¿Qué es Omnilingual ASR?
Omnilingual ASR es una familia de modelos abiertos de reconocimiento de voz del grupo de investigación FAIR de Meta, publicada en noviembre de 2025, que transcribe más de 1.600 idiomas, entre ellos más de 500 que, según Meta, ningún sistema de reconocimiento de voz cubría antes. Es el trabajo actual de Meta en transcripción multilingüe y sucede a sus modelos Massively Multilingual Speech (MMS) de 2023, que cubrían unos 1.100 idiomas.
Todos los modelos comparten un codificador de voz wav2vec 2.0 que Meta amplió a 7 mil millones de parámetros y preentrenó con 4,3 millones de horas de audio sin etiquetar. Encima hay dos decodificadores: uno CTC rápido y otro LLM-ASR al estilo de un modelo de lenguaje, al que se le puede indicar el idioma y la escritura esperados. Cada uno se ofrece con codificadores de 300M, 1B, 3B y 7B. Un modelo zero-shot de 7B aparte transcribe un idioma con el que nunca se entrenó a partir de unas pocas grabaciones de ejemplo con sus transcripciones.
En diciembre de 2025 Meta publicó checkpoints v2 con menos errores y variantes Unlimited de LLM-ASR que procesan audio de cualquier duración; los demás modelos aceptan clips de menos de 40 segundos. El código y los modelos están bajo Apache 2.0, y el Omnilingual ASR Corpus, con voz transcrita en 350 idiomas poco atendidos, está bajo CC-BY 4.0. El repositorio no recibe commits desde el 30 de diciembre de 2025.
¿Merece la pena Omnilingual ASR?
Omnilingual ASR es el sistema abierto de reconocimiento de voz con mayor alcance, y por mucho. El modelo LLM-ASR de 7B de Meta logra una tasa de error de caracteres inferior a 10 en el 78% de los más de 1.600 idiomas que admite. En los 81 idiomas de FLEURS que también cubre Whisper large-v3, promedia una tasa de error de caracteres de 5,6 en el conjunto de prueba frente a 22,6 de Whisper, y gana en 65 de los 81 idiomas. Todas las cifras proceden del propio artículo de Meta.
La media lo favorece en los idiomas que más interesan a la mayoría de compradores. La media de Whisper se hunde por idiomas que apenas admite; en MLS, ocho idiomas europeos con muchos recursos, Whisper large-v3 logra 2,0 frente a 2,4 del mejor modelo de Omnilingual, y entre los idiomas más hablados del mundo el modelo de 7B gana 24 de 34. Meta informa de la tasa de error de caracteres, no de la tasa de error de palabras que citan la mayoría de proveedores comerciales, así que sus cifras no se pueden comparar directamente con la ficha técnica de un proveedor.
La larga cola es donde se gana su lugar, y donde es más débil. En 546 idiomas con menos de 10 horas de audio de entrenamiento, la tasa media de error de caracteres del modelo de 7B es 18,0 y solo el 36% baja de 10. El modelo zero-shot ofrece una vía para un idioma que no está en la lista, a partir de unas pocas grabaciones emparejadas, pero Meta reconoce que aún no iguala a un modelo entrenado por completo. Frente a USM de Google, que no es público, el modelo de 7B logra 6,2 en FLEURS-102 frente al mejor resultado de USM, 6,5.
La ingeniería es de nivel de investigación. Los modelos funcionan con fairseq2, el toolkit de Meta, en lugar de Hugging Face Transformers, los checkpoints estándar rechazan audio de más de 40 segundos y la documentación no describe marcas de tiempo por palabra; una petición de puntuaciones de confianza está entre las 38 incidencias abiertas. El repositorio está parado desde finales de diciembre de 2025, así que las correcciones llegan despacio. Un equipo que añade un idioma como el ligur o el feroés obtiene una base sólida con una licencia sin ataduras; un equipo que transcribe llamadas de ventas en inglés no obtiene nada que no tuviera ya.
Dónde se gana su sitio
Un equipo de datos de una ONG que emite programas de radio en idiomas de África oriental y occidental
Hacer buscables cientos de horas de emisiones en idiomas locales
Ejecuta el modelo LLM-ASR Unlimited de 7B en una GPU de clase A100 con el código de idioma de cada programa. Con el factor de tiempo real de 0,097 que da Meta para audio largo, 1.000 horas llevan unas 97 horas de GPU con tamaño de lote 1; revisa antes las tasas de error por idioma en la tabla publicada por Meta, porque los idiomas con pocos recursos varían mucho.
Una lingüista computacional que documenta una lengua en peligro
Conseguir un primer modelo de transcripción para un idioma sin ningún reconocimiento de voz
Da al modelo zero-shot de 7B unas pocas grabaciones con sus transcripciones como contexto y, cuando haya más datos, ajusta un checkpoint CTC o LLM-ASR con las recetas de Meta. La calidad zero-shot es inferior a la de un modelo entrenado, así que trata su salida como un borrador que corregir.
Un ingeniero que construye una función de voz sin conexión para un dispositivo de campo robusto
Transcribir órdenes cortas en un idioma regional sin conexión de red
El modelo CTC de 300M necesita unos 2 GiB de memoria y procesa audio con un factor de tiempo real de 0,001 en una A100, así que el hardware más pequeño tiene margen. Los modelos CTC pueden elegir la escritura equivocada en idiomas con pocos recursos, algo que los modelos LLM-ASR condicionados por idioma evitan en gran medida.
