Zentrales Register sorbischer Sprachressourcen

Zentrales Register sorbischer Sprachressourcen

Dieses Register bietet eine institutionsübergreifende Übersicht über veröffentlichte Sprachdaten für die ober- und niedersorbische Sprache.

Die Ressourcen selbst werden weiterhin dezentral durch die jeweils verantwortlichen Institutionen, Projekte oder Forschungseinrichtungen veröffentlicht. Das Register weist nach, welche Ressourcen vorhanden sind, wo sie liegen, wie sie zugänglich sind und welche Lizenz angegeben ist.

Letzte Änderung dieser Wiki-Seite: 29.07.2026

Schnellzugriff: Sprachdaten · Modelle und Dienste · Neue Ressource ergänzen · Datenfelder erläutert

Zweck des Registers

Das Register unterstützt die Umsetzung des Beschlusses Nr. 761 der Stiftung für das sorbische Volk.

Auf Grundlage relevanter Nutzungsszenarien für digitale Sprachtechnologien soll untersucht werden, welche quantitativen, qualitativen, inhaltlichen und nutzungsrechtlichen Bedarfe an Sprachdaten bestehen. Das Register dokumentiert hierfür den bereits bekannten und veröffentlichten Bestand.

Was enthält das Register?

Enthalten	Nicht enthalten	Grundprinzip
veröffentlichte Textkorpora Parallel- und Übersetzungsdaten Wörterbücher, Wortlisten und Terminologien Audio- und Transkriptionsdaten Video- und Transkriptionsdaten Frage-Antwort-Daten Test- und Evaluationsdaten Daten für Rechtschreib- und Grammatikprüfung	interne Speicherorte personenbezogene oder vertrauliche Angaben rechtlich nicht freigegebene Dateien vollständige technische Detaildokumentationen eine eigenständige rechtliche Freigabe	Dezentrale Veröffentlichung – zentraler Nachweis Die Daten verbleiben auf Hugging Face, GitHub, institutionellen Repositorien oder anderen geeigneten Plattformen. Im Wiki wird nur der zentrale, einheitliche Nachweis geführt.

Hinweise zur Nutzung

Hinweise zur Nutzung der Tabellen anzeigen

Die Tabellen können durch Anklicken der Spaltenüberschriften sortiert werden.

Verwendete Kennzeichnungen:

• ✓ frei – ohne Anmeldung öffentlich abrufbar
• ◐ Registrierung – Zugang nach Anmeldung oder Freischaltung
• ✉ auf Anfrage – Zugang nur nach Kontaktaufnahme
• ⓘ nur Metadaten – Beschreibung vorhanden, Daten selbst nicht öffentlich
• ⚠ Prüfbedarf – Angaben sind unvollständig oder sollten überprüft werden

Die Spalte „Zugang“ beschreibt nur die technische Erreichbarkeit. Sie sagt nicht aus, dass jede Form der Nutzung rechtlich erlaubt ist.

Hinweis: Neue Ressource ergänzen

Anleitung zum Eintragen oder Aktualisieren einer Ressource

1. Oben rechts ein Benutzerkonto anlegen und anmelden.
2. Falls keine Schaltfläche „Bearbeiten“ oder „Quelltext bearbeiten“ angezeigt wird, die zuständige Wiki-Administration um Bearbeitungsrechte bitten.
3. Vor dem Eintragen prüfen, ob die Ressource bereits in der Tabelle vorhanden ist.
4. Die maßgebliche Veröffentlichungsseite öffnen und mindestens Titel, Sprache, Institution, Zugang, Lizenz und Umfang prüfen.
5. Im Wiki „Quelltext bearbeiten“ wählen.
6. In der Tabelle eine bestehende Zeile vom Zeichen |- bis unmittelbar vor der nächsten Zeile kopieren.
7. Die kopierte Zeile vor dem Kommentar „NEUE EINTRÄGE OBERHALB DIESER ZEILE EINFÜGEN“ einfügen.
8. Sämtliche Beispielwerte ersetzen.
9. „Vorschau zeigen“ wählen und insbesondere Links, Tabellenstruktur und Zeilenumbrüche prüfen.
10. Eine kurze Bearbeitungszusammenfassung eingeben, zum Beispiel „Neue Sprachressource ergänzt“.
11. Seite speichern.
12. Falls das Wiki bestätigte Versionen verwendet, kann anschließend noch eine redaktionelle Freigabe notwendig sein.

