論文の概要: bharatSetu: a 1M x 22 bridge for indic translation

• arxiv url: http://arxiv.org/abs/2610.15705v1
• Date: Sun, 11 Oct 2026 15:39:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.23778
• Title: bharatSetu: a 1M x 22 bridge for indic translation
• Title（参考訳）: bharatSetu: インデックス翻訳のための1M x 22ブリッジ
• Abstract要約: 提案するBharatSetu 22-Indic 1Mは984,764の英文からなる行整列表であり,それぞれが22言語すべてに機械翻訳される。 行内のすべてのインデックスセルは同じ英語の文を翻訳するため、2つの列は翻訳ペアを形成する。 これらのペアをピボット由来のペアと呼び、各ペアがどれだけ厳密に接続されているかをユーザが選択できる信頼層を提案します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: India's Eighth Schedule recognises 22 languages, yet parallel data is uneven across them, and many language pairs, especially among lower-resource languages such as Bodo, Dogri, Santali and Kashmiri, lack direct bitext. We present BharatSetu 22-Indic 1M, a row-aligned table of 984,764 English sentences, each paired with machine translations into all 22 scheduled languages (21,664,808 Indic cells), generated with the sarvamai/sarvam-translate model family. Because every Indic cell in a row translates the same English sentence, any two columns form a translation pair: 462 directed Indic-to-Indic pairs, or 506 including English, without direct bitext. We call these pivot-derived pairs and propose a confidence layer that lets users choose how strictly each pair is connected. The corpus is machine-generated and not human-verified; quality is expected to vary by language, domain and sentence style, and pivot-derived pairs can inherit errors from both sides. We therefore release BharatSetu as a machine layer and propose a human-correction layer keyed to the same row identifiers, so that each corrected column upgrades every pair that uses it, together with an evaluation protocol. We report no translation-quality results.
• Abstract（参考訳）: 特にボド語、ドドリ語、サンターリ語、カシュミリ語などの低リソース言語では、直接bitextが欠落している。 BharatSetu 22-Indic 1Mは、984,764の英文からなる行整列表であり、それぞれが、sarvamai/sarvam-translateモデルファミリーで生成された22の予定言語(21,664,808 Indic cell)に機械翻訳された。 行のすべてのインデックスセルが同じ英語の文を翻訳するため、2つの列は、直接のbitextなしで462行のIndic-to-Indicペア、または506行の英語を含む翻訳ペアを形成する。 これらのペアをピボット由来のペアと呼び、各ペアがどれだけ厳密に接続されているかをユーザが選択できる信頼層を提案します。 コーパスは機械生成され、人間認証されていない。品質は言語、ドメインスタイル、文スタイルによって異なることが期待され、ピボット由来のペアは両側からのエラーを継承することができる。 そこで我々は,BharatSetuをマシン層としてリリースし,同じ行識別子にキーを付けるヒューマン補正層を提案する。 翻訳品質の結果は報告しない。

関連論文リスト

• NADI 2026: The Second Multidialectal Arabic Speech Processing Shared Task [58.96707725438922]
  自動音声認識(ASR)、音声対話識別(SDID)、テキスト音声翻訳(TTS)、音声言語翻訳(SLT)、音声言語理解(SLU)の5つのタスクと8つのサブタスクからなる。 Nadir 2026は、低帯域幅、混合ダイアレクト、コードスイッチ、アウト・オブ・ドメイン、ゼロショット設定による現実的な評価を強調している。
  論文  参考訳（メタデータ） (2026-09-22T21:37:54Z)
• AlexandriaX 2026: The First Shared Task on Dialectal Arabic Machine Translation [65.18574662565511]
  アレクサンドリアX 2026 アラビア語 MT の共有タスクは、3つのサブタスクを通じて課題に対処する。 Subtask 1の最良のシステムは、制約のないトラックで30.42 spBLEU、制約のないトラックで33.49 spBLEUを達成した。 その結果、明示的な方言モデリング、文脈認識生成、検索と再ランク付け、およびMT誤り解析のための特殊なアプローチの利点が浮き彫りになった。
  論文  参考訳（メタデータ） (2026-09-19T05:59:30Z)
• IndicQE-APE: A Benchmark for Quality Estimation and Automatic Post-Editing for Indic Languages [77.88427845181154]
  我々はWMT 2020-2024の共有タスクの系統を、英語のリソースを拡張してインディクシーに集約する:9つの方向対に対して126,754ドルのインスタンス。 セグメントレベルのQEでは,LSMが6つ,COMETが3つ,APEでは3つのシステムをベンチマークした。
  論文  参考訳（メタデータ） (2026-08-17T09:50:52Z)
• IndicTrans2: Towards High-Quality and Accessible Machine Translation Models for all 22 Scheduled Indian Languages [37.758476568195256]
  インドは10億人以上の人々が話す4つの主要言語族の言語と共に豊かな言語風景を持っている。 これらの言語のうち22はインド憲法に記載されている(予定言語として参照)。
  論文  参考訳（メタデータ） (2023-05-25T17:57:43Z)
• The Effect of Normalization for Bi-directional Amharic-English Neural Machine Translation [53.907805815477126]
  本稿では,比較的大規模なアムハラ語-英語並列文データセットを提案する。 我々は、既存のFacebook M2M100事前学習モデルを微調整することで、双方向のアムハラ語翻訳モデルを構築する。 その結果, 両方向のアンハラ語・英語機械翻訳の性能は, アンハラ語ホモホン文字の正規化により向上することが示唆された。
  論文  参考訳（メタデータ） (2022-10-27T07:18:53Z)
• Challenge Dataset of Cognates and False Friend Pairs from Indian Languages [54.6340870873525]
  コニャートは異なる言語で同じテキストの複数の変種に存在する。 本稿では,12言語を対象とした2つのコグネートデータセットの作成について述べる。
  論文  参考訳（メタデータ） (2021-12-17T14:23:43Z)
• Samanantar: The Largest Publicly Available Parallel Corpora Collection for 11 Indic Languages [4.3857077920223295]
  Samanantarは、Indic言語で利用可能な最大の並列コーパスコレクションである。 このコレクションには、英語と11のIndic言語の間の合計4970万の文対が含まれている。
  論文  参考訳（メタデータ） (2021-04-12T16:18:20Z)
• Practical Comparable Data Collection for Low-Resource Languages via Images [126.64069379167975]
  本稿では,モノリンガルアノテータを用いた低リソース言語のための高品質な同等のトレーニングデータをキュレートする手法を提案する。 本手法では, ソースとターゲット言語間のピボットとして, 慎重に選択した画像の集合を用いて, 両方の言語でその画像のキャプションを独立に取得する。 本手法で作成した英ヒンディー語対応コーパスの人間による評価では、対の81.1%が許容される翻訳であり、対の2.47%が全く翻訳ではない。
  論文  参考訳（メタデータ） (2020-04-24T19:30:38Z)

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。