Google 披露通用语音模型 USM：已支持超 100 种语言，奔着 1000 种去

大家最近都在盯两家大厂的聊天机器人互撕，生怕漏掉了哪个新的文本框。但语音这块战场，其实从来没冷清过。

周一，Google 公布了 Universal Speech Model（通用语音模型，简称 USM）的最新进展。官方把它称作实现支持全球 1000 种语言这一宏大目标的关键第一步。

20 亿参数的听力高手

Google 最早在去年 11 月就对外宣布了 1000 种语言计划，当时 USM 也第一次露面。这次 Google 放出了更多关于这个模型的底细。

USM 实际上是一组拥有 20 亿参数的模型家族。为了训出这副好耳朵，Google 喂给了它超过 300 种语言、总计 1200 万小时的语音数据，以及 280 亿个句子。

现在的进展是，USM 已经支持超过 100 种语言的自动语音识别。它不仅能听懂英语和普通话，还能辨认阿姆哈拉语、宿务语、阿萨姆语这类相对小众的语种，并自动完成检测与翻译。

已经上岗，但离眼前翻译还有距离

很多人可能已经用过它了，只是不知道名字。Google 表示，YouTube 现在生成自动字幕用的就是 USM 模型。

这项技术未来更诱人的落地场景是硬件。比如 Google 去年在 I/O 大会上展示的概念 AR 眼镜，设想的是别人说话时，眼前直接浮现实时翻译字幕。

不过，技术距离完美落地还很遥远。去年 I/O 演示时，Google 就曾把阿拉伯语的显示给弄错了。小语种不仅缺数据，文字排版和语法习惯也更容易踩坑。

此外，Meta 也在搞类似的多语言 AI 翻译工具，不过目前还处于早期阶段。据传 Google 还计划在今年的 I/O 大会上展示超过 20 款 AI 驱动的产品。

为什么重要

对普通人来说，这代表那些长期被主流软件忽视的小语种群体，终于有机会用母语接入数字世界。对于常常需要看外语视频的用户，YouTube 现在的多语言字幕识别质量也能借此往上迈一步。

在行业竞争上，微软靠着 OpenAI 在文本和搜索领域抢尽风头，但 Google 在语音多模态和海量现实数据上的积累依然是一道坚固的护城河。直接把模型下放到 YouTube 这种拥有庞大真实流量的产品里做验证，走得相当务实。

我们认为，Google 选择攻坚 1000 种语言，聪明之处在于它绕开了同行单纯卷大语言模型参数的红海，去抢占全球下一批十亿级互联网用户的语言入口。不过隐患也很清楚，低资源语言的数据稀缺且极易出错，如何在没有商业利益驱动的小语种上持续保证准确率，看起来仍是 Google 很难彻底跨过的坎。