Министерство цифрового развития государственного управления Республики Башкортостан
Новости · 9 сентября 2026 г.
📣 Башкирский язык получил открытый языковой корпус — Bashkorttele — 9 сентября 2026 г. в 09:28:42.222
📣 Башкирский язык получил открытый языковой корпус — Bashkorttele Ко Дню языков народов России Фонд сохранения и развития башкирского языка опубликовал серию открытых датасетов на Hugging Face — под свободной лицензией, без бюрократии, доступных всем: от крупных лабораторий, обучающих многоязычные модели, до школьных учителей и студентов республики. Что вошло в корпус: 🎧 78 часов аудиокниг — эпосы, кубаиры, проза, поэзия, народные сказки 📻 53 часа теле- и радиопередач 📖 5 разговорников: башкирский / русский / казахский / алтайский / якутский / арабский / китайский (9 857 параллельных фраз) Как это сделано. С помощью агентных технологий на базе LLM построен воспроизводимый конвейер: он самостоятельно классифицирует исходные материалы, распознаёт текст, восстанавливает вёрстку, чинит кодировки и переносы, проводит морфологический аудит и публикует готовый датасет. В основе — многолетний труд по формализации башкирской орфографии (Bashspell Айгиза Кунафина) и грамматические ресурсы Института истории, языка и литературы УФИЦ РАН. Найденные исправления уже приняты в публичные репозитории apertium и bashspell на GitHub. Зачем это нужно. Современные модели говорят на малоресурсных языках, но из-за нехватки данных башкирский текст незаметно «съезжает» в татарскую или казахскую морфологию. Качественный корпус — это основа для голосовых помощников, автоматического перевода, субтитров, клавиатур и образовательных сервисов на башкирском. Оцифровка сохраняет текст. Машиночитаемый корпус сохраняет язык — в форме, на которой будут говорить технологии следующего десятилетия. 🙏 Благодарим авторов и издателей, давших согласие на публикацию датасетов. За подробностями — на сайт.