2026年、アフリカ諸語の文字起こしに最適なツール、正直なランキング

「100以上の言語に対応」と謳う文字起こしツールのほとんどは、実際にはアフリカ言語に対応できていない。 2026年におけるアフリカ言語文字起こしの正直な現状はこうだ。大陸で最も話されている言語については、使える（完璧ではない）精度でカバーするエンジンがいくつかあり、ナイジェリアのスタートアップ1社が最も面白い取り組みをしており、そして数十の言語は事実上AIモデルでは未解決のままである。

この記事では、実際の状況をマッピングする。以下の対応状況はすべて、ベンダーのドキュメントと照合済みだ。

アフリカ言語がAI文字起こしにとって難しい理由

音声認識モデルはトレーニングデータによって向上する。多言語文字起こしに最も優れたオープンモデルであるWhisper large-v3は、約68万時間の音声でトレーニングされたが、そのうちヨルバ語とハウサ語を合わせても600時間未満だった。ウォロフ語に至ってはさらに少ない。

その結果はベンチマークに表れている。多言語評価のFLEURSでは:

• スワヒリ語: 約34%のWER（単語誤り率）
• アフリカーンス語: 約32%のWER
• ヨルバ語: 約49%のWER
• ウォロフ語: ベースのWhisperでは実質的に文字起こし不可（ベンチマークで誤り率100%超）

参考までに、同じベンチマークで英語は5%未満のWERだ。スワヒリ語の34%というWERは、平均して3語に1語が間違っていることを意味する。それでも、きちんとした後編集パスを挟めば使えるレベルだ。ヨルバ語の49%はぎりぎり。ウォロフ語は、ベースモデルレベルでは専用のファインチューニングが必要だ。

これが実際の数字である。汎用モデルでウォロフ語の精度85〜92%を謳うツールは、検証可能なソースを引用していない。

誰が何に対応しているか: 2026年対応マトリクス

以下の表は、2026年7月時点で各エンジンがドキュメントに特定のアフリカ言語を正式にリストアップしているかを示したものだ。「バッチ」はファイルアップロードのみ、「ストリーミング」はリアルタイムを意味する。空欄はその言語がリストにないことを示す。

出典: AWS Transcribeの言語テーブル（docs.aws.amazon.com/transcribe）、Google Cloud Chirp 3のドキュメント、Azure Speechの言語サポート（Microsoft Learn）、AssemblyAIの対応言語ドキュメント、Intron Sahara v2の製品ページ。すべて2026年7月に確認済み。

エンジン別の詳細解説

Whisper large-v3（OpenAI APIまたはセルフホスト経由）

Whisperは、2026年時点で実用になっているアフリカ言語の文字起こしの基盤だ。OpenAIのホスト型APIは、gpt-4o-transcribeで1分あたり$0.006、gpt-4o-mini-transcribeで1分あたり$0.003の料金がかかる。faster-whisperやwhisper.cppを使ったセルフホストなら、分単位のコストはなくなるが、その代わりにセットアップの複雑さがのしかかる。

精度の分布は均一ではありません。スワヒリ語とアフリカーンス語は「実用可能」な領域にあります。ハウサ語とアムハラ語は、重要度の低いコンテンツであれば使えます。ヨルバ語はぎりぎりです。ウォロフ語は、ベースモデルのレベルでは信頼できる文字起こしができません。

重要な能力がひとつあります。Whisperはコードスイッチング（話者が言語を混ぜる現象で、ナイジェリア、セネガル、ケニアのコンテンツでは一般的なパターン）を、ほとんどの代替製品よりもうまく処理します。

最適な用途: スワヒリ語、アムハラ語、アフリカ英語のアクセント。プライバシーを重視してセルフホスティングする研究者。すでにOpenAI APIアクセスを契約していて、多言語対応のフォールバックが必要な人。完全なコスト像はOpenAI Whisper API価格の2026年予測を参照してください。

Intron Sahara v2（2026年の注目株）

2026年におけるアフリカ言語の文字起こしで最も重要な進展は、シリコンバレーではなくラゴスで生まれたモデルです。 Intronは2026年3月にSahara v2をリリースしました。これはアフリカ30か国、4万人以上の話者から収集した5万時間の音声でトレーニングされており、録音環境は診療所、法廷、コールセンター、市場といった実際の現場です。

