Mit 80 Sprachen um die Welt? Hilft uns das maschinelle Übersetzen wirklich beim Erhalten von Minderheitensprachen?

von Monja Jannet
Bild: Erstellt mit Microsoft Bing Image Creator

Wirft man einen Blick auf das Sprachangebot von Google Translate und ähnlich bekannten Anbietern von Online-Tools zum maschinellen Übersetzen, kann einem zunächst die große Anzahl angebotener Sprachen auffallen. Getreu dem Motto, Sprachbarrieren überwinden zu wollen, haben sich die Anbieter auf die Fahnen geschrieben, mit ihren Übersetzungssystemen Sprecher:innen von immer mehr Sprachen erreichen zu wollen. Microsoft berichtete beispielsweise in einem Blog-Beitrag des Microsoft Translator Blogs zuletzt im April 2023, von nun an 129 Sprachen zur maschinellen Übersetzung anzubieten.

Ein Anbieter treibt diese durch künstliche Intelligenz (KI) generierte Mehrsprachigkeit jedoch auf die Spitze und führt die Liste der meisten unterstützten Sprachen deutlich an: Während Google Translate im Jahr 2022 seinem Übersetzungssystem noch 24 neue Sprachen hinzufügte und damit einen vorläufigen Höhepunkt von insgesamt 133 verfügbaren Sprachen erreichte, kündigt der Tech-Gigant in einer Pressemitteilung vom Juni 2024 an, erneut Sprachen zu ergänzen. So stockt Google Translate sein Repertoire an übersetzbaren Sprachen um 110 neue Sprachen auf und bietet dementsprechend aktuell 243 Sprachen an.

Unter den zur Verfügung stehenden Sprachen finden sich jedoch nicht nur weit verbreitete Weltsprachen wie Englisch und Französisch. Mittlerweile können wir auch regionale und weniger verbreitete Sprachen, wie die Berbersprache Tamazight und die Kreolsprache Tok Pisin online übersetzen lassen.

Bei der Auswahl ihrer Sprachen für die maschinelle Übersetzung scheint es den Anbietern neben dem Abdecken von möglichst vielen Sprachen auch um den Status der angebotenen Sprachen zu gehen. So wird in Pressemitteilungen bisweilen betont, wie die Anbieter ihr Angebot um Regionalsprachen erweitern. Im Zuge der oben erwähnten Ausweitung seiner Sprachen um 110 Neuzugänge, beispielsweise, spricht Google Translate im Juni 2024 ebenfalls davon, indigene Sprachen einzuführen, von denen einige weltweit geradezu keine aktiven Sprecher:innen haben, darunter unter anderem die tonale Sprache Afar aus Äthiopien, Dschibuti und Eritrea.

In diesem Artikel möchte ich diese Entwicklung kritisch hinterfragen. Obwohl das ständige Hinzufügen von Sprachen für die maschinelle Übersetzung und insbesondere ein breites Angebot an wenig bekannten (teilweise sogar nahezu komplett ausgestorbenen) Sprachen ein so zentrales Anliegen von führenden Tech-Konzernen zu sein scheint, gibt es durchaus Stimmen, die den Nutzen von maschineller Übersetzung für die Förderung von Minderheitensprachen anzweifeln – auch vor dem Hintergrund, dass sich Forschungsaktivitäten von den Anbietern selbst hinsichtlich der Verbesserung der Übersetzungsqualität für Minderheitensprachen in Grenzen zu halten scheinen. Obwohl sich in der Google-eigenen Forschungsdatenbank insgesamt 198 Studien zum Thema des maschinellen Übersetzens finden lassen, ergibt eine Suche nach low resource (für Sprachen mit wenig digitaler Ausstattung) gerade einmal vier Treffer, von denen die älteste Studie bereits im Jahr 2009 veröffentlicht wurde, und die neueste Studie von 2021 vor dem Aufkommen des großen Interesses an der neuen Large-Language-Model-Technologie (LLM) erschien (Stand 02.09.2024). Es stellt sich also die Frage, wie gut die Systeme von Google Translate und anderen Big-Tech-Konzernen überhaupt für das Übersetzen von Minderheitensprachen geeignet sind.

