O que é Omnilingual ASR?
Omnilingual ASR é uma família de modelos abertos de reconhecimento de fala do grupo de pesquisa FAIR da Meta, lançada em novembro de 2025, que transcreve mais de 1.600 idiomas, incluindo mais de 500 que, segundo a Meta, nenhum sistema de reconhecimento de fala cobria antes. É o trabalho atual da Meta em transcrição multilíngue e sucede os modelos Massively Multilingual Speech (MMS) de 2023, que cobriam cerca de 1.100 idiomas.
Todos os modelos compartilham um codificador de fala wav2vec 2.0 que a Meta ampliou para 7 bilhões de parâmetros e pré-treinou com 4,3 milhões de horas de áudio sem rótulo. Por cima ficam dois decodificadores: um CTC rápido e um LLM-ASR no estilo de um modelo de linguagem, que pode ser informado do idioma e da escrita esperados. Cada um vem com codificadores de 300M, 1B, 3B e 7B. Um modelo zero-shot de 7B separado transcreve um idioma em que nunca foi treinado a partir de algumas gravações de exemplo com suas transcrições.
Em dezembro de 2025 a Meta lançou checkpoints v2 com taxas de erro menores e variantes Unlimited do LLM-ASR que processam áudio de qualquer duração; os demais modelos aceitam trechos com menos de 40 segundos. Código e modelos estão sob Apache 2.0, e o Omnilingual ASR Corpus, com fala transcrita em 350 idiomas pouco atendidos, está sob CC-BY 4.0. O repositório não recebe commits desde 30 de dezembro de 2025.
Omnilingual ASR vale a pena?
O Omnilingual ASR é o sistema aberto de reconhecimento de fala com maior alcance, e com folga. O modelo LLM-ASR de 7B da Meta chega a uma taxa de erro de caracteres abaixo de 10 em 78% dos mais de 1.600 idiomas que suporta. Nos 81 idiomas do FLEURS que o Whisper large-v3 também cobre, ele tem média de 5,6 de taxa de erro de caracteres no conjunto de teste, contra 22,6 do Whisper, e vence em 65 dos 81 idiomas. Todos os números vêm do próprio artigo da Meta.
A média o favorece nos idiomas que mais interessam à maioria dos compradores. A média do Whisper é puxada para baixo por idiomas que ele mal suporta; no MLS, oito idiomas europeus com muitos recursos, o Whisper large-v3 marca 2,0 contra 2,4 do melhor modelo do Omnilingual, e entre os idiomas mais falados do mundo o modelo de 7B vence 24 de 34. A Meta informa taxa de erro de caracteres, não a taxa de erro de palavras que a maioria dos fornecedores comerciais cita, então seus números não podem ser postos lado a lado com a ficha técnica de um fornecedor.
A cauda longa é onde ele conquista seu lugar, e onde é mais fraco. Para 546 idiomas com menos de 10 horas de áudio de treinamento, a taxa média de erro de caracteres do modelo de 7B é 18,0 e só 36% deles ficam abaixo de 10. O modelo zero-shot abre um caminho para um idioma fora da lista, a partir de algumas gravações pareadas, mas a Meta diz que ele ainda não iguala um modelo totalmente treinado. Contra o USM do Google, que não é público, o modelo de 7B marca 6,2 no FLEURS-102, contra 6,5 da melhor variante do USM.
A engenharia é de nível de pesquisa. Os modelos rodam no fairseq2, o toolkit da Meta, e não no Hugging Face Transformers; os checkpoints padrão recusam áudio com mais de 40 segundos, e a documentação não descreve marcação de tempo por palavra; um pedido de pontuação de confiança está entre as 38 issues abertas. O repositório está parado desde o fim de dezembro de 2025, então as correções chegam devagar. Uma equipe que adiciona um idioma como o lígure ou o feroês ganha uma base sólida sob uma licença sem amarras; uma equipe que transcreve ligações de vendas em inglês não ganha nada que já não tivesse.
Onde ele se destaca
Uma equipe de dados de uma ONG que produz programas de rádio em idiomas da África Oriental e Ocidental
Tornar pesquisáveis centenas de horas de transmissões em idiomas locais
Rode o modelo LLM-ASR Unlimited de 7B em uma GPU da classe A100 com o código de idioma de cada programa. Com o fator de tempo real de 0,097 que a Meta informa para áudio longo, 1.000 horas levam cerca de 97 horas de GPU com lote de tamanho 1; confira antes as taxas de erro por idioma na tabela publicada pela Meta, porque idiomas com poucos recursos variam muito.
Uma linguista computacional que documenta um idioma ameaçado
Obter um primeiro modelo de transcrição para um idioma sem nenhum reconhecimento de fala
Dê ao modelo zero-shot de 7B algumas gravações com transcrições como contexto e, quando houver mais dados, ajuste um checkpoint CTC ou LLM-ASR com as receitas da Meta. A qualidade zero-shot fica abaixo da de um modelo treinado, então trate a saída como um rascunho a corrigir.
Um engenheiro que cria um recurso de voz offline para um aparelho de campo robusto
Transcrever comandos curtos em um idioma regional sem conexão de rede
O modelo CTC de 300M precisa de cerca de 2 GiB de memória e processa áudio com fator de tempo real de 0,001 em uma A100, então hardware menor tem folga. Modelos CTC podem escolher a escrita errada em idiomas com poucos recursos, o que os modelos LLM-ASR condicionados ao idioma evitam em grande parte.
