Meta 开源 Omnilingual ASR：支持 1600 种语言，改用 Apache 许可

Omnilingual ASR 是 Meta 开源的多语言自动语音识别模型家族，可以直接把 1600 多种语言的语音转录成文字。

作为对比，业界常用的 OpenAI 开源模型 Whisper 只支持 99 种语言。在 Omnilingual ASR 原生支持的 1600 多种语言中，有超过 500 种此前从未被任何语音识别系统覆盖过。

零样本扩展到 5400 种语言

除了原生训练覆盖的语种，Omnilingual ASR 还带来了一种灵活的扩展机制。它把大语言模型里的上下文学习搬到了语音识别中，官方称之为「自带语言」功能。

这意味着你不需要重新微调或者训练模型。在推理调用时，只要给模型喂几个新语言的音频和对应文字配对，它就能当场学会转录这种新语言的其他语音。

通过这种零样本能力，该系统的潜在覆盖范围扩展到了 5400 多种语言，基本涵盖了目前所有拥有文字记录的人类口语。

规格与准确表现

整个模型套件基于 1600 多种语言、超过 430 万小时的音频数据训练，底层使用 PyTorch 和 Meta 的 fairseq2 框架构建。

模型尺寸覆盖了轻量级到大规模。其中既有针对低功耗端侧设备的 3 亿参数轻量版，也有追求极致准确率的 70 亿参数大模型。架构上包含了用于自监督语音表征的 wav2vec 2.0、高效监督转录的 CTC 模型，以及结合 Transformer 文本解码器的 LLM-ASR 结构。

识别质量方面，在官方测试的 1600 多种语言中，78% 的语言字符错误率低于 10%。对于训练数据超过 10 小时的语种，达到这一标准的比例上升到 95%。即便是训练音频不到 10 小时的低资源长尾语言，也有 36% 达到了该标准。

开源权限上，这次 Meta 彻底摒弃了此前用于 Llama 家族、限制大企业使用的受限协议，全面采用标准的 Apache 2.0 许可证。开发者和企业完全可以免费用于商业项目，没有任何商用门槛。

除了模型权重和代码，Meta 还同步开源了涵盖 350 种稀缺语种的语音语料库，采用 CC-BY 许可。目前代码已托管在 GitHub，权重已在 Meta 官网开放，技术论文同步上线，Hugging Face 上也提供了可直接测试的网页 Demo。

为什么重要

如果你正在开发需要出海多语种支持的产品、做小语种口述档案数字化，或者寻找可以离线商用的语音转录底座，现在就可以直接下载体验。它彻底填补了全球数千种长尾语言长期缺乏 AI 工具的空白。

我们认为，Meta 这次改用完全无限制的 Apache 2.0 是极其明智的动作。此前带有门槛的开源协议曾让不少企业望而却步，而彻底开放加上零样本示例扩展的能力，很可能让 Omnilingual ASR 取代 Whisper，成为开源语音转录事实上的通用基础设施。不过对于极低资源的语言，仅靠几条样本推断时的识别质量仍然无法比拟充分训练的系统，实际落地前仍需根据具体场景验证。