Większość Afrykańczyków mówi co najmniej dwoma językami i często miesza je w jednym zdaniu, na przykład: „My loan imekataliwa, but I paid yesterday.” W wielu systemach rozpoznawania mowy angielski jest transkrybowany, a suahili pomijany, przez co firma opierająca się na takim zapisie traci część znaczenia.

Intron, firma technologii głosowych skupiona na Afryce i założona w Lagos, udostępniła Sahara v2.5, zestaw modeli zbudowanych właśnie do takiego zastosowania. Wydanie dodaje obsługę code-switchingu — zdolność śledzenia mówcy przechodzącego między językami w obrębie jednego zdania — w 12 językach afrykańskich, w tym Zulu, Hausa, suahili i luganda.

Wprowadza też to, co Intron określa jako pierwszy na świecie afrykański trójjęzyczny model rozpoznawania mowy, obsługujący rozmowy przechodzące między trzema językami. Został on stworzony z myślą o Rwandzie, gdzie Kinyarwanda, język narodowy używany przez niemal całą populację, współistnieje z angielskim i francuskim w codziennym życiu zawodowym. Spółka podaje, że złożyła w USA wnioski patentowe dotyczące stojących za nim algorytmów.

Intron uważa, że code-switching to odrębny problem techniczny, który globalne laboratoria traktowały jak marginalną kwestię. Model może być doskonały w angielskim, kompetentny w suahili, a mimo to rozpadać się, gdy oba języki pojawiają się w jednym zdaniu. Zdaniem firmy rozwiązanie wymaga dedykowanych danych, dedykowanego treningu i dedykowanej oceny, a mała spółka skupiona na wąskim problemie może pokonać dużą, bazującą na średniej globalnej.

Według własnych benchmarków Intron, Sahara v2.5 osiągnął średni współczynnik błędów słów na poziomie 34,3% w 12 językach afrykańskiej mowy z code-switchingiem, wobec 53,8% dla Gemini 3.6, modelu Google AI. W praktyce oznacza to, że Sahara myli około jedno słowo na trzy, podczas gdy Gemini myli ponad jedno na dwa.

Spółka twierdzi, że Sahara pokonał Gemini, ElevenLabs i Meta we wszystkich 12 testowanych językach. Mimo to około jedno słowo na trzy nadal jest rozpoznawane błędnie.

Założony w 2020 roku przez Tobi Olatunji, lekarza wykształconego w Nigerii, oraz Kunle Asekuna, Intron pozyskał w lipcu 2024 roku 1,6 mln USD finansowania pre-seed, prowadzonego przez Microtraction, aby rozwiązać problem papierologii w szpitalach, ale obecnie stara się określić, jak sprawić, by voice AI działało na całym kontynencie.

Dlaczego code-switching jest trudny

Mowa jest tutaj trudniejsza niż tekst, ponieważ model czytający zapisane zdanie widzi, gdzie każde słowo się zaczyna i kończy. Model słuchający audio dostaje wyłącznie dźwięk. Musi jednocześnie ustalić brzmienia, słowa, akcent, kontekst i to, jaki język słyszy — bez żadnego oznaczenia, gdzie kończy się Yoruba, a zaczyna angielski. Przełączenie może nastąpić między zdaniami, wewnątrz zdania albo przy jednym słowie.

Inne systemy rozwiązują to najpierw poprzez identyfikację języka, a następnie kierowanie każdego segmentu do monojęzycznego recognisera — modelu trenowanego do transkrypcji jednego języka. Takie podejście działa przy długich, czystych fragmentach, ale załamuje się, gdy przełączenie trwa jedno lub dwa słowa. Intron twierdzi, że Sahara trenuje bezpośrednio na mowie mieszanej językowo, dzięki czemu model traktuje przełączanie jako coś zwyczajnego, uczy się, jakie przejścia są możliwe w każdej parze języków, i rozstrzyga je na podstawie dowodów akustycznych oraz kontekstu całej wypowiedzi.

