一言でいうと

Metaは2025年11月10日、1,600以上の言語に対応する自動音声認識（ASR）スイート「Omnilingual ASR」を公開しました。コードとモデルはApache 2.0で配布され、GitHubやHugging Faceで資料やデモ、技術論文が公開されています。商用利用にも制限がない点が大きな特徴です。

なぜ注目なのか

“言語の数”だけを見ると驚きがありますが、本当に面白いのは未学習言語を再訓練なしで扱える仕組みです。推論時に数組の音声とテキストの対例を与えるだけで、新しい言語を認識できるゼロショット機能（インコンテキスト学習）を備えています。言い換えれば、新しい言語を“教え込む”代わりに、例を数個見せてその場で対応させるイメージです。

技術の中身を平易に説明すると

  • 基盤はwav2vec 2.0系の自己教師あり学習モデルです。これは音声から言語に依存しない特徴を学ぶ技術です。
  • その上に、CTCベースの従来型ASR、音声エンコーダとトランスフォーマーデコーダを組み合わせたLLM-ASR、推論時適応を重視したLLM-ZeroShotなど複数のモデルが用意されています。
  • 学習データは約430万時間を超える規模で、エンコーダ—デコーダ方式で音声を一旦抽象表現に変換してから文字列に戻します。

この構成により、学習データが乏しい言語でも実用的に扱える可能性が開けます。理論上は5,400言語以上への拡張も可能とされています。

公開形態と使い勝手

  • コード・モデルともにApache 2.0ライセンスで公開。商用利用も可能です。
  • インストールはPyPIやHugging Face経由で簡単に始められます。
  • GitHub上にはデモや実装例があり、言語コードによる条件付けなど開発者向けツールも充実しています。

つまり、研究者も企業も手を出しやすい形で公開されています。

性能と注意点（実務眼で）

Metaが示す指標では、**対応言語の78%でCER（文字誤り率）<10%**を達成しています。資源別では次の通りです。

  • 高・中資源言語：95%がCER < 10%
  • 低資源言語：36%がCER < 10%

要するに、言語ごとに性能差がある点は重要です。導入前には以下を確認してください：

  1. ターゲット言語での実測CERを確認する。
  2. 推論に必要なGPUメモリやレイテンシを評価する（最大モデルは約17GBのGPUメモリを必要とします）。
  3. 地域コミュニティとの協働や倫理面の整備を行う。

小型モデル（300M〜1Bクラス）は低消費電力端末でも動き、リアルタイム転写が可能と報告されています。

社会的な側面とデータ収集

Metaはデータ収集でアフリカやアジアの複数組織と協働し、協力に対して報酬を支払う形で少数言語データを集めたとしています。オープン化とゼロショットの組合せは、少数言語の保存やアクセシビリティ向上に寄与する可能性が高い一方で、地域コミュニティとの透明な協力や倫理的配慮が不可欠です。

どんな場面で役に立つか（具体例）

  • 多言語対応の音声アシスタント
  • 動画や会議の自動字幕生成
  • 口述記録のデジタル化や支援技術
  • 低資源言語向けの教育・保存プロジェクト

言語リストに縛られずに“拡張”できる点は、特に現場での運用性を高めます。

最後に：期待と現実

Omnilingual ASRは、従来の“対応言語リスト”を超えて、場で学ぶ（in‑context learning）ASRへの一歩を示しました。希望を感じさせる一方で、実運用では言語ごとの性能差や運用コスト、地域協働の課題が残ります。

導入を検討するなら、まず小さな実証を回して実測データを集めることをおすすめします。コミュニティと手を取り合いながら、現場での実用性を少しずつ積み上げていく――そんな使い方が最も現実的でしょう。