Bảng chuyển văn bản thành giọng nói do Azure công bố liệt kê 82 mã ngôn ngữ riêng biệt, khoảng 1,1% trong số 7.170 ngôn ngữ mà Ethnologue thống kê đang được sử dụng hiện nay (82 / 7.170). Tài liệu của Gemini 3.8 Flash TTS tuyên bố hơn 130 ngôn ngữ, và dự án nghiên cứu MMS đạt 1.107, nhưng mô hình rộng nhất đó được phát hành theo giấy phép phi thương mại. Chiều sâu mỏng hơn chiều rộng: tiếng Anh Mỹ có 118 mục trong bảng Azure so với 2 mục của tiếng Amharic. Chúng tôi tổng hợp dữ liệu từ Ethnologue, Microsoft, Google, Amazon, Apple, Meta và các nghiên cứu về giọng nói đã qua bình duyệt, đọc từng trang của nhà cung cấp vào ngày 31 tháng 10 năm 2026. Bài tổng hợp này chỉ bao gồm phần tổng hợp giọng nói; về phía nhận dạng của cùng khoảng trống này, hãy xem thống kê độ phủ nhận dạng giọng nói cho ngôn ngữ ít tài nguyên của chúng tôi.
Tóm tắt nhanh
- Có 7.170 ngôn ngữ đang được sử dụng trên thế giới, và 4.153 trong số đó có hệ thống chữ viết phát triển (Ethnologue 2026).
- 128 trong 7.829 mã ngôn ngữ đạt hai mức hỗ trợ kỹ thuật số cao nhất, khoảng 1,6% (Simons, Thomas và White, COLING 2022).
- Hơn 130 ngôn ngữ được tuyên bố cho Gemini 3.8 Flash TTS, tuyên bố thương mại rộng nhất mà chúng tôi đã đọc (Google, tài liệu của nhà cung cấp).
- 82 mã ngôn ngữ trên 154 locale xuất hiện trong bảng giọng nói của Azure Speech (Microsoft, tài liệu của nhà cung cấp, số đếm của chúng tôi).
- 25 ngôn ngữ và 42 biến thể xuất hiện trong bảng Amazon Polly, trong đó 2 biến thể có giọng dạng dài (Amazon, tài liệu của nhà cung cấp, số đếm của chúng tôi).
- 1.107 ngôn ngữ có mô hình tổng hợp MMS, khoảng 15,4% số ngôn ngữ đang được sử dụng (Meta AI, bài báo MMS 2023).
- 945 trong số 1.107 mô hình đó đạt tỷ lệ lỗi ký tự từ 5 trở xuống, nhưng châu Phi tụt lại ở mức 76% (Meta AI, bài báo MMS 2023).
- 41 trong 90 giọng Aura-2 là tiếng Anh (Deepgram, tài liệu của nhà cung cấp, số đếm của chúng tôi).
- 18 trong 22 ngôn ngữ được liệt kê trong hiến pháp Ấn Độ (scheduled languages) xuất hiện trong danh sách giọng nói hỗ trợ tiếp cận của Apple, so với 1 trong Polly (Apple và Amazon, tài liệu của nhà cung cấp, thống kê của chúng tôi).
- 1.704 giờ từ 10.496 người nói hiện bao phủ toàn bộ 22 ngôn ngữ được liệt kê trong hiến pháp Ấn Độ cho tổng hợp giọng nói (AI4Bharat, IndicVoices-R 2024).
1. Mẫu số: 7.170 Ngôn ngữ, và Không Phải Ngôn ngữ Nào Cũng Có Chữ Viết
Mọi tuyên bố về độ phủ đều cần một mẫu số, và với tổng hợp giọng nói thì mẫu số khắc nghiệt hơn hầu hết mọi người nghĩ. Công nghệ chuyển văn bản thành giọng nói đọc văn bản, nên 3.017 ngôn ngữ không có hệ thống chữ viết phát triển nằm ngoài đường dẫn đầu vào thông thường ngay cả trước khi mô hình nào được huấn luyện.
