論文の概要: MudawanSn: A Gold-Standard Wolof-Arabic Parallel Corpus for Machine Translation
- arxiv url: http://arxiv.org/abs/2609.17539v1
- Date: Tue, 14 Jul 2026 10:56:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.547302
- Title: MudawanSn: A Gold-Standard Wolof-Arabic Parallel Corpus for Machine Translation
- Title（参考訳）: MudawanSn: 機械翻訳のためのゴールドスタンダードのWolof-Arabic並列コーパス
- Abstract要約: MudawanSnは、Wolofからアラビア語に手作業で翻訳された1,271の文列対の金標準資源である。
本稿では,コーパス構築プロトコル,文アライメント手順,品質管理ワークフローについて述べる。
最もパフォーマンスの良いモデルであるAfriNLLB-12は、Wolof-to-Arabicで7.76 BLEUと30.72 chrF++、アラビア語-to-Wolofで8.75 BLEUと33.08 chrF++を達成している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present MudawanSn, a gold-standard resource of 1,271 sentence-aligned pairs manually translated from Wolof into Modern Standard Arabic (MSA). The source texts are drawn from the MasakhaNER corpus and cover politics, society, religion, and sports in Senegalese news discourse. Although multilingual resources such as FLORES-200 and NTREX include both Wolof and Arabic, no publicly available parallel corpus is specifically designed for the Wolof-Modern Standard Arabic language pair. We describe the corpus construction protocol, sentence alignment procedure, and quality-control workflow. We benchmark four machine translation systems spanning three architectural families: NLLB-200 (600M), mT5-base, and two AfriNLLB variants, showing that fine-tuning on MudawanSn yields substantial improvements in both translation directions. The best-performing model, AfriNLLB-12, achieves 7.76 BLEU and 30.72 chrF++ for Wolof-to-Arabic, and 8.75 BLEU and 33.08 chrF++ for Arabic-to-Wolof. The corpus is released under the CC BY-NC license and is publicly available on Hugging Face and GitHub.
- Abstract（参考訳）: We present MudawanSn, a gold-standard resource of 1,271 sentence-aligned pairs based from Wolof to Modern Standard Arabic (MSA)。
原文は、セネガルのニュース・談話における政治、社会、宗教、スポーツをカバーしている。
FLORES-200やNTREXのような多言語リソースには、Wolofとアラビア語の両方が含まれているが、Wolof-Modern Arabic言語ペア用に特別に設計された並列コーパスは公開されていない。
本稿では,コーパス構築プロトコル,文アライメント手順,品質管理ワークフローについて述べる。
我々は,NLLB-200 (600M), mT5-base, AfriNLLBの4種類の機械翻訳システムをベンチマークし,MudawanSnの微調整が両翻訳方向に大きな改善をもたらすことを示した。
最もパフォーマンスの良いモデルであるAfriNLLB-12は、Wolof-to-Arabicで7.76 BLEUと30.72 chrF++、アラビア語-to-Wolofで8.75 BLEUと33.08 chrF++を達成している。
コーパスはCC BY-NCライセンスでリリースされており、Hugging FaceとGitHubで公開されている。
関連論文リスト
- Statistical Machine Translation Systems of English-Pnar Language Pair : Some Insights of the Emperical Study [7.0625416160480405]
メガラヤのジャイティアヒルズで約0.4百万人が話していたオーストリア語であるPnarは、デジタルコーパスと自然言語処理(NLP)の資源を欠いている。
本稿では,英語とPnar言語対に対する最初の機械翻訳研究について述べる。
論文 参考訳（メタデータ） (2026-08-24T11:29:53Z) - Towards High-Quality Machine Translation for Kokborok: A Low-Resource Tibeto-Burman Language of Northeast India [0.0]
