UNESCO estimates that a language dies approximately every two weeks. With over 3,000 of the world's roughly 7,000 languages classified as endangered, the race to document linguistic diversity before it vanishes has become one of the most urgent tasks in the humanities. Traditional documentation methods, relying on trained field linguists recording and transcribing by hand, cannot scale to match the rate of language loss. Artificial intelligence is increasingly positioned as a force multiplier in this effort, but its application to low-resource endangered languages presents unique challenges that differ fundamentally from mainstream NLP.

Why It Matters

Each language encodes a unique cognitive framework for understanding the world, carrying irreplaceable knowledge about ecology, medicine, social organization, and human cognition. The loss of a language is not merely the loss of a communication system but the erasure of an entire epistemological tradition. For linguistics as a science, language death narrows the empirical base from which universal properties of language can be inferred. A theory of syntax or phonology built on surviving languages alone risks mistaking the properties of survivors for properties of language itself.

The AI dimension adds both promise and peril. Machine learning tools can dramatically accelerate transcription, phonological analysis, and lexicon building. But most NLP infrastructure is built for well-resourced languages with millions of speakers and gigabytes of training data. Endangered languages often have fewer than 1,000 speakers, minimal written records, and no digital corpus whatsoever. Adapting AI to this reality requires rethinking fundamental assumptions about data requirements.

The Science

The AI Documentation Pipeline

Ray et al. (2024) provide a comprehensive overview of how AI intersects with language documentation workflows. Their framework identifies four critical intervention points: automated speech recognition for field recordings, machine-assisted transcription and annotation, NLP-based grammatical analysis, and digital archive management. The authors note that while off-the-shelf ASR systems fail catastrophically on endangered languages due to training data mismatch, transfer learning from related languages and few-shot adaptation techniques are beginning to produce usable results with as few as one to two hours of transcribed speech. The paper highlights a critical gap: most AI documentation tools are built by technologists with limited field linguistics training, leading to systems that are technically sophisticated but practically misaligned with documentation workflows.

Revitalization Through Adaptive Learning

Kareem and Rahman (2025) shift focus from documentation to revitalization, examining how AI-powered learning platforms can help communities actively teach and learn their endangered languages. Their analysis covers machine translation tools adapted for low-resource pairs, speech recognition systems that serve as pronunciation coaches, and adaptive learning platforms that adjust to individual learner progress. The most promising finding involves community-in-the-loop approaches where native speakers actively train and correct AI systems, simultaneously improving the tools and reinforcing their own language use. This bidirectional process transforms AI from a passive documentation tool into an active revitalization partner.

Computational Phonology for Critically Endangered Languages

Kamath et al. (2025) present a concrete case study: building a phonological analyzer for Irula, a critically endangered South Dravidian language spoken by a small tribal community in India. Their system maps the phonological inventory, identifies allophonic variations, and documents phonotactic constraints using computational methods. The significance lies in methodology: by creating a computational phonological model, they produce a resource that is simultaneously a linguistic description, a language learning aid, and training data for future NLP systems. The approach demonstrates that even for languages with no prior computational resources, systematic phonological analysis can be bootstrapped with relatively modest computational investment.

Securing Linguistic Data

Ondiba (2025) addresses an often-overlooked dimension: the cybersecurity of endangered language corpora. Focusing on the Suba language of Kenya, the study explores how proactive AI-driven security measures can protect linguistic data that is both culturally sensitive and irreplaceable. The work highlights that linguistic corpora for endangered languages face unique security threats because they are often the only record of a language and cannot be reconstructed if compromised. The proposed framework integrates anomaly detection, access control, and data integrity monitoring specifically designed for the characteristics of linguistic data.

AI Documentation Capability Matrix

<

Task	Current AI Capability	Data Requirement	Key Challenge
Speech transcription	Low-moderate (transfer learning)	1-10 hours transcribed	Phonological mismatch with source models
Lexicon extraction	Moderate	Text corpus + dictionary seed	Polysemy and cultural concepts
Grammatical analysis	Low	Annotated sentences	Typological divergence from training languages
Phonological modeling	Moderate	Field recordings + expert	Allophonic variation documentation
Community learning tools	Moderate	Curated content + speakers	Sustained community engagement
Corpus security	Emerging	Digital archive	Balancing access with protection

What To Watch

The most transformative development on the horizon is the emergence of multilingual foundation models that can be fine-tuned on extremely small datasets. Meta's MMS (Massively Multilingual Speech) and Google's USM (Universal Speech Model) have demonstrated speech recognition across over 1,000 languages, suggesting that the transfer learning barrier may be lowering. The critical question is whether these models can reach the accuracy threshold needed for practical documentation work in truly under-resourced settings. Equally important is the governance dimension: who controls the data, who benefits from digitization, and how indigenous communities maintain sovereignty over their linguistic heritage in an era of AI-mediated documentation.

