Bhashini提供22种印度语言的语音服务和36种语言的文字服务，印度理工学院马德拉斯分校的一个实验室为全部22种宪法所列语言打造了开放翻译模型

据政府新闻机构新闻信息局（PIB）的一份背景文件，截至2026年2月9日，印度政府的语言平台Bhashini提供22种语言的语音服务和36种语言的文字服务。同一份文件说，平台上有350多个AI模型和数据集，已完成超过40亿次语言推理，即400千万次（crore），每一次推理就是模型对一个请求运行一遍。

这个平台所用的开放数据集和模型，来自印度理工学院（IIT）马德拉斯分校的实验室AI4Bharat，它是该使命的数据管理单元。它的翻译模型IndicTrans2，据作者介绍，是第一个支持宪法第八附表全部22种语言的模型。

始于2022年7月的使命

Bhashini是国家语言翻译使命（National Language Translation Mission）的通用名称。电子和信息技术部（MeitY）通过数字印度Bhashini司负责运营，官网称该司是数字印度公司旗下的一个独立部门。在PIB 2022年8月的情况说明中，这个名字展开为“BHASa INterface for India”，说明还称总理是在甘地讷格尔举行的2022年数字印度周开幕式上启动它的。Swarajya的报道把日期定为2022年7月4日，并称三年拨款495.51千万卢比（Rs 495.51 crore，约合49.551亿卢比）。

情况说明列出三个目标。公民可以用印度语言上网、使用数字服务，包括通过语音。一项名为Bhasha Daan的众包行动，向公众收集语言数据。Bhashini则充当协调者，把政府、企业、学界和初创公司的贡献汇入一个开放的资源库。

到2026年2月，PIB把这些服务描述为翻译、语音转文字、文字转语音、转写（把一个词写成另一种文字）和文档理解。用它的话说，要点在于其他平台不必从零做起，就能加上语言和语音功能。在PIB 2026年2月10日的背景文件中，平台下载量已超过120万次，而tuput在2026年10月15日查阅时，官网列出的手机应用下载量为140万次以上。更大范围的政府AI计划，包括算力资助，见tuput关于印度用自己的语言构建AI的文章。

印度理工学院马德拉斯分校的实验室

AI4Bharat自称是印度理工学院马德拉斯分校的研究实验室，通过开源贡献研究面向印度语言的AI。它列出的重点领域是转写、语言理解与生成、翻译、语音识别和语音合成。主页上列出的资助方有电子和信息技术部、Rohini Nilekani Philanthropies、EkStep基金会、C-DAC、微软、谷歌和Yotta Infrastructure。

该页面写明，数据收集得到电子和信息技术部的拨款，并称这是Bhashini数据管理单元的一部分。IndicTrans2论文的致谢中也这样说：该项目的译员、审校和语言专家，得到了数字印度Bhashini使命拨给印度理工学院马德拉斯分校的一笔经费，用于承担这一职责。

2023年3月，印度理工学院马德拉斯分校校长V Kamakoti对Moneycontrol说，AI4Bharat的Nilekani中心的研究人员已经做出一个支持九种语言的文字翻译器，是Bhashini的一部分。报道还说，该中心2022年成立，起初得到Nilekani Philanthropies 36千万卢比（Rs 36 crore）的拨款。

IndicTrans2，覆盖全部22种语言的模型

印度有22种宪法第八附表所列语言，论文指出，约97%的人口以其中一种为母语。关于这22种语言是如何选出的，可参阅tuput关于第八附表的解读。

IndicTrans2论文有14位作者，由Jay Gala和Pranjal Chitale牵头，2023年5月25日发布于arXiv，2023年12月刊于《机器学习研究汇刊》（Transactions on Machine Learning Research）。摘要说，在这项工作之前，没有覆盖全部22种语言的平行训练数据（同样的句子的两种语言版本，模型靠它来学习），没有覆盖全部语言的基准测试，也没有支持全部语言的翻译模型。

团队做出了三样东西。Bharat平行语料库（BPCC）收有约2.3亿个句对，其中1.26亿个是新增的，包括64.4万个人工翻译的句对。IN22是一个测试集，作者称它是第一个在全部22种语言中内容相同的基准。IndicTrans2本身有11亿个参数，另有约2.11亿参数的蒸馏版本，第二版可以在印度语言之间直接互译，不必经过英语，共覆盖462个翻译方向。

