Qu’est-ce que Omnilingual ASR ?
Omnilingual ASR est une famille de modèles ouverts de reconnaissance vocale issue du groupe de recherche FAIR de Meta, publiée en novembre 2025, qui transcrit plus de 1 600 langues, dont plus de 500 qu'aucun système de reconnaissance vocale ne couvrait auparavant selon Meta. C'est le travail actuel de Meta en transcription multilingue ; il succède à ses modèles Massively Multilingual Speech (MMS) de 2023, qui couvraient environ 1 100 langues.
Tous les modèles partagent un encodeur vocal wav2vec 2.0 que Meta a porté à 7 milliards de paramètres et préentraîné sur 4,3 millions d'heures d'audio non annoté. Deux décodeurs s'y ajoutent : un décodeur CTC rapide et un décodeur LLM-ASR inspiré des modèles de langage, auquel on peut indiquer la langue et l'écriture attendues. Chacun existe avec des encodeurs de 300M, 1B, 3B et 7B. Un modèle zero-shot de 7B distinct transcrit une langue sur laquelle il n'a jamais été entraîné à partir de quelques enregistrements d'exemple et de leurs transcriptions.
En décembre 2025, Meta a publié des checkpoints v2 aux taux d'erreur plus bas et des variantes Unlimited de LLM-ASR qui traitent un audio de n'importe quelle durée ; les autres modèles acceptent des extraits de moins de 40 secondes. Le code et les modèles sont sous Apache 2.0, et l'Omnilingual ASR Corpus, de la parole transcrite dans 350 langues mal desservies, est sous CC-BY 4.0. Le dépôt n'a reçu aucun commit depuis le 30 décembre 2025.
Omnilingual ASR vaut-il le coup ?
Omnilingual ASR est le système ouvert de reconnaissance vocale qui porte le plus loin, et de loin. Le modèle LLM-ASR de 7B de Meta obtient un taux d'erreur de caractères inférieur à 10 pour 78% des plus de 1 600 langues qu'il prend en charge. Sur les 81 langues de FLEURS que couvre aussi Whisper large-v3, il affiche en moyenne un taux d'erreur de caractères de 5,6 sur le jeu de test contre 22,6 pour Whisper, et l'emporte sur 65 des 81 langues. Tous les chiffres viennent de l'article de Meta.
La moyenne le flatte sur les langues qui intéressent d'abord la plupart des acheteurs. Celle de Whisper est tirée vers le bas par des langues qu'il prend à peine en charge ; sur MLS, huit langues européennes bien dotées, Whisper large-v3 obtient 2,0 contre 2,4 pour le meilleur modèle Omnilingual, et parmi les langues les plus parlées au monde le modèle de 7B en remporte 24 sur 34. Meta publie des taux d'erreur de caractères, pas le taux d'erreur de mots que citent la plupart des fournisseurs commerciaux, si bien que ses chiffres ne se comparent pas directement à une fiche technique.
C'est sur la longue traîne qu'il justifie sa place, et c'est là qu'il est le plus faible. Pour 546 langues disposant de moins de 10 heures d'audio d'entraînement, le taux moyen d'erreur de caractères du modèle de 7B est de 18,0, et seulement 36% d'entre elles passent sous 10. Le modèle zero-shot ouvre une voie pour une langue absente de la liste, à partir de quelques enregistrements appariés, mais Meta reconnaît qu'il n'égale pas encore un modèle entièrement entraîné. Face à USM de Google, qui n'est pas public, le modèle de 7B obtient 6,2 sur FLEURS-102 contre 6,5 pour la meilleure variante d'USM.
L'ingénierie reste de niveau recherche. Les modèles tournent sur fairseq2, la boîte à outils de Meta, et non sur Hugging Face Transformers ; les checkpoints standard refusent l'audio de plus de 40 secondes, et la documentation ne décrit pas d'horodatage par mot ; une demande de scores de confiance figure parmi 38 tickets ouverts. Le dépôt est silencieux depuis fin décembre 2025, donc les correctifs arrivent lentement. Une équipe qui ajoute une langue comme le ligure ou le féroïen obtient une base solide sous une licence sans contrainte ; une équipe qui transcrit des appels commerciaux en anglais n'obtient rien qu'elle n'avait déjà.
Là où il fait la différence
Une équipe données dans une ONG qui diffuse des émissions de radio en langues d'Afrique de l'Est et de l'Ouest
Rendre consultables des centaines d'heures d'émissions en langues locales
Faites tourner le modèle LLM-ASR Unlimited de 7B sur un GPU de classe A100 en fixant le code de langue de chaque émission. Avec le facteur temps réel de 0,097 donné par Meta pour l'audio long, 1 000 heures prennent environ 97 heures GPU en taille de lot 1 ; vérifiez d'abord les taux d'erreur par langue dans le tableau publié par Meta, car les langues peu dotées varient beaucoup.
Une linguiste computationnelle qui documente une langue menacée
Obtenir un premier modèle de transcription pour une langue sans aucune reconnaissance vocale
Fournissez au modèle zero-shot de 7B quelques enregistrements et leurs transcriptions comme contexte, puis ajustez un checkpoint CTC ou LLM-ASR avec les recettes de Meta une fois les données plus nombreuses. La qualité zero-shot reste inférieure à celle d'un modèle entraîné : traitez sa sortie comme un brouillon à corriger.