Eine Ressource erhält eine eigene Zeile, wenn sich mindestens eines dieser Merkmale wesentlich unterscheidet:

• Lizenz,
• Zugang,
• Sprache,
• Ressourcentyp,
• verantwortliche Institution,
• Veröffentlichungsort.

Ein Repositorium mit mehreren unterschiedlich lizenzierten Datensätzen darf deshalb nicht pauschal als eine einzige Ressource eingetragen werden.

Hinweis: Bedeutung der Datenfelder

Welche Angaben gehören in welche Spalte?

Feld	Einzutragende Information	Zulässige beziehungsweise empfohlene Werte
Ressource	Öffentlicher Titel mit direktem Link und einer Beschreibung in höchstens ein bis zwei Sätzen.	Der Link soll möglichst direkt zur Dataset Card, README-Datei, Detailseite oder Downloadseite führen.
Sprache(n)	Sprache oder Sprachkombination der Ressource.	hsb – Obersorbisch dsb – Niedersorbisch de – Deutsch weitere Sprachcodes bei mehrsprachigen Ressourcen
Typ / Modalität	Inhaltliche und technische Grundart der Ressource.	Textkorpus Parallelkorpus Dokumentensammlung Wörterbuch / Lexikon Terminologie / Wortliste Audiodaten Audio mit Transkription Frage-Antwort-Daten Rechtschreibdaten Grammatikdaten Evaluations-/Testdaten OCR-Daten
Verantwortliche Institution	Institution oder Projekt, das die Ressource veröffentlicht beziehungsweise fachlich verantwortet.	Nicht pauschal „Eigentümer“ eintragen, da veröffentlichende Stelle und Rechteinhaber voneinander abweichen können.
Zugang	Technische Verfügbarkeit der Ressource.	✓ frei ◐ Registrierung ✉ auf Anfrage ⓘ nur Metadaten nicht mehr verfügbar unklar
Lizenz	Exakte Lizenzbezeichnung einschließlich Version.	Beispiele: CC0 1.0 CC BY 4.0 Apache-2.0 CC BY-NC-SA, Version nicht ausgewiesen keine Lizenz ausgewiesen Lizenz noch zu prüfen
Umfang	Aussagekräftigste verfügbare Mengeneinheit.	Je nach Ressource beispielsweise: Dokumente Texte Sätze oder Satzpaare Wörter Tokens Einträge Stunden Audio Sprecherinnen und Sprecher Dateien und Dateigröße Falls kein Umfang dokumentiert ist, „nicht dokumentiert“ eintragen.
Stand / Prüfhinweis	Version oder Veröffentlichungsstand, Datum der letzten Registerprüfung sowie bekannte Einschränkungen.	Beispiel: Quelle geprüft: 29.07.2026 Zusätzlich gegebenenfalls: ungefilterte Daten Dubletten möglich Sprachzuordnung zu prüfen README unvollständig Rechtekette zu prüfen

Hinweis: Vorlage für eine neue Tabellenzeile

Vorlage anzeigen und kopieren

|-
| [https://beispiel.de Titel der Ressource]<br>
  <small>Kurzbeschreibung in höchstens ein bis zwei Sätzen.</small>
| hsb
| Textkorpus
| Name der verantwortlichen Institution
| <span style="white-space:nowrap;">✓ frei</span>
| CC BY 4.0
| Anzahl der Texte, Sätze, Stunden oder Dateien
| Quelle geprüft: TT.MM.JJJJ<br>
  <small>Gegebenenfalls Hinweise zu Qualität, Dokumentation oder Rechten.</small>

Sprachdaten

Die folgende Tabelle enthält den derzeit bekannten und anhand öffentlich zugänglicher Quellen überprüften Startbestand. Sie ist noch keine vollständige Inventur aller sorbischen Sprachressourcen.

