Форма поиска

Для слабовидящих
  • Главная
  • ХӐНТЫ ЯСӐҢ
    • Айкеԯӑт - Новости
    • Кәща ёх вєрӑт - Политика
    • Финно-уграт - Финно-угорские народы
    • Хӑнты мир моньщӑт-путрӑт - хантыйские сказки, рассказы
    • Хӑнты ясӑң вәнԯтӑԯўв - Изучаем хантыйский язык
    • Шуши мирев вәԯупсы - Жизнь хантыйского народа
    • Шуши мирев культура - Культура обско-угорских народов
  • ЛӮИМ СРИПОС
    • Кӯщаит рӯпатаныл - Политика
    • Ловиньтым-ӯщлахтн - Литературная страница
    • Лххалыт - Новости
    • Нврамыт мгсыл - Детская страничка
    • Рӯтыг лнэ мирыт - Финно-угорские народы и события
    • Соссаӈ мир культура - Культура коренных народов Севера
    • Соссаӈ мир лупса - Жизнь народов Севера
  • Новости
  • Статьи
  • Медиа
    • Аудиогалерея
    • Видеогалерея
    • Фотогалерея
  • Помощь
    • Справочная информация
    • Юридическая помощь
    • Полезные ссылки
    • Cловарь деловой лексики
    • Информационный календарь традиционных праздников коренных малочисленных народов Севера в Югре
    • Расписание транспорта
  • О нас

Вы здесь

Главная » Новости » Югорские ученые научили нейросеть читать мансийский язык: точность распознавания выросла в 20 раз

Югорские ученые научили нейросеть читать мансийский язык: точность распознавания выросла в 20 раз

18.11.2026

Специалисты Югорского НИИ информационных технологий создали высокоточную модель оптического распознавания символов (OCR) для мансийского языка. Проект, детали которого опубликованы на платформе "Хабр", решает проблему оцифровки малоресурсных языков.

Главное достижение

Команда дообучила открытый движок Tesseract 5, в результате чего доля ошибочных символов при чтении мансийского текста упала с 18,5% до 0,85%. Это означает примерно 20-кратное снижение ошибок. Обученная модель (файл mns.traineddata) уже доступна в открытом доступе на платформе Hugging Face, а протестировать распознавание можно на «Этнопортале» Югры.

Зачем мансийскому языку OCR

Большая часть мансийских текстов — книги, учебники, сборники фольклора и подшивки газет — до сих пор существует только на бумаге. Ручной набор таких объемов нецелесообразен, а носителей языка мало, и их время лучше тратить на перевод и экспертизу. Оцифровка позволяет превратить бумажные архивы в машиночитаемый текст для пополнения корпуса языка, на котором обучаются нейросетевые переводчики.

Технические вызовы и их решение

Стандартные OCR-движки не справлялись с мансийским текстом по двум причинам:

  1. Специфические буквы: В алфавите есть долгие гласные с макроном (а̄, о̄, ӯ) и буква ӈ. Базовая русская модель Tesseract теряла диакритические знаки или превращала их в "мусор".
  2. Проблемы Unicode: Одну и ту же букву с макроном можно записать в кодировке разными способами (как единый символ или как букву плюс комбинируемый знак). Для машины это разные символы.

Чтобы обучить модель, которой требуется сотни тысяч примеров, ученые не стали вручную размывать сканы. Вместо этого они сгенерировали 1,3 миллиона синтетических пар "картинка — текст". Для этого настоящие мансийские тексты нормализовали по форме Unicode NFC, а затем отрендерили несколькими десятками шрифтов (от FreeSerif до Times New Roman) в разных размерах и начертаниях. Для точной разметки букв с диакритикой специалисты вручную скорректировали три словаря смещений (CHAR_OFFSETS, CHAR_SIZE, RATE), чтобы рамки символов не обрезали макроны.

