Paper deep dive
Automatic Annotation of Ancient Greek Vowel Length
Albin Thörn Cleland, Eric Cullhed
Intelligence
Status: not_run | Model: - | Prompt: - | Confidence: 0%
Entities (0)
Relation Signals (0)
No relation signals yet.
Cypher Suggestions (0)
No Cypher suggestions yet.
Abstract
Abstract:Prior work in Ancient Greek NLP relies on corpora that do not disambiguate the phonemic vowel length of alpha, iota, and ypsilon, together known as the dichrona. Depending on lexeme, morphology, sandhi, syntax, and conventions of period, genre, and verse form, each of these letters can represent either a long or a short vowel. Deciding and marking the correct length is known as "macronizing", a long-tail problem given the sheer mass of word forms and the context dependency of individual instances. No macronized corpus of Ancient Greek is publicly available at scale, so a stand-alone macronizer is needed. While previous work has shown how to build a static, corpus-bespoke vowel-length dictionary, the present paper constructs the first general-purpose macronizer for arbitrary Ancient Greek input. Given input carrying lemma, part-of-speech, and morphological annotation in the standard CoNLL-U format, a set of recursive modules lets less common word forms inherit markup from more common forms of the same lexical word. The macronizer's chief application is generating training data for machine learning: we show that a small character-level transformer trained on the macronizer's own output learns to generalize past the cases the rule-based system leaves unmarked, matching or exceeding its accuracy on a gold-standard, manually annotated benchmark of verse and prose. We also show that macronization can improve downstream prosodical NLP tasks like verse scansion.
Tags
Links
- Source: https://arxiv.org/abs/2608.01935v1
- Canonical: https://arxiv.org/abs/2608.01935v1
Trouble viewing inline? Open PDF directly →
Full Text
21,876 characters extracted from source content.
Expand or collapse full text
Automatic Annotation of Ancient Greek Vowel Length Albin Thörn Cleland1, Eric Cullhed2 1Centre for Languages and Literature, Lund University, Sweden 2Department of Linguistics and Philology, Uppsala University, Sweden Correspondence: albin.thorn_cleland@klass.lu.se Abstract Prior work in Ancient Greek NLP relies on corpora that do not disambiguate the phonemic vowel length of α (alpha), ι (iota), and υ (ypsilon), together known as the dichrona. Depending on lexeme, morphology, sandhi, syntax, and conventions of period, genre, and verse form, each of these letters can represent either a long or a short vowel. Deciding and marking the correct length is known as ‘macronizing’, a long-tail problem given the sheer mass of word forms and the context dependency of individual instances. No macronized corpus of Ancient Greek is publicly available at scale, so a stand-alone macronizer is needed. While previous work has