Kurdische KI: Computern eine ressourcenarme Sprache beibringen

Künstliche Intelligenz hat gelernt, in vielen Sprachen zuzuhören, zu sprechen und zu übersetzen, und Kurdisch holt noch auf. Es wird von schätzungsweise 20 bis 30 Millionen Menschen gesprochen, aber viel weniger davon wurde so aufgenommen, getippt und beschriftet, dass ein Computer daraus lernen kann. Dieser Guide erklärt in einfachen Worten, was das bedeutet und was es braucht, um kurdische KI zu bauen.

Was „ressourcenarm“ bedeutet

KI-Systeme lernen aus Beispielen. Eine Spracherkennung lernt aus vielen Stunden Aufnahmen, jede mit einer passenden schriftlichen Abschrift. Ein Übersetzungssystem lernt aus sehr vielen Sätzen, die jeweils mit ihrer Übersetzung gepaart sind.

Forschende nennen eine Sprache ressourcenarm, wenn solche Daten knapp sind. Der Begriff bezieht sich vor allem auf Daten, nicht auf die Zahl der Sprecher: Eine Sprache kann Millionen Sprecher haben und trotzdem ressourcenarm sein. Kurdisch ist ein deutliches Beispiel, und Studien zur kurdischen Sprachtechnologie beschreiben es seit mehr als zehn Jahren als Sprache mit wenigen Ressourcen.

Am wichtigsten sind annotierte Daten: Aufnahmen mit Abschriften, Sätze mit Übersetzungen, Wörter, die mit ihrer Bedeutung versehen sind. Einfacher Text aus dem Internet hilft auch, aber erst annotierte Daten bringen einem System eine bestimmte Aufgabe bei, und sie zu erstellen ist sorgfältige Arbeit von Menschen.

Warum Kurdisch für KI schwierig ist

Kurdisch bringt vier Herausforderungen auf einmal mit: mehrere Dialekte, zwei Hauptschriften, schwankende Schreibweisen und sehr wenige annotierte Daten.

Mehrere Dialekte

Kurmancî (Nordkurdisch) und Soranî (Zentralkurdisch) sind die beiden größten Varietäten, und Südkurdisch bildet eine dritte Gruppe. Sie unterscheiden sich in Lauten, Wörtern und Grammatik, deshalb versteht ein System, das mit der einen trainiert wurde, die andere nicht automatisch.

Sieh dir „Mir geht es gut“ an. Kurmancî braucht drei Wörter, Ez baş im, während Soranî dieselbe Bedeutung in ein einziges Wort packt. Ein Computer muss beide Muster getrennt lernen. Mehr dazu in Kurmancî vs. Soranî.

Zwei Hauptschriften

Kurmancî wird meist in lateinischen Buchstaben geschrieben, Soranî in einer arabisch-basierten Schrift, die von rechts nach links läuft. In der ehemaligen Sowjetunion wurde Kurmancî auch in kyrillischer Schrift geschrieben. Für einen Computer haben die beiden Schreibweisen von „Hallo“ in der Tabelle oben nichts gemeinsam, obwohl ein kurdischer Zuhörer fast dasselbe Wort hört. Unser Guide zum kurdischen Alphabet zeigt beide Schriften Buchstabe für Buchstabe.

Schwankende Schreibweisen

Viele Alltagswörter werden auf mehr als eine Art geschrieben. Hier sind Paare aus unseren eigenen Lektionen, die ein Computer als dasselbe Wort erkennen lernen muss:

Es gibt auch eine versteckte Ebene. Menschen tippen Kurdisch auf vielen verschiedenen Tastaturen, auch auf solchen für andere Sprachen, und diese können Buchstaben, die gleich aussehen, als unterschiedliche Zeichen speichern. Ein einziger Soranî-Buchstabe kann den Computer in mehreren Formen erreichen, deshalb muss Text bereinigt werden, bevor eine KI daraus lernen kann. Unser Guide zur kurdischen Tastatur zeigt, wie du jeden Buchstaben tippst.

Wenig annotierte Sprachaufnahmen und Texte

Kurdische Spracherkennung ist ein junges Forschungsfeld. 2019 schrieben Forschende, die einen der ersten Soranî-Sprachdatensätze vorstellten, dass sie keine früheren Studien zur kurdischen Spracherkennung finden konnten. Seitdem sind größere Sprachsammlungen für Soranî und Kurmancî entstanden, aber sie sind noch immer eher klein.

Bei der Übersetzung gibt es dasselbe Problem. Studien zur maschinellen Übersetzung des Kurdischen beschreiben das Angebot an kurdischen Texten mit passender Übersetzung als knapp.

Spracherkennung, Sprachausgabe und Übersetzung

Diese drei werden oft unter „kurdische KI“ zusammengefasst, aber jede erledigt eine andere Aufgabe. Nimm das einfachste kurdische Wort:

Silav! /siˈlav/ سڵاو! silaw Hallo!

