Фінансування до $50,000
Грантова підтримка збору мовних даних для малоресурсних мов Європи.
LINGUA Open CallMicrosoft AI for Good
Building Ukrainian Construction Language for AI
BUDOVA: Building Ukrainian Domain-Specific, Open Voice & Text Archives — перший відкритий датасет української технічної мови будівельної галузі для мовлення та тексту, що сприяє розвитку ШІ‑технологій в Україні.
01
71+
годин мовлення (ціль)
02
71M+
токенів тексту (ціль)
03
373B
USD відбудови
04
CC-BY 4.0
ліцензія
BUDOVA Pipeline01 / 04
input
""
tokens
арматурнийкаркасфундаменту
entities
MATарматурний
ELMкаркас
ELMфундаменту
confidence
—
Ініціатива
LINGUA Open Call
Ініціатива Microsoft AI for Good Lab у рамках EU Digital Unlock, спрямована на підтримку цифрової інклюзії для малоресурсних мов Європи та побудову мовних ресурсів для 10 європейських мов.
Microsoft
Azure обчислювальні ресурси
Кредити на хмарні обчислення до 2 років для обробки та валідації.
Технічна підтримка
Дослідницька співпраця з AI for Good Lab, EPFL та ETH Zürich.
Відкриті моделі
Інтеграція з Apertus, EuroLLM, SmolLM3 та іншими моделями.
Виклик
Чому це критично важливо
Попри 30–46 мільйонів носіїв, українська залишається критично недорепрезентованою в ШІ-технологіях — особливо у спеціалізованих доменах.
<0.6%
веб-контенту українською
Цифрове виключення
Жодних технічних мовних датасетів, систем розпізнавання мовлення для будмайданчиків чи ШІ-інструментів для українських будівельних норм.
3
діалектні групи, 15+ говірок
Діалектна різноманітність
Північна, південно-західна (волинський, галицький, подільський, закарпатський, буковинський, гуцульський, бойківський, лемківський) та південно-східна діалектні групи не задокументовані в технічних контекстах — ШІ-системи ризикують збоями для нестандартних носіїв.
15–25%
розрив у продуктивності
Морфологічна складність
Кирилиця, 7 відмінків, 3 роди, рухомий наголос — унікальні виклики токенізації з розривом продуктивності відносно англійської.
Що ми створюємо
Відкриті ресурси для будівельної галузі
Перший комплексний датасет технічної української мови з діалектним покриттям усіх основних регіонів України.
Speech
Мовленнєвий датасет
100+ годин анотованого мовлення будівельників з транскрипціями, що покривають північний, південно-західний та південно-східний діалекти.
<25%WER
>0.70Cohen's κ
Text
Текстовий корпус
100M+ токенів будівельної документації — ДБН, технічні специфікації, протоколи безпеки з NER-анотаціями.
>0.85NER F1
5–10Kнових термінів
Infrastructure
Технічна інфраструктура
Базові моделі ASR і NER, пайплайни обробки даних, документація за стандартами Datasheets for Datasets. Все доступно на Hugging Face та Zenodo.
WAV/FLACLossless
DOIPersistent
Прогнозований вплив
Хронологія
24 місяці, 5 фаз
Поетапне розгортання з квартальними релізами для зворотного зв’язку від спільноти.
01 / 05Фаза 1
Інфраструктура та підготовка
Місяці 1–3 · Січ – Бер 2026Налагодження інфраструктури, угоди з партнерами, протоколи GDPR, рекрутинг учасників.
02 / 05Фаза 2
Збір даних
Місяці 4–15 · Кві 2026 – Бер 2027Поетапний збір: 25 год. мовлення + 25M токенів щоквартально до досягнення цільових 100+ год. та 100M+ токенів.
03 / 05Фаза 3
Анотація та валідація
Місяці 6–18 · Паралельно зі зборомДвоетапна валідація: краудсорсингова транскрипція, потім експертна перевірка. Inter-annotator agreement > 0.70.
04 / 05Фаза 4
Розробка базових моделей
Місяці 12–21 · Січ – Вер 2027Тренування ASR та NER моделей на зібраних даних. Досягнення WER < 25% для будівельної термінології.
05 / 05Фаза 5
Реліз та трансфер
Місяці 21–24 · Вер – Гру 2027Фінальний реліз датасетів на Hugging Face та Zenodo з DOI. Документація, передача на сталу підтримку.
Датасети
Відкриті дослідницькі ресурси
Масштабні датасети та бенчмарки для навчання, оцінки та тестування NLP-моделей української будівельної галузі.
Мовленнєвий датасет
100+годин мовлення
Анотовані записи будівельного мовлення з транскрипціями усіх основних українських діалектів — обговорення на будмайданчиках, інструктажі, консультації з усієї України.
