本文提出了一种基于罗马拼音和在1,078种不同语言上训练的声学模型的MMS Zero-shot方法。相较最佳先前方法，MMS Zero-shot将平均字符错误率降低了46％，而我们的方法在评估语言中没有使用任何标记数据，仅有2.5倍的领域内监督基线方法的错误率。