Traductor de lenguas originarias de bajos recursos

Emiliano Churruca; Jorge Santos; Santiago Durante; Marcia Nascimento; Juan Santos; Luis Chiruzzo

Autores/as

Emiliano Churruca Universidad Nacional de Hurlingham, Argentina https://orcid.org/0009-0008-8511-2891
Jorge Santos Universidad Nacional de Hurlingham, Argentina https://orcid.org/0000-0002-9081-5881
Santiago Durante Universidad Nacional de Hurlingham, Argentina
Marcia Nascimento Universidade Federal do Rio Grande do Sul, Brasil
Juan Santos Universidad Nacional de Hurlingham, Argentina
Luis Chiruzzo Universidad de la República, Uruguay https://orcid.org/0000-0002-1697-4614

Palabras clave:

lenguas de bajos recursos, traducción automática, revitalización lingüística, transformer

Resumen

La línea de investigación presentada en este trabajo tiene como objetivo formular e implementar una metodología para la creación de traductores de lenguas con bajos recursos en América del Sur. El lenguaje forma parte de la cultura e identidad de las comunidades, especialmente en pueblos originarios. La globalización y la marginalización histórica, entre otros factores, provocaron que muchas lenguas se hayan retraído hasta desaparecer mientras que otras, se desvanecen. La metodología propuesta involucra la búsqueda, recolección y depuración de datos para la creación del corpus bitexto que permita la creación de modelos de lenguaje su cientemente ricos como para la implementación de máquinas de traducción basadas en Transformers. Las lenguas objeto de estudio con las que inicialmente se trabajará son el Kaingang y el Ayoreo. En cuanto a la primera, se ha empezado a aplicar la metodología conformando un pequeño corpus y se ha implementado un traductor basado en el esquema codi cador-decodi cador usando Transformers. Los resultados preliminares expuestos aquí permiten obtener algunas conclusiones útiles para la formulación de la metodología.

Descargas

Los datos de descarga aún no están disponibles.

Referencias

Anónimo judeocristiano (ca. 80-90). Evangelio según san mateo. Archivo PDF. Autoría atribuida tradicionalmente al apóstol Mateo.

Borges, Y., Mercant, F., and Chiruzzo, L. (2021). Using guarani verbal morphology on guarani-spanish machine translation experiments. Procesamiento del Lenguaje Natural, 66:89-98.

Brownlee, J., Cristina, S., and Saeed, M. (2022). Building Transformer Models with Attention: Implementing a Neural Machine Translator from Scratch in Keras. Machine Learning Mastery.

De Gibert, O., Pugh, R., Marashian, A., Vázquez, R., Ebrahimi, A., Denisov, P., Rice, E., Gow-Smith, E., Prieto, J., Robles, M., et al. (2025). Findings of the americasnlp 2025 shared tasks on machine translation, creation of educational material, and translation metrics for indigenous languages of the americas. In Proceedings of the Fifth Workshop on NLP for Indigenous Languages of the Americas (AmericasNLP), pages 134-152.

Ebrahimi, A., Mager, M., Rijhwani, S., Rice, E., Oncevay, A., Baltazar, C., Cortés, M., Montaño, C., Ortega, J. E., Coto-Solano, R., et al. (2023). Findings of the americasnlp 2023 shared task on machine translation into indigenous languages. In Proceedings of the Workshop on Natural Language Processing for Indigenous Languages of the Americas (AmericasNLP), pages 206-219.

Mager, J. M. M., Romero, C. B., and Ruiz, I. V. M. (2016). Traductor estadístico wixarika-español usando descomposición morfológica.

Mager, M., Oncevay, A., Ebrahimi, A., Ortega, J., Gonzales, A. R., Fan, A., Gutierrez-Vasques, X., Chiruzzo, L., Giménez-Lugo, G., Ramos, R., et al. (2021). Findings of the americasnlp 2021 shared task on open machine translation for indigenous languages of the americas. In Proceedings of the First Workshop on Natural Language Processing for Indigenous Languages of the Americas, pages 202-217.

Marmion, D., Obata, K., and Troy, J. (2014). Community, identity, wellbeing: the report of the Second National Indigenous Languages Survey. Australian Institute of Aboriginal and Torres Strait Islander Studies Canberra.

Moreno, O., Atamain, Y., and Oncevay, A. (2024). Awajun-op: Multi-domain dataset for spanish awajun machine translation. In Proceedings of the 4th Workshop on Natural Language Processing for Indigenous Languages of the Americas (AmericasNLP 2024), pages 112 120.

Nascimento, M. (2017). Evidencialidade em Kaigang: descrição, processamento e aquisição. PhD thesis, Tese de doutorado, UFRJ.

Oncevay, A. (2021). Peru is multilingual, its machine translation should be too? In Proceedings of the First Workshop on Natural Language Processing for Indigenous Languages of the Americas, pages 194 201.

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., and Polosukhin, I. (2017). Attention is all you need. Advances in neural information processing systems, 30.

Wycliffe Bible (2011). Mateus Ty Rá: The New Testament in Kaingang. Wycli e Bible Translators, Inc. Archivo PDF.