Minderheitensprachen aus linguistischer Perspektive

Bevor wir uns der Frage widmen, welche Rolle Systeme zur maschinellen Übersetzung beim Überwinden von Sprachbarrieren spielen können, wollen wir kurz in das Thema der Minderheitensprachen eintauchen.

Welche Sprachen als Minderheitensprachen gelten, kann nach verschiedenen Kriterien bestimmt werden. Ein Kriterium ist die Anzahl der aktiven Sprecher:innen einer Sprache. Hat eine Sprache sehr wenige Sprecher:innen, wird sie als Minderheitensprache bezeichnet und kann sogar vom kompletten Verschwinden bedroht sein. Laut Erhebungen des Forschungsnetzwerkes Ethnologue zählen in etwa 42 % der rund 7.164 aktuell auf der Welt gesprochenen Sprachen zu den gefährdeten Sprachen. Das entspricht in etwa 3.045 der Sprachen weltweit.

Konkret verstehen die Wissenschaftler:innen des Ethnologue-Netzwerks unter gefährdeten Sprachen solche Sprachen, deren Sprecher:innen sich vom Gebrauch der jeweiligen Sprache abwenden. So kann eine Sprache beispielsweise zur gefährdeten Sprache werden, wenn die Mitglieder der entsprechenden Sprachgemeinschaft andere, dominantere Sprachen bevorzugen, um mit ihren Kindern zu kommunizieren und diese zu unterrichten. (vgl. Eberhard et al. 2024)

Minderheitensprachen allein anhand der Anzahl ihrer Sprecher:innen zu definieren, reicht jedoch nicht aus, um das Konzept komplett zu erfassen. Auch soziale Aspekte des Sprachgebrauchs sollten berücksichtigt werden. So haben Sprachen in verschiedenen Ländern mitunter einen unterschiedlichen Status inne. Dies trifft zum Beispiel auf Spanisch zu, das offizielle Amtssprache in vielen Ländern Zentralamerikas ist. Obwohl Spanisch auch in einigen Teilen Nordamerikas von Einwandergemeinschaften gesprochen wird, hat dieselbe Sprache aus nordamerikanischer Perspektive einen Minderheitenstatus. So bekommt die Definition von Minderheitensprachen zusätzlich zur Anzahl der Sprecher:innen einen historischen Aspekt. Im Rahmen von Migrationsbewegungen werden Sprachen und Kulturen schließlich ständig über Ländergrenzen hinweg mobilisiert. Wandern Menschen von ihrem ursprünglichen Heimatland in ein anderes Land aus, kann es daher jederzeit nicht nur zum Verschwinden bereits vorhandener, sondern auch zur Bildung neuer Minderheitensprachen kommen.

Auf politischer Ebene trägt die Europäische Charta der Regional- oder Minderheitensprachen dem angesprochenen Aspekt Rechnung, indem sie anerkennt, dass eine global weit verbreitete Sprache gleichzeitig eine Minderheitensprache in einer bestimmten Region der Welt sein kann. So werden Minderheitensprachen hier als solche Sprachen definiert, die von einer Minderheit der Bevölkerung eines Staates in einer bestimmten Region verwendet werden. Eine Minderheiten- oder Regionalsprache, wie sie in der Charta auch genannt wird, muss sich nach dieser Definition zudem von der/den offiziellen Amtssprache/n des jeweiligen Landes unterscheiden und ist kein Dialekt von offiziellen Amtssprachen eines Landes. Allerdings schließt die Charta solche Sprachen aus, die von Zuwanderern in das jeweilige Land gebracht werden.

Bisher haben wir drei mögliche Kriterien für die Bestimmung einer Minderheitensprache angesprochen: die Anzahl der Sprecher:innen, das Maß an regionaler Verbreitung und das Fehlen des Status als offizielle Amtssprache im betroffenen Land.

