La division de recherche en IA de Meta a publié Omnilingual ASR, un puissant système de reconnaissance vocale open source prenant en charge plus de 1 600 langues.
Le projet vise à créer un outil de transcription universel, fournissant pour la première fois la prise en charge de l’IA pour 500 langues. Développés par l'équipe Fundamental AI Research (FAIR) de Meta, les modèles sont disponibles sous une licence permissive pour la recherche et l'utilisation commerciale.
L’initiative vise à réduire la fracture numérique en rendant accessible une technologie de synthèse vocale de haute qualité aux communautés linguistiques sous-représentées à l’échelle mondiale. La suite comprend différentes tailles de modèles, des versions légères pour appareils mobiles aux modèles à grande échelle pour une précision maximale.
Un bond en avant dans la couverture linguistique
L'échelle omnilingue de l'ASR représente une étape importante pour la technologie vocale. Sa prise en charge de plus de 1 600 langues élargit considérablement l'accès mondial, en particulier par rapport aux principaux systèmes propriétaires tels que Whisper d'OpenAI, qui couvre environ 100 langues.
Pour des centaines de communautés linguistiques, c’est la première fois que leurs paroles peuvent être transcrites par un système d’IA, ouvrant ainsi de nouvelles possibilités en matière de communication, d’éducation et de préservation numérique.
Pour atteindre cette ampleur, l'équipe FAIR de Meta a intégré des ensembles de données accessibles au public avec des enregistrements communautaires collectés grâce à des partenariats avec des organisations telles queLa voix commune de Mozilla.
Cet effort de collaboration s’est avéré crucial pour atteindre des langues avec peu ou pas d’empreinte numérique. Dans le but d'alimenter davantage l'innovation, Meta publie également leCorpus ASR omnilingue, une collection unique de discours transcrits dans 350 langues mal desservies, sous licence CC-BY. Cet ensemble de données en lui-même constitue une contribution majeure à la communauté mondiale de la recherche.
L'annonce de Meta met en évidence les performances robustes du systèmeà travers ce vaste paysage linguistique. Le modèle phare de 7 milliards de paramètres, LLM-ASR, atteint un taux d'erreur sur les caractères (CER) inférieur à 10 pour 78 % des langues prises en charge.
Ce niveau de précision en fait un outil pratique pour un large éventail d'applications, allant au-delà des cas d'utilisation expérimentaux vers un déploiement réel.
Extension de la communauté de puissance de l'architecture Open Source et LLM
Contrairement aux systèmes ASR traditionnels qui nécessitent des réglages approfondis, l'ASR omnilingue introduit une nouvelle fonctionnalité « Apportez votre propre langue ». Cette fonctionnalité, inspirée de grands modèles linguistiques, permet aux utilisateurs d'ajouter la prise en charge de langues entièrement nouvelles en fournissant seulement une poignée d'échantillons audio et textuels appariés.
Une telle approche d’apprentissage en contexte élimine le besoin d’ensembles de données massifs ou d’expertise spécialisée, permettant ainsi aux communautés d’adapter la technologie à leurs propres besoins.
Cette flexibilité est ancrée dans l'architecture avancée du système. Il associe un encodeur vocal 7B wav2vec 2.0 à grande échelle, qui apprend des représentations riches à partir de l'audio brut, avec un décodeur basé sur un transformateur similaire à ceux utilisés dans les LLM.
Cette conception est ce qui permet au modèle de se généraliser à de nouveaux langages à partir de quelques exemples. En publiant ses modèles sous la licence Apache 2.0, Meta permet aux développeurs et aux entreprises de s'appuyer librement sur cette technologie et de l'intégrer dans des produits commerciaux.
L'ensemble du projet est construit sur le logiciel open source de FAIRcadre fairseq2, garantissant une intégration profonde avec l'écosystème PyTorch.
Le paysage concurrentiel et l’impact futur
La version de Meta remodèle stratégiquement le domaine de la reconnaissance vocale open source. Plus tôt dans l'année, le modèle Parakeet de Nvidia avait pris la première place des classements publics avec une vitesse et une précision impressionnantes sur les benchmarks anglais.
Cependant, l’ASR omnilingue déplace l’accent des performances monolingues vers une échelle et une accessibilité multilingues massives. Son modèle d'expansion axé sur la communauté présente un paradigme différent des systèmes plus statiques et mis à jour de manière centralisée qui ont dominé l'espace.
L’impact potentiel pour les développeurs et diverses industries est substantiel. La licence permissive ouvre la porte à de nouvelles applications commerciales dans le service client mondial, l'analyse de contenu multimédia et les outils d'accessibilité pour les populations mal desservies.
Dans des domaines comme l’éducation et la linguistique, la technologie pourrait être utilisée pour créer des supports d’apprentissage et préserver les langues en danger.
A lire aussi :
En proposant une famille polyvalente de modèles, depuis une version légère 300M jusqu'à la puissante variante 7B, Meta équipe la communauté d'outils adaptés à divers cas d'utilisation, depuis les applications sur appareil jusqu'à la recherche de haute précision. Cette sortie constitue une étape importante vers un système de transcription véritablement universel.
