ngữ chưa từng được phục vụ trước đó | Meta FAIR, bài báo Omnilingual ASR 2025 |
| Ngôn ngữ ít tài nguyên (dưới 10 giờ) có tỷ lệ lỗi ký tự dưới 10 | 195 trong 546 (36%) | Meta FAIR, bài báo Omnilingual ASR 2025 |
| Phần âm thanh huấn luyện của Whisper là nhận dạng giọng nói tiếng Anh | 65% (438.218 giờ) | OpenAI, bài báo Whisper 2022 |
| Ngôn ngữ được nói trên khắp châu Phi | Hơn 2.000 | Nahabwe và cộng sự, Benchmarking ASR Models for African Languages 2025 |
| Dữ liệu tiếng Kinyarwanda cần để đạt tỷ lệ lỗi từ dưới 13% | Chỉ 50 giờ | Akera và cộng sự, nghiên cứu mở rộng dữ liệu 2025 |
| Tỷ lệ lỗi từ tiếng Kinyarwanda ở mức 200 giờ | Dưới 10% | Akera và cộng sự, nghiên cứu mở rộng dữ liệu 2025 |
| Tỷ lệ lỗi từ tiếng Swahili tốt nhất: 1 giờ so với 400 giờ dữ liệu tinh chỉnh | 24,81% so với 11,36% | Nahabwe và cộng sự, Benchmarking ASR Models for African Languages 2025 |
| Số giờ Common Voice Scripted Speech, bản phát hành 27.0 | 42.593 tổng cộng, 29.295 đã xác thực | Mozilla, kho lưu trữ cv-dataset của Common Voice 2026 |
| Ngôn ngữ được liệt kê của Common Voice Scripted Speech | 295 | Mozilla, kho lưu trữ cv-dataset của Common Voice 2026 |
| Âm thanh Project Vaani đã thu thập so với đã phiên âm | 31.278,37 so với 2.122,21 giờ | IISc và ARTPARK, bảng điều khiển Project Vaani 2026 |
| Âm thanh IndicVoices | 7.348 giờ, 16.237 người nói, 22 ngôn ngữ | Bài báo về bộ dữ liệu IndicVoices 2024 |
| Giọng nói African Next Voices đã ghi | Hơn 9.000 giờ, 18 ngôn ngữ | Đại học Pretoria, tin tức African Next Voices 2025 |
| Dữ liệu giọng nói và văn bản của NaijaVoices | 1.800 giờ, 3 ngôn ngữ | Bài báo về bộ dữ liệu NaijaVoices, Interspeech 2025 |
| USM so với Whisper trên 62 ngôn ngữ FLEURS | WER tương đối thấp hơn 66% | Google, bài báo USM 2023 |
Phương pháp luận và Nguồn
- Ethnologue, How Many Languages Are There in the World? (trang được đọc vào tháng 10 năm 2026): ngôn ngữ còn sống, tỷ lệ bị đe dọa, mức tập trung của 20 ngôn ngữ hàng đầu.
- OpenAI, Robust Speech Recognition via Large-Scale Weak Supervision (bài báo Whisper), 2022: số giờ huấn luyện theo ngôn ngữ (Hình 11) và tỷ lệ lỗi từ trên FLEURS (Bảng 13).
- Meta, Scaling Speech Technology to 1,000+ Languages (bài báo MMS), 2023, cùng với thông báo về MMS; và Omnilingual ASR: Open-Source Multilingual Speech Recognition for 1600+ Languages, ngày 10 tháng 11 năm 2025.
- Google, bài báo Universal Speech Model, 2023, và bài báo bộ đánh giá FLEURS, 2022.
- Mozilla, kho lưu trữ cv-dataset của Common Voice (bản phát hành 27.0, dữ liệu chốt tháng 9 năm 2026), bài đăng phát hành Common Voice 19.0 (công bố ngày 18 tháng 9 năm 2024) và ghi chú phát hành Scripted Speech 26.0 (ngày 19 tháng 6 năm 2026).
- IISc và ARTPARK, bảng điều khiển trực tiếp Project Vaani (được đọc vào tháng 10 năm 2026).
- Bài báo về bộ dữ liệu IndicVoices, ngày 4 tháng 3 năm 2024.
- Akera và cộng sự, How much speech data is necessary for ASR in African languages?, ngày 8 tháng 10 năm 2025.
- Nahabwe và cộng sự, Benchmarking Automatic Speech Recognition Models for African Languages, ngày 30 tháng 11 năm 2025.
- The NaijaVoices Dataset, được chấp nhận tại Interspeech 2025.
- Đại học Pretoria, African Next Voices featured in Nature, ngày 1 tháng 8 năm 2025.
- Lưu ý về dữ liệu: Số lượng ngôn ngữ khác nhau tùy nguồn và phương pháp (con số 7.170 của Ethnologue đếm các ngôn ngữ đang được sử dụng; các bài báo ASR đếm mã ISO 639-3 và loại trừ ngôn ngữ ký hiệu cũng như ngôn ngữ chưa có chữ viết), vì vậy tỷ lệ bao phủ chỉ là giá trị xấp xỉ. Số ngôn ngữ của Common Voice tăng vọt từ 131 (bản phát hành 19.0) lên 295 (bản phát hành 27.0); kho lưu trữ không nói rõ con số mới chỉ đếm các ngôn ngữ có âm thanh đã phát hành hay không, nên hãy coi đó là các ngôn ngữ được liệt kê. Tỷ lệ đã xác thực 68,8% được tính từ dữ liệu biểu đồ của kho lưu trữ, trong khi ghi chú phát hành 26.0 mô tả khoảng 25% âm thanh Scripted Speech vẫn đang chờ xác thực; hai thước đo này không giống hệt nhau. Khi bản phát hành 19.0 được công bố, một bình luận trên diễn đàn lưu ý rằng chỉ 129 trong 131 ngôn ngữ có thể tải về, nên số ngôn ngữ được liệt kê và số đã phát hành có thể khác nhau. Các con số của African Next Voices đến từ một trang tin tức của trường đại học tóm tắt bài đưa tin của Nature, và chúng tôi chưa đọc bài báo về bộ dữ liệu. Các con số của Whisper (2022), FLEURS (2022), MMS (2023) và USM (2023) đều cũ hơn ba năm và được gắn nhãn là dữ liệu mới nhất hiện có. Phần văn bản của bài báo Omnilingual (549) và Bảng 8 của nó (546) không thống nhất về số ngôn ngữ ít tài nguyên; chúng tôi dùng các giá trị trong bảng.
Cập nhật lần cuối: ngày 31 tháng 10 năm 2026. Chúng tôi cập nhật bài tổng hợp này hàng quý, và lần làm mới tiếp theo dự kiến sẽ diễn ra khi Mozilla công bố bản phát hành 28.0 của Common Voice Scripted Speech.