低リソース言語向けAI音声スタックの選択：アゼルバイジャン語の事例

2026年7月6日

すべてのリアルタイム音声AIデモは英語で動作します。レイテンシは魔法のようで、ターンテイキングは人間らしく、ベンダーの価格ページにはCFOを喜ばせる計算機があります。しかし、ユーザーが実際に話す言語というパラメータを一つ変更すると、先月行ったスタック評価全体が無価値になります。

私はアゼルバイジャンの金融持株会社向けにAI面接プラットフォームを構築しているときにこれに気づきました。アゼルバイジャン語は約2400万人の話者がおり、ラテン文字を使用し、明確なチュルク語形態論を持っています。これはマイナーな言語ではありません。しかし、ここで重要な唯一の意味で低リソース言語です。つまり、すべての主要なSTTおよび音声間モデルのトレーニングコーパスにおける転写音声データの量が少ないということです。

この単一の事実がアーキテクチャ全体の決定を再形成します。

音声間モデル（OpenAI Realtime、Gemini Live）は最高のレイテンシと最も自然な会話を提供しますが、モデルの言語カバレッジに縛られ、カバーされない場合にコンポーネントを交換できません。

カスケードパイプライン（LiveKit、Pipecat、Vapiとカスタムプロバイダー）は、見つけられる任意のSTT/TTSをプラグインできますが、レイテンシ予算、発話検出ロジック、および存在するアゼルバイジャン語音声モデルの統合を自分で管理する必要があります。

高リソース言語ではこれは好みの問題です。低リソース言語では分岐点です。一方のパスはまったく機能しない可能性があり、他方のパスは本番環境で初めて悪い動作を発見する可能性があり、その時には実際の候補者が実際の電話回線にいます。

この投稿は、私が始める前に存在していればよかったと願う評価です。実際に何が壊れるのか、どのスタックで、そしてデモが作られなかった任意の言語に一般化できる決定フレームワークです。

音声間パス——うまくいくが、そうでなくなるまで

誰もが機能することを望むオプションから始めましょう。単一のモデルが音声を入力として受け取り、音声を出力します。OpenAI RealtimeとGemini Liveです。パイプラインを組み立てる必要がなく、サブ秒の応答、自然な割り込み処理が無料で得られます。

魅力は本物です。英語では、両方ともこの分野で最も解決された問題に近いものです。したがって、最初の質問は「どちらが優れているか」ではなく、「本当にアゼルバイジャン語を話すのか、それとも単に主張しているだけか」です。

異なる障害レベルがあり、ベンダーのドキュメントは最初のレベルしか教えてくれません。

リストにない。言語がサポートページにない。簡単です——終了です。

リストにあるが劣化。言語は「サポート」されており、クリーンで遅い音声では理解は問題ありませんが、電話品質の音声、地域のアクセント、ロシア語へのコードスイッチング（すべての実際のアゼルバイジャン語話者が行う）、ドメイン語彙で崩壊します。これは本番環境で殺すレベルであり、デモは通過するためです。

非対称。モデルは言語を理解するが、外国のアクセント、誤った強勢パターン、または音韻の漂移で出力します。面接プラットフォームでは、外国人のように聞こえるロボットは候補者にとって信頼性の問題です。

私の調査結果：

OpenAI Realtime：レベル3で失敗。理解は実用的でしたが、出力されるアゼルバイジャン語は歪んだアクセント——誤った音韻、誤った強勢——でした。カジュアルな使用では許容可能ですが、金融機関で面接を行うシステムにとっては失格です。候補者は最初の文でアクセントを聞き取り、それが以降すべてのトーンを設定します。これを修正する音声調整や発音制御はありません——失敗はモデルにあり、モデルはあなたのものではありません。

Gemini Live：驚き。理解と出力品質は本当に良好で、3つのレベルすべてを通過しました。しかし、私自身の分類で欠けていた第4の障害モード——レイテンシ——がそれを殺しました。応答遅延が会話リズムを壊すほど長かったのです。チャットインターフェースではスピナーですが、音声では候補者が通話が切れたかどうか考え、モデルに割り込み、ターンテイキングが崩壊します。リアルタイム音声には厳格な知覚予算があり、それを超えると他の品質は重要でなくなります。

したがって、2026年半ばの音声間スコアボード：一方のモデルはアゼルバイジャン語を下手に話し、もう一方は上手く話すが遅すぎる。どちらの失敗もAPI側から修正できません。これが音声間で行う構造的な賭けです——機能するときは最良のオプションですが、あなたの言語を任意の次元で逃すと、誰かのロードマップを待つことになります。

それがあなたを別のパスへと強制します：自分でパイプラインを組み立てること。

カスケードパス——あなたはすべてのミリ秒を所有する

音声間があなたの言語で失敗する場合、フォールバックは古典的なパイプラインです：音声活動検出→音声テキスト変換→LLM→テキスト音声変換をオーケストレーションレイヤーでつなぎ合わせます。セールスポイントは制御です：すべてのコンポーネントは交換可能なので、一つのリンクがアゼルバイジャン語を話さない場合、スタックを放棄する代わりにそのリンクを交換します。

しかし、問題はこのセールスポイントが交換部品が存在することを前提としていることです。したがって、オーケストレーターを比較する前にコンポーネント探索を行ってください——なぜなら、使用可能なアゼルバイジャン語STTまたはTTSがなければ、オーケストレーター比較は飾りに過ぎないからです。