Hugging FaceТекстовий корпус
100M+текстових токенів
Будівельна документація з NER-анотаціями — ДБН, технічні специфікації, протоколи безпеки та проєктна документація.
Hugging FaceБудівельний лексикон
5–10Kдоменних термінів
Доменна термінологія — будматеріали, технології, стандарти безпеки та нормативна лексика будівельних субдоменів.
Hugging FaceМоваУкраїнська (uk-UA) · Північний, південно-західний та південно-східний діалекти
ЛіцензіяCC-BY 4.0 (дані) · Apache 2.0 (моделі) · MIT (код)
ХостингHugging Face · Zenodo (DOI) · GitHub
ПриватністьGDPR · Анонімізація голосу · Видалення PII
Приклади
Живі приклади з корпусу.
Як BUDOVA розмічає українську будівельну мову — мітки сутностей, регістру та контексту (ілюстративні приклади; доточнена модель — у релізі v1.0).
«Монолітні залізобетонні несучі конструкції підвищеної відповідальності повинні проєктуватися з урахуванням сейсмічних навантажень у відповідності з ДБН В.1.1-12:2014.»
- Регістр
- Формальний · нормативний
- Матеріал
- Залізобетон монолітний
- Джерело
- ДБН В.1.1-12:2014
- NER теги
- 4 сутності · 0 неоднозначностей
Відкриті ресурси
Повна прозорість. Без обмежень.
Всі результати — дані, моделі, код — під відкритими ліцензіями.
Датасети
Мовленнєвий та текстовий корпуси з повними анотаціями, метаданими та будівельним лексиконом 5–10K термінів.
Базові моделі
Fine-tuned ASR модель (Whisper / Wav2Vec2) та NER моделі для будівельного домену з відтворюваними скриптами.
Інфраструктура
Пайплайни обробки, утиліти анонімізації, воркфлои валідації — для реплікації іншими малоресурсними проєктами.
Готові почати?
Завантажте наші датасети з Hugging Face та почніть працювати з українськими будівельними мовними даними.
Переглянути датасетиЯк цитувати
Якщо ви використовуєте ресурси BUDOVA у своєму дослідженні, будь ласка цитуйте:
@misc{budova2026,
title = {BUDOVA: Building Ukrainian Domain-Specific, Open Voice & Text Archives},
author = {Dolhopolov, Serhii},
year = {2026},
publisher = {Hugging Face & Zenodo},
license = {CC-BY-4.0},
url = {https://huggingface.co/datasets/budova}
}Результати
Результати проєкту
Конкретні дослідницькі результати та відкриті ресурси, що створюються протягом життєвого циклу проєкту.
01 / 04
3датасети
Релізи датасетів
Версіоновані мовленнєві та текстові датасети, опубліковані на Hugging Face та Zenodo з повною документацією та DOI.
25%ETA Q4 2026
- Інфраструктура та протоколи GDPR
- Перші 25 год. мовлення зібрано
- Текстовий корпус v0.1
02 / 04
2+моделі
Базові моделі
Fine-tuned ASR (Whisper / Wav2Vec2) та NER моделі для українського будівельного домену з відтворюваними скриптами.
5%ETA Q2 2027
- Архітектуру моделі обрано
- Налаштування пайплайну тренування
- Оцінка бенчмарків
03 / 04
3+статей
Наукові публікації
Рецензовані публікації на провідних конференціях NLP та ШІ, що документують методологію, бенчмарки та результати.
10%ETA Q3 2027
- Огляд літератури завершено
- Чернетка методологічної статті
- Подання на конференцію
04 / 04
100%open-source
Відкриті інструменти
Пайплайни обробки, утиліти анонімізації, воркфлои валідації та документація за стандартами Datasheets for Datasets.
15%ETA Q4 2027
- Структуру репозиторію створено
- Пайплайн анонімізації
- Воркфлои валідації
Дослідницька група
Команда проєкту
Міждисциплінарна команда з експертизою в ШІ, NLP, будівництві, кібербезпеці та управлінні даними.
01 / 01Project Team Lead
Сергій Долгополов
KNUCA AI Lab · Аспірант, комп’ютерні науки
Дослідник ШІ та підприємець, спеціалізується на обробці природної мови. Засновник KernelGlide — ШІ-рішення для 10+ клієнтів у будівництві. Головний дослідник державного гранту (UAH 2.9M) з мультимодального аналізу контенту. Автор підручника "Моделювання задач ШІ" (546 стор.).
Топ контриб’юторів
- 0100annot.Станьте першим контриб’ютором!/annotate
Host institution
knuba.edu.uaКиївський національний університет будівництва і архітектури
Заснований у 1930 р. · 95 років лідерства в будівельній освіті та дослідженнях