Sahara v2は57言語に対応しており、ハウサ語、ヨルバ語、スワヒリ語、ウォロフ語、イボ語、トウィ語、キニヤルワンダ語、ルガンダ語、ズールー語、コサ語、ショナ語、ピジン語などを明示的に含みます。また、世界初のバイリンガル・スワヒリ語英語ASRモデルを搭載し、両言語間のコードスイッチングに対応。さらに500以上のアフリカ英語アクセントのバリエーションをカバーしています。

私の見解: これは、アフリカ言語を使う本番アプリケーションを構築するなら、最初に調査すべきツールです。トレーニングデータの質（宗教的なテキストではなく実世界の録音）が、実際に多くの人が抱えるユースケースに適しています。正直な注意点: Intronは価格を公開していません。APIアクセスは可能ですが、担当チームへの問い合わせが必要です。

最適な用途: ヨルバ語、イボ語、トウィ語、キニヤルワンダ語など、一般的なモデルでは対応が不十分な言語。トレーニングデータの質が重要となる本番環境でのデプロイ。

AWS Transcribe

AWS Transcribeは、クラウドプロバイダーの中でもひときわ広いアフリカ言語リストを静かに構築してきました。ウォロフ語とハウサ語（どちらもバッチ処理のみ）、5つの国別ロケールにわたるスワヒリ語、アフリカーンス語、アムハラ語、ソマリ語、ズールー語、キニヤルワンダ語、ルガンダ語が含まれます。

料金は1分あたり$0.024（ティア1、月間最大250,000分）から始まり、利用量に応じて下がります。精度は、これらの言語のほとんどでWhisperベースのツールに劣ります。これは異なる基盤モデルを使用しているためで、アフリカ言語に関する公開されたWERデータはありません。完全なコスト内訳については、AWS Transcribeの2026年料金をご覧ください。

最適な用途: すでにAWSエコシステム内で開発を行っており、東アフリカおよび南部アフリカのさまざまな言語でバッチジョブを必要とする方。スワヒリ語のマルチロケール対応（ケニア、タンザニア、ウガンダ、ブルンジ、ルワンダ）は、真の差別化要因です。

Google Cloud Speech-to-Text（Chirp 3）

GoogleのChirp 3モデルは、アフリカーンス語（GA）、スワヒリ語、アムハラ語、ハウサ語、ヨルバ語、ウォロフ語、コサ語、ズールー語を追加しましたが、そのほとんどはGAではなくプレビュー状態です。料金は、リアルタイムで約1分あたり$0.016、動的バッチ処理で約1分あたり$0.004です。

プレビュー指定は、本番環境向けのSLAが適用されないことを意味します。特にウォロフ語の場合、汎用モデルでの「プレビュー」は精度のギャップが解消されたことを保証するものではなく、機能が存在することを示すにすぎません。実際のサンプルで評価してから導入を決定してください。

最適な用途: モデルの開発期間が長くGAとなっている東アフリカおよび南部アフリカの言語（スワヒリ語、アフリカーンス語）。プレビュー言語を本番環境で使用する場合は慎重に。

Azure Speech Service

Azureは、アフリカーンス語、アムハラ語、スワヒリ語（ケニアとタンザニア）、ソマリ語、ズールー語をGAステータスでサポートしています。ハウサ語、ヨルバ語、ウォロフ語はリストに含まれていません。料金は、リアルタイム標準文字起こしで約1分あたり$0.0167、バッチ処理で約1分あたり$0.003です。

アフリカ言語のリストはAWSやGoogleより限られていますが、サポートしている言語はプレビューではなく正式にGAです。話者分離（ダイアライゼーション）はアドオンでリアルタイムなら1時間あたり$0.30、バッチ処理なら無料です。

こんな人に最適: Azureエコシステムでスワヒリ語、アムハラ語、アフリカーンス語、ズールー語を使うデプロイ。西アフリカの言語では第一候補にはなりません。

AssemblyAI

AssemblyAIのUniversal-2モデルは、スワヒリ語（中程度の精度、WER 25〜50%帯）、ハウサ語（まずまず、WER 50%超）、アムハラ語（まずまず）、ヨルバ語（まずまず）、ソマリ語（まずまず）、ショナ語（まずまず）、リンガラ語（まずまず）に対応しています。ウォロフ語はリストにありません。価格はUniversal-2モデルで1時間あたり$0.15（1分あたり$0.0025）から、サインアップ時に$50の無料クレジット付きです。