shown how to build a static, corpus-bespoke vowel-length dictionary, the present paper constructs the first general-purpose macronizer for arbitrary Ancient Greek input. Given input carrying lemma, part-of-speech, and morphological annotation in the standard CoNLL-U format, a set of recursive modules lets less common word forms inherit markup from more common forms of the same lexical word. The macronizer’s chief application is generating training data for machine learning: we show that a small character-level transformer trained on the macronizer’s own output learns to generalize past the cases the rule-based system leaves unmarked, matching or exceeding its accuracy on a gold-standard, manually annotated benchmark of verse and prose. We also show that macronization can improve downstream prosodical NLP tasks like verse scansion. Automatic Annotation of Ancient Greek Vowel Length Albin Thörn Cleland1, Eric Cullhed2 1Centre for Languages and Literature, Lund University, Sweden 2Department of Linguistics and Philology, Uppsala University, Sweden Correspondence: albin.thorn_cleland@klass.lu.se 1 Introduction 1.1 Vowel lengths and the dichrona Phonemic vowel length divides a language’s vowels into two contrasting classes whose distinction bears on sense (Οδεν, 2011). Ancient Greek belongs to the type of language in which the length distinction is necessarily accompanied by a distinction in vowel quality.111The exact nature of the contrast depends on the way the members of the two length classes are mapped to each other, which can be of three general kinds. In languages like Finnish, Thai, and Japanese, long and short vowels have the same quality. In other languages, like Swedish and Ancient Greek, length distinction is (or was) necessarily accompanied by quality distinction (Προβερτ, 2010, 97). Others still, like Cantonese, have a mapping which is nontrivial, and analyses may disagree as to what are taken as the contrasting pairs (Λυο ετ αλ., 2019). The standard Ancient Greek script does not disambiguate the phonemic vowel length of all vowel pairs, leaving α (alpha), ι (iota), and υ (ypsilon), together known as the dichrona (of two quantities), with just one letter per pair.222Alphas, iotas, and ypsilons appearing as part of diphthongs or bearing the circumflex accent are not considered dichronic, as their length is always long in that context. The three dichrona can, depending on lemma, morphology, sandhi, syntax, and conventions relative to dialect, period, genre, and metre, represent either a long or a short vowel. For example:333The division is an artificial simplification: any given case will depend on all of these factors. • Lexeme: the iota in ‛ιµ´ατιον ις λονγ ωηιλε τηε ιοτα ιν φ´ιλος ις ςηορτ. • Μορπηολογψ: τηε ψπςιλον ιν τηε νομινατιε ϰ῀ηρυξ ις ςηορτ, βυτ τηε ψπςιλον ιν τηε γενιτιε ϰ´ηρυϰος ις λονγ. • Σανδηι: τηε φιρςτ αλπηα ιν τ῎αλα ις λονγ, ωηερεας ωιτηουτ ςραςις τ`α ῎αλα ηας νο λονγ αλπηα. • Σψνταξ: τηε αλπηα ιν ῎αν ις λονγ ωηενερ απεαρινγ ιν α ςονδιτιοναλ ςλαυςε ωιτηουτ ε’ι, βυτ ςηορτ ερψωηερε ελςε. • Διαλεςτ: τηε ιοτα ιν ῎ορνις ςαν βε ςηορτ ιν μανψ διαλεςτς, βυτ ιν φιφτη-ςεντυρψ ςποϰεν Ατις ιτ ωας αργυαβλψ ςονςιςτεντλψ λονγ.444E.g. Aristophanes, Birds 103; see Πιζονε (2024) for later Greek. • Περιοδ: ςϰνιπ´ος ηας λονγ ιοτα ιν τηε ςιξτη ςεντυρψ Β.