アラビア語は、発音されるよりも少ない情報で書かれる言語です。アラビア語の読み手は、母音記号のない文を読むとき、無意識に文脈から短母音を補います。音声モデルは同じことを統計で行わなければなりません。ここから問題が始まります。同じ文章でも複数の読み方があり得て、読み方ごとに意味が変わるのです。さらにアラビア語は方言の幅が非常に広く、整った音声データは少ないのが現状です。この記事では、最近の研究論文がこうした壁について述べていることを、著者が公表した数字とともに読み解き、アラビア語の音声コンテンツを作る人にとっての意味を整理します。
発音を隠す文章:短母音の問題
アラビア語は通常、短母音(ファトハ、ダンマ、カスラ、スクーン、タンウィーン)を書きません。「كتب」はよく知られた例で、「kataba」(書いた)、「kutub」(本)、「kutiba」(書かれた)のいずれにも読めます。読み手は文全体から判断します。
Hala Al Masri 氏と Muhy Eddin Zater 氏によるアラビア語音声データの準備に関する論文は、この問題をはっきりと述べています。母音がないと一つの単語が複数の意味を持ち得るため、声優もAIモジュールも、曖昧さを減らす母音記号の恩恵を受けるというのです。完全に母音記号が付いたテキストは少なく高価なので、論文は曖昧な箇所だけに付ける部分的な母音付けを提案しています。
母音記号は自動で付けられるのか?数字は進歩と差を示す
論理的な解決策は、読み上げの前に母音記号を自動で付けることです。自動の母音付けは大きく進歩しましたが、完璧にはほど遠い状態です。CATT論文(文字単位のアラビア語タシュキール用Transformer)は、2つのベンチマークでモデルの結果を報告しています。
- 語末の格母音を含むWikiNewsベンチマークでは、エンコーダ・デコーダ型モデルの文字誤り率は約5.96%、単語誤り率は約20.06%でした。
- より難しいCATTベンチマークでは、文字誤り率は約8.62%、単語誤り率は約34.19%でした。
2つのベンチマークの差は重要です。ここでの単語誤りとは、その単語に母音付けの誤りが少なくとも1つあることを意味します。論文のモデルは比較対象のモデルを上回っていますが、易しいベンチマークでは5語に約1語、難しいほうでは3語に約1語を誤ります。語末の格母音(文法上の語尾)は母音付けで最も難しい部分で、単語だけでなく文の構造に依存するためです。だからこそ、それを除くと数字は改善します(WikiNewsで文字誤り率約3.63%)。
要点:自動の母音付けは曖昧さを減らしますが、なくしはしません。その誤りはそのまま発音に引き継がれます。
データで母音記号を置き換えられるか?QCRIの実験
別の研究の方向があります。テキストに母音記号を付ける代わりに、膨大な量の音声でモデルを学習させ、正しく推測できるようにするというものです。カタール計算研究所(QCRI)の研究者による論文「More Data, Fewer Diacritics」(2026年3月)がこれを検証しました。チームはソーシャルプラットフォームから約2万時間の音声を集め、クリーニングと分割の後、学習に使える約4000時間を残しました。次に、規模の異なるモデルを母音記号あり・なしで学習させ、音声認識モデルを使って単語誤り率(WER)を測定しました。
主な結果:
- 4000時間・母音記号あり:WERは1.67で最良。
- 4000時間・母音記号なし:WERは3.18。
- 1000時間で学習した母音記号なしモデル(3.12)が、100時間で学習した母音記号ありモデル(3.48と3.62)を上回った。
つまり、データ量が同じなら母音記号は依然として最良の結果を与えますが、大量のデータがその欠如の多くを補います。研究者は重要な制約も挙げています。実験は現代標準アラビア語のみで、評価は客観指標であり人による聞き取りテストはなく、採点に使った認識モデルのファミリーがデータ準備の流れと関連しているため、結果に偏りが生じ得るという点です。
標準アラビア語と方言:書き言葉と話し言葉
2つ目の問題は母音記号より深いものです。私たちはどの「アラビア語」を指しているのでしょうか。Habibi論文(2026年1月)は、アラビア語には30以上の話し言葉の変種があり、現代標準アラビア語は日常会話ではほとんど使われず、方言は語彙と発音が大きく異なると述べています。さらに、利用可能なアラビア語の音声データの多くはもともと音声認識のために作られ、ノイズが多く母音記号がないことが多く、多方言の音声合成を評価する統一的なベンチマークもないと付け加えています。
「Arab Voices」研究(ブリティッシュコロンビア大学、2026年1月)は、データの側からこの状況を裏づけています。31のアラビア語音声データセットを整理し、方言ラベルが標準化されておらず、北アフリカ(アルジェリア、ハッサニーヤ、モロッコ、チュニジア)やイラクなどの地域の代表性が低いことを明らかにしました。事前学習なしの音声認識テストでは、一部のWhisper設定で誤り率が200を超え、メソポタミア・アラビア語では271.25に達しました。一方、標準アラビア語の誤り率は複数のモデルで12を下回りました。これらは音声合成ではなく音声認識の数字ですが、データにおける標準語と方言の同じ差を映しています。