Dân số kể một câu chuyện dễ chịu hơn, và không bao giờ nên trộn lẫn hai góc nhìn này. Một nền tảng có thể phục vụ phần lớn người dân trong khi chỉ liệt kê dưới 3% số ngôn ngữ, vì hơn 88% người dân nói một trong chỉ 200 ngôn ngữ làm tiếng mẹ đẻ, và 200 / 7.170 là 2,8%. Không trang nào của nhà cung cấp mà chúng tôi đọc nêu danh mục của họ tiếp cận bao nhiêu phần trăm dân số, nên không thể so sánh trực tiếp mức độ tiếp cận.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Ngôn ngữ đang được sử dụng trên toàn thế giới | 7.170 | Ethnologue, How Many Languages 2026 |
| Ngôn ngữ có hệ thống chữ viết phát triển so với không có | 4.153 (57,9%) so với 3.017 (42,1%, từ 7.170 - 4.153, phép tính của chúng tôi) | Câu hỏi thường gặp của Ethnologue, ấn bản thứ 29, 2026 |
| Người có tiếng mẹ đẻ là một trong 200 ngôn ngữ lớn nhất | Hơn 88% | Ethnologue 200, 2026 |
| Mã ngôn ngữ ở hai mức hỗ trợ kỹ thuật số cao nhất (Vital và Thriving) | 128 trong 7.829 (95 + 33), tức 1,6% | Simons, Thomas và White, COLING 2022 |
| Mã ngôn ngữ ở mức hỗ trợ kỹ thuật số thấp nhất (Still, điểm 0) | 3.996 trong 7.829, tức 51,0% | Simons, Thomas và White, COLING 2022 |
| Mã ngôn ngữ ở hai mức hỗ trợ kỹ thuật số trung gian (Emerging, Ascending) | 3.304 và 401 | Simons, Thomas và White, COLING 2022 |
Dữ liệu mới nhất hiện có về các mức hỗ trợ kỹ thuật số: Simons, Thomas và White, 2022. Nghiên cứu đó thu thập danh sách ngôn ngữ được hỗ trợ từ 143 công cụ kỹ thuật số, và xử lý giọng nói là một trong bảy danh mục công cụ của họ. Các tổng số lấy từ thống kê ngôn ngữ của Ethnologue và câu hỏi thường gặp về hệ thống chữ viết của họ.
2. Các Danh mục Thương mại Đặt Cạnh nhau
Đây là các số đếm từ tài liệu của nhà cung cấp: bản ghi gốc về những gì mỗi nền tảng liệt kê, không phải bằng chứng độc lập về chất lượng. Khoảng cách giữa danh mục dài nhất và ngắn nhất trong bảng này trải từ 130+ ngôn ngữ xuống 9.
Đơn vị tính quan trọng không kém con số. Locale là ngôn ngữ cộng với khu vực, nên tiếng Tây Ban Nha cho Mexico và tiếng Tây Ban Nha cho Tây Ban Nha được tính là hai locale nhưng chỉ một ngôn ngữ. Trang tổng quan của Azure ghi “100+ ngôn ngữ và locale”, gộp lẫn cả hai; bản thân bảng ngôn ngữ Azure Speech cho ra dòng bên dưới.