Istnieje też drugi problem, zaczynający się od tokenizacji. Zanim model przetworzy mowę, dzieli dźwięk na małe jednostki zwane tokenami, z których każda odpowiada fragmentowi języka, jaki model już wcześniej widział. Jeśli formy z języków afrykańskich stanowią tylko niewielką część danych treningowych, model ma zbyt mało afrykańskich tokenów, by je dopasować. Wówczas wciska nieznany afrykański dźwięk w najbliższy token angielski lub francuski, który zna. Skutkiem jest albo halucynacja — słowo, którego mówca nigdy nie wypowiedział — albo fragment wypowiedzi znikający całkowicie z transkryptu.

Same dane treningowe są również skąpe. Nagrania naturalnej mowy z code-switchingiem są trudne do zdobycia, a sztucznie mieszane audio nie oddaje tego, jak ludzie naprawdę przełączają języki.

„Code-switching był jednym z największych problemów, które konsekwentnie pojawiały się u klientów wdrażających voice AI w realnych warunkach” — powiedział TechCabal w wywiadzie Tobi Olatunji, CEO Introna. „Afryka potrzebuje AI zbudowanego pod to, jak Afrykańczycy naprawdę mówią. Ludzie nie powinni musieć tłumaczyć się dla maszyny, spłaszczać akcentu, unikać lokalnych wyrażeń ani powtarzać tylko angielskiej części tego, co powiedzieli”.

Kto korzysta z Sahary?

Intron podaje, że jego model obsługuje już wdrożenia produkcyjne i badawcze w ponad 40 organizacjach w sześciu krajach: Nigerii, Kenii, RPA, Ugandzie, Rwandzie i Ghanie.

Jednym z przykładów komercyjnych, które spółka ujawniła, jest Branch International, fintechowy pożyczkodawca. W tym wdrożeniu agenci windykacyjni zasilani przez Saharę odzyskali ponad ₦1.2 million ($891) przeterminowanych pożyczek w ciągu jednego tygodnia, odnotowując przy tym rekordowe spłaty po godzinach i w weekendy. Intron podał też, że system działał lepiej niż ludzcy agenci w przypadku pożyczek przeterminowanych o ponad 356 dni.

„Klienci angażowali się naturalnie nawet po godzinach i w weekendy” — powiedziała Adanne Anene, Head of Product Africa w Branch, w oświadczeniu przekazanym TechCabal.

Intron poinformował również, że jego produkty text-to-speech, które zamieniają zapisane słowa na mowę, oraz agenci głosowi obsługują już mieszanie języków w 13 parach językowych, osiągając w testach spółki lepsze wyniki niż ElevenLabs i Gemini w dziewięciu z tych par. Startup dodał, że jego rozpoznawanie mowy obsługuje teraz Nupe, Kanuri, Nigerian Fulfulde, Tigrinya, Kikuyu, Dholuo i Somali, zwiększając łączny zasięg językowy do 31.

Spółka dodała też streaming speech recognition i streaming text-to-speech do swojego application programming interface (API), dając deweloperom narzędzia do napisów na żywo i aplikacji czasu rzeczywistego.

Intron opublikował także raport 2026 Africa Voice AI Report, argumentując, że zbieranie danych w językach afrykańskich to tylko jedna z barier dla niezawodnego voice AI. Raport wskazuje, że równie ważne są: potencjał badawczy, zdolność łączenia systemów oraz kompetencje wdrożeniowe.

Jako przykład podaje ambient medical scribe — oprogramowanie, które słucha konsultacji lekarza z pacjentem i automatycznie sporządza notatki. Technologia ta jest powszechnie używana w USA i Europie, ale w dużej mierze niepraktyczna w afrykańskich klinikach, gdzie jedna konsultacja może obejmować dwa lub trzy języki.

Prawdziwa skala wymaga przejścia od powierzchownych integracji do solidnej realizacji. Wyeliminowaliśmy szum z Moonshot 2026, optymalizując konferencję wyłącznie pod wysokiej jakości kontakty między założycielami startupów, globalnymi operatorami finansowymi, liderami przedsiębiorstw i osobami przebudowującymi afrykańskie ramy techniczne. Przez ograniczony czas dostępny jest 20% rabat na bilety Early Bird.