Aus diesen unterschiedlichen Blickwinkeln auf Minderheitensprachen ergeben sich verschiedene Bezeichnungen des Konzepts: Während die oben genannte Charta des Europarats von „Regional- oder Minderheitensprachen“ spricht, nutzt das Ethnologue-Projekt die Benennung „gefährdete Sprachen“. Hiermit wird der Aspekt der Gefahr des Verschwindens von Sprachen betont. Wie oben beschrieben, gilt eine Sprache im Rahmen des Projekts als gefährdet, wenn sich ihre Nutzung etwa auf ein bestimmtes Gebiet und eine bestimmte soziale Situation begrenzt (zum Beispiel nur bei privater Kommunikation im Kreis der Familie).

Maschinelles Übersetzen zum Schutz von Minderheitensprachen?

Google Translate erläutert den Leser:innen des Google Translate Blogs in oben bereits erwähntem Beitrag sein Vorgehen bei der Entscheidung, welche Sprachen in das System aufgenommen werden sollen.

Demnach wendet Google die folgenden zwei Entscheidungskriterien an:

• • Wie verbreitet ist eine bestimmte Sprachvariante?

Mit Google Translate lassen sich nicht nur eigenständige Sprachen übersetzen. Das System widmet sich auch Varianten und Dialekten größerer Sprachen. Nach eigenen Angaben werden dabei vorzugsweise diejenigen Sprachvarianten in das Übersetzungssystem aufgenommen, die im Vergleich mit anderen Varianten derselben Sprache am häufigsten verwendet werden. Im Blog-Beitrag des Unternehmens heißt es weiter, dass das Google-System zwar Übersetzungen produziert, die sich stark an der ausgewählten Variante orientieren, allerdings auch Elemente anderer Varianten der jeweiligen Sprache enthalten können.

• • Wie ähnlich sind neu zu integrierende Sprachen den bereits vorhandenen Sprachen?

Bei der Auswahl von Sprachen bringt der Konzern auch die Ähnlichkeit von Sprachen zueinander ins Spiel. Das Hauptargument hierfür sei vor allem die Fähigkeit von LLMs, Sprachen zu erlernen, die bereits bekannten Sprachen ähneln. So konnte Google Translate nach einer Änderung der Systemarchitektur und Einbindung des konzerneigenen LLMs PaLM 2 beispielsweise Mauretanisch-Kreolisch sowie eine auf den Seychellen gesprochene Variante des Kreolischen hinzufügen.

Aus übersetzungswissenschaftlicher Perspektive können beide Argumente von Google kritisch eingeordnet werden. Wie oben beschrieben, spricht Google zunächst davon, bevorzugt Sprachen für die maschinelle Übersetzung anzubieten, die bereits vorhandenen Sprachen ähneln, wie zum Beispiel Varianten und Dialekte weit verbreiteter Sprachen. Abgesehen davon, dass Dialekte und Varianten von Standardsprachen sich im Sinne der oben erwähnten Europäischen Charta der Regional- oder Minderheitensprachen überhaupt nicht als eigenständige Minderheitensprachen qualifizieren, gibt es weitere Aspekte am Vorgehen von Google, die kritisch hinterfragt werden können.

Googles maschinelle Übersetzungen von angesprochenen Sprachvarianten orientieren sich nach Angaben des Konzerns stark an den größeren verwandten Sprachen und enthalten Elemente dieser. Laut Forschungsergebnissen aus der Computerlinguistik gilt dieses Phänomen nicht nur für Minderheitensprachen. Auch bei maschinellen Übersetzungen von größeren Sprachen, für die digitale Daten zum Trainieren von Übersetzungssystemen in ausreichenden Mengen zu Verfügung stehen, fällt auf: Werden mehrsprachige maschinelle Übersetzungssysteme genutzt (das heißt Systeme, mit denen verschiedene Sprachen übersetzt werden können, wie zum Beispiel Google Translate), dann ähneln grammatische Strukturen in den übersetzten Texten stärker denen der englischen Sprache als denen der jeweiligen Zielsprache (vgl. Papadimitriou et al. 2023).