Dài hơn cũng không có nghĩa là bao hàm cái ngắn hơn. Bảng ngôn ngữ Gemini TTS không có dòng nào cho tiếng Ukraina, tiếng Urdu hay tiếng Zulu, cả ba đều được Azure liệt kê.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Gemini 3.8 Flash TTS | Tuyên bố hơn 130 ngôn ngữ; 132 dòng trong bảng, đọc ngày 31 tháng 10 năm 2026 | Google, tài liệu tạo giọng nói của Gemini API, cập nhật ngày 28 tháng 10 năm 2026 (tuyên bố của nhà cung cấp) |
| Eleven v4 / Eleven v3 / Flash v2.5 / Multilingual v2 | 90+ / 70+ / 32 / 29 ngôn ngữ | ElevenLabs, tài liệu về các mô hình (tuyên bố của nhà cung cấp) |
| Giọng dựng sẵn của Azure Speech | 82 mã ngôn ngữ trên 154 locale; tiếng Anh, tiếng Tây Ban Nha và tiếng Ả Rập chiếm 52 trong 154 (33,8%) | Microsoft, bảng hỗ trợ ngôn ngữ, cập nhật ngày 22 tháng 10 năm 2026 (tài liệu của nhà cung cấp, số đếm của chúng tôi) |
| Apple VoiceOver, Live Speech và Read & Speak | 75 mục ngôn ngữ trên iOS 27 | Apple, khả năng cung cấp tính năng trên iOS (tài liệu của nhà cung cấp) |
| Bảng giọng nói của Google Cloud Text-to-Speech | 53 mã ngôn ngữ, 61 mã ngôn ngữ-và-khu vực; riêng Chirp 3: HD bao phủ 47 ngôn ngữ trong 53 locale | Google Cloud, danh sách giọng nói và tài liệu Chirp 3: HD (tài liệu của nhà cung cấp, số đếm của chúng tôi) |
| Sonic 3.6 | 44 ngôn ngữ | Cartesia, tài liệu về các mô hình TTS (tuyên bố của nhà cung cấp) |
| Amazon Polly | 25 ngôn ngữ, 42 biến thể, 123 mục giọng nói | Amazon, các giọng khả dụng của Polly (tài liệu của nhà cung cấp, số đếm của chúng tôi) |
| IBM Text to Speech | 9 ngôn ngữ cơ sở, 15 mục ngôn ngữ, 48 giọng | Tài liệu IBM Cloud, cập nhật ngày 4 tháng 6 năm 2026 (tài liệu của nhà cung cấp, số đếm của chúng tôi) |
Nếu bạn đang chọn một trình tạo giọng nói AI cho một ngôn ngữ không phải tiếng Anh, bảng đáng mở ra là danh sách theo từng locale, chứ không phải con số nổi bật trên trang sản phẩm.
3. Độ Sâu Giọng nói: Giọng Thực Sự Nằm Ở Đâu
Việc một ngôn ngữ được liệt kê nói rất ít về số giọng mà nó có. Tiếng Anh Mỹ có 118 mục trong bảng Azure, trong khi tiếng Amharic, tiếng Afrikaans và tiếng isiZulu mỗi thứ chỉ có 2, tỷ lệ 59 trên 1. Với một nhà sản xuất, 2 giọng có thể đồng nghĩa với việc hoàn toàn không có lựa chọn về độ tuổi, âm điệu hay nhân vật.
Mô hình này lặp lại ở mọi quy mô danh mục. Polly, Aura-2 và mô hình mở Kokoro dành từ 28,5% đến 51,9% số giọng cho tiếng Anh. Một phần sự khác biệt mang tính cấu trúc: các mục trong bảng có thể lặp lại một nhân vật giọng qua các mức chất lượng, nên đây là số mục liệt kê chứ không phải số người nói riêng biệt.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Các mục trong bảng giọng Azure: tiếng Anh Mỹ so với tiếng Quan Thoại so với tiếng Đức so với tiếng Hindi | 118 so với 59 so với 23 so với 17 | Microsoft, bảng hỗ trợ ngôn ngữ (tài liệu của nhà cung cấp, số đếm của chúng tôi) |
| Các mục trong bảng giọng Azure cho tiếng Amharic, tiếng Afrikaans, tiếng Ả Rập Ai Cập và tiếng isiZulu | mỗi thứ 2 | Microsoft, bảng hỗ trợ ngôn ngữ (tài liệu của nhà cung cấp, số đếm của chúng tôi) |
| Các mục giọng của Polly trong các biến thể tiếng Anh | 35 trong 123 (28,5%) | Amazon, các giọng khả dụng của Polly (tài liệu của nhà cung cấp, số đếm của chúng tôi) |