Ressource	Sprache(n)	Typ / Modalität	Verantwortliche Institution	Zugang	Lizenz	Umfang	Stand / Prüfhinweis
Text Collection Unfiltered Ungefilterte Sammlung von Texten und Dokumenten der Stiftung für das sorbische Volk in unterschiedlichen Sprachkombinationen.	hsb, dsb, de	Dokumenten- und Textsammlung	Stiftung für das sorbische Volk	✓ frei	CC BY 4.0	28 Dokumente 45,2 MB	Quelle geprüft: 29.07.2026 Office- und PDF-Dokumente; Dubletten möglich; Sprache der einzelnen Dokumente muss teilweise manuell geprüft werden.
nowosce_webstrona Sammlung obersorbischer Nachrichten- und Webseitentexte des WITAJ-Sprachzentrums.	hsb	Webtext- / Nachrichtenkorpus	WITAJ-Sprachzentrum / Domowina e. V.	✓ frei	CC BY 4.0	174 Texte 28,5 kB	Quelle geprüft: 29.07.2026 Dataset Card enthält nur eine knappe Beschreibung.
Teksty k temje rěč a pedagogika Obersorbische Texte und Dokumente zum Themenbereich Sprache und Pädagogik.	hsb	Text- / Dokumentensammlung	WITAJ-Sprachzentrum / Domowina e. V.	✓ frei	CC BY 4.0	1,16 MB Anzahl der Dokumente nicht ausgewiesen	Quelle geprüft: 29.07.2026 README-Datei ist leer; Inhalt, Dateiformate und Entstehung sollten noch genauer dokumentiert werden.
jurij_brezan Obersorbisches literarisches Textkorpus mit Texten von Jurij Brězan.	hsb	Literatur- / Textkorpus	WITAJ-Sprachzentrum / Domowina e. V.	✓ frei	CC BY 4.0 laut Plattform	8.013 Textabschnitte 787 kB	Quelle geprüft: 29.07.2026 ⚠ Rechtekette und Grundlage der Lizenzkennzeichnung vor produktiver Nachnutzung gesondert prüfen.
llms-limited-resources2025 Auf Hugging Face bereitgestellte Kopie beziehungsweise Zusammenstellung von Ressourcen des WMT-Shared-Tasks 2025.	de, hsb laut Plattform	Trainings- und Evaluationsdaten	WITAJ-Sprachzentrum / TUM-NLP	✓ frei	CC BY 4.0 laut Plattform	196 MB	Quelle geprüft: 29.07.2026 Beziehung zum ursprünglichen GitHub-Repositorium, enthaltene Teilmengen und mögliche Dubletten noch genauer dokumentieren.
WMT 2026 – monolinguale sorbische Korpora Gefilterte und zusammengeführte monolinguale Sätze aus unterschiedlichen Quellen.	hsb, dsb	Monolinguales Textkorpus	TUM-NLP unter Mitwirkung des WITAJ-Sprachzentrums	✓ frei	Apache-2.0	512.671 hsb-Sätze 38.028 dsb-Sätze	Ausgabe 2026 Quelle geprüft: 29.07.2026 Quellenkennzeichnung ist über das Feld id enthalten.
WMT 2026 – parallele Trainingskorpora Parallele Satzpaare für maschinelle Übersetzung zwischen Deutsch, Ober- und Niedersorbisch.	de–hsb de–dsb hsb–dsb	Parallelkorpus / Übersetzungsdaten	TUM-NLP unter Mitwirkung des WITAJ-Sprachzentrums	✓ frei	CC BY-NC-SA Version nicht ausgewiesen; Nutzungsbedingungen prüfen	de–hsb: 23.116 Satzpaare de–dsb: 30.560 Satzpaare hsb–dsb: 67.845 Satzpaare	Ausgabe 2026 Quelle geprüft: 29.07.2026 Insgesamt 121.521 Satzpaare; NC- und SA-Bedingungen bei geplanter Nachnutzung beachten.
WMT 2026 – MT-Entwicklungsdatensätze Entwicklungs- und Evaluationsdaten für maschinelle Übersetzung.	de–hsb de–dsb hsb–dsb	Evaluationsdaten / Parallelkorpus	TUM-NLP unter Mitwirkung des WITAJ-Sprachzentrums	✓ frei	CC BY-NC-SA Version nicht ausgewiesen	jeweils 4.000 Satzpaare insgesamt 12.000	Ausgabe 2026 Quelle geprüft: 29.07.2026
WMT 2026 – Question Answering Frage-Antwort-Daten aus realen Sprachzertifizierungsaufgaben mit Kontext, Antwortmöglichkeiten und korrekter Lösung.	hsb, dsb	Frage-Antwort- / Evaluationsdaten	TUM-NLP unter Mitwirkung des WITAJ-Sprachzentrums	✓ frei	CC BY-NC-SA Version nicht ausgewiesen	158 Instanzen laut README Verteilung auf die Sprachen nicht eindeutig ausgewiesen	Ausgabe 2026 Quelle geprüft: 29.07.2026
WMT 2026 – Rechtschreibprüfung Sätze mit höchstens einem Rechtschreibfehler sowie Referenz, Fehlerwort und Korrektur.	hsb, dsb	Rechtschreib- / Evaluationsdaten	TUM-NLP unter Mitwirkung des WITAJ-Sprachzentrums	✓ frei	CC BY-NC-SA Version nicht ausgewiesen	2.000 Instanzen laut README Verteilung auf die Sprachen nicht eindeutig ausgewiesen	Ausgabe 2026 Quelle geprüft: 29.07.2026
WMT 2026 – Grammatikprüfung Sätze mit höchstens einem grammatischen Fehler sowie Referenz, Fehlerwort und Korrektur.	hsb, dsb	Grammatik- / Evaluationsdaten	TUM-NLP unter Mitwirkung des WITAJ-Sprachzentrums	✓ frei	CC BY-NC-SA Version nicht ausgewiesen	2.000 hsb-Instanzen 1.250 dsb-Instanzen	Ausgabe 2026 Quelle geprüft: 29.07.2026
WMT 2026 – mathematisches Schlussfolgern Mathematische Aufgaben niedriger und mittlerer Schwierigkeit mit Lösungen.	hsb, dsb	Frage-Antwort- / Evaluationsdaten	TUM-NLP unter Mitwirkung des WITAJ-Sprachzentrums	✓ frei	Apache-2.0	je Sprachfassung 24 Aufgaben 12 leicht, 12 mittel	Ausgabe 2026 Quelle geprüft: 29.07.2026