AssemblyAIが公開しているWER帯は正直です。WER 50%超の「まずまず」は、かなりの後編集が必要になることを意味します。特にハウサ語とヨルバ語に関しては、Intron Sahara v2がそのトレーニングデータから考えて、AssemblyAIを大幅に上回る可能性が高いですが、直接のベンチマーク比較はまだ公開されていません。

こんな人に最適: アフリカ言語を英語やヨーロッパ言語と同じワークフローでカバーする単一のAPIを求める開発者。より広い比較は2026年最高の音声認識APIを参照してください。

低リソース言語の現実: AIがまだ文字起こしできない言語

2026年時点で、いくつかの大きなカテゴリーのアフリカ言語は、一般的なAIモデルでは事実上解決不可能なままです。

主要ベンダーが対応していないもの:

• バンバラ語およびマンディング諸語（マリ、ブルキナファソ、ギニア）
• ナイル・サハラ語族の大半（南スーダン、エチオピア、スーダン）
• 中央アフリカの主要言語以外のバントゥー諸語の大半（リンガラ語はAssemblyAIが対応している注目すべき例外）
• 西アフリカ全域のフラ語・フラニ語方言（Intron Sahara v2はフラニ語をサポートと記載。他のベンダーは非対応）

MetaのMMS（Massively Multilingual Speech）モデルは名目上1,100言語をカバーしていますが、多くのアフリカ言語では主に宗教文書の録音で訓練されており、データ量は50時間未満です。オープンソースで自己ホストも無料ですが、低リソース言語での精度は、大幅なファインチューニングなしでは実用レベルに達しません。

こうした言語を扱うフィールド研究者、ジャーナリスト、NGOにとって、正直な答えはこうです。人間による文字起こし、またはコミュニティの言語学者の関与が依然として必要です。AIはアフリカ言語のロングテールにおいて、スタートラインには連れて行ってくれますが、ゴールまでは届きません。

同様のパターンが別の十分にサービスされていない地域にも見られます。アジア言語に最適な文字起こしツールの投稿では、同等の低リソース言語のダイナミクスを扱っています。

アフリカ言語音声の実用的なワークフロー

一貫して機能するパターンは次の通りです。

1. 音声品質から始める。クリーンな録音は、英語よりもアフリカ言語で重要です。モデルがノイズを補正するための訓練データが少ないからです。ヨルバ語のような精度が限定的な言語では、良いマイクと最小限の背景ノイズは必須です。
2. スワヒリ語、アムハラ語、アフリカーンス語のベースラインとして、Whisper large-v3（OpenAI API経由または自己ホスト）を使用する。ハウサ語とヨルバ語では、コミットする前にサンプルでAssemblyAIと比較する。
3. 西アフリカ言語を大規模に扱う場合は、Intron Sahara v2を評価する。
4. コードスイッチングを含むコンテンツ（スワヒリ語と英語、ハウサ語と英語、フランス語とヨルバ語）では、ファイルを分割せずにツールに自動検出させる。WhisperとSahara v2はどちらも混合言語音声を処理します。
5. ネイティブスピーカーによるポストエディットの予算を組む。精度が中程度のアフリカ言語では、AI文字起こしで50〜70%まで到達します。人間のレビューが、公開可能または法的に重要なコンテンツのギャップを埋めます。

コンテンツがアフリカの言語そのものではなく、アフリカなまりの英語である場合、標準的なツールの性能はかなり良くなります。Intronの500以上のアフリカ英語アクセント対応は、コンテンツが英語でありながらアフリカ人話者によって話される、コールセンターや放送アプリケーションで特に役立ちます。

ボットや会議統合なしで、対応言語の音声ファイルをアップロードする場合、ConvertAudioToTextの音声からテキストへのツールがファイルのアップロードを直接処理し、話者ラベル付きの構造化出力を返します。これは、人間によるレビューの前にクリーンな初期トランスクリプトが必要な場合に便利です。

よくある質問

Whisper large-v3は実際にどのアフリカ言語をうまくサポートしていますか？

スワヒリ語とアフリカーンス語は、FLEURSベンチマークで公開されたWERスコア（それぞれ約34%と32%）があり、クリーンな音声と後編集パスで使用可能です。ハウサ語とアムハラ語はモデルの言語リストに含まれています。ヨルバ語は約49%のWER（ぎりぎり）です。ウォロフ語はFLEURSで極めて高いエラー率を示しており、基本のWhisperはファインチューニングなしでは実質的に信頼性のある文字起こしができません。Hugging FaceのCAYTU/Whosperのような特殊なファインチューニング済みモデルは、ウォロフ語に特化して対応しています。