Discover related work using ORAA ResearchBrain.

면책 조항: 이 게시물은 정보 제공 목적의 연구 동향 개요이다. 학술 저작물에서 인용하기 전에 특정 연구 결과, 통계 및 주장을 원본 논문과 대조하여 검증해야 한다.

AI 기반 위기 언어 기록: 현장 녹음부터 디지털 보존까지

UNESCO는 약 2주마다 언어 하나가 소멸한다고 추정한다. 전 세계 약 7,000개 언어 중 3,000개 이상이 위기 언어로 분류된 가운데, 언어적 다양성이 사라지기 전에 이를 기록하려는 경쟁은 인문학에서 가장 시급한 과제 중 하나가 되었다. 훈련된 현장 언어학자들이 직접 녹음하고 필사하는 전통적인 기록 방법은 언어 소멸 속도에 맞추어 확장될 수 없다. 인공지능은 이러한 노력에서 점점 더 역량 배가 요소로 자리매김하고 있지만, 자원 부족 위기 언어에 대한 적용은 주류 NLP와 근본적으로 다른 고유한 과제를 제시한다.

중요성

각 언어는 세계를 이해하는 고유한 인지적 틀을 담고 있으며, 생태, 의학, 사회 조직, 인간 인지에 관한 대체 불가능한 지식을 전달한다. 언어의 소멸은 단순히 의사소통 체계의 상실이 아니라 하나의 완전한 인식론적 전통의 소거이다. 과학으로서의 언어학에서 언어 소멸은 언어의 보편적 속성을 추론할 수 있는 경험적 기반을 좁힌다. 현존하는 언어만을 토대로 구축된 통사론이나 음운론 이론은 생존 언어들의 속성을 언어 자체의 속성으로 오해할 위험이 있다.

AI 차원은 가능성과 위험을 동시에 더한다. 기계 학습 도구는 전사, 음운 분석, 어휘 구축을 획기적으로 가속화할 수 있다. 그러나 대부분의 NLP 인프라는 수백만 명의 화자와 기가바이트 규모의 학습 데이터를 갖춘 자원이 풍부한 언어를 위해 구축되어 있다. 위기 언어들은 흔히 화자가 1,000명 미만이고, 문자 기록이 거의 없으며, 디지털 코퍼스가 전혀 존재하지 않는다. AI를 이러한 현실에 적응시키려면 데이터 요구사항에 관한 근본적인 가정을 재고해야 한다.

과학

AI 기록 파이프라인

Ray et al. (2024)은 AI가 언어 기록 워크플로와 어떻게 교차하는지에 대한 포괄적인 개요를 제공한다. 그들의 프레임워크는 네 가지 핵심 개입 지점을 식별한다: 현장 녹음을 위한 자동 음성 인식, 기계 보조 전사 및 주석, NLP 기반 문법 분석, 그리고 디지털 아카이브 관리이다. 저자들은 기성 ASR 시스템이 학습 데이터 불일치로 인해 위기 언어에서 치명적으로 실패하는 반면, 관련 언어로부터의 전이 학습과 퓨샷 적응 기법이 전사된 음성 1~2시간만으로도 사용 가능한 결과를 생성하기 시작했음을 언급한다. 이 논문은 중요한 격차를 강조한다: 대부분의 AI 기록 도구가 현장 언어학 훈련이 제한된 기술자들에 의해 구축되어, 기술적으로는 정교하지만 기록 워크플로와 실질적으로 맞지 않는 시스템이 만들어진다는 것이다.

