ポール・アズンレ (PAUL AZUNRE) 氏は2026年7月23日(現地時間)、アフリカ言語向けのオープンな自動音声認識（ASR）基盤モデル群「DONDO」を発表した。このモデル群はw2v-BERT 2.0セルフ教師あり音声エンコーダーを基盤とし、21の単一言語モデルと5つの多言語モデルから構成される。ガーナ、シエラレオネ、ナイジェリア、セネガル、ケニア、ジンバブエにわたる27の言語バリエーションに対応しており、Hugging Face KhayaAI組織上でApache-2.0ライセンスの下で公開される。
DONDOモデル群は、文字化された音声データが不足している言語に対し、広範でライセンスが明確かつ正書法的に一貫性のある宗教テキストからの読解音声を用いて主にファインチューニングされている。この手法は、データ不足の課題を克服するための戦略として提示されたものであり、より多くの言語へのアクセスを提供する可能性を秘めている。
ファインチューニング手順は、まず高学習率で共有の多言語モデルを適応させ、その後学習率をアニーリングして性能を回復させる2段階（一部モデルでは3段階）の手法を記述している。この多段階アプローチにより、既存の強力な単一言語ベースラインを複数のケースで上回る性能を達成したとされている。特に、多様なアフリカ言語の特性に対応するために、この適応的な学習プロセスが重要な役割を果たしていると見られる。
また、軽量な言語条件付けメカニズムが導入されており、ワンホット言語識別子を音響特徴の接頭フレームシーケンスとして注入することで、単一の多言語チェックポイントから推論時にターゲット言語へ誘導できる。この技術は、モデルが特定の言語に特化することなく、複数の言語を効率的に処理できる柔軟性を提供すると考えられている。
5つの多言語ファミリーにおいて、アニーリングされたモデルは平均単語誤り率（WER）10〜13%を達成した。これは、多くの言語を単一チェックポイントでカバーしながら、単一言語モデルとのギャップの大部分を解消したことを示している。この成果は、リソースの限られた言語地域において、広範な適用可能性を持つ音声認識システムの開発に向けた重要な一歩となる可能性がある。
このモデルがカバーする言語は、第一言語話者で1億人規模、第二言語話者を含めるとさらに大幅に多くの人々に利用されると推定されている。DONDOモデルの公開は、アフリカ大陸におけるデジタル包摂の推進、および言語の多様性をサポートする技術の発展に寄与することが期待されている。研究チームは、このオープンソースモデルが、さらなる研究と応用開発の基盤となることを目指していると表明している。
参考: arXiv cs.CL (アーカイブ) — 2026年7月24日 02:25 (JST)
原文ハイライト"DONDO: Open w2v-BERT Speech-Recognition Base Models for African Languages"