在这个AI大航海时代，我们似乎每天都在见证新的奇迹，但一个现实却鲜少被提及：全球7000多种语言中，绝大多数在AI的世界里是隐形的。当下的语音识别系统，大多只偏爱那些拥有海量数据的主流语言。

现在，Meta的基础人工智能研究（FAIR）团队决定做点不一样的。他们近日正式推出了Omnilingual ASR，一个雄心勃勃的自动语音识别系统。

它的目标简单粗暴：听懂这个星球上的大多数人。

Omnilingual ASR的第一个数字就足够震撼：它能够转录超过1600种口语语言。

让我们花点时间消化一下这个数字。大多数人甚至无法在地图上指出1600种语言的分布地。更关键的是，Meta指出，在这1600种语言中，有整整500种，以前从未被任何人工智能系统覆盖过。

这不仅仅是量变，这是在AI版图上点亮了500个全新的、此前完全黑暗的区域。FAIR团队明确表示，他们的目标是迈向一个真正的“通用转录系统”，弥合现有AI工具在语言覆盖上的巨大鸿沟。

当然，科技圈的看客们都是老江湖了，覆盖面广不代表体验好。如果一个系统能听懂1600种语言，但每种都错得离谱，那也只是个昂贵的玩具。

Omnilingual ASR的性能数据看起来相当扎实：

在它支持的1600种语言中，有高达78%的语言实现了低于10个字符的错误率（CER）。这是一个在实际应用中基本可用的标准。

对于那些资源丰富的语言（拥有至少10小时的训练音频），这个标准（低于10 CER）的覆盖率达到了惊人的95%。

真正的考验在于低资源语言（音频时长不足10小时）。即便如此，Omnilingual ASR依然为其中36%的语言提供了低于10 CER的可用转录，这对于那些几乎被数字世界遗忘的群体来说，意义重大。

Omnilingual ASR的杀手锏，是一种被称为“自带语言”的选项。

这个功能巧妙地借鉴了大型语言模型（LLM）中流行的“情境学习”（In-context Learning）技术。这意味着用户不再需要祈祷Meta的下一次更新能包含自己的母语。

相反，用户只需提供极少量的音频和文本配对样本——比如几分钟的录音和对应的文字——系统就能直接从这些样本中“现场学习”一门新语言。整个过程不需要伤筋动骨的重新训练，也不需要消耗海量的计算资源。

Meta表示，从理论上讲，这种方法有望将Omnilingual ASR的覆盖范围从1600种一举扩展到超过5400种。这几乎是在向全球7000多种语言的终极目标发起了冲锋。

按照FAIR团队的传统，这么好的东西，当然要开源。Meta这次提供了一个完整的“开源生态位”：

模型开源：Omnilingual ASR基于PyTorch的fairseq2框架构建，以Apache 2.0许可证发布。这意味着什么？意味着从研究人员到开发者，甚至商业公司，都可以自由使用、修改和构建自己的应用。模型提供了从3亿参数（适用于低功耗设备）到70亿参数（追求“顶级准确度”）的多种版本，任君选择。

数据集发布：Meta同步推出了“全语言自动语音识别语料库”（Omnilingual ASR Corpus）。这是一个包含了350种代表性不足语言的大型转录语音数据集，以CC-BY（知识共享署名许可）协议发布。

Meta此举，无异于向全球开发者社区发出邀请：工具和数据都在这里了，请尽情发挥，为你们的本地社区构建真正好用的工具。

总而言之，Omnilingual ASR的推出，是打破全球语言壁垒的重要一步。它不仅是技术上的炫技，更是在AI普惠化和全球语言平等方面，投下了一块沉甸甸的压舱石。