AIが低リソース言語で苦戦する理由、2026年の正直な現状

AI文字起こしは、英語の録音に対してはほぼ完璧に機能するのに、同じ内容をヨルバ語で録音すると、ほぼ読めたものではない結果を生み出します。両方の話者は同じくらい明瞭に話していました。問題は音声ではありません。問題は、モデルが学習するのに十分なヨルバ語のデータを持っていなかったことです。

そのギャップには名前があります。低リソース言語問題です。この記事では、なぜそれが存在するのか、技術的なメカニズムは何か、そして2026年にどこで実際にギャップが埋まりつつあるのかを説明します。

「低リソース」が実際に意味するもの

音声認識の研究において、低リソース言語とは、ラベル付きトレーニングデータ（録音された音声と正確な書き起こしのペア）が限られている言語を指します。正確な基準は研究の文脈によって異なりますが、2026年の実用的な分類はおおよそ次のようになります。

• 高リソース: 数十万時間のラベル付き音声。英語、中国語（マンダリン）、スペイン語、フランス語、ドイツ語、ポルトガル語、アラビア語、日本語、韓国語。ここでトレーニングされたモデルは、クリーンな音声でワードエラー率（WER）5%未満という本番品質の精度に達します。
• 中リソース: 数万時間。イタリア語、オランダ語、ベトナム語、タイ語、インドネシア語、ポーランド語、トルコ語、ウクライナ語。本番モデルはWER 8〜15%の範囲に達し、信頼できる下書きレベルの文字起こしに十分です。
• 低リソース: 数千時間以下。スワヒリ語、ハウサ語、ウォロフ語、ベンガル語、タミル語、ウルドゥー語、フィリピノ語。エラー率が高く、書き起こしを公開する前に人間によるレビューが必須です。
• 超低リソースまたは非対応: 書き起こし音声が1,000時間未満、場合によっては100時間未満。アフリカのほとんどの言語、多くの先住民族言語、世界中の数百に及ぶ小規模な地域言語が該当します。これらの一部は、2025年後半までどのASRモデルでも対応されていませんでした。

これらの分類は、主要なモデルがリリースされるたびに変わります。OpenAIは、Whisper large-v3が対応する99言語のうち20言語について、トレーニングデータがまったくないことを指摘しました。つまり、それらの言語に対する予測は、学習されたものというより、本質的に外挿されたものなのです。

トレーニングデータが本当のボトルネックである理由

音声モデルは事例から学習する。十分な量の録音と正確な文字起こしがペアになって与えられれば、モデルは各単語を構成する音、その音が話者の年齢やアクセントによってどう変化するか、そして文脈が似た音の単語をどう聞き分けるかを学ぶ。

その差は算数の問題だ。 英語の音声モデルは、数百万時間規模の学習データにアクセスできる。一方、ヨルバ語には公開されているラベル付き音声がおそらく数百時間しかない。ある言語で百万時間、別の言語で百時間のデータで訓練されたモデルは、アーキテクチャがどれほど洗練されていようと、同等の結果を出せない。

これは悪意や意図的な設計選択ではない。これらのデータセットが構築された当時、大規模なデジタル音声が存在していた場所を反映しているにすぎない。放送インフラ、ポッドキャストプラットフォーム、オーディオブック、音声アシスタントのデータは、圧倒的に少数の主要言語に偏っている。

FLEURSベンチマークはこれを具体的に示している。FLEURSは102言語の並行データを使って音声モデルを評価する。Whisper large-v3はFLEURS全体で平均WER 7.4%を達成しているが、その見出し数字はばらつきを隠している。パシュトー語では、公開された評価によるとWhisper large-v3のWERは89%を超える。アムハラ語やヨルバ語のような言語では、WERが100%を超えることさえある。これは特定の失敗モードによるものだ。モデルが同じ単語トークン数で、もっともらしく聞こえるが構造的に間違った出力を生成し、単語数よりも多くのエラーを生み出すのだ。

