Meta משחררת Omnilingual ASR: זיהוי דיבור בקוד פתוח ל-1,600 שפות, כולל עברית
ב-10 בנובמבר 2025 שחררה Meta את Omnilingual ASR, זיהוי דיבור ברישיון Apache 2.0 למעל 1,600 שפות. העברית ברשימה, עם שיעור שגיאה של 6.7 CER בטבלת Meta.
TL;DR בקצרה
- Omnilingual ASR מתמלל דיבור ב-1,600 שפות. הקוד והדגמים ברישיון Apache 2.0, והמאגר תחת CC-BY.
- העברית נתמכת: לפי טבלת Meta, 155.5 שעות אימון ושיעור שגיאת תווים של 6.7. ביידיש השיעור הוא 15.8.
- דגם CTC קטן צורך כ-2 GiB זיכרון כרטיס מסך, ודגם 7B צורך כ-17 GiB, לפי ה-README.
- הדגמים הרגילים מקבלים עד 40 שניות שמע. בדצמבר 2025 נוספה גרסת Unlimited.
ב-10 בנובמבר 2025 שחררה Meta את Omnilingual ASR, מערכת זיהוי דיבור בקוד פתוח למעל 1,600 שפות. העברית ברשימה, וגם יידיש. הקוד והדגמים ברישיון Apache 2.0, ולכן אפשר להריץ אותם על שרתים משלכם.
מה Meta שחררה ב-Omnilingual ASR
המערכת מתמללת דיבור לטקסט ב-1,600 שפות. Meta טוענת ש-500 מהן לא קיבלו תמיכה מאף מערכת דומה בעבר. המשפחה כוללת דגמים בני 300 מיליון פרמטרים למכשירים חלשים. יש גם דגמים של 7 מיליארד פרמטרים לדיוק מרבי. יש שני סוגי פענוח: CTC, ו-LLM-ASR עם מפענח הדומה למודל שפה.
Meta פרסמה גם מאגר הקלטות מתומללות ב-350 שפות עם מעט נתונים. היא בנתה אותו עם ארגונים מקומיים ששילמו לדוברי שפת אם. אפשר להוסיף שפה חדשה בעזרת מעט דוגמאות של קול וטקסט, בלי אימון מחדש. Meta מודה שהביצועים בדרך הזו נמוכים ממערכת שעברה אימון מלא.
לפי Meta, מערכת 7B-LLM-ASR מגיעה לשיעור שגיאת תווים (CER) מתחת ל-10 ב-78% מהשפות. CER מודד כמה תווים שגויים יש בתמלול. זה לא שיעור שגיאת מילים, ולכן אי אפשר להשוות בין שני המדדים.
העברית ב-Omnilingual ASR: מה אומרים המספרים
העברית מופיעה ברשימת השפות הנתמכות בקוד. לפי טבלת התוצאות ב-GitHub, Meta אימנה את הדגם על 155.5 שעות עברית. השגיאה היא 6.7 CER. במאמר המחקר מסווגת העברית כשפה עתירת נתונים, כלומר מעל 50 שעות אימון לשפה.
הממוצע של הקבוצה הזו עומד על 3.13 CER. כלומר, העברית אינה בין השפות המדויקות בקבוצה. יידיש מופיעה בנפרד, עם 12.8 שעות אימון ו-15.8 CER. הטבלה לא מפרטת על איזה מבחן נמדדה כל שפה, ולכן כדאי לבדוק על ההקלטות שלכם.
במאמר Meta משווה את הדגמים ל-Whisper large-v3, בשפות ש-Whisper תומך בהן. לפי המאמר, אפילו הדגם הקטן מנצח אותו בממוצע השגיאות ברוב המבחנים. Meta מציינת ש-Whisper חזק בכמה שפות עתירות נתונים. לדבריה, הממוצע שלו יורד בגלל שפות שהוא תומך בהן חלש. ההשוואה הזו אינה מפרטת עברית.
מה צריך כדי להריץ את Omnilingual ASR
לפי ה-README של המאגר, ההתקנה נעשית ב-pip install omnilingual-asr. הדגם הקטן מסוג CTC צורך כ-2 GiB זיכרון של כרטיס מסך. דגם LLM בגודל 7 מיליארד פרמטרים צורך כ-17 GiB. המדידה נעשתה על כרטיס A100, בקובץ שמע של 30 שניות.
יש מגבלה: הדגמים הרגילים מקבלים שמע של עד 40 שניות. לכן הקלטות ארוכות, כמו שיחות שירות או פודקאסטים, דורשות חיתוך. הנתונים האלה לקוחים מה-README של המאגר, והם עשויים להשתנות בגרסאות חדשות.
מה קרה מאז: ב-README מופיע עדכון מדצמבר 2025. Meta הוסיפה דגמי v2 עם שיפור ב-CER, וגרסת LLM-Unlimited שמפענחת שמע באורך בלתי מוגבל.
מה זה אומר עבורכם
- בדקו על הקול שלכם. קחו עשר הקלטות אמיתיות, כמו שיחות לקוחות, ומדדו כמה מילים שגויות.
- התחילו בדגם קטן. דגם CTC בגודל 300 מיליון פרמטרים רץ על כרטיס מסך צנוע.
- שמרו על פרטיות. הרצה על שרת משלכם מונעת שליחת הקלטות לספק חיצוני. בדקו את תנאי הרישיון לשימוש שלכם.
- תכננו חיתוך הקלטות. הדגמים הרגילים מקבלים עד 40 שניות, ואילו גרסת Unlimited מתאימה להקלטות ארוכות.
- הבינו מה קורה ביידיש. שיעור השגיאה של 15.8 מצביע על תמלול שיצטרך בדיקה אנושית.
מקורות והרחבה
- Omnilingual ASR: Advancing Automatic Speech Recognition for 1,600+ languagesMeta AI
- Omnilingual ASR: Open-Source Multilingual Speech Recognition for 1600+ LanguagesarXiv
- facebookresearch/omnilingual-asrGitHub
הכתבה נכתבה במקור בעברית על ידי מערכת GEEKLIK, על בסיס המקורות שלמעלה ובדיקת העובדות מולם.
מצאתם טעות? דווחו לנו
