Meta发布Omnilingual ASR：覆盖1600+语言，500种为首次被AI识别

Meta正式推出全球规模最大的多语言语音识别系统——Omnilingual Automatic Speech Recognition（全语自动语音识别，简称Omnilingual ASR）。这一系统一举覆盖超过1600种语言，其中高达500种语言此前从未被任何主流ASR系统支持过，包括非洲的曼丁哥语（Mande）、太平洋岛国的托克劳语（Tokelauan）、南美亚马逊地区的阿瓦语（Awa）等长期被技术忽视的濒危方言。

三大开源核心组件，彻底打破语言数据壁垒

Omnilingual ASR并非单一模型，而是一整套开放的语音技术生态，包含三大关键组件：

• Omnilingual ASR 模型套件：提供从3亿到70亿参数的多个版本，适配不同算力环境，可精准识别1600+种语言的口语内容，即使在嘈杂环境或口音浓重的语音中表现依然稳定。
• Omnilingual w2v 2.0：一个70亿参数的通用语音表征模型，不仅能用于语音识别，还可迁移至语音合成、声纹识别、情绪分析等任务，为语音AI研究提供全新基础架构。
• Omnilingual ASR 语料库：包含超过1200小时的高质量语音-文本对，覆盖350种资源极度匮乏的语言，所有数据均经本地母语者校对，确保文化准确性与语言真实性。

开源+易用，开发者5分钟即可接入

Meta此次彻底开放所有技术资产——模型权重、训练代码、语料数据全部在GitHub上免费公开，无任何使用限制。研究者、教育机构、非营利组织甚至个人开发者均可自由下载、修改、商用。

安装仅需一行命令：

pip install omnilingual-asr

随后即可通过几行Python代码实现语音转文字：

from omnilingual_asr import transcribe
text = transcribe("audio_file.wav", language="swahili")
print(text)

系统支持Windows、macOS、Linux，甚至可在树莓派等边缘设备上运行。官方提供Docker镜像和ONNX导出工具，方便部署到手机App、智能音箱或远程服务器。

性能惊艳：78%语言CER低于10%，新增语言只需几十组样本

在权威评测中，Omnilingual ASR 7B版本在1600种语言中，有78%实现了字符错误率（CER）低于10%，媲美英语、中文等主流语言的商业级系统。更惊人的是，它支持“零样本快速适配”——仅需提供50组（每组约5秒）目标语言的语音与文本配对样本，系统就能在数小时内完成微调，无需昂贵的标注团队或GPU集群。

这一特性让偏远地区社区、语言复兴组织和小型创业公司得以低成本地为母语开发语音助手、教育工具或医疗热线，真正实现“技术赋能草根语言”。

不只是技术突破，更是一场语言平权运动

“我们不是在训练一个更好的语音识别器，而是在为被遗忘的语言重建数字存在。”Meta AI首席科学家Joelle Pineau在发布会上表示。

过去，语音AI几乎只服务于全球前20大语言，占世界人口80%以上的少数语言群体长期处于“数字沉默”状态。Omnilingual ASR的发布，首次让非洲、大洋洲、西伯利亚、安第斯山脉等地的母语者，能用自己从小说的方言与AI对话、搜索信息、录制故事、保存家族口述历史。

目前，已有来自尼日利亚、巴布亚新几内亚、秘鲁的12个非营利组织与Meta达成合作，利用该系统为当地学校开发母语语音学习应用。一位来自喀麦隆的教师反馈：“我的学生第一次能用祖母讲的Bamum语和AI聊天，他们眼睛亮了。”

未来规划：支持长音频、实时转录与多语混讲

当前版本支持最长40秒音频，适用于短对话、语音笔记、问卷录音等场景。Meta已宣布将在2025年Q3前开放支持长达5分钟的连续语音转录，并计划推出“多语混合识别”功能——允许用户自然切换语言（如中英夹杂、西班牙语+土著语），系统可自动识别并分段输出。

此外，团队正在与联合国教科文组织合作，将Omnilingual ASR语料库纳入“世界语言地图”数字档案，为全球语言保护提供永久性技术备份。

立即参与，让每一种声音都被听见

无论你是开发者、语言学家、教育工作者，还是只是关心文化多样性的普通人，都可以立即行动：

• 访问GitHub：https://github.com/facebookresearch/omnilingual-asr
• 下载模型与数据集，尝试识别你熟悉的方言
• 上传一段母语录音，帮助系统优化对小语种的识别
• 在社交媒体分享#OmnilingualASR，让更多人关注语言多样性

科技不应只服务于最响亮的声音。这一次，Meta选择为沉默者按下播放键。