共用ノートパソコンで、トウィ語の教材をオフラインで読み上げられるか？

共用ノートパソコンがあり、インターネット接続が不安定な地域の学習センターを想像してみよう。先生は短いトウィ語の読解問題を、解答前と答え合わせのときの二回、学習者に聞かせたい。録音はすぐに思いつく方法だ。原稿をよく変える、練習の別版を作りたい、確認済みの録音がまだない場合には、読み上げツールも役立つ。

AfriSpeechは2026年11月8日にAfrica TTS 0.5.0を公開した。リリース説明によると、アフリカの92言語と英語のテキストを、それぞれの既定音声で合成できる。CPUで動き、モデルをダウンロードしてキャッシュしたあとはオフラインで合成できる。メンテナーはオンラインデモと音声見本も公開している。導入に時間を使う前に、対象言語を短時間で聞ける。バージョン指定のPyPIリリース · 公式の音声見本

学習センターに必要なのは、言語の数より具体的な答えだ。普段話す言語の変種で、共用機の音声から意図した語を聞き取り、教材についていけるだろうか。聞き取りと端末の両方を確認する。実際にセンターで使う文から始めると、どちらも判断しやすい。

2017年にガーナのラジオスタジオで撮影した参考写真。撮影はJoy Agyepong。CC BY-SA 4.0に基づきサイズを調整した。元の写真

Telli.shオリジナル図解。モデルは設定時に取得し、必要なファイルをキャッシュしたあとは、聞き取りまで端末内で行える。

既定の音声なら、最初の授業を準備しやすい

初めての人も手順を短くできる。文と3文字のISO言語コードを渡す。トウィ語なら twi、スワヒリ語なら swh、ヨルバ語なら yor だ。パッケージは既定音声で読み上げを作り、音声ファイルに保存する。先生はオフライン教材に入れても、その場で再生してもよい。文字を並べれば聞き取った内容を照合できる。

入力は、聞き手が期待する言語で書いておく。スワヒリ語で案内するなら原稿もスワヒリ語にする。別の言語で書き始めた場合は、翻訳と母語話者の確認を別に行う。聴衆が使う地名、単位、日付の表し方を翻訳者に伝える。確認済みの原稿と生成した音声を一緒に置くと、聞き違いがどこで生まれたか追いやすい。

小さな訂正ができる教材から始める。先生なら難度が似た文を何本か作り、話者二人に文字を見せずに聞いてもらえる。研修センターなら書面の手順に音声を添え、受講者が順番を理解したか確認できる。名前や珍しい表現がうまく読めないときは、どちらの場面でも職員がその部分を録音し直せる。

短い公開案内も現実的だ。学習センターが講習の時刻を変更し、掲示と端末の音声を両方用意するとする。前日のファイルを置き換える前に、話者に変更時刻を聞き取ってもらう。本文が自然でも時刻が曖昧なら、その一文を録り直し、文字の案内も見えるようにする。伝えるべき時刻のほうが、ファイルを一度で生成する便利さより大切だ。

共用機に置く前に、音声の更新方法を決める。一案は、日付と言語を書いたテキスト原稿を、承認済みWAVと一緒に保存すること。職員が教材を変えても、聞き手が差し替えを承認するまでは以前のファイルを残す。通信がなければ、古い二つの版も同じようにもっともらしく聞こえる。教材の画面に短い版番号があれば、保存フォルダーを開かずに再生する版を判別できる。

発音は音声モデルに渡す前から始まる

AfriSpeechの文書によると、音声コーデックを含めて1億1,000万パラメータの6層の生徒モデルを、24層の基盤モデルから蒸留した。小型モデルは、大型モデルがガイダンス付きで生成する出力に近づくよう学習した。これがCPUで使える理由の一つだ。共用機で重要なのは、授業も動かしながら使えるファイルを作るまでの時間だ。モデルの詳細

モデルは、言語別の前処理を通した国際音声記号（IPA）を入力にする。前処理は文字をモデルが期待する音の単位に変換する。対応するアフリカの言語にはプロジェクトのAfrica G2Pを使い、英語にはeSpeak NGを案内している。出力が滑らかでも、不慣れな表記、借用語、名前で失敗する理由がここにある。音の生成前の誤りを、そのまま流暢に読んでしまう場合がある。モデルと発音の前処理

メンテナーは数字を言葉で書くことを勧める。想定する聞き手が使う表記に従い、日付、時刻、範囲、略語、数量など実際の教材にある形で試す。入力した文章と発音用に調整した文が異なるなら、別々に保存する。元の文章を画面に残しながら、生成用原稿で何を変えたかも追える。

一文の途中で言語が切り替わる原稿も個別に確認する。文書では呼び出し時に言語を選ぶため、主に一言語で書いた文章に混ざる名前や引用を確かめたい。一回の生成で予想外の音になるなら、該当箇所を分け、確認済みの区間ごとに作る。外国語の用語を維持し、複数の授業で一貫して読む必要がある教材に特に役立つ。