Modelle, Anwendungen und Dienste

Modelle, Anwendungen und Dienste werden getrennt von den eigentlichen Sprachdaten geführt. Ein Modell ist nicht dasselbe wie der Datensatz, mit dem es trainiert oder geprüft wurde.

Ressource	Sprache(n)	Art	Verantwortliche Stelle	Zugang	Lizenz / Bedingungen	Stand / Hinweis
Qwen2.5-3B-Instruct-hsb-dsb Auf Ober- und Niedersorbisch angepasstes Sprachmodell für Textgenerierung, Übersetzung und Frage-Antwort-Aufgaben.	hsb, dsb	Large Language Model großes Sprachmodell	TartuNLP	✓ frei abrufbar	Qwen Research License	3 Milliarden Parameter Quelle geprüft: 29.07.2026 Forschungsmodell; laut Model Card nicht umfassend für den allgemeinen produktiven Einsatz getestet.
Sotra / serbski.chat Webbasierter Übersetzungsdienst zwischen Deutsch, Ober- und Niedersorbisch mit integrierter Rechtschreibprüfung.	hsb, dsb, de	Übersetzungsdienst	WITAJ-Sprachzentrum / Domowina e. V.	✓ öffentlich nutzbar	Keine offene Lizenz für Dienst oder zugrunde liegendes Gesamtkorpus ausgewiesen	Quelle geprüft: 29.07.2026 Der zugrunde liegende Parallelkorpus wird fortlaufend erweitert, ist über den Webdienst jedoch nicht als vollständiger Datensatz öffentlich herunterladbar.

Pflege und Verantwortung

Empfohlenes Pflegemodell:

• Die veröffentlichende Institution prüft Rechte und Lizenz vor der Veröffentlichung.
• Die Institution meldet neue oder aktualisierte Ressourcen an die zentrale Redaktion.
• Die zentrale Redaktion prüft die Mindestmetadaten und ergänzt den Registereintrag.
• Jeder Eintrag wird mindestens einmal jährlich bestätigt oder aktualisiert.
• Änderungen an Lizenz, Zugang oder Veröffentlichungsort werden zeitnah nachgeführt.
• Nicht mehr verfügbare Ressourcen werden nicht gelöscht, sondern entsprechend gekennzeichnet.

Zentrale redaktionelle Verantwortung: Stiftung für das sorbische Volk / Digitalisierungsbeauftragter, in Zusammenarbeit mit den veröffentlichenden Institutionen.

Siehe auch

• 10. Open Access, Open Data, Lizenzen
• 12.4 KI, digitale Sprachtechnologien und offene Sprachdaten
• 13.2.1 Zukünftige Maßnahmen und Schritte
• 2.2_3 – Zentrales Register sorbischer Sprachressourcen erstellen und fortlaufend pflegen