Dieser so genannte „grammatical structure bias“ (Papadimitriou et al. 2023, 1194) lässt sich demnach in vielen maschinellen Übersetzungen finden, stellt aber insbesondere für das maschinelle Übersetzen von Minderheitensprachen ein Problem dar. Orientiert sich eine Übersetzung in eine Minderheitensprache stark an grammatischen Strukturen der dominanten englischen Sprache, erschwert dies die Erstellung von authentischen Texten in der kleinen Sprache und steht somit dem Ziel entgegen, Sprachvielfalt zu erhalten.

Bereits im Jahr 2015 hat Michal Měchura in einem Blog-Beitrag über Auswirkungen des maschinellen Übersetzens auf Minderheitensprachen darauf hingewiesen, dass diese nicht pauschal von der Verfügbarkeit maschineller Übersetzungssysteme profitieren. So macht er darauf aufmerksam, dass insbesondere für Minderheitensprachen eine stärkere Abgrenzung zu anderen Sprachen hilfreich wäre, schließlich sollen diese Sprachen ja gerade erhalten und so wenig wie möglich von größeren Sprachen beeinflusst werden.

Eine weitere Gefahr für die Eigenständigkeit von maschinell übersetzten Minderheitensprachen kann das so genannte Post-Editese darstellen. Hierbei handelt es sich um ein Phänomen, das beim Post-Editing, dem Nachbearbeiten von rohen maschinellen Übersetzungen auftreten kann. In der Übersetzungspraxis wird der Output von Systemen zur maschinellen Übersetzung in der Regel von Übersetzer:innen nachbearbeitet – ein Vorgehen, von dem Auftraggeber sich Zeitersparnis und Kostenreduktionen im Vergleich zum Übersetzen ohne technische Hilfsmittel versprechen. Obwohl herausgefunden wurde, dass maschinelle Übersetzungen nach dem Post-Editing eine höhere Qualität aufweisen als vor dem Eingriff durch Menschen, reicht die Qualität solcher Übersetzungen nicht an die von Texten heran, die komplett ohne maschinelle Einwirkung angefertigt worden sind (vgl. Toral 2019, 280).

Post-Editese kann also negative Auswirkungen auf die Übersetzungsqualität haben. Geht es speziell um das Post-Editing von maschinellen Übersetzungen in Minderheitensprachen, also davon auszugehen, dass die auf diese Wiese angefertigten Texte nicht in allen Fällen dazu beitragen, die Menge an qualitativ hochwertigem Textmaterial in den jeweiligen Sprachen zu erhöhen. Wie Michal Měchura in seinem oben genannten Blog-Beitrag feststellt, ist es allerdings gerade die Qualität von Inhalten in Minderheitensprachen, auf die es bei der Förderung ankommt. So argumentiert er, dass kleinere Sprachen vielmehr von Qualität als von Quantität profitieren würden. Anstelle des maschinellen Übersetzens von Texten in Minderheitensprachen, wobei wir mitunter von Qualitätseinbußen ausgehen müssen, schlägt er vor, den Fokus verstärkt auf Technologien zu richten, die zur Verbesserung der Qualität von Texten beitragen, zum Beispiel Programme zur Rechtschreib- und Grammatikprüfung sowie Lexika.

Das zweite Auswahlkriterium von Google bezieht sich auf LLMs und deren Fähigkeiten zur Mehrsprachigkeit. So soll die Integration von Googles LLMs PaLM 2 in das maschinelle Übersetzungssystem dazu verholfen haben, das Sprachangebot deutlich auszubauen.

