Te Hiku Media, emittente iwi del Northland neozelandese, ha raccolto oltre 300 ore di parlato in dieci giorni e le ha chiuse dentro una licenza propria, la Kaitiakitanga License. Non è una lingua da resuscitare: è una lingua viva che non vuole finire nei dataset di qualcun altro. Nel 2025 lo stesso metodo è arrivato alle Hawaii, mentre in Lapponia il lavoro sul sami segue una strada opposta, universitaria e a licenza aperta.
Nel marzo del 2018, a Kaitaia, cittadina all’estremo nord della Nuova Zelanda, una piccola emittente radiofonica ha chiesto alla propria comunità di leggere frasi ad alta voce dentro un telefono. In dieci giorni si sono iscritte più di 2.500 persone, sono state lette oltre 200.000 frasi e ne sono uscite più di 300 ore di parlato annotato in te reo Māori. Per una lingua che i grandi laboratori di intelligenza artificiale non hanno mai considerato un mercato, è un corpus enorme, costruito in meno tempo di quanto serva a un’azienda per approvare un budget.
Quel corpus è servito ad addestrare un sistema di riconoscimento automatico del parlato — un modello di apprendimento automatico che prende un segnale audio e restituisce testo. Il primo, costruito da Te Hiku Media sulla base del progetto open source Mozilla DeepSpeech, dichiarava un tasso di errore per parola del 14%. Serviva a un compito preciso e poco glamour: accelerare la trascrizione degli archivi radiofonici, migliaia di ore di registrazioni di parlanti nativi anziani, molti dei quali non ci sono più. Trascrivere a mano è lentissimo; una macchina che sbaglia una parola su sette produce una bozza che un revisore umano corregge in una frazione del tempo. È qui che l’intelligenza artificiale entra davvero nella storia: non come strumento di rinascita simbolica, ma come moltiplicatore di lavoro d’archivio.
Prima chiariamo un equivoco
Si legge spesso che progetti come questo servano a “ricostruire lingue che non si parlano più”. È falso, e vale la pena dirlo subito. Il te reo Māori ha parlanti nativi, scuole, media, una politica linguistica pubblica. L’ʻōlelo Hawaiʻi anche. Le lingue sami — sono più d’una — hanno parlanti, dizionari, correttori ortografici e sintesi vocale. Sono lingue minorizzate, che è una condizione politica, non biologica. Nessuno sta facendo necromanzia digitale: si sta costruendo infrastruttura per lingue vive che il mercato del software ha deciso di ignorare.
La differenza conta, perché cambia la domanda. Non è “come facciamo a riportare in vita una lingua”, ma “chi controlla i dati linguistici di una comunità quando quei dati diventano improvvisamente preziosi”.
Due persone, una radio iwi
Te Hiku Media nasce nel 1991 come emittente no-profit al servizio dei cinque iwi di Muriwhenua — Ngāti Kuri, Te Aupouri, Ngai Takoto, Te Rārawa, Ngāti Kahu. Un iwi, per il lettore italiano, è la maggiore unità sociale e politica māori, qualcosa tra la confederazione tribale e la nazione: una radio iwi è una radio di comunità che risponde a quella comunità.
Le due figure attorno a cui ruota il lavoro tecnologico sono Peter-Lucas Jones, general manager, e Keoni Mahelona, direttore tecnico. Mahelona è hawaiano, ha una formazione da ingegnere e fisico, ed è arrivato a Kaitaia nel 2015 con una borsa del programma neozelandese Vision Mātauranga. Sono anche compagni nella vita. Il dettaglio non è gossip: spiega perché in questa storia la decisione tecnica e la decisione politica non sono mai state prese da uffici diversi. Chi scriveva il codice era nella stessa stanza di chi rispondeva agli anziani dell’iwi.
La licenza scritta prima che i dati valessero qualcosa
Il pezzo più copiato del lavoro di Te Hiku non è un modello: è un documento legale. La Kaitiakitanga License, redatta dall’organizzazione stessa, stabilisce che la kaitiakitanga dei dati — la tutela, la custodia, un concetto māori che non coincide con la proprietà occidentale — resti a whānau, hapū e iwi: famiglia estesa, sottotribù, tribù. I dati possono circolare. Non possono essere venduti, né usati per scopi commerciali. E c’è un divieto esplicito che raramente si trova nelle licenze open source: le tecnologie derivate non possono essere impiegate per la sorveglianza.
La custodia non è la proprietà. Si può condividere ciò che si custodisce senza per questo cederlo.
È una scelta che rompe con il modello dominante dell’AI linguistica, dove la strategia standard è: raccogli tutto il testo e l’audio disponibile, addestra, e discuti dopo di chi era. Qui la licenza è arrivata prima del modello. Karaitiana Taiuru, studioso māori di sovranità dei dati, ne ha poi derivate cinque licenze di Māori Data Sovereignty. L’app Rongo, che dà a chi impara un riscontro sulla pronuncia, copre con la stessa licenza i dati che gli utenti le affidano, ispirandosi ai princìpi della rete Te Mana Raraunga.