AWS Transcribeはアフリカ言語をサポートしていますか？

はい、多くの人が思う以上にサポートしています。AWS Transcribeは、公式の言語テーブルによると、アフリカーンス語、アムハラ語、ハウサ語（バッチのみ）、キニヤルワンダ語、ルガンダ語、ソマリ語、スワヒリ語（ケニア、タンザニア、ウガンダ、ブルンジ、ルワンダ）、ウォロフ語（バッチのみ）、ズールー語（バッチとストリーミング）をサポートしています。これらのほとんどでWhisperベースのツールより精度は劣ります。異なる基盤モデルを使用しているためですが、カバレッジのリストは驚くほど広範です。

2026年にハウサ語またはヨルバ語の文字起こしに最適なツールは何ですか？

ハウサ語の場合、Whisperベースのツール（AssemblyAIのUniversal-2モデルもハウサ語に対応しています）が最も手軽な選択肢です。どちらもハウサ語の精度を「まずまずから中程度」と評価しており、使えるが洗練されてはいない、というのが実情です。AWS Transcribeはバッチ処理用にハウサ語をリストアップしています。ヨルバ語については、Whisper large-v3でWER約49%という結果が出ており、AssemblyAIも同様に「まずまずの精度」としています。本番品質の結果を求めるなら、どちらの言語でもツールを問わず、母語話者によるポストエディットの工程が必須です。

アフリカ言語の音声認識に特化したツールは存在するのか？

あります。ラゴス拠点のAIスタートアップIntronは、2026年3月にSahara v2をリリースしました。ハウサ語、ヨルバ語、スワヒリ語、ウォロフ語、イボ語、トウィ語、キニヤルワンダ語、ズールー語、コサ語、ショナ語、ルガンダ語、ピジン語など57言語に対応しています。30カ国から収集した5万時間分の実在するアフリカの音声データでトレーニングされており、開発者や企業向けにAPIアクセスも提供されています。ただし、価格は公開されておらず、Intronへの直接の問い合わせが必要です。

現在のAI文字起こしでは事実上対応不可能な言語は？

2026年時点でも、多くのアフリカ言語には実用的なAI文字起こしの道筋がありません。中央アフリカのバントゥー諸語の大半、西アフリカのバンバラ語やマンディング諸語の多く、ナイル・サハラ語族、そしてトレーニングデータが50時間未満しかない言語のほとんどが該当します。MetaのMMSモデルは理論上1,100以上の言語をカバーしていますが、主に宗教文書でトレーニングされており、こうしたロングテール言語での精度は非常に低いのが現状です。リソースの乏しい言語でのフィールド調査には、人手による文字起こしが今もなお唯一の信頼できる選択肢です。

出典

• AWS Transcribeの対応言語: https://docs.aws.amazon.com/transcribe/latest/dg/supported-languages.html (2026年7月確認)
• Google Cloud Chirp 3の対応言語: https://docs.cloud.google.com/speech-to-text/docs/models/chirp-3 (2026年7月確認)
• Azure Speech Serviceの言語サポート: https://learn.microsoft.com/en-us/azure/ai-services/speech-service/language-support (2026年7月確認)
• AssemblyAIの対応言語とWERレベル: https://www.assemblyai.com/docs/supported-languages (2026年7月確認)
• Intron Sahara v2の発表: https://www.itnewsafrica.com/2026/03/intron-launches-voice-ai-for-africa-with-24-languages/ (2026年3月)
• Intron Sahara v2の製品ページ: https://www.intron.io/sahara-v2/ (2026年7月確認)
• OpenAIの音声文字起こし料金: https://developers.openai.com/api/docs/pricing (2026年7月確認)
• AssemblyAIの料金: https://www.assemblyai.com/pricing (2026年7月確認)
• AWS Transcribeの料金: https://aws.amazon.com/transcribe/pricing/ (2026年7月確認)
• Whisper large-v3のFLEURS WERに関する議論: https://github.com/openai/whisper/discussions/1762 (2026年7月確認)
• CAYTU/WhosperのWolof語ファインチューン: https://huggingface.co/CAYTU/whosper-large-v2 (2026年7月確認)