GoogleのWAXALは、11,000時間のAIデータの主導権をアフリカのパートナーに委ねた

AIシステムはアフリカの言語を理解できないことが多く、高品質で許容的ライセンスの音声コーパスが主なボトルネックだった。Googleとアフリカのパートナーはまた、方言の違い、正書法の基準、均一でない録音環境にも対処する必要があった。

パートナーらは地域所有を設計上の決定とした。3年間の作業を経て、Googleは21のアフリカ言語を対象とするデータセットWAXALを公開し、データを収集したアフリカの組織が所有権を保持した。許容的ライセンスによりデータセットは商用展開に向けてオープンなまま保たれ、大学の言語学部と可搬型録音ボックスが技術的な問題の解決に役立った。

この公開により、約200万件の録音から11,000時間を超える音声が生まれ、その中には約1,250時間の文字起こし済み音声と20時間超のスタジオ音声が含まれる。ガーナ大学はすでにこれを母子保健研究に活用しており、地域の機関をデータ収集者からAIインフラのハブへと変えつつある。

WAXALは約200万件の録音から11,000時間超で公開された。アフリカの機関がデータを所有し、すでに母子保健研究に活用している。

アフリカ言語のシステムは、学習データが乏しくライセンス取得が困難だったため、誤りがちだった。

地域所有は主権と信頼に対処しつつ、データを収集した人々がデータを管理し続けられるようにした。

許容的ライセンスにより、アフリカの起業家はシリコンバレーの中間業者なしに製品を構築し商用化できた。

大学の言語学者と地域で設計された録音機器により、方言に配慮したクリーンな音声収録が可能になった。

エコシステムに信頼できる地域データが欠けている場合、貢献者に所有権と許容的ライセンスを与える。ガバナンスはインフラ、商用利用、普及を同時に解き放つことができる。

Googleはさらに6言語がすでにパイプラインにあり、計画合計が27言語になると述べた一方、方言の網羅性とヨルバ語の欠落した発音区別符号は未解決の品質問題として残った。MicrosoftのPazaプロジェクトは、コミュニティ主導のアフリカ言語インフラが競争の激しい分野になりつつあることを示したが、WAXALの直接の成果は、すでに研究と将来の製品を支えている地域所有のデータセットだった。