精度の概念についてより深く解説したものは、文字起こし精度の解説を参照してほしい。

声調言語が問題をさらに複雑にする理由

北京語、ベトナム語、タイ語、ヨルバ語、イボ語などの声調言語は、データ不足に加えてさらなる難しさがある。これらの言語では、音節上のピッチの輪郭が単語の意味を変える。同じ子音と母音の並びでも、上昇調で発音すれば下降調で発音した場合とは異なる意味になる。

ピッチは音素よりもモデル化が難しい。話者のタイプ、感情、強調によって連続的に変化するからだ。また、背景ノイズにも敏感で、訓練データ自体も一貫性に欠けることが多い。たとえば、ヨルバ語の書き言葉では声調記号が正書法上のピッチを示すが、データの質や声調記号の付け方は情報源によって大きくばらつく。

LoResLMワークショップで発表された2026年の論文では、ヨルバ語に対するWhisperとMetaのMMS-1Bを評価し、結果は一貫して声調記号なしのデータを優先することがわかった。これは直感に反するが、モデルが声調記号なしの例をより多く学習しているため、正確な声調生成を必要としない出力では性能が上がるという理屈だ。つまり、モデルがテキストを生成する場合でも、言語の意味を担う声調記号を削除したり、誤って生成したりしている可能性が高い。

特定の言語でこれがどう展開するか詳しく見たい場合は、ヨルバ語の文字起こし: 正直な評価を参照。

非ラテン文字がさらなる摩擦を生む理由

AIの訓練テキストの大半は、音声文字起こしだけでなく、モデルがこれまで見てきたすべてのテキストが、ラテンアルファベットの言語に大きく偏っている。モデルがゲエズ文字(アムハラ語)、アラビア文字、デーヴァナーガリー文字、タイ文字などの非ラテン文字を出力するには、文字体系、単語分割ルール、テキスト生成の慣習に対する別個の学習能力が必要になる。

高リソースの非ラテン文字言語(中国語、アラビア語、日本語、ロシア語、韓国語)では、膨大な訓練データが補うため問題はない。しかし、低リソースの非ラテン文字言語(アムハラ語、ティグリニャ語、クメール語、シンハラ語)では、音声訓練データが少ないうえに、その文字体系のテキスト訓練データも少ないという二重の課題がのしかかる。

アムハラ語は、今もなお実際に使われている文字体系の中でも最も古いものの一つであるゲエズ文字を使用しており、その文字数は276にも上ります。アムハラ語を学習するモデルは、限られた例文から、珍しい音韻体系と異例の文字レパートリーの両方を学ぶことになります。実際の様子については、アムハラ語文字起こし: エチオピアの現状 2026 をご覧ください。

コードスイッチングが問題をさらに複雑にする理由

多くの低リソース言語は、コードスイッチングが頻繁に起こる環境で話されています。話者は、文単位または単語単位で、現地語と支配的な地域言語や植民地言語の間を行き来します。ウォロフ語とフランス語、ハウサ語と英語、タガログ語と英語、ヨルバ語と英語、ヒンディー語と英語などがその例です。

単一言語のデータだけで訓練されたAIモデルは、こうした場面で予想通りにうまく機能しません。モデルが曖昧な部分に遭遇すると、高リソース言語を優先してしまいます。ウォロフ語とフランス語の会話が、ほぼ全てフランス語に変換され、ウォロフ語のフレーズは誤った音声表記になったり、フランス語の単語として幻覚的に生成されたりする可能性があります。ハウサ語と英語のやり取りも、英語に収束してしまうかもしれません。

コードスイッチングを含むデータで訓練されたモデルはこの問題をよりうまく処理しますが、コードスイッチングを含む訓練コーパスは、ほとんどの言語ペアにおいて依然として限られています。NaijaVoicesデータセット（1,800時間以上、ハウサ語、イボ語、ヨルバ語にわたる5,000人以上の話者、2025年公開）は、ナイジェリアの言語に対するこの問題に取り組む、最近の最も重要な取り組みの一つです。状況が大幅に改善された事例については、ヒンディー語と英語のコードスイッチング文字起こし をご覧ください。