῝. ιαμβις τριμετερ οφ Σεμονιδες, βυτ ςηορτ ιν τηε τριμετερ οφ Γρεγορψ οφ Ναζιανζυς, ωριτεν 900 ψεαρς λατερ.555Semonides in Etymologicum Magnum 270, 45; Gregory of Nazianzus, Ε’ις τ`α ῎εµετρα 7. • Γενρε: τηε ιοτα ιν τ´ινω ις λονγ ιν επις ανδ ςηορτ ιν δραμα ανδ προςε. • Μετρε: ιν τηε ηεξαμετερ λινε ϰαλ`α µ`εν ’η´εξευ, ϰαλ`α δ’ ῎ετραφες, ο’υρ´ανιε Ζε῀υ, (῝αλιμαςηυς, Ηψμν το Ζευς 55) τηε ροτ αλπηα οφ ϰαλ´α ις λονγ ιν πρινςεπς ποςιτιον ανδ ςηορτ ιν βιςεπς. The process of determining and marking these lengths is known as macronizing. In verse, macronization is a prerequisite for metrical analysis: Greek poetry regulates syllable weight, which depends primarily on vowel length. In prose, it disambiguates orthographic minimal pairs such as ῎αν, ωηιςη ιφ λονγ ιντροδυςες αν ιτερατιε τεμποραλ ςλαυςε βυτ ιφ ςηορτ ις τηε μοδαλ παρτιςλε, ορ ῞ιςταµεν, ιμπερφεςτ ωιτη λονγ (αυγμεντεδ) ιοτα βυτ οτηερωιςε πρεςεντ – διςτινςτιονς ανψ ςψνταςτις ορ μορπηολογιςαλ αναλψςις νεδς το γετ ριγητ. ςυβςεςτιον Ρεςεαρςη Χυεςτιονς ανδ Σςοπε – ΡΧ1: Ηοω μυςη οφ α λαργε υνςεν Ανςιεντ Γρεϰ ςορπυς ςαν βε μαςρονιζεδ βψ αλγοριτημς ανδ δαταβαςες αλονε, γιεν τηατ τηε ινπυτ ις φιρςτ μαρϰεδ υπ ωιτη λεμα ανδ μορπηολογψ; – ΡΧ2: ῝αν τηε ςοεραγε ανδ χυαλιτψ οφ μαςρονιζατιον βε ιμπροεδ φυρτηερ βψ τραινινγ α νευραλ τοϰεν ςλαςιφιερ ον αν αλγοριτημιςαλψ μαςρονιζεδ ςορπυς; – ΡΧ3: Δοες μαςρονιζατιον ιμπροε περφορμανςε ον οτηερ ταςϰς ιμπορταντ το Ανςιεντ Γρεϰ ΝΛΠ, ςυςη ας αυτοματις ςανςιον; ςυβςεςτιον Εαρλιερ Ανςιεντ Γρεϰ ΝΛΠ ανδ ῞οωελ Λενγτη Ωε αρε νοτ αωαρε οφ ανψ εαρλιερ Ανςιεντ Γρεϰ μαςηινε λεαρνινγ προϑεςτ, ινςλυδινγ Σανςομ ανδ Φιφιελδ (2023), Καρδος ανδ Κοςτϰαν (2023), ανδ ῝ελανο (2024), ηαινγ τριεδ το μαςρονιζε ιτς ςορπυς. Ωινγε (2015) πιονερεδ οωελ-λενγτη ανοτατιον ιν ςλαςιςαλ λανγυαγες ωιτη α ςτατις μαςρονιζερ φορ Λατιν τηατ αγρες ωιτη ηυμαν ανοτατορς 98% οφ τηε τιμε· Ριςητερ ετ αλ. (2025) εξεμπλιφψ ρεςεντ προγρες ον α μοδερν λανγυαγε ωιτη α ςιμιλαρ τωο-ωαψ λενγτη ςοντραςτ. Τηöρν ῝λελανδ (2024) ςηοωεδ ηοω το αλγοριτημιςαλψ βυιλδ α ςτατις οωελ-λενγτη διςτιοναρψ φορ Γρεϰ, βυτ ωας λιμιτεδ το α ςμαλ ςετ οφ τεξτς (τηε εξταντ τραγεδιες) ανδ λεραγεδ ονλψ α φεω οφ τηε ποςιβλε ςουρςες οφ διςαμβιγυατιον. Ωε ϰνοω οφ νο πρειους ατεμπτ το υςε μαςηινε λεαρνινγ φορ τηε αςτυαλ ςλαςιφιςατιον οφ οωελ λενγτης ιν ςλαςιςαλ λανγυαγες. ςεςτιον Α Ρυλε-Βαςεδ Μαςρονιζερ Τηε γοαλ ις φορ ερψ λονγ διςηρονον ιν τηε ινπυτ το βε φολοωεδ βψ αν υνδερςορε (᾽_᾽) ανδ ερψ ςηορτ διςηρονον βψ α ςαρετ (᾽^᾽)· διςηρονα τηε μαςρονιζερ φαιλς το διςαμβιγυατε αρε λεφτ υνμαρϰεδ. Ας τηε ταργετ ςορπυς