学習データの範囲は試験の出発点になる

モデルカードによると、学習音声は897時間。言語別では英語が約322.6時間、スワヒリ語27.0時間、トウィ語24.0時間、ヨルバ語15.3時間だ。時間数はデータセットの説明であり、教室で使う変種、学習中の表現の頻度、合成された名前を聞き取れるかは分からない。モデルカードと言語別一覧

リリースでは、未学習の657言語を最も近い学習済み言語で読ませる試験的な一覧も説明する。別の研究経路と考えたい。主な対応リストにある言語と、代替言語で読む言語では根拠が異なる。音声を頼りにする人向けなら学習済みの一覧から始め、実験経路では用途に足りる母語話者の確認を行えるか見極める。実験的な言語の説明

メンテナーは二つの結果を報告する。4 vCPUのクラウド機では実時間の2.4倍の速度で生成した。別の未学習評価データによる比較では、Omnilingual ASRで合成音声を文字起こしし、比較が報告された27言語のうち21言語でAfrica TTSがMMS-TTSを上回った。両方ともプロジェクトの報告だ。教室ではアクセント、機器、環境音、スピーカーが異なる。文字起こしの結果は聞き取りやすさの目安になる。授業で必要なのは、聞き手がその文をどう理解したかだ。リリース時のベンチマーク · 評価方法

一度準備したら、通信を切って確かめる

1. 確認済みの短い原稿を選ぶ。 あいさつ、代表的な練習、名前や数字を含む文章を一つずつ書く。合成前に話者が表記と言い回しを確認する。
2. 分離したPython環境を作る。 0.5.0はPython 3.10～3.14を指定している。OSに合う仮想環境を有効にしてから、対象のバージョンを導入する。

python -m pip install "africa-tts==0.5.0"
africa-tts --list-languages

3. 最初のモデル取得を計画する。 バージョン別文書によると、既定モデルの初回ダウンロードは約440 MBだ。承認済みの回線で準備中に取得するか、合成を始め、表示された案内に従って取得する。英語も使うなら文書にあるeSpeak NG依存関係を導入する。プラットフォームやバックエンドを変える前はパッケージの説明を確認する。

africa-tts --download
africa-tts "Akwaaba!" --lang twi -o twi-greeting.wav

4. 準備後はネットワークを切って繰り返す。 授業で使うのと同じアカウントとキャッシュの場所を使う。新しいWAVを作り、対象端末で開く。生成時間は再生時間と分けて記録する。
5. 文字を読む前に聞いてもらう。 本番の音量で再生し、話者や聞き手二人に重要な情報を復唱してもらう。原稿とモデルの版、感想を残す。聞き違いがあれば、文章を直すか音声を替え、確認を繰り返す。

Androidを検討するチームにもこの順番は使える。AfriSpeechはCの前処理とAndroidラッパーを含むsherpa-onnxバンドルを案内する。モバイルとデスクトップの既定実行環境はバックエンドが違うので、実際のスマートフォン版を別に試す。代表的な端末と文章全体を使い、起動時間、容量、音質、電池への影響を比較する。デスクトップのコマンドで確認できるのは一つの環境であり、スマートフォンでも実行が要る。端末内デプロイの説明

Telli.shオリジナル図解。原稿を読む前に要点を復唱してもらうと、文字の校正では見逃しやすい発音の問題が分かる。

コードと音声、それぞれのライセンスを確認する

PythonパッケージのコードはMITライセンスだ。0.5.0のリリースによると、モデルと既定音声はCC BY-NC 4.0。英語の前処理に使うeSpeak NGには独自のGPL条件がある。ツール、音声ファイル、それらを使うサービスの配布を考えるなら、個別に確認する。公開ファイルは試しやすい一方、一部の商用用途には別のモデルか別途許可が要る。リリースのライセンス · CC BY-NC 4.0の条件

パッケージは渡された音声サンプルも使える。学校の試験では、本人の参照録音を集めずに済む既定音声が簡単だ。特定の声が必要なら、用途について話者の許可を得て、参照音声と生成ファイルの保存場所を合意しておく。学習センターなら、職員の許可を得て本人の声で修正箇所を録音し、練習の別版に既定モデルを使えば、参照音声の提供が不要になる。

オフラインの合成なら、原稿や音声をチームの端末に残せる。ホスト型デモは別の経路だ。ウェブサービスへ原稿や参照音声を渡す場合は、別のデータ共有として判断する。ホスト型の試験は公開してもよい文から始め、学校や組織の方針がある素材はローカルの手順で扱う。

合格かどうかは聞き手が決める

Africa TTSなら、読み上げツールで自分の言語を見かけることの少ない人にも、最初の音声案を届けやすい。耳で確かめられる小さな試験から始める。実際に聞く文章を通信なしで生成し、大事な情報を復唱してもらう。正しく答えられたかは、言語選択の数より多くを教えてくれる。

出典

• Africa TTS 0.5.0のリリース、2026年11月8日
• AfriSpeechモデルカードと学習範囲
• AfriSpeechの評価方法
• AfriSpeechの公開音声見本
• CC BY-NC 4.0ライセンス
• Joy Agyepong撮影のガーナのラジオスタジオ参考写真、CC BY-SA 4.0

作業の背景にある会話と判断を検索できる記録に残すなら、Telli.shのアカウントを作成できます。