2026年に実際に進展が見られる分野

そのギャップは現実のものです。しかし、それは縮まりつつあります。より優れたモデルアーキテクチャと、真剣なデータセット収集の取り組みの両方によってです。

Meta Omnilingual ASR（2025年11月）

Metaは2025年11月10日にOmnilingual ASRを公開しました。これは1,600以上の言語をカバーし、そのうち約500言語はこれまでどのASRシステムでもサポートされたことがありませんでした。最大モデル（7Bパラメータ）は、それらの言語の78%で文字誤り率10未満を達成しています。このシステムはオープンソースで、ごく少数のペア例を使ったインコンテキスト学習により、さらに言語を拡張できます。学習コーパスにはOmnilingual ASR Corpusが含まれ、African Next Voices、Mozilla Foundation、学術パートナーと共同で構築され、350の十分なリソースがない言語についてネイティブスピーカーの録音を収録しています。

これは、これまでに公開されたASRの言語カバレッジ拡大の中で最も重要なものです。ただし、1,600言語の78%でCERが10未満ということは、残り22%の言語では依然として誤り率が高いことを意味し、最もリソースが乏しい言語での実運用精度は、英語ユーザーが体感する水準には遠く及びません。

Google Chirp 3（2025年）と1,000言語イニシアチブ

GoogleのUniversal Speech Model（USM）は、Chirpシリーズの音声APIの基盤となっています。2025年にリリースされたChirp 3は、300以上の言語にわたる1,200万時間の音声で学習し、ストリーミング対応と多言語精度の向上を追加しました。Googleの長期的な研究目標は1,000言語をカバーするシステムであり、USMはその目標への最初のマイルストーンとして位置づけられました。

コミュニティデータセット：Common VoiceとLacuna Fund

2026年6月にリリースされたMozilla Common Voice v26.0は、294言語をカバーし、131言語で21,594時間の検証済み音声を提供しています。ハウサ語、キニヤルワンダ語、ルガンダ語で新たに検証された音声1時間ごとに、将来のモデルリリースの燃料となります。Lacuna Fundは、複数の資金提供コホートを通じて29以上のアフリカ言語のデータセット作成を支援してきました。NaijaVoicesデータセット（ハウサ語、イボ語、ヨルバ語）もその成果の一つです。

これらのデータセットが重要なのは、モデルは学習データと同じ程度にしか良くなれないからです。 ネイティブスピーカーがCommon Voiceに提供する録音はすべて、そのまま学習データとして利用できます。

自己教師あり事前学習

低リソース言語にとって最も重要なアーキテクチャ上の転換は、自己教師あり学習です。モデルは対象言語の大量の生の未ラベル音声で事前学習し、限られたラベル付きデータで微調整する前に、一般的な音韻構造を学習します。wav2vec 2.0とHuBERTがこのアプローチを確立しました。AfriHuBERT（Interspeech 2025で発表）はこれをアフリカ言語に特化して適用し、アフリカーンス語、ハウサ語、スワヒリ語で、従来システムのようなラベル付きデータの要件なしにWER 60%未満を達成しています。

自己教師あり事前学習は、特定の精度に到達するために必要なラベル付きデータの量を効果的に削減します。これはトレーニングデータの問題を完全に解消するわけではありませんが、ブートストラップに必要なラベル付きデータの量を減らします。

言語特化型の微調整モデル

単一言語で微調整された小型モデルは、その対象言語において、汎用の多言語モデルを上回る性能を発揮することがよくあります。研究者たちはWhisperをアムハラ語、パシュトー語、ウェールズ語、その他の低リソース言語向けに微調整し、ベースの多言語モデルと比べて有意な精度向上を実現しています。これらのモデルはHugging Faceやその他のリポジトリに存在しますが、本番展開には、あなたの特定のコンテンツ領域に対する評価が依然として必要です。

2026年のユーザーにとっての正直な現状

高リソース言語（英語、スペイン語、フランス語、ポルトガル語、ドイツ語、アラビア語、北京語、日本語、韓国語、ヒンディー語、ベトナム語、インドネシア語、ロシア語、イタリア語、オランダ語、ポーランド語、トルコ語）で仕事をしているなら、AI文字起こしはほとんどのユースケースで本番品質で機能します。