• Spracherkennung macht aus gesprochener Sprache Text. Du sagst Silav laut, und der Computer schreibt es auf.
• Sprachausgabe (Text-to-Speech) geht den umgekehrten Weg. Sie liest geschriebenes Kurdisch mit einer Computerstimme vor.
• Maschinelle Übersetzung überträgt Text von einer Sprache in eine andere. Sie liest Silav und gibt dir „Hallo“.

Aussprache-Feedback baut auf der Spracherkennung auf. Statt nur aufzuschreiben, was du gesagt hast, vergleicht das System dein Silav mit dem Wort, das du sagen solltest, und zeigt dir die Laute, an denen du noch arbeiten musst.

Jede Aufgabe braucht andere Daten. Spracherkennung muss alle verstehen, deshalb lernt sie am besten aus vielen Stimmen: jung und alt, jeder Akzent, ruhige und laute Räume. Sprachausgabe muss wissen, wie jedes geschriebene Wort klingen soll. Hier hat Kurdisch einen Vorteil, denn beide Alphabete schreiben meist einen Buchstaben für jeden Laut. Soranî schreibt außerdem fast alle Vokale als Buchstaben, während Arabisch kurze Vokale meist weglässt. Die einzige Ausnahme ist ein kurzes „i“, wie der erste Vokal von سڵاو, das nicht geschrieben wird.

Unsere eigene kurdische Spracherkennung und Stimmen

ZimanGo entwickelt eine eigene kurdische Spracherkennung für Kurmancî und Soranî. In Sprechübungen sagst du ein Wort oder einen Satz laut, und sie prüft deine Aussprache und zeigt dir, was du verbessern kannst.

Das Audio in jeder Lektion kommt von unseren eigenen kurdischen Text-to-Speech-Stimmen. Sie lesen dieselben Sätze vor, die du auf dem Bildschirm siehst, und diese Sätze schreiben Menschen, die Kurdisch sprechen: Der Gründer schreibt die Kurmancî-Lektionen, Soranî-Sprecher schreiben die Soranî-Lektionen.

Wer von Anfang an für Kurdisch entwickelt, muss mit beiden Schriften, den Lauten jedes Dialekts und den oben beschriebenen Schreibvarianten umgehen. Das ist langsame, sorgfältige Arbeit, und Aufnahmen, die Lernende teilen möchten, helfen dabei, die Spracherkennung zu verbessern.

Wie Lernende helfen können, nur wenn du zustimmst

Am besten wird kurdische Spracherkennung durch mehr echte kurdische Stimmen, aus jeder Region und mit jedem Akzent. Deshalb fragt ZimanGo Lernende, ob ihre Aufnahmen aus Sprechübungen verwendet werden dürfen, um die Spracherkennung zu verbessern.

• Deine Entscheidung. Deine Aufnahmen helfen nur mit deiner ausdrücklichen Einwilligung, unsere Spracherkennung zu verbessern. Du kannst Nein sagen oder deine Meinung jederzeit ändern und trotzdem jede Sprechübung nutzen.
• Nur begrenzt gespeichert. Aufnahmen werden bis zu 24 Monate nach ihrer Erstellung aufbewahrt oder bis du sie oder dein Konto löschst, je nachdem, was früher eintritt. Du kannst uns jederzeit bitten, sie zu löschen.
• Niemals missbraucht. Wir verwenden deine Stimme niemals zum Klonen von Stimmen, für Werbung oder um dich zu identifizieren.

Sprechübungen sind immer freiwillig, du kannst sie also auch überspringen. Alle Details findest du in unserer Datenschutzerklärung.

Kurdische Wörter für die digitale Welt

Wenn du Kurdisch lernst, zeigt dir der Wortschatz der Technik gut, wie die Sprache arbeitet. Diese Wörter stammen aus unseren Lektionen, die meisten aus der Lektion über Technik und modernes Leben:

Manche neuen Dinge haben mehr als einen Namen. In den Lektionen kommt „App“ sowohl als sepan als auch als Aplîkasyon vor, und genau diese Vielfalt muss eine KI lernen.

Setz ein paar Wörter zusammen, und du kannst über deinen Tag sprechen. Ez li ser komputerê dixebitim heißt „Ich arbeite am Computer“. Auf Soranî sagst du لەسەر کۆمپیوتەر کار دەکەم.

Wie es weitergeht

Kurmancî und Soranî sind heute verfügbar. Behdînî (Badini), Zazakî (Kirmanckî) und Hewramî (Gorani) folgen bald. Für jede davon braucht es mehr Aufnahmen, mehr Stimmen und sorgfältige Prüfung durch Menschen, die sie sprechen. Unser Guide zu den kurdischen Dialekten erklärt, wie sie zusammenhängen.

Varietäten mit weniger geschriebenen Texten und Aufnahmen starten mit noch weniger Daten, deshalb zählt jeder sorgfältig geschriebene Satz und jede geteilte Aufnahme. Der Fortschritt kommt stetig, nicht plötzlich.