Habibiの注目すべき結果の一つは、モデルをまず標準アラビア語で、次に方言で学習させると、方言だけで学習させるより大幅に良い結果になることです。SADAデータセットでは、この方法でWERは約13.30、方言だけでゼロから学習させると55.63でした。言い換えれば、標準アラビア語は土台として機能し、方言データだけでは足りないということです。
モデルが話す前に:テキストの正規化と録音
私たちが耳にする誤りの多くは、音声モデルではなく、そこに届くテキストに由来します。Al Masri 氏と Zater 氏は、データ処理の流れが、母音付け、スペルチェック、分割の前に、数字、日付、アラビア語以外の単語、略語を読み上げ可能なアラビア語のテキストに変換すると説明しています。「1994」「5 km」「iPhone」のようなテキストは書かれたとおりには読まれず、明示的に変換しないと誤って読まれるか、飛ばされます。
論文は録音の品質にも触れています。処理されていないスタジオのノイズ、ヒス音、破裂音は学習データを損なうため、発生源でノイズを防ぎ、安定した自然なペースを保ち、ポーズは句読点の位置だけに置くよう勧めています。合成音声の品質は、学習元の人間の声の品質に左右されることを思い出させます。
良い声かどうかをどう判断するか:測定の問題
多くの研究はWER、話者類似度、予測される自然さ(UTMOS)といった自動指標に頼っており、そのすべてに限界があります。Habibiは、これらの指標の一部が学習データの外ではうまく一般化しないと警告しており、そのため研究者は方言ごとに10〜20人の母語話者による人手評価を加えました。商用モデルとの比較では、どちらもすべての指標で勝ったわけではありません。Habibiは話者類似度と複数の方言での誤り率で優れ、商用モデルは自然さで優れていました。教訓は、「最良のシステム」は何を測るかによって変わり、実際に聞くことに代わるものはないということです。
アラビア語の音声コンテンツを作る人にとって何を意味するか?
上の研究からいくつかの実践的な習慣が導けます。これは論文がそのまま述べていることではなく、私自身の分析です。
- 曖昧な箇所には自分で母音記号を付ける。複数の読み方がある単語への部分的な母音付けは、推測に頼るより安価で正確で、Al Masri 氏と Zater 氏もこれを提案しています。
- 数字、日付、略語、外国の名前は、読ませたい形で書く。
- 標準アラビア語か方言かを意図して選び、芸術的な狙いがない限り同じ段落で混ぜない。
- 公開前に聞く。どの自動指標も人の耳の代わりにはならず、特に名前、用語、数字ではそうです。
- 長い文章は短い部分に分け、部分ごとに確認する。1時間の音声の中の1つの誤りは見つけにくいからです。
今日のMoknah
Moknahは、これらの手順の一部をプラットフォーム内で扱います。アラビア語には、基本、Tashkeel、AI詩人の3つのテキスト処理があり、TashkeelとAI詩人は基本より多くのクレジットを使います。プラットフォームは130以上の言語のテキスト読み上げに対応しています。人によるレビューの代わりではなく、繰り返しの手作業を減らすものです。無料で始め、気になるテキストを料金ページから試せます。
関連記事
- なぜアラビア語は、世界的なAIナレーション(ボイスオーバー)システムにとって大きな課題となっているのでしょうか?
- 「マカナ(Moknah)」プラットフォームを使って、ブランドに最適な音声を選ぶには?
- テキスト読み上げ技術(Text-to-Speech)
参考文献
- Musleh, Zhang, Darwish, "More Data, Fewer Diacritics: Scaling Arabic TTS", arXiv:2603.01622, March 2026: https://arxiv.org/html/2603.01622
- "CATT: Character-based Arabic Tashkeel Transformer", arXiv:2407.03236: https://arxiv.org/html/2407.03236
- Al Masri, Zater, "Arabic Text-to-Speech (TTS) Data Preparation", arXiv:2204.03255: https://arxiv.org/pdf/2204.03255v1
- Chen et al., "Habibi: Laying the Open-Source Foundation of Unified-Dialectal Arabic Speech Synthesis", arXiv:2601.13802: https://arxiv.org/html/2601.13802v2
- Sullivan et al., "Arab Voices: Mapping Standard and Dialectal Arabic Speech Technology", arXiv:2601.13319, January 2026: https://arxiv.org/html/2601.13319v2