Ihr Korpus in seltenen Sprachen ist für KI nicht auffindbar

Künstliche Intelligenzen sind standardmäßig englischsprachig: Sie wurden mit einem Web gefüttert, das von einer Handvoll großer Sprachen dominiert wird. Für Dialekte, Regionalsprachen und Gebärdensprachen sind die Trainingsdaten nach wie vor massiv unzureichend. Und im Gegensatz zum Englischen gibt es für eine wenig geschriebene oder digitalisierte Sprache fast nichts online zu finden: Die Daten müssen manuell erstellt, aufgenommen und dann transkribiert werden.

Dieser Aufwand hat Kosten, und genau das macht den Wert aus. Die Transkription einer Stunde Audio in einer unterversorgten Sprache kann etwa 30 bis 36 Stunden menschliche Arbeit erfordern, während Englisch nur einen Bruchteil dieser Zeit benötigt (arXiv, 2025). Preislich liegt qualitativ hochwertiges annotiertes Audio bei etwa 90 bis 180 Dollar pro Audio-Stunde in englischer Sprache, mit einer Prämie von 3 bis 6 Mal für spezialisierte oder seltene Sprachen.

Betroffene Akteure produzieren oft unwissentlich seltene Sprache: mehrsprachige oder dialektale Callcenter, regionale Medien und lokale Radiosender, Gehörlosenverbände und Gebärdensprachdolmetscherdienste, aber auch der Bildungssektor, die Übersetzung und Sprachgemeinschaften. Wertvoll sind die Audio- oder Videoaufnahmen mit ihrer Transkription: Sprache in seltener Sprache oder Dialekt, annotiertes Gebärdensprachvideo, spontane Sprache von Kindern, Älteren oder aus dem Feld.

Sprachdaten berühren Menschen und Gemeinschaften: Ein ethischer Rahmen – ausdrückliche Einwilligung, Anonymisierung, Respekt vor der Gemeinschaft – ist keine Option, und das macht die Daten auch übertragbar und somit wertvoll. Der erste konkrete Schritt ist herauszufinden, ob Ihr Korpus wertvoll ist: Starten Sie eine kostenlose Diagnose auf d-nvest.