Ecos pelas Terras Altas, o Delta e o Litoral do Vietnã: Um Corpus Multilíngue para Cham, Khmer e Tay-Nung

arXiv:2607.08362v1 Tipo de anúncio: novo Resumo: As línguas das minorias étnicas do Vietnã estão quase ausentes do campo do Processamento de Linguagem Natural (NLP), e o desafio vai além da escassez de dados: o cham, o khmer e o tay-nung diferem acentuadamente em escrita, contato com o vietnamita e padronização, condições sob as quais a adaptação multilíngue padrão pode aprender os sinais errados. Apresentamos o CKTN, o primeiro corpus e benchmark para essas línguas (44.367 documentos, 24 milhões de subword tokens), abrangendo con...