Auch andere Anbieter von Online-Tools zum maschinellen Übersetzen sind kürzlich zur Nutzung von LLMs übergegangen. Dies teilte beispielsweise DeepL in einem Pressebericht vom Juli 2024 mit. Das LLM-basierte Tool des Anbieters soll nach eigenen Angaben besonders spezialisiert auf die Anforderungen der Übersetzungsindustrie sein. Es bestände zudem ein geringeres Risiko für Halluzinationen und Fehlinformationen im Output, da das Modell gezielt mit Übersetzungen sowie von Menschen erstelltem Input trainiert worden ist. Auf diese Weise soll laut Anbieter eine besonders hohe Übersetzungsqualität erreicht werden.

Zwar zeigen Studien (zum Beispiel Hendy et al. 2023 und Robinson et al. 2023), dass LLMs im Vergleich zu herkömmlichen Tools zur maschinellen Übersetzung tatsächlich führend in Bezug auf die Übersetzungsqualität sind, allerdings gilt dies nach aktuellen Erkenntnissen für Sprachen, für die ein hohes Maß an schriftlichen Trainingsdaten zur Verfügung steht. Es ist davon auszugehen, dass diese Voraussetzung für regionale und gefährdete Sprachen nicht immer erfüllt ist. Hieraus ergibt sich möglicherweise eine Gefahr, die Michal Měchura (2015) in seinem oben genannten Blog-Beitrag erwähnt:

Machine translation is counter-productive here: it brings lots of low-quality content into the language (= inadequate translations from the majority language) and it allows original content authored in the minority language to ‘escape’ out of it with ease (= via translation to the majority language), leading to even more domain loss for the minority language […].

Die Ausstattung mit digitalen Ressourcen, die zum Trainieren von KI-Systemen verwendet werden können, spielt also eine zentrale Rolle für die Qualität von maschinellen Übersetzungen. Kurz gesagt: je weniger schriftliches Material in einer Sprache zur Verfügung steht, desto niedriger dürfte die Qualität von KI-generierten Übersetzungen ausfallen.

Minderheitensprachen und ihr digitaler Fußabdruck

Wie es um die Ausstattung mit digitalen Ressourcen für die Sprachen Europas steht, haben Wissenschaftler:innen zum Beispiel im Rahmen des Projekts European Language Equality (ELE) untersucht. Am Projekt beteiligte Forscher haben sich zum Ziel gesetzt, die Ausstattung mit digitalen Ressourcen für die europäischen Sprachen zu dokumentieren und damit den Weg für eine Angleichung dieser Ressourcen für alle europäischen Sprachen bis zum Jahr 2030 zu bereiten. Konkret geht es darum, Sprachen im technologischen und sozialen Kontext so gut mit benötigten Ressourcen auszustatten, dass sie in Zukunft weiter aktiv in den Sprachgemeinschaften verwendet werden können – mit anderen Worten, den technologischen Wandel „überleben“.

Um einen Überblick über die Ressourcenstärke einzelner europäischer Sprachen zu erhalten und einschätzen zu können, wie erfolgreich sich diese Sprachen in digitalen Kommunikationssituationen schlagen, lassen sich mithilfe des European Language Grid Dashboards Metriken berechnen, die angeben, wie es bei den einzelnen europäischen Sprachen um die Verfügbarkeit digitaler Ressourcen (technologische Faktoren, zum Beispiel Systeme zur maschinellen Übersetzung sowie zur Textgenerierung und zur Generierung gesprochener Inhalte) sowie die Ausstattung mit weiter gefassten gesellschaftlichen Infrastrukturen (kontextuelle Faktoren, zum Beispiel der Stand der Wirtschaft, Bildung, Rechtswesen und Industrie) bestellt ist. Unter den Sprachen, die vom European-Language-Equality-Projekt untersucht wurden, befinden sich neben in der EU verbreiteten und den offiziellen EU-Amtssprachen auch 32 im Rahmen des Projekts als gefährdet eingestufte Sprachen, darunter zum Beispiel Bretonisch, Sardisch und Schottisch-Gälisch.