コクボロクMT(KokborokMT)は、インド・トリプラ州で主に話されているチベット・ビルマ語(英語版)の言語であるコクボロク(ISO 639-3)の高品質なニューラルマシン翻訳(NMT)システムである。
我々は,NLLB-200蒸留600Mモデルを36,052文対からなる多ソース並列コーパス上で微調整する。
我々の最良のシステムは、事前に公表された結果よりも大幅に改善されたテストセット上でのBLEUスコア17.30と38.56を達成する。
論文 参考訳（メタデータ） (2026-03-28T18:20:13Z) - Omnilingual SONAR: Cross-Lingual and Cross-Modal Sentence Embeddings Bridging Massively Multilingual Text and Speech [61.759910921200834]
言語間の文エンコーダは通常、数百の言語をカバーしている。
我々はOmniSONARを紹介した。OmniSONARは全言語、言語横断、言語横断の文埋め込みモデルである。
論文 参考訳（メタデータ） (2026-03-17T14:47:35Z) - ASCAT: An Arabic Scientific Corpus and Benchmark for Advanced Translation Evaluation [1.730057408524355]
ASCATは、平均141.7語(英語)と111.78語(アラビア語)の科学的な要約を対象とする。
各抽象化は、3つの補完的生成AI(Gemini)、トランスフォーマーベースモデル(Hugging Face texttquickmt-en-ar)、商用MT API(Google Translate、DeepL)を使用して翻訳された。
その結果得られたコーパスには67,293の英語のトークンと60,026のアラビア語のトークンが含まれており、アラビア語の語彙は17,604で、言語の形態的豊かさを反映している。
論文 参考訳（メタデータ） (2026-03-10T18:41:52Z) - Hala Technical Report: Building Arabic-Centric Instruction & Translation Models at Scale [51.41777906371754]
私たちはHalaを紹介します。これはアラビア語中心の命令と翻訳モデルのファミリーで、私たちのトランスレーショナル・トゥン・パイプラインで構築されています。
軽量言語モデル LFM2-1.2B は、このデータに基づいて微調整され、高品質の英語の命令セットをアラビア語に翻訳するために使用される。
我々は、Halaモデルを350M、700M、1.2B、9Bパラメータでトレーニングし、アラビア語の特殊化とベースモデルの強度のバランスをとるためにスラープマージを適用します。
論文 参考訳（メタデータ） (2025-09-17T14:19:28Z) - Skywork: A More Open Bilingual Foundation Model [55.927396986873816]
英語と中国語の両方のテキストから引き出された3.2兆以上のトークンのコーパスをトレーニングした,大規模言語モデル(LLM)のファミリーであるSkywork-13Bを紹介する。
我々のモデルは,一般的なベンチマークに優れるだけでなく,さまざまなドメインにおける中国語のモデリングにおける芸術的パフォーマンスの即興性も達成できることを示す。
論文 参考訳（メタデータ） (2023-10-30T08:31:47Z) - Machine Translation for Nko: Tools, Corpora and Baseline Results [3.993732024424016]
複数の西アフリカ諸国で何千万人もの人々が話しているNkoの機械翻訳システムはありません。
我々は,Nkoや他の言語を対象とした機械翻訳システムの開発を目的とした,一連のツール,リソース,ベースラインの成果を示す。
論文 参考訳（メタデータ） (2023-10-24T08:27:56Z) - A Bilingual Parallel Corpus with Discourse Annotations [82.07304301996562]
本稿では,Jiang et al. (2022)で最初に導入された大きな並列コーパスであるBWBと,注釈付きテストセットについて述べる。
BWBコーパスは、専門家によって英語に翻訳された中国の小説で構成されており、注釈付きテストセットは、様々な談話現象をモデル化する機械翻訳システムの能力を調査するために設計されている。
論文 参考訳（メタデータ） (2022-10-26T12:33:53Z) - Tencent AI Lab - Shanghai Jiao Tong University Low-Resource Translation
System for the WMT22 Translation Task [49.916963624249355]
本稿では, Tencent AI Lab - Shanghai Jiao Tong University (TAL-SJTU) Low-Resource Translation system for the WMT22 shared taskについて述べる。
我々は、英語$Leftrightarrow$Livonianの一般的な翻訳作業に参加する。
本システムは,M2M100を対象言語に適応させる新しい手法を用いて構築した。
論文 参考訳（メタデータ） (2022-10-17T04:34:09Z) - Unsupervised Transfer Learning in Multilingual Neural Machine
Translation with Cross-Lingual Word Embeddings [72.69253034282035]
我々は、言語独立多言語文表現を活用し、新しい言語に容易に一般化する。
複数のロマンス言語を含むベースシステムを用いてポルトガル語から盲目的に復号し、ポルトガル語では36.4 BLEU、ロシア語では12.8 BLEUのスコアを得た。
非反復的逆翻訳によるより実用的な適応アプローチを探求し、高品質の翻訳を生産するモデルの能力を活用します。
論文 参考訳（メタデータ） (2021-03-11T14:22:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。