論文の概要: Omnilingual ASR: Open-Source Multilingual Speech Recognition for 1600+ Languages
- arxiv url: http://arxiv.org/abs/2511.09690v1
- Date: Fri, 14 Nov 2025 01:04:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-14 22:53:22.418411
- Title: Omnilingual ASR: Open-Source Multilingual Speech Recognition for 1600+ Languages
- Title（参考訳）: Omnilingual ASR:1600以上の言語に対するオープンソース多言語音声認識
- Abstract要約: 大規模自動音声認識システムであるOmnilingual ASRを紹介する。
自己教師付き事前学習を7Bパラメータに拡張し、堅牢な音声表現を学習する。
ASRが提供しなかった500以上の言語を含む1,600以上の言語にカバー範囲を広げている。
- 参考スコア（独自算出の注目度）: 76.14451035425229
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Automatic speech recognition (ASR) has advanced in high-resource languages, but most of the world's 7,000+ languages remain unsupported, leaving thousands of long-tail languages behind. Expanding ASR coverage has been costly and limited by architectures that restrict language support, making extension inaccessible to most--all while entangled with ethical concerns when pursued without community collaboration. To transcend these limitations, we introduce Omnilingual ASR, the first large-scale ASR system designed for extensibility. Omnilingual ASR enables communities to introduce unserved languages with only a handful of data samples. It scales self-supervised pre-training to 7B parameters to learn robust speech representations and introduces an encoder-decoder architecture designed for zero-shot generalization, leveraging a LLM-inspired decoder. This capability is grounded in a massive and diverse training corpus; by combining breadth of coverage with linguistic variety, the model learns representations robust enough to adapt to unseen languages. Incorporating public resources with community-sourced recordings gathered through compensated local partnerships, Omnilingual ASR expands coverage to over 1,600 languages, the largest such effort to date--including over 500 never before served by ASR. Automatic evaluations show substantial gains over prior systems, especially in low-resource conditions, and strong generalization. We release Omnilingual ASR as a family of models, from 300M variants for low-power devices to 7B for maximum accuracy. We reflect on the ethical considerations shaping this design and conclude by discussing its societal impact. In particular, we highlight how open-sourcing models and tools can lower barriers for researchers and communities, inviting new forms of participation. Open-source artifacts are available at https://github.com/facebookresearch/omnilingual-asr.
- Abstract（参考訳）: 自動音声認識(ASR)は、オープンソースの言語では進歩しているが、世界の7000以上の言語のほとんどはサポートを受けておらず、数千の長尾言語が残されている。
ASRのカバレッジの拡大は、言語サポートを制限するアーキテクチャによって費用がかさみ、制限されている。
これらの制限を超越するために,拡張性のために設計された最初の大規模ASRシステムであるOmnilingual ASRを導入する。
Omnilingual ASRにより、コミュニティは少数のデータサンプルだけで保存されていない言語を導入することができる。
自己教師付き事前学習を7Bパラメータに拡張し、堅牢な音声表現を学習し、ゼロショットの一般化のために設計されたエンコーダ・デコーダアーキテクチャを導入し、LLMにインスパイアされたデコーダを利用する。
この能力は大規模で多様な訓練コーパスに根ざしており、カバー範囲を言語的多様性と組み合わせることで、このモデルは目に見えない言語に適応できるほど堅牢な表現を学習する。
Omnilingual ASRは、コミュニティをソースとした録音を補償したローカルパートナーシップを通じて収集した公共リソースを組み込んで、1,600以上の言語にカバー範囲を広げている。
自動評価は、特に低リソース条件において、以前のシステムよりも大幅に向上し、強力な一般化を示す。
我々はOmnilingual ASRを,低消費電力デバイス向け300万変種から最大精度で7Bまで,モデルのファミリとしてリリースする。