Schauen wir uns die Ergebnisse der ELE-Untersuchungen doch einmal für eine Sprache an, die kürzlich für die maschinelle Übersetzung verfügbar gemacht worden ist. Im April 2023 gibt Microsoft in einem Blogbeitrag bekannt, von nun an maschinelle Übersetzungen für Niedersorbisch anzubieten. Dabei handelt es sich um eine Sprache slawischen Ursprungs, die in der europäischen Charta der Regional- oder Minderheitensprachen als Minderheitensprache in Deutschland aufgeführt wird.

Das untenstehende Schaubild (Abbildung 1) zeigt die Digital Language Equality Scores für technologische und kontextuelle Faktoren der Sprachen Englisch, Maltesisch und der für uns besonders interessanten Minderheitensprache Niedersorbisch. Der Digital-Language-Equality-Score für technologische Faktoren für Niedersorbisch liegt zum aktuellen Stand bei 155. Damit erhält es mit deutlichem Abstand den geringsten Score für technologische Faktoren im Vergleich zu offiziellen Amtssprachen der Europäischen Union. Die maltesische Sprache, die den letzten Platz unter den EU-Amtssprachen belegt, hat einen Digital-Language-Equality-Score für technologische Faktoren von 4.861 und der Score für Englisch, das die Liste anführt, liegt bei 78.422 (Stand 19. August 2024).

Auch bei den kontextuellen Faktoren schneidet das Niedersorbische vergleichsweise schlecht ab. So belegt es hier ebenfalls den letzten Platz im Vergleich zu den offiziellen EU-Amtssprachen.

Abbildung 1 Digital Language Equality Scores

Wie oben bereits ausgeführt, argumentiert Měchura in seinem Blog-Post von 2015, dass die maschinelle Übersetzung für das „Überleben“ von Minderheitensprachen nicht automatisch förderlich ist. Aus den ELE-Ergebnissen für das Niedersorbische lässt sich schließen, dass diese Minderheitensprache über wenige digitale Ressourcen und kontextuelle Faktoren verfügt, die nötig wären, um qualitativ hochwertige maschinelle Übersetzungen zu erhalten. Damit ist der Nutzen von LLM-basierter maschineller Übersetzung für den Erhalt des Niedersorbischen in Frage zu stellen. Es ist davon auszugehen, dass maschinell übersetzte Texte in schlechter Qualität wenig Nutzen für die Sprecher:innen des Niedersorbischen haben und die betroffene Sprache eher an Substanz verlieren lässt, anstatt ihr Ansehen auf der Weltbühne der Sprachen zu stärken.

Maschinelle Übersetzung – Mehrsprachige Retterin der Minderheitensprachen?

Wenn es nun abschließend um die Frage geht, ob die Übersetzungstechnologien der Tech-Giganten eher Fluch oder Segen für Minderheitensprachen sind, möchte ich den Nutzen von maschinellen Übersetzungen nicht grundsätzlich bestreiten. So können maschinelle Übersetzungen von guter Qualität durchaus einen Beitrag zum Schutz von Minderheitensprachen leisten, zählen sie doch beispielsweise zu solchen Ressourcen, die im Rahmen des ELE-Projekts als technologische Faktoren gewertet werden. So sammeln Wissenschaftler:innen zum Beispiel im Rahmen des eSTÓR-Projekts aktiv Textmaterial auf Irisch, das zum Trainieren von KI-Systemen genutzt werden kann. Solche und ähnliche Projekte zum Ausbau von qualitativer maschineller Übersetzung von Minderheitensprachen leisten einen wertvollen Beitrag zur Erhaltung der Sprachvielfalt.

Jedoch stellt die maschinelle Übersetzung nur einen der erforderlichen Bausteine für die Konstruktion eines schützenden Gerüsts für Minderheitensprachen dar. Zusätzlich gibt es zahlreiche alternative Ansätze zum digitalen Umgang mit weniger verbreiteten Sprachen. Regierungen und Forschungseinrichtungen weltweit haben bereits diverse Projekte entwickelt, die dem Verschwinden von Minderheiten- und Regionalsprachen entgegenwirken sollen. In der oben erwähnten Charta des Europarates wird den Mitgliedstaaten der Europäischen Union zum Beispiel ein toleranter Umgang mit Minderheitensprachen vorgeschrieben. So verpflichtet die Charta jeden Mitgliedstaat dazu, die Erhaltung der Sprachvielfalt mit Maßnahmen in verschiedenen Bereichen zu fördern. Dazu gehört zum Beispiel die Schaffung von Bildungsangeboten und die Bereitstellung von juristischen Dokumenten in Minderheitensprachen des jeweiligen Staates sowie die Erleichterung von grenzüberschreitendem Austausch.

