Ep.692 Meta、1,600言語対応「Omnilingual ASR」──音声の“長尾”を一気に掬い上げる（2025年11月13日配信）

名古屋ではたらく社長のITニュースポッドキャスト · Nov 12, 2025 · 4m

11月10日、MetaのFAIRが「Omnilingual ASR」を発表しました。1,600を超える言語の音声認識を単一スイートでカバーし、これまで対応の難しかった“超・低資源”言語まで射程に入れたのが最大の特徴です。モデルは300M〜7Bの複数サイズを用意し、ゼロショットや言語条件付けにより、わずかな対訳音声からでも新言語の取り込みを狙えるとしています。コードとモデルはApache 2.0で公開され、pip install omnilingual-asrで試せる手軽さも押し出しました。

性能の目安として、7BクラスのLLM-ASRは「1,600+言語の78%でCER<10（README表記）」とされ、長尾の言語群に対しても実用域をうかがわせます。もっとも現時点の推論パイプラインは“40秒以下の音声”に制限があり、今後の拡張を予告する段階です。研究用途に向けてはW2V（自己教師）、CTC、LLM-ASRという三系統を揃え、基盤は最新のfairseq2に統一。旧fairseqから刷新されたモジュラー設計で、大規模多言語の学習・配布を回しやすくしています。

データ面でも踏み込みました。FAIRは348の“アンダーサーブド言語”で自然発話を収集した新コーパスをHugging Face上で公開。転記ルールやノイズタグを含む詳細なデータカードを備え、ライセンスはCC-BY…