| Giọng Aura-2: tiếng Anh so với tiếng Tây Ban Nha so với tiếng Pháp | 41 so với 17 so với 2, trong tổng số 90 giọng thuộc 7 ngôn ngữ | Deepgram, tài liệu về các mô hình TTS (tài liệu của nhà cung cấp, số đếm của chúng tôi) |
| Giọng Kokoro-82M bằng tiếng Anh Mỹ và tiếng Anh Anh | 28 trong 54 (51,9%), so với 1 cho tiếng Pháp | Hexgrad, danh sách giọng Kokoro-82M (tài liệu dự án) |
| Các mục Google Cloud cho tiếng Hindi (Ấn Độ) so với tiếng Iceland | 46 (30 Chirp 3: HD, 4 Neural2, 6 Standard, 6 WaveNet) so với 1 giọng Standard | Google Cloud, danh sách giọng nói (tài liệu của nhà cung cấp, số đếm của chúng tôi) |
| Giọng tích hợp sẵn của OpenAI trên endpoint giọng nói | 13, mà tài liệu gọi là “hiện được tối ưu hóa cho tiếng Anh” | OpenAI, hướng dẫn chuyển văn bản thành giọng nói (tuyên bố của nhà cung cấp) |
Danh sách giọng Cloud cho thấy vì sao các mức cũng quan trọng: 30 mục Chirp 3: HD cho tiếng Hindi đến từ một bộ giọng dùng chung, và các ngôn ngữ nằm ngoài bộ đó vẫn giữ các loại giọng cũ hơn. Số đếm của Polly đến từ bảng giọng nói, trong đó 4 tên lặp lại vì chúng là song ngữ, còn lại 119 tên riêng biệt.
4. Các Mức Tính năng: Được Liệt kê Không Có Nghĩa Là Ngang nhau
Tổng danh mục là con số rộng nhất mà một nhà cung cấp có thể nêu, và mỗi tính năng cao cấp nằm trên một tập con nhỏ hơn. Công cụ sinh tạo của Polly phủ 25 trong 42 biến thể, và tiếng Quan Thoại, tiếng Nhật, tiếng Ả Rập và tiếng Nga nằm trong 17 biến thể bị bỏ lại.
Azure cho thấy sự thu hẹp tương tự. 154 locale của nó giảm xuống còn 102 mục cho viseme (dữ liệu hình dạng miệng dùng để làm hoạt hình khuôn mặt) và 42 mục cho chuyển giao đa ngôn ngữ (cho phép một giọng tùy chỉnh nói được ngôn ngữ thứ hai). Các nhóm đang lập kế hoạch triển khai đa ngôn ngữ nên kiểm tra tính năng chứ không chỉ ngôn ngữ. Tốc độ và giá theo từng mô hình là một câu hỏi riêng, được đề cập trong thống kê chi phí suy luận TTS của chúng tôi.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Locale của Azure theo tính năng: giọng dựng sẵn / mục viseme / giọng tùy chỉnh chuyên nghiệp / giọng cá nhân / nguồn đa ngôn ngữ | 154 / 102 / 68 / 65 / 42 | Microsoft, bảng hỗ trợ ngôn ngữ (tài liệu của nhà cung cấp, số đếm của chúng tôi) |
| Biến thể Polly có ít nhất một giọng sinh tạo so với ít nhất một giọng dạng dài | 25 trong 42 (59,5%) so với 2 trong 42 (tiếng Anh Mỹ, tiếng Tây Ban Nha của Tây Ban Nha) | Amazon, các giọng khả dụng của Polly (tài liệu của nhà cung cấp, số đếm của chúng tôi) |
| Biến thể Polly chỉ cung cấp công cụ giọng Standard | 6 trong 42, gồm tiếng Nga, tiếng Romania và tiếng Iceland | Amazon, các giọng khả dụng của Polly (tài liệu của nhà cung cấp, số đếm của chúng tôi) |
| Dòng trong bảng Gemini được Flash TTS hỗ trợ so với Flash-Lite TTS | 132 so với 103; tiếng Phần Lan, tiếng Thụy Điển, tiếng Thái và tiếng Swahili nằm trong 29 dòng thiếu ở Flash-Lite | Google, tài liệu tạo giọng nói của Gemini API (tài liệu của nhà cung cấp, số đếm của chúng tôi) |
| Ngôn ngữ của Apple Personal Voice so với số mục trong danh sách giọng nói hỗ trợ tiếp cận | 3 so với 75 trên iOS 27 | Apple, khả năng cung cấp tính năng trên iOS (tài liệu của nhà cung cấp) |
Khoảng cách của Apple là rõ nhất: trang khả năng cung cấp tính năng của hãng chỉ liệt kê Personal Voice cho tiếng Anh Mỹ, tiếng Quan Thoại Trung Quốc đại lục và tiếng Tây Ban Nha Mexico.
