Meta 開源 MMS 語音模型：覆蓋超 1100 種語言，可識別 4000 種口語

Meta 開源的 Massively Multilingual Speech（MMS）是一個超大規模的多語言語音模型系列，直接把語音技術的語言版圖撐大了十倍。

現在的語音轉文字（STT）和文字轉語音（TTS）工具，頂多支援大約 100 種常見語言。MMS 直接把這個數字拉到了 1100 多種，而且還能識別超過 4000 種不同的口語。不管是做小語種音訊識別、開發罕見語言的語音助手，還是給瀕危語言做數字化歸檔，都可以直接用它。

它是怎麼做到的

訓練語音模型最缺的就是帶標註的音訊資料。現有的開源語音資料集覆蓋 100 種語言基本就是上限了，剩下數千種語言根本找不到現成的配對語料。

Meta 團隊找了一個非常聰明的切入點：宗教文本，尤其是《聖經》。這類文本很早就被翻譯成了全球各種各樣的小語種，並且有大量公開的人聲朗讀錄音。

他們利用《新約聖經》的朗讀音訊，整理出了覆蓋 1100 多種語言的資料集，平均每種語言大約有 32 小時的錄音資料。

為了進一步把語言識別能力擴充到 4000 種以上，團隊還納入了其他未經標註的各類基督教讀物音訊。

很多人可能會擔心兩點：第一，宗教讀物多由男性朗讀，會不會導致模型對女性聲音識別很差；第二，學了這麼多聖經錄音，會不會讓生成的內容帶有宗教偏見。

Meta 在分析後表示，模型在男性和女性聲音上的表現基本一致，而且文本生成的實際輸出也沒有表現出宗教語言傾向。

它能做什麼

MMS 不僅是一個單獨的識別模型，而是一整套多語言語音技術組合。

它涵蓋了文本到語音的生成、語音到文本的轉寫，以及高達 4000 多種口語的自動語言分類。

這套工具可以用在虛擬現實、增強現實裝置裡，也能整合到日常的即時通訊服務中，讓說小眾語言的使用者也能直接用母語跟裝置互動。

目前 Meta 已經把 MMS 的模型和相關程式碼完全開源，研究人員和開發者可以直接下載程式碼並基於權重進行二次開發。

團隊也提到，現階段 MMS 在面對細分方言時依然有挑戰，未來還會繼續擴大語言覆蓋面，並解決複雜方言的識別問題。

為什麼重要

如果你是做小語種本地化、跨境應用或者人類語言學數字化保護的開發者，MMS 幾乎是目前市面上覆蓋最廣、最值得上手的開源底座。以前面對偏門小語種，從小樣本資料冷啟動語音模型幾乎不可能，現在 MMS 至少給了一個能直接拿來微調的高起點。

從技術路徑來看，Meta 靠公開的多語種聖經音訊來補足資料短板，思路極其精巧，幾乎零成本解決了小語種最昂貴的「找資料」難題。

不過也要看到限制，每種語言平均 32 小時的資料量，相比主流大語種動輒上萬小時的訓練集，精細度和泛化能力肯定還有差距，尤其是口音濃重或背景嘈雜時難免會掉點。但無論如何，能先把這上千種語言帶入 AI 時代，本身就是巨大的突破。