低リソースだが改善中の言語（スワヒリ語、ハウサ語、ヨルバ語、ウォロフ語、ベンガル語、タミル語、ウルドゥー語、フィリピノ語）で仕事をしている場合、現在のAI文字起こしは使える初稿を生成しますが、レビュー工程を計画してください。精度は話者の明瞭さ、音声環境、専門領域に大きく依存します。本番ワークフローを構築する前に、代表的な音声でテストしてください。この言語グループの文脈については、アフリカ言語向け文字起こしツールで現在利用可能なものを紹介しています。

非常に低リソースの言語（残りのアフリカ言語の大半、南北アメリカや太平洋の多くの先住民族言語、世界各地の小規模な地域言語）で仕事をしている場合、2026年半ば時点での正直な答えはこうです。AI文字起こしはせいぜい大まかな出発点にすぎません。手動文字起こしをワークフローの中心に据え、AIは白紙の問題を減らす前処理ステップとして使う計画を立ててください。

有料プランにコミットせずに自分の音声でAI文字起こしを試したい場合は、ConvertAudioToTextで無料枠にアクセスでき、精度がニーズを満たすか判断する前に特定のコンテンツをテストできます。

今すぐユーザーができること

オープンな音声データセットに貢献する。 Mozilla Common Voiceは、対応言語のネイティブスピーカーからの録音を受け付けています。各録音は将来のモデルトレーニングに直接つながります。

AIベンダーに透明性を求める。 文字起こしツールがあなたの言語をサポートしていると主張する場合、代表的なコンテンツでの精度データを尋ねてください。かろうじてサポートしている言語をリストアップしているツールもあります。WERは同じ言語内でも、領域、話者、アクセントによって大きく異なります。

実際に得られる精度に合わせてワークフローを構築する。 低リソース言語の場合、編集時間を計画してください。AI出力は完成した文字起こしではなく、初稿として使います。重要な引用は元の音声と照合してください。

モデルリリースを追跡する。 2025年下半期には、低リソース言語の改善ペースが加速しました（Omnilingual ASR、Chirp 3、NaijaVoicesなど）。2024年にサポートがなかった言語でも、2026年には実験的なサポートが得られる可能性があります。

ファインチューニング済みの代替モデルを試す。 一部の低リソース言語では、Hugging Face上のコミュニティによるファインチューニング済みモデルが、ベースのWhisper多言語モデルを上回る性能を発揮します。既製のオプションに飛びつく前に、自分の言語を検索してみてください。

今後の展望

2026年においてトレーニングデータの質と量が言語間で極端に不均衡だという構造的な問題は、来年には解消されません。しかし、変化のスピードはかつてないほど速くなっています。MetaのOmnilingual ASRは、単一のリリースで500もの未サポート言語にASRサポートを追加しました。

私の見立てでは、現在の低リソース層（スワヒリ語、ハウサ語、ウォロフ語）における本番品質の文字起こしは、NaijaVoicesで訓練されたモデルとファインチューニング済み多言語システムが成熟するにつれ、2年以内に実現可能です。最もリソースが乏しい言語群については、コミュニティによるデータセット構築の取り組みが続く限り、主要な未サポート言語の大半で初稿レベルの品質が3年から5年以内に達成されるでしょう。

このギャップは永続的なものではありません。しかし現実のものであり、そうでないと装うことは、これらのツールを最も必要とする話者たちのためになりません。

FAQ

AIの文脈で「低リソース言語」とは何ですか？

低リソース言語とは、AIモデル向けのラベル付きトレーニングデータが限られている言語のことです。音声認識では、通常、書き起こし済み音声が数千時間未満であることを意味します。この閾値は固定されておらず、データセット収集の取り組みが拡大するにつれて変動しますが、実務上の定義は次の通りです。自己教師あり事前学習や多言語ベースモデルからのファインチューニングといった特別な手法なしには、本番精度のモデルを訓練するのに十分なデータがない状態を指します。