5. Mô hình Mở: Phạm vi Rộng, Kèm Điều kiện
Phía mã nguồn mở giữ con số rộng nhất trong bài tổng hợp này. MMS-TTS đạt 1.107 ngôn ngữ, gấp khoảng 8,5 lần con số 130 được tuyên bố cho Gemini (1.107 / 130), và gấp khoảng 11 lần khoảng 100 ngôn ngữ mà công nghệ giọng nói bao phủ trước đó (1.107 / 100).
Độ rộng đó có cái giá của nó. Bài báo MMS huấn luyện một mô hình VITS riêng cho từng ngôn ngữ, phần lớn từ các bản ghi âm một người nói của văn bản tôn giáo, và thẻ mô hình của nó ghi giấy phép phi thương mại. Kết quả hữu ích nhất của nó mang tính khu vực: chất lượng giảm mạnh nhất ở châu Phi, điều mà các tác giả cho là “một phần” do hệ chữ viết.
Tỷ lệ lỗi ký tự ở đây nghĩa là một bộ nhận dạng giọng nói phiên âm âm thanh tổng hợp rồi đếm số lỗi, nên càng thấp càng tốt. Nó đo xem các từ có được giữ nguyên không, chứ không đo giọng nói nghe có tự nhiên không; về mặt đó, hãy xem thống kê ngữ điệu và nhịp điệu của TTS nơ-ron của chúng tôi.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Độ phủ ngôn ngữ và giấy phép của MMS-TTS | 1.107 ngôn ngữ (15,4% của 7.170), CC-BY-NC 4.0 | Pratap và cộng sự (Meta AI), bài báo MMS 2023; thẻ mô hình Hugging Face |
| Ngôn ngữ MMS đạt tỷ lệ lỗi ký tự từ 5 trở xuống trên giọng nói tổng hợp | 945 trong 1.107 (85%) | Pratap và cộng sự (Meta AI), bài báo MMS 2023 |
| Tỷ lệ ngôn ngữ MMS đạt ngưỡng đó, theo khu vực | Châu Phi 76% (277 trong 363), châu Á 88%, Bắc Mỹ 87%, Thái Bình Dương 90%, Nam Mỹ và châu Âu 95% | Pratap và cộng sự (Meta AI), bài báo MMS 2023 |
| Tỷ lệ lỗi ký tự của MMS, giọng nói tổng hợp so với giọng nói tham chiếu của con người; điểm đánh giá trung bình (1 đến 5) trên 61 ngôn ngữ | 3,5 ±0,2 so với 2,2 ±0,1; 3,52 cho giọng tổng hợp so với 3,33 cho âm thanh tham chiếu của con người nằm ngoài dữ liệu huấn luyện, khoảng chênh lệch mà các tác giả cho là do các bản ghi tham chiếu có nhiễu | Pratap và cộng sự (Meta AI), bài báo MMS 2023 |
| Ngôn ngữ đích của SeamlessM4T: đầu ra giọng nói so với đầu ra văn bản | 36 so với 96 | SEAMLESS Communication Team (Meta), Nature 2025 |
| Bộ tổng hợp dựa trên quy tắc eSpeak NG | Hơn 100 ngôn ngữ và giọng địa phương | Dự án eSpeak NG, README |
| Danh sách giọng Piper | 37 ngôn ngữ, 42 mục locale; kho mã đã được lưu trữ ngày 6 tháng 10 năm 2025 | Rhasspy, Piper VOICES.md |
| Chatterbox Multilingual so với XTTS-v2 | 23+ so với 17 ngôn ngữ | Resemble AI, kho mã Chatterbox; Coqui, thẻ mô hình XTTS-v2 |
Dữ liệu mới nhất hiện có về chất lượng tổng hợp ở cấp ngôn ngữ: Pratap và cộng sự, 2023. Các mô hình mở mới hơn trong bảng này liệt kê ít ngôn ngữ hơn nhiều. Bài báo SeamlessM4T cho thấy sự bất đối xứng tương tự trong cùng một mô hình: nó đọc và viết nhiều ngôn ngữ hơn hẳn số ngôn ngữ nó nói được.
