O'r geiriadur i'r llais: 3 gwers newydd i AI Cymraeg

Ni chafwyd model Cymraeg newydd yr wythnos hon. Ond mae gwaith newydd ar Wyddeleg, Basgeg ac archifau ieithoedd prin yn dangos tri arbrawf pendant y gallai Cymru eu cynnal nesaf.

Nid oedd lansiad AI Cymraeg i'w gyhoeddi yr wythnos hon. Ni ddaeth model, set ddata, meincnod na chanlyniad llais newydd i'r amlwg rhwng 24 a 30 Hydref. Roedd erthyglau cyffredinol am ddefnyddio sgwrsfotiaid yn Gymraeg, a pharhaodd cynnyrch Cymraeg presennol i hysbysebu ei gynlluniau. Ond nid yw hynny'r un peth â thystiolaeth newydd.

Mae hynny'n rhoi cyfle i ofyn cwestiwn mwy defnyddiol: beth yn union y gall Cymru ei brofi nesaf? Mae tri darn o ymchwil newydd—ar lais Gwyddeleg, cynorthwyydd llais Basgeg, a throsi hen eiriaduron yn ddata cyfochrog—yn rhoi atebion ymarferol.

Geiriadur agored yn troi'n donfeddi llais dan oruchwyliaeth ddynol — Gall geiriadur ynganu fod yn haen reoli i fodel llais, ond rhaid i siaradwyr brodorol wneud y prawf olaf.

Geiriadur sy'n gwrando ar y model

Mae Glór Nua yn fodel testun-i-lais Gwyddeleg 0.6 biliwn o baramedrau. Addasodd yr ymchwilwyr Qwen3-TTS ar 12.8 awr o Common Voice: 12,311 o glipiau gan 202 o siaradwyr.

Nid faint y data yw'r syniad mwyaf diddorol, ond sut y defnyddiwyd geiriadur. Adeiladodd y tîm feirniad ynganu o 11,532 o eiriau ag IPA o eiriaduron a Wiciadur. Cynhyrchodd y model sawl ymgais, mesurodd y beirniad eu hynganiad, ac yna defnyddiwyd yr ymdrechion gorau mewn un rownd arall o fireinio.

Yn ôl y papur, roedd cyfradd gwall nodau'r model ar lais o gorpws arall yn 0.225 ar ôl mireinio arferol. Ar ôl y rownd dan oruchwyliaeth y beirniad ynganu, gostyngodd i 0.159. Mae'r pwysau Apache 2.0 ar gael.

Mae hwn yn ganlyniad addawol, ond mae'r awduron yn glir am yr hyn sydd ar goll: nid yw siaradwyr brodorol wedi cynnal y prawf gwrando eto. Roedd y data hefyd yn anghytbwys iawn rhwng tafodieithoedd—8,451 o glipiau Munster, 593 Connacht a 229 Ulster—ac ni lwyddodd ymgais i reoli'r dafodiaith leiafrifol.

Y wers i'r Gymraeg yw nad yw geiriadur yn adnodd segur o reidrwydd. Gall geirfa ynganu wedi'i thrwyddedu'n briodol ddod yn haen reoli: profi enwau lleoedd, treigladau, cyfansoddion a geiriau benthyg cyn i'r model gael ei ryddhau. Ond rhaid i'r prawf olaf barhau i fod yng nghlustiau siaradwyr Cymraeg, ar draws tafodieithoedd a brawddegau cyfan.

Cynorthwyydd Basgeg: un system, pedwar mesur

Mae Latxa-Omni yn cael ei gyflwyno fel y model iaith-lleferydd pen-i-ben agored cyntaf ar gyfer y Fasgeg. Mae'n cysylltu model Latxa-3.1-8B â mewnbwn ac allbwn llais drwy bensaernïaeth LLaMA-Omni, ac mae ei gydrannau ar Hugging Face.

Mae'r papur yn adrodd pedwar math o ganlyniad: 3.86 allan o 5 am gynnwys yr ateb, cyfradd gwall geiriau o 9.94%, sgôr ansawdd llais UTMOS o 3.07, ac oedi o 370 milieiliad. Mae hynny'n well na chyhoeddi un rhif sy'n cuddio ble mae'r system yn methu.

Ond roedd pob un o'r 4,419 o gwestiynau prawf yn synthetig ac yn dod o'r un dosbarthiad â'r hyfforddiant. Defnyddiwyd model Latxa 70B o'r un teulu i farnu'r cynnwys, ac nid yw UTMOS wedi'i ddatblygu'n bennaf ar gyfer y Fasgeg. Felly mae'r rhyddhad yn bensaernïaeth ddefnyddiol ac yn fan cychwyn agored; nid yw eto'n brawf o sgwrs naturiol gyda defnyddwyr Basgeg.

Dylai unrhyw gynorthwyydd llais Cymraeg gael prawf gwahanol: ceisiadau digymell gan bobl go iawn, tafodieithoedd gwahanol, plant a phobl hŷn, meicroffonau a sŵn amrywiol, a newid rhwng y Gymraeg a'r Saesneg. Dylid mesur trawsgrifio, cywirdeb yr ateb, ansawdd y llais ac oedi ar wahân. Os yw'r cynnwys yn gywir ond bod enw'r lle wedi'i ynganu'n anghywir, mae hynny'n fethiant penodol y gellir ei drwsio.