Antes de decidirte
- Puesta en marcha
- pip install omnilingual-asr (versión 0.2.0) más la biblioteca de sistema libsndfile, y luego tres líneas de Python con ASRInferencePipeline; los checkpoints se descargan a la caché de fairseq2 en el primer uso. Los códigos de idioma siguen el formato eng_Latn.
- Integraciones
- Basado en fairseq2 y PyTorch; Meta ofrece recetas de preparación de datos y ajuste fino y un Space de demostración en Hugging Face. No hay integración con Transformers ni API alojada de Meta.
- Datos y privacidad
- Autoalojado, así que el audio nunca sale de tu hardware. Apache 2.0 no impone límites comerciales ni de ámbito de uso a los modelos; el corpus está bajo CC-BY 4.0 y exige atribución.
- Coste a escala
- En una A100 con tamaño de lote 1, el LLM-ASR de 7B usa unos 17 GiB de VRAM con un factor de tiempo real de 0,092, unos 5,5 minutos de GPU por hora de audio; el CTC de 300M usa unos 2 GiB con 0,001, unos segundos por hora. Según las cifras BF16 de Meta, una GPU de 24 GB ejecuta todos los modelos, incluido el zero-shot de 7B con unos 20 GiB.
- Límites
- Los modelos estándar CTC y LLM-ASR aceptan clips de menos de 40 segundos; las variantes Unlimited aún no admiten ajuste fino. Meta solo publica tasas de error de caracteres de sus propias evaluaciones y no documenta marcas de tiempo ni puntuaciones de confianza.
Lo bueno
- Más de 1.600 idiomas, más de 500 nunca cubiertos antes por reconocimiento de voz
- Apache 2.0 para código y pesos; uso comercial permitido
- LLM-ASR de 7B: CER inferior a 10 en el 78% de los idiomas admitidos (Meta)
- El CTC de 300M necesita unos 2 GiB de VRAM y es 96 veces más rápido que el LLM-ASR de 7B
Lo malo
- Whisper large-v3 sigue ganando en idiomas europeos con muchos recursos (MLS 2,0 frente a 2,4)
- Los idiomas con pocos recursos promedian 18,0 de CER; solo el 36% baja de 10
- Los modelos estándar limitan los clips a 40 segundos; sin marcas de tiempo por palabra documentadas
- Pila fairseq2, sin soporte en Transformers; sin commits desde diciembre de 2025
Ideal para
Equipos que transcriben idiomas que las API de voz comerciales no cubren, que pueden usar sus propias GPU y aceptan herramientas de nivel de investigación.
Alternativas a Omnilingual ASR
Omnilingual ASR: preguntas frecuentes
- ¿Merece la pena Omnilingual ASR?
- Ningún otro modelo abierto transcribe 1.600 idiomas bajo Apache 2.0, y para la larga cola Omnilingual ASR es la opción por defecto; en inglés y los grandes idiomas europeos, Whisper sigue aguantando. Le damos un 4.2 sobre 5.
- ¿Cuánto cuesta Omnilingual ASR?
- Gratis bajo Apache 2.0, uso comercial incluido; el corpus de entrenamiento está bajo CC-BY 4.0. Meta no ofrece una API alojada, así que el coste es tu propio tiempo de GPU.
- ¿Qué inconvenientes tiene Omnilingual ASR?
- Whisper large-v3 sigue ganando en idiomas europeos con muchos recursos (MLS 2,0 frente a 2,4); los idiomas con pocos recursos promedian 18,0 de CER; solo el 36% baja de 10; los modelos estándar limitan los clips a 40 segundos; sin marcas de tiempo por palabra documentadas; pila fairseq2, sin soporte en Transformers; sin commits desde diciembre de 2025.
- ¿Para quién es Omnilingual ASR?
- Equipos que transcriben idiomas que las API de voz comerciales no cubren, que pueden usar sus propias GPU y aceptan herramientas de nivel de investigación.
- ¿Cuánto cuesta Omnilingual ASR para un equipo o en producción?
- En una A100 con tamaño de lote 1, el LLM-ASR de 7B usa unos 17 GiB de VRAM con un factor de tiempo real de 0,092, unos 5,5 minutos de GPU por hora de audio; el CTC de 300M usa unos 2 GiB con 0,001, unos segundos por hora. Según las cifras BF16 de Meta, una GPU de 24 GB ejecuta todos los modelos, incluido el zero-shot de 7B con unos 20 GiB.
- ¿Es Omnilingual ASR seguro para los datos de la empresa?
- Autoalojado, así que el audio nunca sale de tu hardware. Apache 2.0 no impone límites comerciales ni de ámbito de uso a los modelos; el corpus está bajo CC-BY 4.0 y exige atribución.
- ¿Cuáles son las mejores alternativas a Omnilingual ASR?
- Las alternativas más cercanas que hemos analizado son Whisper large-v3-turbo, Qwen3-ASR (1.7B and 0.6B), Parakeet TDT 0.6B v3 y Voxtral 3 (Transcribe and TTS).
Respuestas comprobadas el 9 nov 2026.
¿Desarrollas Omnilingual ASR? Muestra esta nota en tu web