我々は、このデザインを形作り、その社会的影響を議論することで結論付ける倫理的考察を反映する。
特に、オープンソースモデルやツールが研究者やコミュニティの障壁を減らし、新たな形式の参加を促す方法について強調する。
オープンソースアーティファクトはhttps://github.com/facebookresearch/omnilingual-asr.comで公開されている。
関連論文リスト
- MEUSLI: a Multilingual Projector for LLM-based ASR and Beyond [7.8241547017865045]
我々は,最初のオープンサイエンス多言語プロジェクタファミリーであるMEUSLIを紹介する。
これはWhisperエンコーダとオープンソースの多言語LLMを結びつけ、28のヨーロッパ言語で完全なエンドツーエンドのASRを可能にする。
適切な連続的傾き技術を用いることで、MEUSLIは訓練で見られない他の言語にも容易に拡張できる。
論文 参考訳（メタデータ） (2026-07-24T08:52:44Z) - LoASR-Bench: Evaluating Large Speech Language Models on Low-Resource Automatic Speech Recognition Across Language Families [53.111005425237245]
大規模言語モデル(LLM)は、音声言語モデル(SpeechLM)の大幅な進歩を導いている。
LoASR-Benchはラテン文字と非ラテン文字の両方を特徴とする9つの言語ファミリーの25の言語で構成されている。
実験結果は、現実世界の低リソース言語を扱う際の最新のSpeechLMの限界を浮き彫りにした。
論文 参考訳（メタデータ） (2026-03-20T15:26:34Z) - Efficient Multilingual ASR Finetuning via LoRA Language Experts [59.27778147311189]
本稿では,WhisperをベースとしたLoRA言語エキスパートによる多言語ASRをカスタマイズするための効率的な微調整フレームワークを提案する。
LoRAエキスパート融合や知識蒸留により,本手法は従来の微調整法よりも目標言語での認識性能が向上する。
実験の結果,提案モデルでは,言語認識および言語認識のシナリオにおいて,約10%と15%の性能向上が得られた。
論文 参考訳（メタデータ） (2025-06-11T07:06:27Z) - Enhancing Multilingual ASR for Unseen Languages via Language Embedding Modeling [50.62091603179394]
最も先進的なASRモデルの1つであるWhisperは99の言語を効果的に扱う。
しかし、ウィスパーは未確認の言語と戦っているが、それらは事前訓練には含まれていない。
本研究では,これらの関係を利用して未知言語上でのASR性能を向上させる手法を提案する。
論文 参考訳（メタデータ） (2024-12-21T04:05:43Z) - Enabling ASR for Low-Resource Languages: A Comprehensive Dataset Creation Approach [0.6445605125467574]
本研究では,オーディオブックからASRトレーニングデータセットを生成するための新しいパイプラインを提案する。
これらのオーディオブックの共通構造は、音声セグメントの幅が広いため、ユニークな課題である。
本稿では,音声を対応するテキストと効果的に整合させ,それをASR訓練に適した長さに分割する手法を提案する。
論文 参考訳（メタデータ） (2024-06-03T15:38:40Z) - Scaling Speech Technology to 1,000+ Languages [66.31120979098483]
MMS(Massively Multilingual Speech)プロジェクトは、タスクに応じてサポート言語を10～40倍増やす。
主な材料は、一般に公開されている宗教文書の読解に基づく新しいデータセットである。
我々は,1,406言語,1,107言語用1つの多言語自動音声認識モデル,同一言語用音声合成モデル,4,017言語用言語識別モデルについて,事前学習したwav2vec 2.0モデルを構築した。
論文 参考訳（メタデータ） (2023-05-22T22:09:41Z) - From English to More Languages: Parameter-Efficient Model Reprogramming
for Cross-Lingual Speech Recognition [50.93943755401025]
言語間音声認識のためのニューラルモデル再プログラミングに基づく新しいパラメータ効率学習フレームワークを提案する。
我々は、学習可能な事前学習機能強化に焦点を当てた、異なる補助的ニューラルネットワークアーキテクチャを設計する。
提案手法は,既存のASRチューニングアーキテクチャとその拡張性能を自己監督的損失で向上させる。
論文 参考訳（メタデータ） (2023-01-19T02:37:56Z) - A Survey of Multilingual Models for Automatic Speech Recognition [6.657361001202456]
言語間移動は多言語自動音声認識の課題に対する魅力的な解法である。
自己監督学習の最近の進歩は、多言語ASRモデルで使用されるラベルなし音声データへの道を開いた。
多様な言語や技術の研究から多言語モデルを構築するためのベストプラクティスを提示する。
論文 参考訳（メタデータ） (2022-02-25T09:31:40Z) - Towards Building ASR Systems for the Next Billion Users [15.867823754118422]
インド亜大陸からの低資源言語のためのASRシステム構築に貢献する。
まず、40言語を対象に、17,000時間の生音声データをキュレートする。
この生の音声データを用いて、40のインドの言語に対して、いくつかのwav2vecスタイルモデルを事前訓練する。
論文 参考訳（メタデータ） (2021-11-06T19:34:33Z) - That Sounds Familiar: an Analysis of Phonetic Representations Transfer
Across Languages [72.9927937955371]
我々は、他言語に存在するリソースを用いて、多言語自動音声認識モデルを訓練する。
我々は,多言語設定における全言語間での大幅な改善と,多言語設定におけるスターク劣化を観察した。
分析の結果、ひとつの言語に固有の電話でさえ、他の言語からのトレーニングデータを追加することで大きなメリットがあることがわかった。
論文 参考訳（メタデータ） (2020-05-16T22:28:09Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。