なぜWhisperはヨルバ語や類似の声調アフリカ言語でこれほど性能が低いのですか？

2つの問題が互いに悪化し合っています。1つ目は、ヨルバ語には英語やフランス語に比べて学習データが極端に少ないこと。2つ目は、ヨルバ語が声調言語であり、ピッチの高低で単語の意味が変わり、書き言葉の声調記号が曖昧さを解消するために不可欠だということです。Whisperは声調表記が一貫しないデータで学習されたため、過剰に分割された書き起こしを生成し、公開ベンチマークでは単語誤り率が100%を超えることもあります。これはモデル設計の欠陥ではなく、学習データの量と質の問題です。

MetaのOmnilingual ASRは、低リソース言語で今日使えるのでしょうか？

Metaは2025年11月にOmnilingual ASRをオープンソースとして公開しました。これは1,600以上の言語をカバーし、そのうち約500言語はこれまでどのASRシステムでもサポートされていませんでした。7Bモデルは、それらの言語の78%で文字誤り率が10未満を達成しています。また、このモデルはインコンテキスト学習により、ごく少数の例で追加言語に対応できます。ただし、最もリソースが乏しい言語の誤り率は、英語レベルの性能と比べると依然として高く、本番運用には特定のドメインと音声環境での評価が必要です。

FLEURSベンチマークとは何で、低リソース言語の評価に重要なのはなぜですか？

FLEURS（Few-shot Learning Evaluation of Universal Representations of Speech）は、102言語を対象とし、各言語に約12時間の並行データを含む多言語音声ベンチマークです。言語の多様性にわたってASRモデルを比較する際に広く使われています。Whisper large-v3はFLEURS全体で平均単語誤り率7.4%を達成していますが、その平均は大きなばらつきを隠しています。一部の低リソース言語ではWERが50%を超え、90%に達するものもあり、言語別の内訳の方が平均値よりもはるかに有益です。

低リソース言語の書き起こしが必要な場合、今日できることは何ですか？

まず、どのツールを使うにしても、その前にテストすること。代表的なサンプルをアップロードして、自分のコンテンツ、話者、音響環境で精度を確認する。次に、精度が85%未満のものについては、手動での編集工程をワークフローに組み込んでおくこと。三つ目に、Mozilla Common Voiceへの録音提供を検討する。これは将来のモデルのトレーニングデータに直接貢献する。四つ目に、アフリカ言語のコンテンツの場合、言語特化のファインチューニング済みモデルが存在するか確認する（例えば、ハウサ語、イボ語、ヨルバ語向けのNaijaVoices訓練モデル）。五つ目に、モデルのリリースを追跡すること。Omnilingual ASRとChirp 3はそれぞれ2025年に有意義なカバレッジを追加しており、改善のペースは加速している。

出典

• OpenAI Whisper論文とFLEURSの言語別WER: openai.com/research/whisper
• MetaのOmnilingual ASR発表（2025年11月）: ai.meta.com/blog/omnilingual-asr-advancing-automatic-speech-recognition
• Google USMとChirpの研究ブログ: research.google/blog/universal-speech-model-usm-state-of-the-art-speech-ai-for-100-languages
• Mozilla Common Voice v26.0（2026年6月）: community.mozilladatacollective.com/common-voice-23-0-live-on-mozilla-data-collective
• NaijaVoicesデータセット論文（Interspeech 2025）: arxiv.org/abs/2505.20564
• ヨルバ語ASRにおける声調（LoResLM 2026）: aclanthology.org/2026.loreslm-1.14
• AfriHuBERT自己教師ありモデル（Interspeech 2025）: isca-archive.org/interspeech_2025/alabi25_interspeech.pdf
• Lacuna Fundのアフリカ言語NLPデータセット: lacunafund.org/datasets/language
• FLEURSベンチマークの説明とWhisper評価: vexascribe.com/how-accurate-is-whisper
• パシュトー語Whisper FLEURS WERベンチマーク: aclanthology.org/2025.chipsal-1.20