在去年11月Google公布計劃後，近期Google發表了關於「通用語音模型（USM）」的API和研究成果。Google的自動語音辨識（ASR）是以「不斷自我監督學習並微調」的方式進行。目前已經可以支援 100 多種語言自動辨識，最終目標是希望開發到1000種語言。
全球搜尋引擎公司Google所設計的「自動語音辨識」，辨識參數有1200萬小時語音，並經過280億組訓練，涵蓋300多種語言，而目前可以支援到一百多種語言自動辨識。支援語種、資料庫是非常龐大的規模，目前Google還在持續開發設計，最終目標是支援到 1000 種語言。
自動語音識別的最大挑戰是「傳統監督學習」缺乏可擴展性，並且費時費力，所以模型本身需要更高效的方式改進來擴大語種跟辨別品質。Google對於自動語音辨識有三大自我監督學習的新設計，分別是「自我監督學習法」，可在無外部監督的情形下大量分析並學習語音資料，「多目標監督預訓練模型」，則可進行整合各地其他資訊，最後是「介入監督式 loss 函數」，對終端任務進行微調。
YouTube 的「即時語音辨識」與「翻譯」品質改善，正是因為 Google 已把這版的 USM 使用在 YouTube ，特別在使用量較少的 73 種語言上，實現低於 30% 的單詞錯誤率。
