面向社区导向的 Kwak'wala 历史文本数字化的混合方法流程开发
计算与语言
2025-06-03 v1
摘要
Kwak'wala 是一种在不列颠哥伦比亚省使用的原住民语言，拥有跨越一个多世纪的丰富已出版文献遗产，并且有一个由说话者、教师和学习者组成的活跃社区致力于语言复兴。由 Franz Boas 和 George Hunt 合作创作的最早文本的 11 卷多已被扫描，但机器仍无法读取。通过光学字符识别进行完整数字化，有望促进音译转换为现代正字法以及创建其他语言技术。在本文中，我们将最新的 OCR 技术应用于一系列只能以图像形式获取的 Kwak'wala 文本，并讨论使此类技术适用于这些真实文本所需的挑战和独特改编。在先前方法的基础上，我们提出使用现成的 OCR 方法、语言识别和掩码的混合方法来有效隔离 Kwak'wala 文本，并结合后校正模型，以产生最终的高质量转录。
引用
@article{arxiv.2506.01775,
title = {Developing a Mixed-Methods Pipeline for Community-Oriented Digitization of Kwak'wala Legacy Texts},
author = {Milind Agarwal and Daisy Rosenblum and Antonios Anastasopoulos},
journal= {arXiv preprint arXiv:2506.01775},
year = {2025}
}
备注
Accepted to Comput-EL 2025 Workshop. Preprint