Su un punto conviene essere onesti: non risultano contenziosi, sentenze o analisi critiche sulla tenuta giuridica di questa licenza, né sulla sua compatibilità con le definizioni canoniche di open source. La sua forza, per ora, è normativa e reputazionale più che giudiziaria. Il che non la rende irrilevante — molte licenze software hanno funzionato per anni prima di vedere un tribunale — ma chi la cita come precedente legale consolidato sta andando oltre i fatti.
Il resto della storia: soldi pubblici e GPU
Nell’ottobre 2019 il ministero neozelandese dell’innovazione, MBIE, ha annunciato un investimento di 13 milioni di dollari sulla piattaforma Papa Reo di Te Hiku. Nel settembre 2024 è arrivato un accordo con Radio New Zealand e Ngā Taonga Sound & Vision: l’emittente pubblica ha messo a disposizione i propri archivi radiofonici per trascrizione bilingue e addestramento — la prima volta che lo fa. A novembre 2024 NVIDIA ha documentato modelli di Te Hiku costruiti sul toolkit open source NeMo e su GPU A100, con un’accuratezza dichiarata del 92%.
Su quel 92% serve cautela. Non è confrontabile con il 14% di tasso di errore del 2018: metriche diverse, test set diversi, e la fonte è aziendale, senza una pubblicazione indipendente che descriva su cosa sia stata misurata. È il genere di numero che nei comunicati stampa sull’AI viaggia meglio di quanto regga. Anche i 13 milioni restano una cifra confermata ma poco documentata quanto a fasi e rendicontazione.
Hawaii: trenta ore di lavoro per un’ora di nastro
A febbraio 2025 è partito Lauleo, progetto di raccolta di dati vocali in ʻōlelo Hawaiʻi. I partner sono l’Università delle Hawaii a Hilo con il suo collegio di lingua hawaiana Ka Haka ʻUla O Keʻelikōlani, la rete Kanaeokana — oltre settanta tra scuole e organizzazioni — Awaiaulu, e Te Hiku Media, che ha avviato l’iniziativa e porta l’esperienza accumulata a Kaitaia. Alla data dell’annuncio la fase dichiarata era la raccolta: non esiste ancora un modello hawaiano funzionante da mostrare.
Il numero che spiega l’urgenza lo ha dato Larry Kimura, dell’UH Hilo: trascrivere manualmente un’ora di parlato dall’archivio Kaniʻāina richiede circa trenta ore di lavoro. Trenta a uno. Esiste in parallelo un filone accademico distinto — un paper del 2024 firmato tra gli altri da Kimura e ʻŌiwi Parker Jones mostra che affiancare a Whisper un modello linguistico esterno addestrato su circa un milione e mezzo di parole di testo hawaiano migliora il tasso di errore in modo piccolo ma significativo. I due filoni condividono persone e archivi; come si rapportino sul piano della governance dei dati, le fonti disponibili non lo dicono.
Il caso sami smonta la simmetria
Viene naturale allineare i tre casi come tre varianti dello stesso modello. Non funziona. Il lavoro sulle lingue sami — parlate nel nord di Norvegia, Svezia, Finlandia e Russia — è portato avanti da circa vent’anni dai gruppi Divvun e Giellatekno dell’Università Artica di Norvegia, a Tromsø. Primi correttori ortografici nel 2007; oggi strumenti per sette lingue sami e una ventina di altre lingue minoritarie; risorse rilasciate con licenze open source o open access, salvo i testi coperti da copyright.
L’assetto istituzionale è diverso alla radice: Divvun è finanziato dal ministero norvegese per gli enti locali, Giellatekno dall’università, e il corpus testuale sami è raccolto e mantenuto da Divvun per conto del Sámediggi, il Parlamento sami norvegese. C’è rappresentanza politica, ma non una licenza di sovranità indigena sui dati. La prima sintesi vocale in sami settentrionale è del 2015, commissionata dal Sámediggi norvegese ad Acapela Group; più di recente è arrivato un sintetizzatore in sami di Lule con tre voci, e Divvun lavora al riconoscimento vocale per sami settentrionale, di Lule e meridionale, con Katri Hiovain-Asikainen e Inga Lill Sigga Mikkelsen. Quanto alla sovranità dei dati, le linee guida etiche per la ricerca sami risultano in sviluppo in Norvegia e Finlandia, solo parzialmente in Svezia.
Due modelli, quindi, non uno: la comunità che tiene la licenza e lo Stato che finanzia l’apertura. Entrambi producono strumenti funzionanti. Non producono lo stesso tipo di potere.
Cosa hanno capito prima degli altri
La cosa davvero interessante di Te Hiku non è aver costruito un ASR con pochi mezzi — lo fanno in molti, ormai, con i toolkit open source. È aver capito, nel 2018, che il collo di bottiglia dell’AI linguistica non sarebbe stato il modello ma il dato, e che chi possiede il dato di una lingua piccola possiede molto più di un dataset: possiede la possibilità di decidere se quella lingua avrà una tastiera predittiva, un sottotitolatore, un assistente vocale, e a quali condizioni. Hanno scritto il contratto prima di avere qualcosa da contrattare. È una mossa che le aziende tecnologiche fanno abitualmente e che le comunità, quasi sempre, fanno troppo tardi.