論文の概要: The Constitution Speaks Nheengatu: An Open MT System and Reproducible Corpus Pipeline for the Amazonian Língua Geral

• arxiv url: http://arxiv.org/abs/2610.14760v1
• Date: Sat, 10 Oct 2026 09:32:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 11:50:20.529408
• Title: The Constitution Speaks Nheengatu: An Open MT System and Reproducible Corpus Pipeline for the Amazonian Língua Geral
• Title（参考訳）: The Constitution Speaks Nheengatu: A Open MT System and Reproducible Corpus Pipeline for the Amazonian Língua Geral (英語)
• Abstract要約: 我々は、この言語のために組み立てられた最大の平行コーパス(14.5kポルトガル語--ニエンガトゥ対)を提示する。 書き起こされた自発音声から構築した最初のMT評価セットを提示する。 ポルトガル語からニーンガトゥ語への翻訳では、最終システムは31.7--32.8 chrF++に達する。
• 参考スコア（独自算出の注目度）: 2.197603914316027
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nheengatu (yrl), the Amazonian Língua Geral, has 6--10 thousand speakers and is co-official in São Gabriel da Cachoeira (Brazil), yet remains poorly served by evaluated Portuguese--Nheengatu MT resources. We present the largest parallel corpus assembled for the language (14.5k Portuguese--Nheengatu pairs), anchored by the 2023 official translation of the Brazilian Federal Constitution; the first MT evaluation set built from transcribed spontaneous speech; and, to our knowledge, the first open-weight MT models dedicated to bidirectional Portuguese--Nheengatu translation. Three findings organize the paper. First, translation into Nheengatu on held-out constitutional articles plateaus on development data regardless of training length or model size, and much of the remaining error sits in conventional legal terms that the written sources do not attest consistently; a terminology success rate over a frozen lexicon shows that glossary mechanisms at training time and lexical constraints at decoding each raise term realization, the latter at a cost in repetitive output that chrF++ barely registers. Second, a corpus expansion that adds transcribed conversation raises speech chrF++ by 24--27 points while leaving written domains unchanged, a register gap that written-only benchmarks cannot see. Third, a larger NLLB model helps translation into Portuguese but not into Nheengatu on legal or speech text. For Portuguese-to-Nheengatu translation, our final systems reach 31.7--32.8 chrF++ on article-disjoint constitutional text, 64.1--64.5 on the near-domain set (62.1 after removing items with target-side content overlap), and 45.2--47.5 on speech.
• Abstract（参考訳）: Nheengatu (yrl), Amazonian Língua Geral (yrl, Amazonian Língua Geral) は6～10000人の話者を持ち,サンガブリエル・ダ・カショエイラ (Brazil) で共用されているが,ポルトガル語-ニエンガトゥ (Nheengatu) のMTリソースの評価が不十分なままである。我々は,ブラジル連邦憲法の2023年の公式翻訳に係わる,ポルトガル語-ニエンガトゥ (Nheengatu) の言語用に組み立てられた最大の並列コーパス (14.5k Portuguese-Nheengatu pairs) を提示する。 3つの発見が論文を整理する。 まず、Nheengatu への翻訳は、トレーニングの長さやモデルのサイズに関わらず開発データに基づいて行われ、残りのエラーの多くは、記述された情報源が一貫して証明しないような従来の法的条件で行われ、凍結辞書上の用語成功率は、トレーニング時の用語的メカニズムと各上昇期実現における語彙的制約、後者は chrF++ がほとんど登録していない反復的な出力のコストを示している。 第二に、書き起こされた会話を追加するコーパス拡張は、記述されたドメインをそのまま残しながら、音声のchrF++を24～27ポイント上昇させます。 第3に、より大きなNLLBモデルは、ポルトガル語への翻訳を支援するが、法的または音声によるニーンガトゥへの翻訳には役立っている。 ポルトガル語からニエンガトゥ語への翻訳では、最終システムは、記事が一致しない構成文で31.7--32.8 chrF++、ほぼドメインセットで64.1--64.5(ターゲット側の内容が重なり合うアイテムを削除した後62.1)、スピーチで45.2--47.5に達する。

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)
• Neural Machine Translation for Low-Resource Tangkhul--English [0.0]
  タングル語(Tangkhul)は、主にインドのマニプールで話されているチベット・ビルマン語族の言語である。 本報告では,(1)ByT5-largeファインチューニングに基づく基本システムと,(2)同一コーパス上のmT5-smallファインチューニングに基づくコントラストシステム,の2つのシステムについて述べる。 我々の主要なBYT5大規模システムは、コーパスBLEUスコア39.97、chrF++58.07、BERTScore F1、COMET0.7302をホールドアウトテストセットで達成する。
  論文  参考訳（メタデータ） (2026-06-24T03:54:46Z)
• Simultaneous Speech-to-Speech Translation Without Aligned Data [52.467808474293605]
  同時音声翻訳では、ソース音声を対象言語にリアルタイムで翻訳する必要がある。 単語レベルのアライメントを完全に不要にするヒビキゼロを提案する。 Hibiki-Zeroは5つのX-英語タスクの翻訳精度、レイテンシ、音声転送、自然性において最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-02-11T17:41:01Z)
• SeamlessM4T: Massively Multilingual & Multimodal Machine Translation [90.71078166159295]
  音声から音声への翻訳,音声からテキストへの翻訳,テキストからテキストへの翻訳,最大100言語の自動音声認識をサポートする単一モデルSeamlessM4Tを紹介する。 我々は、音声とテキストの両方に英語を翻訳できる最初の多言語システムを開発した。 FLEURSでは、SeamlessM4Tが複数のターゲット言語への翻訳の新しい標準を設定し、音声からテキストへの直接翻訳において、以前のSOTAよりも20%BLEUの改善を実現している。
  論文  参考訳（メタデータ） (2023-08-22T17:44:18Z)
• 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)
• Consecutive Decoding for Speech-to-text Translation [51.155661276936044]
  COnSecutive Transcription and Translation (COSTT)は、音声からテキストへの翻訳に不可欠な手法である。 鍵となるアイデアは、ソースの書き起こしとターゲットの翻訳テキストを1つのデコーダで生成することである。 本手法は3つの主流データセットで検証する。
  論文  参考訳（メタデータ） (2020-09-21T10:10:45Z)

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。