メモ代わり。
ちょっとした相談を受けたので少し調べていたら, ウガンダ語 (Luganda。 Wikipedia )の聖書を発見。うぉー何だこれはー。 http://www.lutheransonline.com/servlet/lo_ProcServ/dbpage=page&GID=01211001361002498027487858&PG=00027000001073059075147237
全く見たこともない言語を見て, 驚きでした。 どこから行ったかというと, AfLaT (African Language Technology)というサイトからでした。 論文を見ていると, やはりtokenizationとpos taggingが重要な問題(とされている) ように見えます。
このへん に Helsinki corpus of Swahili もあるようです。