6. Châu Phi và Ấn Độ: Nơi Khoảng trống Trở nên Cụ thể
Thống kê theo khu vực phơi bày những gì tổng số toàn cầu che giấu. Bảng Gemini có 22 ngôn ngữ từ châu Phi, bảng Azure có 5, còn Polly và Apple không liệt kê ngôn ngữ nào ngoài tiếng Anh Nam Phi, trong khi riêng châu Phi cận Sahara là quê hương của hơn 2.000 ngôn ngữ riêng biệt (Google Research, WAXAL 2026).
Tiếng Yoruba cho thấy khoảng trống không chỉ nằm ở dữ liệu. Ngôn ngữ này xuất hiện trong các kho ngữ liệu mở WAXAL và BibleTTS, nhưng không có mục nào trong các bảng Azure, Polly, Chirp 3: HD hay Gemini mà chúng tôi đã đọc. Dữ liệu công khai tồn tại không có nghĩa là một nền tảng đã phát hành giọng nói.
Ấn Độ kể một câu chuyện tốt hơn, vì một bộ dữ liệu đã lấp một lỗ hổng đã biết. Các bộ dữ liệu trước đó chỉ dừng ở 14 trong 22 ngôn ngữ được liệt kê trong hiến pháp (scheduled languages), theo bài báo IndicVoices-R, thường chỉ có 1 hoặc 2 người nói cho mỗi ngôn ngữ. Các cộng đồng nhỏ có thể cần ít hơn dự kiến: Pine và các đồng nghiệp đã thách thức giả định rằng tổng hợp nơ-ron đòi hỏi bộ dữ liệu lớn.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Ngôn ngữ từ châu Phi, không tính các biến thể tiếng Ả Rập: Gemini Flash TTS / Gemini Flash-Lite TTS / Azure / Chirp 3: HD / Polly / Apple | 22 / 13 / 5 / 1 / 0 / 0 | Danh mục của Google, Microsoft, Amazon và Apple (tài liệu của nhà cung cấp, thống kê của chúng tôi) |
| Ngôn ngữ WAXAL-TTS và số giờ ghi âm | 17 ngôn ngữ; hơn 180 giờ trên thẻ bộ dữ liệu, hơn 235 trong bài báo, hơn 565 trong bài đăng blog | Google Research, thẻ bộ dữ liệu, bài báo và blog WAXAL 2026 |
| Bản ghi chất lượng phòng thu BibleTTS cho tổng hợp giọng nói châu Phi | 10 ngôn ngữ, tối đa 86 giờ mỗi ngôn ngữ ở 48 kHz | Meyer và cộng sự, Interspeech 2022 |
| 22 ngôn ngữ được liệt kê trong hiến pháp Ấn Độ có mặt trong danh sách: Apple / Gemini Flash TTS / Azure / Chirp 3: HD / Polly | 18 / 17 / 13 / 10 / 1 | Danh mục của Apple, Google, Microsoft và Amazon (tài liệu của nhà cung cấp, thống kê của chúng tôi) |
| Dữ liệu tổng hợp giọng nói Ấn Độ trước đó: IndicTTS | 284 giờ, 27 người nói, 14 ngôn ngữ | AI4Bharat, bài báo IndicVoices-R 2024 |
| Kho ngữ liệu tổng hợp giọng nói IndicVoices-R | 1.704 giờ, 10.496 người nói, 22 ngôn ngữ | AI4Bharat, bài báo IndicVoices-R 2024 |
| Kho ngữ liệu giọng nói Kanien’kéha sau quyết định của cộng đồng loại trừ các bản ghi của những người nói đã qua đời | giữ lại 3,46 giờ trong 24 giờ đã ghi | Pine và cộng sự 2022, theo báo cáo của Nigatu và cộng sự 2024 |
| Mô hình FastSpeech2 trên 1 giờ tiếng Anh so với Tacotron2 trên 10 giờ | Độ tự nhiên tương đương | Pine và cộng sự, ACL 2022 |
Dữ liệu mới nhất hiện có cho BibleTTS và các phát hiện của Pine và cộng sự: 2022. Con số Kanien’kéha được Nigatu và cộng sự dẫn lại, và đó là con số hữu ích nhất trong bảng này: giới hạn của kho ngữ liệu đó là sự đồng ý, không phải công nghệ.