В качестве основы взяли русскую модель Tesseract (rus.traineddata), которая уже хорошо знает кириллицу. С помощью официального набора скриптов tesstrain ученые расширили ее алфавит, добавив специфические мансийские буквы. Чтобы избежать переобучения на синтетических данных, применили метод ранней остановки.

Результаты в цифрах

Сравнение на тестовой выборке показало колоссальный разрыв:

Модель

Ошибки символов (CER)

Ошибки слов (WER)

Базовая русская (rus.traineddata)

18,5%

42,1%

Новая мансийская (mns.traineddata)

0,85%

1%

Там, где базовая модель превращала слово "Хӯл" в "Хул", а "ва̄рнэ" в "варнэ", новая версия распознает строку "Хӯл тэ̄нутыг ва̄рнэ ма̄гыс" без единой ошибки.

Практическое применение и планы

Текущая точность уже достаточна для массовой оцифровки печатных изданий: человеку остается лишь вычитать результат, а не набирать текст заново. Модель уверенно работает с чистым типографским текстом кеглем от 12 до 26 pt.

В планах исследователей — добавить в обучение настоящие архивные сканы со стертой печатью и устаревшими шрифтами. По мнению авторов, этот же метод подойдет для других языков с диакритикой на кириллице, например, хантыйского или ненецкого.

В следующих материалах цикла команда планирует рассказать о создании языковой модели, а также систем распознавания и синтеза мансийской речи. Подробное научное описание методики опубликовано в журнале "Вестник ЮУрГУ" (DOI: 10.14529/mmp260206).

Галина Кондина

18.11.2026

18.11.2026

Новости

Фото: пресс-служба губернатора Югры

Борис Хохряков избран секретарем Ханты-Мансийского регионального отделения «Единой России»

В Ханты-Мансийске состоялась 40-я Конференция регионального отделения «Единой России». Делегаты подвели итоги работы отделения партии за предыдущие пять лет, обсудили задачи на 2027 год и переизбрали руководство окружного отделения.

18 ноября 2026

18.11.2026

18.11.2026
Фото: времягероев.рф

Диплом не нужен, нужна готовность учиться — ветеранов СВО из Югры зовут во «Время героев»

Более 15 тысяч человек уже подали заявки на третий поток программы «Время героев». Новый набор ориентирован на ветеранов СВО и военнослужащих без высшего образования.

18 ноября 2026

18.11.2026

18.11.2026

«Белый Клык» Джека Лондона и не только…

В минувшие выходные в театре обско-угорских народов «Солнце» состоялась премьера спектакля «Белый Клык» по повести Джека Лондона. Заявлено – драма с элементами фарса. Режиссёр спектакля – Сергей Хомченков.

18 ноября 2026

18.11.2026

18.11.2026
Все новости

Главная

© 2012-2026 Ханты Манси Мир

Регистрационный номер [Роскомнадзор] Эл № ФС77-77089 от 25 ноября 2019 г.

Меню

  • Архив газеты ХӐНТЫ ЯСАӇ
  • Архив газеты ЛӮИМ СРИПОС
  • Годовые отчеты
  • Госзадание
  • Основные сведения

Руководство

Врио главного редактора:
Рагимова Н.В.
Тел. (3467) 33-17-52 (доб 502)

Заместители директора:
Кондина Г. Р.
Тел. (3467) 33-17-52 (доб 501)

Рагимова Н. В.
Тел. (3467) 33-17-52 (доб 502)

Учредитель:

Бюджетное учреждение
Ханты-Мансийского автономного
округа – Югры «Объединенная редакция национальных газет
«Ханты ясанг» и «Луима сэрипос»

 

Контакты

628011, г. Ханты-Мансийск,
ул. Комсомольская, 31

+7 (3467) 33-17-52, (доб 510)

gazeta@khanty-yasang.ru

 

  •  
  •  
  •  
  •  
© 2012-2026 Ханты Манси Мир
Яндекс.Метрика