大型语言模型常被视为为非洲社区提供 AI 服务的途径，但在资源最匮乏的非洲语言上表现最差。所有非洲语言在任何标准下都是低资源的，基于抓取的标准化文本训练的模型系统性地忽视了实际口语中的方言和地区差异。
我们提出 Model as a Library (MaaL) 架构，将小型、社区参与的语音模型打包为版本化的本地依赖，实现离线结构化数据收集，避免生成式幻觉。MaaL 通过在设备上完成全部处理，使得最难服务的人群也能获得可靠的 AI 支持。
核心机制是关键字检测（keyword spotting），它把闭词表文本转化为语音形式，用户在设备上填充并提交，无需网络。词表直接从少量说话者提供的录音中登记，而不是依赖网络抓取的语料库。
我们进一步提出将已有数字表单工具中的闭词表元素转译为 MaaL schema，提供一种低摩擦的语音优先、离线数据收集路径，特别适用于低识字率人群。
本文是立场与系统设计稿，阐述概念、技术机制、可行性分析，并列出实现仍需的关键工作。
点评