2026年4月13日、Mahounan Pericles Adjovi氏とその共同研究者は、arXivに『ハウサ語とフォン語のテキスト・音声リソース調査：NLP開発のための利用可能性、品質、ギャップ』と題する論文を提出した。本論文は、西アフリカの2言語、すなわちアフロアジア語族に属し約8000万〜1億人の話者を持つハウサ語と、ニジェール・コンゴ語族に属しベナンで約200万人が使用するフォン語の公開NLPリソースを体系的に整理したものである。これらの言語はリソース利用可能性のスペクトル上で対照的な事例を示している。
研究チームは、学術リポジトリ（ACL Anthology、arXiv）、データプラットフォーム（Hugging Face Datasets、OPUS）、ウェブソースを系統的に検索し、並列コーパス、単言語テキストコレクション、音声データセット、事前学習モデル、評価ベンチマークをカタログ化した。各リソースについて、サイズ、ドメインカバレッジ、形式、ライセンス、アクセス可能性を記録している。調査対象には、JW300、TED2020、Common Voice、Masakhaneベンチマークなどのデータソースが含まれている。
調査結果によると、ハウサ語はニュース、百科事典、教育分野にわたるテキストリソースの多様性において優位性がある。例えば、ハウサ語版ウィキペディア、BBCニュースコーパス、高品質な教育テキストの存在がモデル訓練の強固な基盤を提供している。一方、フォン語のテキストリソースは非常に限られており、聖書翻訳やごく少数のウェブテキストのみである。しかし、フォン語は近年学術的な音声データ収集の焦点となっており、ベナンのラジオ局や大学から数千時間の音声データが収集されている。両言語とも、Masakhaneベンチマークにおいて固有表現認識（NER）および品詞タグ付け（POS）のタスクで利用されている。ハウサ語のベンチマークは大規模であるが、フォン語はわずかなアノテーションデータしかない。
論文では、事前学習モデル（mBERT、XLM-Rなど）の両言語における性能も評価され、言語間転移学習がある程度効果的であるものの、リソース不足により制限されることが示された。これらの発見に基づき、研究者らはタスク別の推奨事項を提示している：フォン語については、分野多様なテキストコーパス（ニュース、ソーシャルメディアなど）の優先的開発、ハウサ語については、音声認識と合成を支援する専用音声コーパスの構築が必要である。さらに、デジタルインクルージョンに注意を払い、既存リソースを活用した言語間転移学習の促進をコミュニティに呼びかけている。本論文は8ページ、7つの表から構成され、IEEE SDS 2026に掲載予定である。完全な論文はarXiv（arXiv:2605.22828）で入手可能である。