Obwohl große Anbieter von Systemen zur maschinellen Übersetzung uns ihr steigendes Angebot von weit verbreiteten und Minderheitensprachen nur allzu gerne als glänzenden Erfolg der KI-basierten maschinellen Übersetzung verkaufen möchten, wirkt es für mich eher so als wäre das ständige Hinzufügen neuer Sprachen und insbesondere solcher Sprachen, die in den Ohren von Sprecher:innen weit verbreiteter Sprachen möglichst exotisch klingen, vielleicht mehr Schein als Sein – zumindest wenn es um das Erhalten von Minderheitensprachen geht.

Referenzen

Caswell, I. (2024): 110 new languages are coming to Google Translate – We’re using AI to add 110 new languages to Google Translate, including Cantonese, NKo and Tamazight. Google Translate. https://blog.google/products/translate/google-translate-new-languages-2024/.

Council of Europe (2023): European Charter for Regional or Minority Languages. 3. Ausgabe. Council of Europe publishing F-67075 Strasbourg Cedex. https://rm.coe.int/collected-texts-charter-3e-edition-gbr/1680acca81.

DeepL (2024): DeepL named to 2024 Forbes Cloud 100 list for the second year in a row – Serving over 100,000 business customers in 200+ markets, DeepL recognized for industry-leading AI translation and writing software. https://www.deepl.com/en/press-release.

Eberhard, David M., Gary F. Simons, and Charles D. Fennig (eds.) (2024): Ethnologue: Languages of the World. Twenty-seventh edition. Dallas, Texas: SIL International. http://www.ethnologue.com.

Gaspari, F./Way, A./Dunne, J./Rehm, G./Stelios, P./Giagkou, M. (2021): D1.1 Digital Language Equality (preliminary definition). https://european-language-equality.eu/wp-content/uploads/2021/05/ELE_Deliverable_D1_1.pdf.

Hendy, A., Abdelrehim, M., Sharaf, A., Raunak, V., Gabr, M., Matsushita, H., Kim, Y. J., Afify, M., Awadalla, H. H. (2023): ‘How Good Are GPT Models at Machine Translation? A Comprehensive Evaluation’. arXiv. https://doi.org/10.48550/arXiv.2302.09210.

Měchura, M. (2015): Do minority languages need machine translation? https://www.lexiconista.com/minority-languages-machine-translation/.

Microsoft Translator (2023): Introducing Lower Sorbian – Microsoft Translator now supports 129 languages. Microsoft Translator Blog. https://www.microsoft.com/en-us/translator/blog/2023/04/20/introducing-lower-sorbian/.

Papadimitriou, I., Lopez, K., Jurafsky, D. (2023): Multilingual BERT has an accent: Evaluating English influences on fluency in multilingual models. In: Findings of the Association for Computational Linguistics: EACL 2023, pages 1194–1200, Dubrovnik, Croatia. Association for Computational Linguistics. 10.18653/v1/2023.findings-eacl.89.

Robinson, N.R., Ogayo, P., Mortensen, D. R., Neubig, G. (2023): ‘ChatGPT MT: Competitive for High- (but not Low-) Resource Languages’. arXiv. http://arxiv.org/abs/2309.07423.

Toral, A. (2019): Post-editese: an Exacerbated Translationese. In Proceedings of Machine Translation Summit XVII: Research Track, pages 273–281, Dublin, Ireland. European Association for Machine Translation. https://aclanthology.org/W19-6627/.

---

---