Google 披露通用語音模型 USM：已支援超 100 種語言，奔著 1000 種去

大家最近都在盯兩家大廠的聊天機器人互撕，生怕漏掉了哪個新的文本框。但語音這塊戰場，其實從來沒冷清過。

週一，Google 公佈了 Universal Speech Model（通用語音模型，簡稱 USM）的最新進展。官方把它稱作實現支援全球 1000 種語言這一宏大目標的關鍵第一步。

20 億引數的聽力高手

Google 最早在去年 11 月就對外宣佈了 1000 種語言計劃，當時 USM 也第一次露面。這次 Google 放出了更多關於這個模型的底細。

USM 實際上是一組擁有 20 億引數的模型家族。為了訓出這副好耳朵，Google 餵給了它超過 300 種語言、總計 1200 萬小時的語音資料，以及 280 億個句子。

現在的進展是，USM 已經支援超過 100 種語言的自動語音識別。它不僅能聽懂英語和普通話，還能辨認阿姆哈拉語、宿務語、阿薩姆語這類相對小眾的語種，並自動完成檢測與翻譯。

已經上崗，但離眼前翻譯還有距離

很多人可能已經用過它了，只是不知道名字。Google 表示，YouTube 現在生成自動字幕用的就是 USM 模型。

這項技術未來更誘人的落地場景是硬體。比如 Google 去年在 I/O 大會上展示的概念 AR 眼鏡，設想的是別人說話時，眼前直接浮現即時翻譯字幕。

不過，技術距離完美落地還很遙遠。去年 I/O 演示時，Google 就曾把阿拉伯語的顯示給弄錯了。小語種不僅缺資料，文字排版和語法習慣也更容易踩坑。

此外，Meta 也在搞類似的多語言 AI 翻譯工具，不過目前還處於早期階段。據傳 Google 還計劃在今年的 I/O 大會上展示超過 20 款 AI 驅動的產品。

為什麼重要

對普通人來說，這代表那些長期被主流軟體忽視的小語種群體，終於有機會用母語接入數字世界。對於常常需要看外語影片的使用者，YouTube 現在的多語言字幕識別質量也能借此往上邁一步。

在行業競爭上，微軟靠著 OpenAI 在文本和搜尋領域搶盡風頭，但 Google 在語音多模態和海量現實資料上的積累依然是一道堅固的護城河。直接把模型下放到 YouTube 這種擁有龐大真實流量的產品裡做驗證，走得相當務實。

我們認為，Google 選擇攻堅 1000 種語言，聰明之處在於它繞開了同行單純卷大語言模型引數的紅海，去搶佔全球下一批十億級網際網路使用者的語言入口。不過隱患也很清楚，低資源語言的資料稀缺且極易出錯，如何在沒有商業利益驅動的小語種上持續保證準確率，看起來仍是 Google 很難徹底跨過的坎。