9 Hydref 2026
Atalnodi Cymraeg ar y ddyfais: model agored, prawf penodol
Mae dau fodel agored newydd yn gallu rhoi atalnodi yn ôl mewn testun Cymraeg heb newid y geiriau. Maent yn ddigon bach i redeg ar gyfrifiadur lleol neu yn y porwr—ond nid yw prawf ar destun ysgrifenedig yr un peth â phrawf ar lais Cymraeg byw.
Rhoi'r marciau'n ôl
Rhyddhaodd Horizon Labs ddau fodel ar 3 Hydref: fersiwn sylfaen 307 miliwn o baramedrau a fersiwn fach 140 miliwn. Mae metadata'r model sylfaen a metadata'r model bach yn cofnodi'r dyddiad creu. Mae'r ddau dan drwydded Apache-2.0, gyda phwysau Safetensors, ffeiliau ONNX a chod i'w rhedeg. Mae modd defnyddio'r fersiynau ONNX ar CPU neu yn y porwr.
Mae'r dasg yn gul ac yn glir. Ar ôl pob gair, mae'r model yn dewis atalnod llawn, coma, marc cwestiwn, colon, dash neu ddim marc. Nid yw'n newid y geiriau nac yn ceisio adfer priflythrennau. Felly gall eistedd ar ôl system adnabod lleferydd: mae'r system gyntaf yn cynhyrchu'r geiriau, a'r model hwn yn ceisio gwneud y trawsgrifiad yn haws i'w ddarllen a'i olygu.
Ar ran Gymraeg prawf FLORES-200, mae cerdyn y model sylfaen yn adrodd F1 o 0.849 pan gedwir priflythrennau, a 0.784 ar ôl trosi'r testun i lythrennau bach. Mae y model bach ar 0.844 a 0.756. Mae'r gwahaniaeth rhwng y ddau yn fach ar destun â phriflythrennau, ond yn fwy ar y mewnbwn llythrennau bach sy'n debycach i allbwn llawer o systemau llais.
Mae hynny'n ganlyniad Cymraeg go iawn, nid dim ond label “amlieithog”. Mae hefyd yn bosibl lawrlwytho'r arteffactau: tua 641 MB yw ffeil ONNX feintiol y model sylfaen, o'i gymharu â 268 MB ar gyfer y model bach. Byddai prawf lleol felly'n gallu mesur ansawdd, cof a chyflymder gyda'i gilydd.
Beth nad yw'r sgôr yn ei brofi
Mae'r cerdyn model yn dweud bod yr hyfforddiant yn defnyddio tua 119 miliwn o eiriau mewn 1,168,626 o ffenestri testun ar draws 88 o ieithoedd. Nid yw'n rhoi cyfanswm ar wahân i'r Gymraeg. Daw'r testun o'r we, ac mae prawf FLORES yn cynnwys cyfieithiadau proffesiynol o ddeunydd tebyg i newyddion, teithio a wiki.
Nid sgwrs fyw mohono. Nid yw'n cynnwys yr holl bethau sy'n gwneud llais yn anodd: llenwyr, ailgychwyn brawddeg, oedi, tafodiaith, sŵn, geiriau anghyflawn na newid rhwng Cymraeg a Saesneg. Canlyniad y cyhoeddwr ei hun ydyw hefyd; ni chafwyd eto brawf annibynnol gan olygyddion neu wrandawyr Cymraeg.
Mae cyfyngiadau'r dasg yn bwysig. Dim ond pum math o farc sy'n cael eu hadfer. Nid yw ebychnodau, dyfynodau, cromfachau na hanner colon yn rhan o'r allbwn, ac mae'r cardiau'n dweud bod colonau a dashys yn wannach na'r marciau mwyaf cyffredin. Felly nid “datrys atalnodi Cymraeg” yw'r casgliad. Y casgliad teg yw bod cydran agored, fesuradwy bellach yn barod am brawf ar drawsgrifiadau Cymraeg go iawn.
Ffin sefydliadol newydd
Cyhoeddodd Cyngor Celfyddydau Cymru ei ddull o ddefnyddio AI cynhyrchiol hefyd. Nid yw'r dudalen yn rhoi dyddiad cyhoeddi gweladwy, ond cafodd ei mynegeio fel deunydd newydd yn ystod yr wythnos a newidiwyd metadata'r gweinydd ar 8 Hydref.
Mae'r Cyngor yn dweud y dylai pobl a chreadigrwydd dynol aros wrth wraidd ei waith. Ymhlith ei flaenoriaethau mae cyfrinachedd, eiddo deallusol, proses deg a thryloyw, cyfiawnder hinsawdd, cydraddoldeb ieithyddol a chynnwys y Gymraeg. Mae hefyd yn cydnabod nad yw pob offeryn AI yn cefnogi'r Gymraeg yn llawn nac yn gywir, felly bod angen gwirio'r allbwn.
Mae un ffin yn arbennig o glir: ni ddefnyddir AI i benderfynu ar geisiadau ariannu nac i'w gwerthuso. Ar hyn o bryd, nid oes rhaid i ymgeiswyr ddatgan eu defnydd o AI, er y gallai hynny newid. Mae'r polisi'n gosod egwyddor ddefnyddiol, ond nid yw eto'n nodi modelau, profion Cymraeg, cofnodion archwilio na'r ffordd y gallai rhywun herio methiant. Dyna'r manylion gweithredol i'w gwylio nesaf.
Mae'r tocyn yn rhan o'r prawf
Mae papur newydd ar y Latent Core Tokenizer, a gyflwynwyd ar 8 Hydref, yn cynnwys canlyniadau Cymraeg uniongyrchol. Mae tocynnydd yn penderfynu sut mae testun yn cael ei rannu'n ddarnau cyn i fodel ei brosesu. Gall rhannu gwael wneud iaith yn ddrutach i'w chyfrifo a chuddio strwythur geiriau.
