アフリカの多くの人々は少なくとも2つの言語を話し、しばしば「My loan imekataliwa, but I paid yesterday.」のように1つの文の中でそれらを混ぜる。多くの音声認識システムでは、英語だけが文字起こしされ、Swahili は落とされてしまうため、文字起こしに依存する企業は意味の一部を失う。

ラゴスで設立されたアフリカ向け音声技術企業 Intron は、そうした用途に向けたモデル群である Sahara v2.5 を公開した。このリリースでは、1つの文の中で話者が言語を切り替えても追従できるコードスイッチング対応を、Zulu、Hausa、Swahili、Luganda を含む12のアフリカ言語に追加している。

また Intron が世界初のアフリカ三言語音声認識モデルと呼ぶ機能も含まれており、3つの言語を行き来する会話に対応する。これは、国民のほぼ全員が話す公用語 Kinyarwanda が、日常の仕事の場で English と French と並存する Rwanda 向けに構築されている。同社は、この仕組みの背後にあるアルゴリズムについて米国特許を出願したとしている。

Intron は、コードスイッチングはグローバルな研究機関が些細な問題として扱ってきた独立した技術課題だと考えている。モデルは English では優秀で Swahili でも十分に機能していても、両者が同じ息継ぎの中に現れると破綻することがある。同社は、この問題の解決には専用のデータ、専用の学習、専用の評価が必要であり、狭い課題に集中する小規模企業が、世界平均を対象にした大企業を上回れるとみている。

Intron の独自ベンチマークでは、Sahara v2.5 はコードスイッチしたアフリカ音声12言語全体で平均単語誤り率 34.3% を記録し、Google の AI モデルである Gemini 3.6 の 53.8% を下回った。実務上、これは Sahara が3語に1語程度を誤認識する一方で、Gemini は2語に1語以上を誤ることを意味する。

同社は、Sahara がテストした12言語すべてで Gemini、ElevenLabs、Meta を上回ったとしている。ただし、それでも約3語に1語は誤ることになり、カスタマーサポート、金融、医療、その他の日常サービスで一般的な混在言語の会話を安定して扱うには、音声ツールにはなお大きな改善余地があることを示している。

2020年に Nigerian-trained doctor である Tobi Olatunji と Kunle Asekun によって設立された Intron は、病院の事務作業の問題を解決するために、Microtraction 主導で2024年7月に 1.6 million をプレシード調達した。現在は、アフリカ大陸全体で使える音声AI製品の開発に取り組んでいる。

なぜコードスイッチングは難しいのか

この文脈では、音声はテキストより難しい。文章であれば各単語の始まりと終わりが明確だが、音声モデルが受け取るのは音だけだからだ。モデルは、音、単語、アクセント、文脈、言語を同時に判別しなければならず、Yoruba がどこで終わり English がどこで始まるのかを示す目印はない。切り替えは文と文の間に起こることもあれば、文中や単語の途中でも起こりうる。

多くのシステムは、まず言語を判定し、その後それぞれの区間を単一言語認識器に振り分ける。これは長くて明瞭な区間では機能するが、切り替えが1語や2語だけのときにはしばしば破綻する。Intron は、Sahara を混在言語音声で直接学習させることで、切り替えを通常の現象として扱い、各言語ペアで可能な遷移を学習し、発話全体を通した音響的証拠と文脈で解決していると説明する。

2つ目の課題は tokenisation だ。モデルが音声を処理する前に、音を tokens と呼ばれる小さな単位に分割し、それぞれを過去に見た言語の断片に対応付ける。アフリカ言語の形態が学習データのごく一部しか占めない場合、モデルが照合できるアフリカ語の token が少なくなる。そのため、聞き慣れないアフリカ語の音を、最も近い English か French の token に押し込めてしまう。結果として、話者が実際には言っていない語を生成する hallucination か、発話の一部が文字起こしから消えてしまうことがある。

学習データ自体も不足している。自然なコードスイッチ音声の録音は入手が難しく、人工的に混ぜた音声では実際の切り替え方を捉えきれない。

「Code-switching was one of the biggest problems that consistently came up for clients deploying real-world voice AI」と、Intron の CEO である Tobi Olatunji は TechCabal とのインタビューで語った。「Africa needs AI built for how Africans really speak. People should not have to translate themselves for a machine, flatten their accent, avoid local expressions or repeat only the English part of what they said.」

Sahara を使っているのは誰か？

Intron によると、同社のモデルは現在、Nigeria、Kenya、South Africa、Uganda、Rwanda、Ghana の6カ国で、40以上の組織の本番環境および研究用途に導入されている。

同社が挙げた商用事例の1つが、フィンテック融資会社 Branch International だ。この導入では、Sahara を活用した回収エージェントが1週間で ₁.₂ million ($891) 以上の延滞債権を回収し、夜間や週末の返済では記録的な水準を示したうえ、356日を超えて延滞しているローンでは人間のエージェントよりも高い成果を示したという。

「Customers engaged naturally even after hours and on weekends」と、Branch の Head of Product Africa である Adanne Anene は TechCabal に共有された声明で述べた。

Intron はまた、書かれた言葉を音声に変換する text-to-speech 製品と voice agents が、13の言語ペアにまたがる言語の混在を扱えるようになり、自社テストではそのうち9つで ElevenLabs と Gemini を上回ったと述べた。さらに、speech recognition が Nupe、Kanuri、Nigerian Fulfulde、Tigrinya、Kikuyu、Dholuo、Somali に新たに対応し、対応言語数は合計31に拡大したという。

同社はまた、streaming speech recognition と streaming text-to-speech を application programming interface (API) に追加し、開発者が live captions やリアルタイム用途に自社モデルを組み込めるようにした。

Intron は 2026 Africa Voice AI Report も公開しており、アフリカ言語データの収集は信頼できる voice AI を実現するための障壁の1つにすぎないと主張している。研究能力、システムを連結する力、そして展開の専門性も同じくらい重要だという。

例として挙げられているのが ambient medical scribe だ。これは医師と患者の診察を聞き取り、ノートを自動作成するソフトウェアで、米国と Europe では広く使われているが、1回の診察で2つか3つの言語が使われることもある African clinics では、実用性が大きく損なわれる。

真のスケールには、表面的な統合を超えて堅牢な実行へ移ることが求められる。