С почином, Республику Башкортостан! 🎉
Хорошая новость для всех, кто болеет за судьбу языков в эпоху ИИ.
В Башкортостане создана рабочая группа под руководством первого заместителя Правительства РБ Урала Тагировича Кильсенбаева. В группу вошли представители самых разных институтов:
— ТВ и радио
— Национальная библиотека и библиотека для слепых
— Национальный музей
— Университеты
— Минцифры и Минобразования РБ
— Газеты, журналы, энциклопедия
— ГУП «Башкирское издательство «Китап» им. Зайнаб Биишевой»
— АО «Издательский дом «Республика Башкортостан»
— УФИЦ РАН и Академия наук РБ
— АНО по сохранению и развитию башкирского языка
— языковые активисты
Цель — собрать текстовые, аудио- и визуальные датасеты башкирского языка и культуры. Работа огромная и небыстрая: львиная доля усилий уходит на авторские права — юристы связываются с авторами и правообладателями, там где права у государства — оформляют всё как положено. Без этой рутинной, но критически важной работы датасеты просто нельзя было бы законно опубликовать и использовать.
Итоговая амбиция — чтобы в эпоху ИИ модели умели говорить и понимать башкирскую речь, знали историю и традиции, и даже умели рисовать башкирские орнаменты, одежду, лица — без ошибок и стереотипов.
И вот — первый плод этой работы уже опубликован:
🔗 https://huggingface.co/datasets/bashkorttele/narrated-audiobooks-brsbs
Это озвученные аудиокниги — 476 аудиофрагментов, 14 произведений (эпосы вроде «Аҡбуҙат» и «Алдар менән Зөһрә», стихи Мифтахетдина Акмуллы и другие), с текстом на башкирском и русском, источники — общественное достояние.
📄 Лицензия: датасет распространяется под лицензией CDLA-Permissive-2.0 (полный текст — в файле LICENSE, распространяется вместе с данными согласно п. 2.1). Лицензия не требует указания авторства, но ссылка на источник приветствуется. Атрибуция и происхождение материалов — в файле NOTICE.
Хочется, чтобы этот опыт вдохновил и другие республики и языковые сообщества — системная работа с юристами по авторским правам решает то самое узкое место, из-за которого многие языковые датасеты годами лежат «в столе». 👏
