Uw zeldzame taalcorpus is niet te vinden voor AI

Kunstmatige intelligenties zijn standaard Engelstalig: ze zijn gevoed met een web dat gedomineerd wordt door een handvol grote talen. Voor dialecten, regionale talen en gebarentalen blijft de trainingsdata massaal ontoereikend. En in tegenstelling tot het Engels is er bijna niets online te vinden voor een weinig geschreven of gedigitaliseerde taal: de data moet handmatig worden geproduceerd, opgenomen en vervolgens getranscribeerd.

Deze inspanning heeft een prijs, en dat is precies wat de waarde bepaalt. Het transcriberen van een uur audio in een ondervertegenwoordigde taal kan ongeveer 30 tot 36 uur menselijke arbeid vergen, terwijl het Engels slechts een fractie van die tijd nodig heeft (arXiv, 2025). Wat de prijs betreft, kost geannoteerde audio van hoge kwaliteit ongeveer 90 tot 180 dollar per uur audio in het Engels, met een premie van 3 tot 6 keer voor gespecialiseerde of zeldzame talen.

De betrokken actoren produceren, vaak zonder het te weten, zeldzame spraak: meertalige of dialectische callcenters, regionale media en lokale radio's, dovenverenigingen en gebarentolken, maar ook de onderwijssector, vertaling en taalgemeenschappen. Wat waarde heeft, is de audio- of video-opname vergezeld van de transcriptie: spraak in een zeldzame taal of dialect, geannoteerde gebarentaalvideo, spontane spraak van kinderen, ouderen of uit het veld.

Taaldata raakt mensen en gemeenschappen: een ethisch kader — expliciete toestemming, anonimisering, respect voor de gemeenschap — is geen optie, en dat is ook wat de data verhandelbaar en dus waardevol maakt. De eerste concrete stap is weten of uw corpus waarde heeft: start een gratis diagnose op d-nvest.