Tổng kết: Độ Phủ Ngôn ngữ và Giọng nói của Chuyển Văn bản Thành Giọng nói 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 |
| Người có tiếng mẹ đẻ là một trong 200 ngôn ngữ lớn nhất | Hơn 88% | Ethnologue 200, 2026 |
| Mã ngôn ngữ ở hai mức hỗ trợ kỹ thuật số cao nhất | 128 trong 7.829 | Simons, Thomas và White, COLING 2022 |
| Ngôn ngữ của Gemini 3.8 Flash TTS | Tuyên bố hơn 130 | Google, tài liệu Gemini API (tuyên bố của nhà cung cấp) |
| Ngôn ngữ của Eleven v4 | 90+ | ElevenLabs, tài liệu về các mô hình (tuyên bố của nhà cung cấp) |
| Mã ngôn ngữ và locale của Azure | 82 và 154 | Microsoft, bảng hỗ trợ ngôn ngữ (số đếm của chúng tôi) |
| Danh sách giọng nói hỗ trợ tiếp cận của Apple | 75 mục | Apple, khả năng cung cấp tính năng trên iOS |
| Ngôn ngữ và biến thể của Amazon Polly | 25 và 42 | Amazon, các giọng khả dụng của Polly (số đếm của chúng tôi) |
| Số mục giọng của Azure: tiếng Anh Mỹ so với tiếng Amharic | 118 so với 2 | Microsoft, bảng hỗ trợ ngôn ngữ (số đếm của chúng tôi) |
| Giọng Aura-2 là tiếng Anh | 41 trong 90 | Deepgram, tài liệu về các mô hình TTS (số đếm của chúng tôi) |
| Biến thể Polly có giọng sinh tạo | 25 trong 42 | Amazon, các giọng khả dụng của Polly (số đếm của chúng tôi) |
| Ngôn ngữ của MMS-TTS | 1.107 | Pratap và cộng sự (Meta AI), bài báo MMS 2023 |
| Ngôn ngữ châu Phi của MMS đạt tỷ lệ lỗi ký tự từ 5 trở xuống | 277 trong 363 (76%) | Pratap và cộng sự (Meta AI), bài báo MMS 2023 |
| Giọng Kokoro-82M bằng tiếng Anh Mỹ và tiếng Anh Anh | 28 trong 54 | Hexgrad, danh sách giọng Kokoro-82M |
| Kho ngữ liệu IndicVoices-R | 1.704 giờ, 22 ngôn ngữ | AI4Bharat, bài báo IndicVoices-R 2024 |
| Kho ngữ liệu giọng nói Kanien’kéha giữ lại so với đã ghi | 3,46 so với 24 giờ | Pine và cộng sự 2022, theo báo cáo của Nigatu và cộng sự 2024 |
Phương pháp luận và Nguồn
Tất cả các trang của nhà cung cấp được đọc vào ngày 31 tháng 10 năm 2026. Các con số được đánh dấu “số đếm của chúng tôi” hoặc “thống kê của chúng tôi” là kết quả chúng tôi tự đếm từ các bảng đã công bố; chúng vẫn chỉ là tuyên bố của nhà cung cấp về những gì được cung cấp, chứ không phải các bài kiểm tra độc lập chứng minh rằng mỗi giọng đều hoạt động tốt.