적응형 학습을 통한 활성화

Kareem과 Rahman (2025)은 기록에서 활성화로 초점을 전환하여, AI 기반 학습 플랫폼이 어떻게 커뮤니티가 위기 언어를 능동적으로 가르치고 배우는 데 도움을 줄 수 있는지 검토한다. 그들의 분석은 자원 부족 언어 쌍에 맞게 적응된 기계 번역 도구, 발음 교사 역할을 하는 음성 인식 시스템, 그리고 개별 학습자의 진도에 맞게 조정되는 적응형 학습 플랫폼을 다룬다. 가장 주목할 만한 연구 결과는 원어민 화자들이 AI 시스템을 능동적으로 훈련하고 수정하는 커뮤니티 참여형 접근 방식으로, 이는 도구를 개선하는 동시에 그들 자신의 언어 사용을 강화한다. 이 양방향 과정은 AI를 수동적인 기록 도구에서 능동적인 활성화 파트너로 전환시킨다.

극도 위기 언어를 위한 전산 음운론

Kamath et al. (2025)은 구체적인 사례 연구를 제시한다: 인도의 소규모 부족 공동체가 사용하는 심각한 위기 언어인 남부 드라비다어족 Irula어의 음운 분석기 구축이 그것이다. 이 시스템은 계산적 방법을 활용하여 음운 목록을 매핑하고, 변이음 변이를 식별하며, 음소 배열 제약을 기록한다. 그 의의는 방법론에 있다: 계산적 음운 모델을 구축함으로써, 언어학적 기술(description)이자 언어 학습 도구이며 동시에 미래 NLP 시스템을 위한 훈련 데이터로도 기능하는 자원을 생산한다는 점이다. 이 접근법은 사전에 계산적 자원이 전혀 없는 언어의 경우에도, 비교적 소규모의 계산적 투자로 체계적인 음운 분석을 초기 구축(bootstrap)할 수 있음을 보여준다.

언어 데이터 보안

Ondiba (2025)는 종종 간과되는 차원인 위기 언어 말뭉치의 사이버보안을 다룬다. 케냐의 Suba어에 초점을 맞춘 이 연구는, 문화적으로 민감하고 대체 불가능한 언어 데이터를 보호하기 위해 AI 기반의 선제적 보안 조치를 어떻게 활용할 수 있는지를 탐구한다. 위기 언어의 언어 말뭉치는 종종 해당 언어에 대한 유일한 기록이며, 훼손될 경우 재구성이 불가능하기 때문에 고유한 보안 위협에 직면한다는 점을 이 연구는 강조한다. 제안된 프레임워크는 언어 데이터의 특성에 맞춰 특별히 설계된 이상 탐지, 접근 제어, 데이터 무결성 모니터링을 통합한다.

AI 문서화 역량 매트릭스

<

과제	현재 AI 역량	데이터 요구 사항	주요 과제
음성 전사	낮음-보통 (전이 학습)	전사된 음성 1-10시간	소스 모델과의 음운적 불일치
어휘 추출	보통	텍스트 말뭉치 + 사전 시드	다의성 및 문화적 개념
문법 분석	낮음	주석된 문장	훈련 언어와의 유형론적 괴리
음운 모델링	보통	현장 녹음 + 전문가	변이음 변이 기록
공동체 학습 도구	보통	큐레이션된 콘텐츠 + 화자	지속적인 공동체 참여
말뭉치 보안	부상 중	디지털 아카이브	접근성과 보호의 균형

주목할 동향

지평선 너머에서 가장 변혁적인 발전은, 매우 소규모의 데이터셋으로도 미세 조정(fine-tuning)이 가능한 다국어 기반 모델(multilingual foundation model)의 등장이다. Meta의 MMS(Massively Multilingual Speech)와 Google의 USM(Universal Speech Model)은 1,000개 이상의 언어에 걸쳐 음성 인식 성능을 시연했으며, 이는 전이 학습의 장벽이 낮아지고 있음을 시사한다. 핵심적인 질문은, 이러한 모델들이 진정한 저자원(under-resourced) 환경에서의 실질적인 문서화 작업에 필요한 정확도 임계값에 도달할 수 있는가이다. 그에 못지않게 중요한 것은 거버넌스 차원의 문제이다: 누가 데이터를 통제하는가, 누가 디지털화로부터 이익을 얻는가, 그리고 AI 매개 문서화의 시대에 원주민 공동체가 자신들의 언어적 유산에 대한 주권을 어떻게 유지하는가.

관련 연구는 ORAA ResearchBrain을 통해 탐색할 수 있다.