Antes de decidir
- Configuração
- pip install omnilingual-asr (versão 0.2.0) mais a biblioteca de sistema libsndfile, e depois três linhas de Python com ASRInferencePipeline; os checkpoints vão para o cache do fairseq2 no primeiro uso. Os códigos de idioma seguem o formato eng_Latn.
- Integrações
- Construído sobre fairseq2 e PyTorch; a Meta oferece receitas de preparação de dados e ajuste fino e um Space de demonstração no Hugging Face. Não há integração com o Transformers nem API hospedada da Meta.
- Dados e privacidade
- Auto-hospedado, então o áudio nunca sai do seu hardware. A Apache 2.0 não impõe limites comerciais nem de área de uso aos modelos; o corpus está sob CC-BY 4.0 e exige atribuição.
- Custo em escala
- Em uma A100 com lote de tamanho 1, o LLM-ASR de 7B usa cerca de 17 GiB de VRAM com fator de tempo real de 0,092, cerca de 5,5 minutos de GPU por hora de áudio; o CTC de 300M usa cerca de 2 GiB com 0,001, poucos segundos por hora. Pelos números BF16 da Meta, uma GPU de 24 GB roda todos os modelos, incluindo o zero-shot de 7B com cerca de 20 GiB.
- Limites
- Os modelos padrão CTC e LLM-ASR aceitam trechos com menos de 40 segundos; as variantes Unlimited ainda não suportam ajuste fino. A Meta só informa taxas de erro de caracteres de avaliações próprias e não documenta marcação de tempo nem pontuação de confiança.
O que é bom
- Mais de 1.600 idiomas, mais de 500 nunca cobertos antes por reconhecimento de fala
- Apache 2.0 para código e pesos; uso comercial permitido
- LLM-ASR de 7B: CER abaixo de 10 em 78% dos idiomas suportados (Meta)
- O CTC de 300M precisa de cerca de 2 GiB de VRAM e roda 96 vezes mais rápido que o LLM-ASR de 7B
O que não é
- O Whisper large-v3 ainda vence em idiomas europeus com muitos recursos (MLS 2,0 contra 2,4)
- Idiomas com poucos recursos têm média de 18,0 de CER; só 36% ficam abaixo de 10
- Modelos padrão limitam trechos a 40 segundos; sem marcação de tempo por palavra documentada
- Pilha fairseq2, sem suporte no Transformers; sem commits desde dezembro de 2025
Ideal para
Equipes que transcrevem idiomas que as APIs comerciais de fala não cobrem, que podem rodar suas próprias GPUs e aceitam ferramentas de nível de pesquisa.
Alternativas ao Omnilingual ASR
Omnilingual ASR: perguntas frequentes
- Omnilingual ASR vale a pena?
- Nenhum outro modelo aberto transcreve 1.600 idiomas sob Apache 2.0, e para a cauda longa o Omnilingual ASR é a escolha padrão; em inglês e nos grandes idiomas europeus, o Whisper ainda se segura. Damos nota 4.2 de 5.
- Quanto custa Omnilingual ASR?
- Gratuito sob Apache 2.0, uso comercial incluído; o corpus de treinamento está sob CC-BY 4.0. A Meta não oferece API hospedada, então o custo é o seu próprio tempo de GPU.
- Quais são as desvantagens de Omnilingual ASR?
- O Whisper large-v3 ainda vence em idiomas europeus com muitos recursos (MLS 2,0 contra 2,4); idiomas com poucos recursos têm média de 18,0 de CER; só 36% ficam abaixo de 10; modelos padrão limitam trechos a 40 segundos; sem marcação de tempo por palavra documentada; pilha fairseq2, sem suporte no Transformers; sem commits desde dezembro de 2025.
- Para quem Omnilingual ASR é indicado?
- Equipes que transcrevem idiomas que as APIs comerciais de fala não cobrem, que podem rodar suas próprias GPUs e aceitam ferramentas de nível de pesquisa.
- Quanto custa Omnilingual ASR para uma equipe ou em produção?
- Em uma A100 com lote de tamanho 1, o LLM-ASR de 7B usa cerca de 17 GiB de VRAM com fator de tempo real de 0,092, cerca de 5,5 minutos de GPU por hora de áudio; o CTC de 300M usa cerca de 2 GiB com 0,001, poucos segundos por hora. Pelos números BF16 da Meta, uma GPU de 24 GB roda todos os modelos, incluindo o zero-shot de 7B com cerca de 20 GiB.
- Omnilingual ASR é seguro para dados da empresa?
- Auto-hospedado, então o áudio nunca sai do seu hardware. A Apache 2.0 não impõe limites comerciais nem de área de uso aos modelos; o corpus está sob CC-BY 4.0 e exige atribuição.
- Quais são as melhores alternativas ao Omnilingual ASR?
- As alternativas mais próximas que analisamos são Whisper large-v3-turbo, Qwen3-ASR (1.7B and 0.6B), Parakeet TDT 0.6B v3 e Voxtral 3 (Transcribe and TTS).
Respostas verificadas em 9 de nov. de 2026.
Você faz o Omnilingual ASR? Mostre esta nota no seu site