- Ethnologue (SIL Global): How Many Languages, Ethnologue 200, câu hỏi thường gặp về ngôn ngữ chưa có chữ viết.
- Simons, Thomas và White: Assessing Digital Language Support on a Global Scale, COLING 2022.
- Microsoft: hỗ trợ ngôn ngữ và giọng nói của Azure Speech, tổng quan về chuyển văn bản thành giọng nói.
- Google: tạo giọng nói của Gemini API, danh sách giọng Cloud, Chirp 3: HD, blog WAXAL, bài báo WAXAL, thẻ bộ dữ liệu WAXAL.
- Amazon: các giọng khả dụng của Polly.
- Apple: khả năng cung cấp tính năng trên iOS.
- Tài liệu của nhà cung cấp: các mô hình ElevenLabs, các mô hình TTS của Cartesia, các mô hình TTS của Deepgram, giọng nói IBM, hướng dẫn chuyển văn bản thành giọng nói của OpenAI.
- Meta: bài báo MMS, thẻ mô hình MMS-TTS, SeamlessM4T trên Nature.
- Dự án mở: giọng Kokoro-82M, giọng Piper, eSpeak NG, Chatterbox, XTTS-v2.
- Nghiên cứu: BibleTTS, Meyer và cộng sự, IndicVoices-R, Pine và cộng sự, ACL 2022, Nigatu và cộng sự, Zeno’s Paradox of Low-Resource Languages.
- Lưu ý về dữ liệu: Danh mục của nhà cung cấp thay đổi mà không báo trước, vì vậy hãy coi mỗi số đếm là một ảnh chụp nhanh. Các mục của Azure lặp lại nhân vật giọng qua các mức chất lượng, và nhóm tiếng Anh Mỹ bao gồm các mục nhiều người nói được đặt tên theo tiếng Pháp và tiếng Trung. Bảng Gemini có 132 dòng, nhưng 5 ngôn ngữ xuất hiện hai lần theo hệ chữ viết nên còn lại 127 tên, và chúng tôi không thấy dữ liệu chất lượng theo từng ngôn ngữ trên trang đó. Tiếng Swahili xuất hiện trong bảng Chirp 3: HD nhưng chúng tôi không tìm thấy trong danh sách giọng rộng hơn, nên số đếm 53 mã có thể thiếu một. Câu hỏi thường gặp về hệ thống chữ viết của Ethnologue trích dẫn một con số của ấn bản thứ 28 dưới phần dẫn nguồn ấn bản thứ 29, và Simons và cộng sự dùng 7.829 mã ISO thay vì 7.170 ngôn ngữ còn sống, nên hai mẫu số này không thể thay thế cho nhau. Ba nguồn WAXAL không khớp nhau (27 ngôn ngữ và 565+ giờ trong blog, 24 ngôn ngữ và 235+ giờ trong bài báo, 17 ngôn ngữ tổng hợp và 180+ giờ trên thẻ). Bài báo SeamlessM4T nêu 36 ngôn ngữ giọng nói trong phần kết quả nhưng “35 ở dạng giọng nói” trong phần phương pháp. Hướng dẫn của OpenAI nêu cả 11 lẫn 13 giọng tích hợp sẵn, và cho biết các mô hình giọng nói hiện tại của họ sẽ ngừng hoạt động vào ngày 6 tháng 1 năm 2027. Danh sách của Apple gộp ba tính năng dưới một tiêu đề. Thống kê theo khu vực của chúng tôi là đối chiếu tên ngôn ngữ, không phải kiểm toán ngôn ngữ học, và các phép so sánh 8,5x và 15,4% dùng tổng 7.170 cùng tuyên bố hơn 130, nên cả hai chỉ mang tính gần đúng.
Cập nhật lần cuối: ngày 31 tháng 10 năm 2026. Chúng tôi cập nhật bài tổng hợp này hàng quý, và lần cập nhật tiếp theo dự kiến diễn ra khi Ethnologue xuất bản ấn bản thứ 30.