Yn nhabl Cymraeg y papur, mae'r dull LCT yn cofnodi ffrwythlondeb o 1.854 tocyn y gair, F1 morffolegol o 0.672 a 3.440 beit y tocyn. Y rhifau cyfatebol ar gyfer BPE safonol yw 1.889, 0.668 a 3.334. Mae'r gwahaniaeth yn gymedrol, ond mae'n symud y tair mesur i'r cyfeiriad cywir: llai o ddarnau, ffiniau morffolegol ychydig yn well, a mwy o destun ym mhob tocyn.
Ar draws pedwar meincnod amlieithog, mae'r dull yn gwella'r sgôr gyfanredol 1.48 pwynt dros BPE, 1.83 dros Unigram a 2.00 dros BPE sy'n ceisio cydraddoldeb rhwng ieithoedd. Ond nid oes tasg Gymraeg yn y tabl i lawr yr afon. Rhagargraff sydd dan adolygiad yw'r papur, gydag un hedyn cyn-hyfforddi. Mae'n dystiolaeth am sut mae'r Gymraeg yn cael ei rhannu a'i chywasgu, nid prawf bod model yn ysgrifennu Cymraeg yn well.
Mae hyn yn ychwanegu tystiolaeth at gwestiwn a godwyd yn ein herthygl 3 Hydref am Kolibri-1 a model posibl i Gymru: mae dyluniad yr eirfa yn rhan o'r penderfyniad, nid manylyn bach ar y diwedd. Ni chafwyd newid sylweddol i gerdyn swyddogol Kolibri-1 ar ôl 3 Hydref, felly nid oes rheswm i ailadrodd ei lansiad na'r gymhariaeth gost yr wythnos hon.
Profion brodorol a newid iaith
Mae dau ragargraff arall yn cynnig dulliau y gellid eu trosglwyddo i'r Gymraeg.
Mae sk-bench yn cyfuno 30 o setiau data mewn 33 amrywiad ar gyfer Slofaceg. Roedd safleoedd modelau ar brofion brodorol a phrofion wedi'u cyfieithu yn debyg iawn, ond roedd y berthynas rhwng cwestiynau a ysgrifennwyd gan bobl a rhai a gynhyrchwyd gan fodel yn llawer gwannach. Gostyngodd cyn-hyfforddi parhaus Qwen3-14B ar Slofaceg y sgôr gyffredinol 13.9 pwynt; adferodd set fach o gyfarwyddiadau tua thri chwarter o'r golled. Mae hynny'n rhybudd i beidio â mesur “mwy o Gymraeg” yn unig: rhaid ailbrofi dilyn cyfarwyddiadau ar ôl addasu'r iaith.
Mae astudiaeth o ymyrraeth ffonolegol yn dangos bod modelau llais yn gallu colli seiniau pan fo'r iaith yn newid o fewn yr un ymadrodd. Ar draws nifer o barau iaith, collwyd 32–79% o'r gallu i adnabod ffonemau nad oeddent yn cael eu rhannu rhwng y ddwy iaith. Roedd rhoi gwybodaeth am iaith pob gair neu rychwant yn lle un label ar gyfer yr ymadrodd cyfan yn dileu llawer o'r ymyrraeth. Nid oes prawf Cymraeg yn y papur, ond mae'r dull yn addas i gwestiwn Cymraeg-Saesneg: beth sy'n digwydd i seiniau nodweddiadol y Gymraeg wrth ymyl newid iaith?
Mae'r astudiaeth o fodiwlau AI all-lein yn ychwanegu'r dimensiwn caledwedd. Llwyddodd tri model iaith meintiol i redeg ar Raspberry Pi 5 ar 6.1–7.5 tocyn yr eiliad, tra bod canlyniadau Amhareg ac Oromo yn dangos nad yw model llais mwy o reidrwydd yn werth yr oedi ychwanegol ar ddyfais fach. Dylai prawf Cymraeg felly gyhoeddi ansawdd, cyflymder, cof, pŵer a thrwydded gyda'i gilydd.
Y prawf nesaf
Mae'n bosibl troi newyddion yr wythnos yn arbrawf syml. Cymerwch sampl hawliau-clir o lais Cymraeg naturiol: gwahanol acenion, ychydig o sŵn, rhywfaint o newid iaith a brawddegau nad ydynt wedi'u darllen o sgript. Trawsgrifiwch ef gyda system llais, rhedeg y ddau fodel atalnodi, a gofyn i olygyddion Cymraeg fesur nid yn unig F1 ond faint o waith sy'n cael ei arbed.
Dylai'r prawf enwi'r union fersiwn, y ddyfais, yr amser rhedeg a'r cof; cadw allbwn llythrennau bach ar wahân; a dadansoddi pob math o atalnod. Dylai hefyd nodi pryd mae'r model yn gwneud testun yn fwy dryslyd, nid dim ond pryd mae'n ychwanegu marc cywir.
Dyna'r llinyn sy'n cysylltu'r wythnos. Mae model agored yn rhoi rhywbeth pendant i'w brofi. Mae polisi'r Cyngor Celfyddydau yn dweud pam mae gwirio Cymraeg yn gyfrifoldeb sefydliadol. Mae'r ymchwil ar docynnu, profion brodorol a newid iaith yn dweud beth allai prawf arwynebol ei golli. Nid yw cefnogi'r Gymraeg yn label: mae'n arteffact penodol, prawf Cymraeg, trwydded hysbys a therfynau sy'n cael eu dweud yn glir.