在质量方面，作者报告说，用BLEU、chrF++和COMET这几种自动评分衡量，IndicTrans2的表现与Meta的开放NLLB模型以及谷歌和微软的商业系统相当。这些是作者自己的评测。论文还说，机器翻译研讨会（Workshop on Machine Translation）这项长期举办的共同任务，16年间一共只涉及4种印度语言。

模型和数据以开放许可发布。GitHub仓库列出的模型检查点采用MIT许可，其发布说明记录了2025年1月18日的一次长上下文更新。印度的AI资源库AIKosh也列有IndicTrans2条目，来源机构为数字印度Bhashini司。tuput打开的页面都没有说明某项具体的Bhashini服务内部运行的是哪个模型，因此本文不作这样的断言。

底层的文字和语音数据

IndicTrans2借助了同一团队此前的发布。最早的是IndicNLPSuite，2020年11月发表于《EMNLP发现》（Findings of EMNLP）。它提供11种语言和印度英语的单语文本，共88亿个词元，多取自新闻抓取，还有基于紧凑的ALBERT架构的预训练语言模型。

2023年的ACL后续论文由Sumanth Doddapaneni等人撰写，把语料库（IndicCorp）扩大到24种语言的209亿个词元，约为此前规模的2.3倍。它还推出了IndicXTREME，一个涵盖20种语言、九项任务、105个评测集（其中52个为新增）的基准，以及语言模型IndicBERT v2，作者称它比一个强基线平均高出2分。

在语音方面，IndicSUPERB论文中的Kathbath语料库收有12种语言、1,684小时的带标注语音，来自203个县的1,218位贡献者。2024年3月发布的IndicVoices有7,348小时语音，来自145个县的16,237位说话人，涉及22种语言，其中1,639小时已转写。其中只有9%是朗读文本，74%是即兴发言，17%是对话。

用在哪里

PIB 2026年2月的背景文件给出两个事例。在瓦拉纳西的卡希泰米尔文化交流节（Kashi Tamil Sangamam）上，总理的印地语演讲通过Bhashini实时译成泰米尔语。在2025年大壶节上，一个由Bhashini驱动的聊天机器人Kumbh Sah’AI’yak，用11种语言向朝圣者提供导航和活动信息，还有一个带实时文字和语音翻译的失物招领功能。官网还引述总理的话，说在2024年最高法院钻石大庆上，他的演讲被实时译成了英语。

议会于2025年3月18日加入。人民院秘书处与电子和信息技术部签署了Sansad Bhashini协议，议会提供辩论档案用于微调工具，Bhashini提供翻译。PIB的新闻稿列出四项计划中的用途：把往年辩论文件译成地区语言，为议会网站做聊天机器人，印度语言的语音转文字，以及带实时转录的语音转语音。Bhashini主页现在挂着一个Sansad Bhashini横幅，介绍面向议会的翻译、转录和摘要服务。

在铁路方面，数字印度Bhashini司与铁路信息系统中心（CRIS）于2025年6月9日签署协议，要把22种语言的文字、语音和字符识别工具带到全国列车查询系统和投诉门户RailMadad等系统。印度全印广播电台报道说，研讨会和试点将在随后几个月开始。Bhashini的“我们的影响”页面另外把该查询系统列为使用文字和语音识别的服务，同时列出的还有政府的CPGRAMS申诉门户，称它提供22种语言的文字和16种语言的语音。

在法院方面，据PIB 2026年2月11日的背景文件，最高法院用与国家信息中心合作开发的SUVAS工具，把判决书译成18种印度语言，并放在e-SCR门户上。背景文件说，译文在司法框架内经过审核，但没有说SUVAS用的是哪种语言引擎。tuput关于印度法院中AI的报道列有法院工具的完整清单和相关文件。

已公布的数字没有回答的问题

IndicTrans2论文直接说明了还有哪些工作要做。它说，对于曼尼普尔语（梅泰语）、桑塔利语和天城文书写的信德语，模型的泛化能力有限，数据丰富的语言和数据稀少的语言之间仍有性能差距。作者给出的原因是人工标注数据稀缺，网络内容也少。

平台支持的语言数量因服务和日期而异。PIB 2026年2月的背景文件给出22种语音语言和36种文字语言，而官网列出的某个申诉系统是16种语言的语音。为本文打开的页面没有给出已部署服务的准确率数字，铁路和议会的协议描述的是计划中的工作。关于印度语言语音系统的独立比较，收在tuput的语音和翻译模型汇总中。

AI4Bharat自己的页面列出了一个目标：从400多个县收集15,000小时的转写语音，这是目标，不是已完成的总数。