アゼルバイジャン語の場合、2026年半ば、探索は一年前よりも有望です：

TTS：Azure Neural TTSは何年もアゼルバイジャン語の音声を一般提供してきました——主力オプション、エンタープライズフレンドリー、刺激的ではないが信頼性があります。ElevenLabsもアゼルバイジャン語をサポートし、地域アクセント適応を含みますが、プレミアム価格で自然さの上限が著しく高いです。

STT：歴史的に弱点——Whisperは技術的にアゼルバイジャン語を含むが、低リソース性能は宝くじのようなもので、ロシア語へのコードスイッチングはすべてを混乱させます。ElevenLabsのScribeがアゼルバイジャン語を99言語ASRモデルに取り入れ、2026年初頭のScribe v2リリースがエージェントユースケースを特にターゲットにしたリアルタイムバリアントを追加したことで、状況は実質的に変わりました。リアルタイムは音声エージェントにとって交渉不可能な特性です。

したがって、コンポーネントは存在します。カスケードスタックで購入するのはそれらを使用する権利であり、支払うのはレイテンシ予算の所有権です。すべてのハンドオフが遅延を追加します：エンドポイント検出、STT最終化、LLMの最初のトークンまでの時間、TTSの最初のバイトまでの時間、それらの間のネットワークホップ。音声間モデルはこの合計を一つのモデル内に隠しますが、パイプラインではそれをエンジニアリングする必要があります——すべてのステージをストリーミングし、重ね合わせられるものはすべて重ね合わせて、Geminiが達成できなかった会話のしきい値の下に戻ります。

その後、オーケストレーターの選択は主に、そのエンジニアリングのどれだけを自分で所有したいかという問題になります：

Vapi：マネージド、最も迅速にデモ、低リソース言語が調整を強制する低レベルのノブ（カスタムSTT/TTSプロバイダー、ターンテイキング調整）に対する制御が最も少ない。

LiveKit Agents：インフラストラクチャグレードのWebRTCとエージェントフレームワーク；最も制御が多く、操作する表面積が最大。

Pipecat：オープンソースパイプラインフレームワーク；最大の柔軟性、コミュニティ保守のコネクタ、すべてを自分で実行。

私はLiveKitに落ち着きました。テストに合格した2つの構成：Deepgram STT + Cartesia TTSとGemini 2.5、および全ElevenLabsパイプラインとGemini 2.5 Flash——両方とも会話的に堅牢でした。決定要因はコスト：オンプレミスコンポーネントに依存する設定は約10分の会話あたり0.02ドル、ElevenLabsスタックは約10分あたり0.90ドル——約45倍の差であり、大規模に面接するときには理論上の話ではなくなります。

この演習から導き出された一般則：ターゲット言語がトレーニングデータに少なければ少ないほど、スタックのより深い部分に追いやられます。高リソース言語は抽象化を購入できます。低リソース言語は抽象化の下に構築する必要があります。

デモが無視する言語のスタックを評価するためのチェックリスト

上記を、初日から実行するプロトコルに圧縮しました。任意の言語に適用できます：

まず音声間をテストするが、敵対的にテストする。ハッピーパスではなく——電話品質の8 kHzオーディオ、速い発話、地域アクセント、現地の第二言語へのコードスイッチング、あなたのドメイン語彙。各モデルを4つの障害レベルでスコアリング：リストにない、リストにあるが理解劣化、非対称出力（理解するが話すのが下手）、レイテンシ。ベンダーの言語サポートページでの合格はレベル0の4段階です。

いずれかのレベルが失敗した場合、API側から修正可能か確認する。音声間の場合、答えはほぼ常にノーです——そして修正不可能な失敗は、どのレベルでも、他の部分がどんなに良くてもそのパスは閉じられます。

オーケストレーターを選択する前にコンポーネント探索を実行する。あなたの言語に対して少なくとも1つのプロダクション可能なSTTとTTSを見つけ、STTにストリーミング/リアルタイムモードがあることを確認する——バッチのみの転写品質は会話には無関係です。この探索を数ヶ月ごとに再実行する；低リソースの状況は急速に変化しており、昨年の結論はおそらく古くなっています。

エンドツーエンドのレイテンシを予算化し、コンポーネントごとではない。音声間のターゲットを約1秒未満に設定し、エンドポイント検出、STT、LLM最初のトークン、TTS最初のバイトに割り当て、ストリーミングできないコンポーネントは拒否する。個々に優れたコンポーネントのパイプラインでも、会話的に死んでいる可能性があります。

切り替えコストを現在の品質だけでなく重視する。今日の最良の答えは、次のモデルアップデートで間違っている可能性があります。カスケードスタックの本当の製品は品質ではなく、再構築せずに任意のリンクを交換できるオプションです。低リソース言語では、このオプションはそれに支払うレイテンシエンジニアリングの価値があります。

メタ教訓：言語サポートは価格ページのブール値ではありません。それは障害モードの分布であり、世界のほとんどの言語では、実際の話者からの実際のオーディオでテストして初めて、どこに落ちるかがわかります。デモは決してあなたのために作られたものではありません。それに応じて構築してください。

ここで説明するモデルの動作とベンダーの言語サポートは、2026年半ば時点の私のテストを反映しています。両方とも急速に変化します——依存する前に再検証してください。