Un ingénieur qui conçoit une fonction vocale hors ligne pour un appareil de terrain renforcé
Transcrire de courtes commandes dans une langue régionale sans connexion réseau
Le modèle CTC de 300M demande environ 2 GiB de mémoire et traite l'audio avec un facteur temps réel de 0,001 sur une A100, ce qui laisse de la marge à un matériel plus modeste. Les modèles CTC peuvent se tromper d'écriture dans les langues peu dotées, ce que les modèles LLM-ASR conditionnés par la langue évitent largement.
Avant de vous engager
- Mise en route
- pip install omnilingual-asr (version 0.2.0) plus la bibliothèque système libsndfile, puis trois lignes de Python avec ASRInferencePipeline ; les checkpoints se téléchargent dans le cache de fairseq2 au premier usage. Les codes de langue suivent le format eng_Latn.
- Intégrations
- Construit sur fairseq2 et PyTorch ; Meta fournit des recettes de préparation des données et d'ajustement fin ainsi qu'un Space de démonstration sur Hugging Face. Pas d'intégration Transformers ni d'API hébergée par Meta.
- Données et confidentialité
- Auto-hébergé : l'audio ne quitte jamais votre matériel. Apache 2.0 n'impose aux modèles aucune limite commerciale ni de domaine d'usage ; le corpus est sous CC-BY 4.0 et exige une attribution.
- Coût à grande échelle
- Sur une A100 en taille de lot 1, le LLM-ASR de 7B utilise environ 17 GiB de VRAM avec un facteur temps réel de 0,092, soit environ 5,5 minutes GPU par heure d'audio ; le CTC de 300M utilise environ 2 GiB à 0,001, quelques secondes par heure. D'après les chiffres BF16 de Meta, un GPU de 24 Go fait tourner tous les modèles, y compris le zero-shot de 7B à environ 20 GiB.
- Limites
- Les modèles standard CTC et LLM-ASR acceptent des extraits de moins de 40 secondes ; les variantes Unlimited ne prennent pas encore en charge l'ajustement fin. Meta ne publie que des taux d'erreur de caractères issus de ses propres évaluations et ne documente ni horodatage ni scores de confiance.
Les points forts
- Plus de 1 600 langues, dont plus de 500 jamais couvertes par la reconnaissance vocale
- Apache 2.0 pour le code et les poids ; usage commercial autorisé
- LLM-ASR de 7B : CER inférieur à 10 pour 78% des langues prises en charge (Meta)
- Le CTC de 300M demande environ 2 GiB de VRAM et tourne 96 fois plus vite que le LLM-ASR de 7B
Les points faibles
- Whisper large-v3 l'emporte encore sur les langues européennes bien dotées (MLS 2,0 contre 2,4)
- Les langues peu dotées affichent 18,0 de CER en moyenne ; seulement 36% passent sous 10
- Les modèles standard limitent les extraits à 40 secondes ; pas d'horodatage par mot documenté
- Pile fairseq2, pas de prise en charge par Transformers ; aucun commit depuis décembre 2025
Idéal pour
Les équipes qui transcrivent des langues que les API vocales commerciales ne couvrent pas, qui peuvent faire tourner leurs propres GPU et acceptent des outils de niveau recherche.
Alternatives à Omnilingual ASR
Omnilingual ASR : questions fréquentes
- Omnilingual ASR vaut-il le coup ?
- Aucun autre modèle ouvert ne transcrit 1 600 langues sous Apache 2.0, et pour la longue traîne Omnilingual ASR est le choix par défaut ; pour l'anglais et les grandes langues européennes, Whisper tient encore tête. Nous lui donnons 4.2 sur 5.
- Combien coûte Omnilingual ASR ?
- Gratuit sous Apache 2.0, usage commercial compris ; le corpus d'entraînement est sous CC-BY 4.0. Meta ne propose pas d'API hébergée : le coût, c'est votre propre temps GPU.
- Quels sont les inconvénients de Omnilingual ASR ?
- Whisper large-v3 l'emporte encore sur les langues européennes bien dotées (MLS 2,0 contre 2,4); les langues peu dotées affichent 18,0 de CER en moyenne ; seulement 36% passent sous 10; les modèles standard limitent les extraits à 40 secondes ; pas d'horodatage par mot documenté; pile fairseq2, pas de prise en charge par Transformers ; aucun commit depuis décembre 2025.
- À qui s’adresse Omnilingual ASR ?
- Les équipes qui transcrivent des langues que les API vocales commerciales ne couvrent pas, qui peuvent faire tourner leurs propres GPU et acceptent des outils de niveau recherche.
- Combien coûte Omnilingual ASR pour une équipe ou en production ?
- Sur une A100 en taille de lot 1, le LLM-ASR de 7B utilise environ 17 GiB de VRAM avec un facteur temps réel de 0,092, soit environ 5,5 minutes GPU par heure d'audio ; le CTC de 300M utilise environ 2 GiB à 0,001, quelques secondes par heure. D'après les chiffres BF16 de Meta, un GPU de 24 Go fait tourner tous les modèles, y compris le zero-shot de 7B à environ 20 GiB.
- Omnilingual ASR est-il sûr pour les données de l’entreprise ?
- Auto-hébergé : l'audio ne quitte jamais votre matériel. Apache 2.0 n'impose aux modèles aucune limite commerciale ni de domaine d'usage ; le corpus est sous CC-BY 4.0 et exige une attribution.
- Quelles sont les meilleures alternatives à Omnilingual ASR ?
- Les alternatives les plus proches que nous avons testées sont Whisper large-v3-turbo, Qwen3-ASR (1.7B and 0.6B), Parakeet TDT 0.6B v3 et Voxtral 3 (Transcribe and TTS).
Réponses vérifiées le 9 nov. 2026.
Vous éditez Omnilingual ASR ? Affichez cette note sur votre site