Hen dudalennau'n cael eu halinio'n ffrydiau data dan ofal ymchwilydd — Mae'r archif yn fwy defnyddiol pan fo pob darn data'n cadw ei dudalen, ei ddyddiad, ei hawliau a'i ansicrwydd.

Deffro'r archif—heb golli'r tarddiad

Mae papur newydd ar “Mobilizing the Archive” yn defnyddio OCR a model gweledol i adfer enghreifftiau cyfochrog o ramadegau a geiriaduron digidol. Mae'r dudalen fel delwedd yn bwysig: gall y system weld colofnau, bylchau a pherthynas rhwng enghraifft a chyfieithiad, yn hytrach na dibynnu ar linell o OCR yn unig.

Ar draws 20 o ieithoedd—gan gynnwys Arapaho, Chuvash, Gitxsan, Kalamang, Manchu, Natügu, Uspanteco a Wolof—cafwyd 2,578 o barau testun ar gyfartaledd i bob iaith. Mae'r awduron yn adrodd cynnydd o 15.78 pwynt chrF2++ wrth gyfieithu i'r ieithoedd llai eu hadnoddau, a 6.94 pwynt i'r ieithoedd mwy eu hadnoddau, o gymharu â chyfieithu heb enghreifftiau.

Mae'r canlyniad yn awgrymu defnydd clir i hen eiriaduron tafodieithol, rhestrau termau lleol a gramadegau Cymraeg sydd allan o hawlfraint neu ar gael o dan drwydded briodol. Ond nid mwynglawdd testun di-darddiad yw archif. Gall hen sillafiad, camgymeriad OCR neu gyfieithiad o gyfnod gwahanol ddod yn “wirionedd” hyfforddi os collir rhif y dudalen, y flwyddyn, yr argraffiad a'r cyd-destun.

Roedd storfa'r cod a gyhoeddwyd gan yr awduron yn dychwelyd 404 pan gafodd ei gwirio ar 30 Hydref. Felly mae'r papur yn addawol, ond nid oedd modd gwirio'r biblinell neu'r trwyddedau data'n annibynnol yn ystod y sgan hwn.

Nid mwy o ddata yw'r ateb bob tro

Mae astudiaeth reoledig o adnabod lleferydd mewn chwe iaith Affricanaidd yn ychwanegu rhybudd defnyddiol. Cymharodd yr awduron Whisper, MMS a Phi-4 ar Dholuo, Kalenjin, Kikuyu, Maasai, Somali a Swahili.

Phi-4 gafodd y gyfradd gwall nodau isaf mewn pedair o'r chwe iaith, tra roedd Whisper weithiau'n ailadrodd neu'n creu geiriau. Ond nid oedd ychwanegu mwy o oriau neu gymysgu ieithoedd bob amser yn helpu. Gyda MMS, newidiodd cynyddu o 150 i 450 awr y gyfradd gwall o ddim ond 0.7 pwynt ar gyfartaledd. Enillodd hyfforddiant uniaith mewn 10 o'r 12 cymhariaeth model–iaith.

Nid yw hynny'n profi mai model Cymraeg uniaith fyddai orau. Mae'n profi bod angen rheoli'r arbrawf. Gellid cymharu addasydd Cymraeg yn unig, addasydd wedi'i gynhesu gan ieithoedd Celtaidd, a hyfforddiant Cymraeg–Saesneg ar yr un set brawf. Dylai'r data, yr amser cyfrifiadurol a'r ffordd o farcio aros yr un fath.

Tri pheilot bach sy'n werth mwy na hawliad mawr

Mae tri pheilot Cymraeg yn dilyn o dystiolaeth yr wythnos:

adeiladu beirniad ynganu o eirfa awdurdodol, a'i brofi gyda gwrandawyr ar dreigladau, enwau lleoedd, tafodieithoedd a newid iaith;
cofnodi meincnod o geisiadau llais digymell gan siaradwyr Cymraeg, gan wahanu trawsgrifio, cynnwys, llais ac oedi;
echdynnu sampl fechan o ramadeg neu eiriadur hanesyddol, ond cadw'r dudalen, yr argraffiad, yr hawliau, yr orgraff a hyder yr OCR gyda phob pâr.

Ni fyddai'r un o'r rhain yn lansiad mawreddog. Byddent yn well: profion bach, agored y gall pobl eraill eu harchwilio a'u hailadrodd.

Mae model sy'n gallu cynhyrchu brawddeg Gymraeg yn ddechrau. Mae system Gymraeg y gellir ymddiried ynddi yn gwybod sut i ynganu'r enw, yn cael ei phrofi ar lais go iawn, ac yn gallu dangos o ble y daeth ei gwybodaeth.

Nodyn amser: cwblhawyd y sgan am 12:09 GMT ar 30 Hydref 2026. Bydd deunydd a gyhoeddwyd yn ddiweddarach y diwrnod hwnnw'n cael ei ystyried yn y sgan nesaf.