το οπτιμιζε φορ, ωε υςε τηε ΟΓΑ (Οπερα Γραεςα Αδνοτατα),666https://github.com/OperaGraecaAdnotata/OGA α ςομβινατιον οφ Φιρςτ1ΚΓρεϰ, ΠατριςτιςΤεξτΑρςηιε, ανδ Περςευς´ ςανονιςαλ-γρεϰΛιτ. Δελοπμεντ ις ςορπυς-δριεν: εαςη προτοτψπε ις ρυν οερ τηε ΟΓΑ, ανδ τηε ρεςυλτινγ λογς ανδ ςτατιςτις γυιδε τηε τυνινγ οφ τηε νεξτ ερςιον. Ωορδ φορμς ατεςτεδ ωιτη ιδεντιςαλ μορπηολογιςαλ ταγς βυτ διφερεντ λενγτης (῎ορνις, ςϰνιπ´ος, τ´ινω αβοε) αρε αςιγνεδ τηε ανςιεντ Ατις λενγτη αςρος τηε βοαρδ, λεαινγ εξςεπτιονς το δοωνςτρεαμ τολς ςυςη ας μετριςαλ αναλψςις. Φορ φορμς λιϰε ’αε´ι, ωηοςε λενγτη διδες αςρος νο οβιους γενρε ορ περιοδ φαυλτ λινε, ωε εξπλοιτ τηε φαςτ τηατ αρουνδ ςεν ουτ οφ τεν διςηρονα ιν τηε Ατις ςλαςις αρε ςηορτ: δεφαυλτινγ ςυςη φορμς το ςηορτ περφορμς βετερ ον αεραγε. Ινπυτ ις φιρςτ μαρϰεδ υπ ωιτη λεμα, παρτ-οφ-ςπεςη, ανδ μορπηολογιςαλ ταγς βψ οδψ῝ψ (Καρδος ανδ Κοςτϰαν, 2023). Α ηανδφυλ οφ φορμς οδψ῝ψ μιςηανδλες (ε.γ., τηε ςραςις τ῎αλα) αρε μαςρονιζεδ πρεμπτιελψ, ανδ ῎αν ρεςειες δεδιςατεδ λογις: λονγ ῎αν, βεινγ α ςραςις οφ ’ε´αν, ρεχυιρες α ςυβϑυνςτιε ερβ ανδ τηε αβςενςε οφ ε’ι ιν ιτς ςλαυςε, ωηιςη τογετηερ ψιελδ α νεςεςαρψ ανδ ςυφιςιεντ ςονδιτιον. Αλ ρεμαινινγ αμβιγυους τοϰενς τηεν φλοω τηρουγη τηιρτεν μαςρονιζατιον μοδυλες οφ τηρε τψπες, απλιεδ ιν α φιξεδ ορδερ οφ δεπενδαβιλιτψ ςο τηατ λατερ μοδυλες νερ οερωριτε εαρλιερ ονες. Δαταβαςε μοδυλες. Α διςτιοναρψ οφ 424,823 διςτινςτ αμβιγυους ωορδ φορμς ςιεδ φρομ τηε ςονϑυγατιον ανδ δεςλενςιον ταβλες οφ 40,000 Ωιϰτιοναρψ παγες· 34,229 λεματα (εντρψ φορμς ονλψ) μαςρονιζεδ φρομ Λιδελ–Σςοτ–Θονες· 60,660 λινες οφ ςανεδ ερςε φρομ Ηψποταςτις (῝ηαμβερλαιν, 2023) (γιεν λοωεςτ πριοριτψ ςινςε τηε νον-ςτανδαρδ διςιον οφ ςονςοναντς βετωεν ςοδας ανδ ονςετς ηας βεν αλγοριτημιςαλψ ςτανδαρδιζεδ βψ υς ανδ ις νοτ περφεςτ)· ανδ α ηανδ-ςυρατεδ ςυςτομ δαταβαςε οφ 567 ςομον ωορδ φορμς νοτ ςοερεδ ελςεωηερε. Αλγοριτημις μοδυλες. Τηε αςεντυατιον λαως οφ ςλαςιςαλ Ατις (τηε τωο ηαλες οφ τηε ςωτ῀ηρᾰ-ρυλε ανδ τηε ςηορτ υλτιμα οφ προπαροξψτονες), ωηιςη ςονςτραιν οωελ λενγτη πραςτιςαλψ ωιτηουτ εξςεπτιον· ςιξ γενεραλ ρυλες φορ νομιναλ ανδ ερβαλ ενδινγς διςτιλεδ φρομ ςτανδαρδ δεςλενςιον ταβλες (ε.γ., φιρςτ-δεςλενςιον φεμινινε αςυςατιε ςινγυλαρ -αν ις λονγ, δατιε -ι ις ςηορτ)· ανδ πρεφιξ αναλψςις: ιφ α λεμα μινυς α ϰνοων πρεφιξ ις ςτιλ αν ΛΣΘ εντρψ, τηε πρεφιξ ις μαςρονιζεδ, ςο ’αφ´ιϰοντο γετς α ςηορτ αλπηα βεςαυςε ’ιϰν´εοµαι ις ιν ΛΣΘ. Ρεςυρςιε μοδυλες. Ωηεν α τοϰεν φαιλς λοϰυπ, ρεςυρςιον ρετριες νορμαλιζεδ αριαντς: ρεςοερινγ οβλιχυε ςαςες φρομ ατεςτεδ νομινατιες (ςτρατηγ´ον ις μαςρονιζεδ εν ιφ ονλψ ςτρατηγ´ος ις ιν τηε δαταβαςες), ρεμοινγ ςεςονδ αςεντς φρομ ενςλιτις-βεαρινγ ωορδς λιϰε Καλ´ιµαχ´ος, υνδοινγ ελιςιον, ςονερτινγ γραε το αςυτε, ανδ δεςαπιταλιζινγ ωιτη ςυςτομ ςαςινγ φυνςτιονς. ςεςτιον Α Τρανςφορμερ Μαςρονιζερ Σιλερ τραινινγ δατα. Τηε μαςρονιζερ´ς ςηιεφ απλιςατιον ις γενερατινγ τραινινγ δατα. Ωε ραν ιτ οερ τηε φορτψ-μιλιον-τοϰεν ΟΓΑ ςορπυς (1,999 ωορϰς), ςονερτινγ ΟΓΑ´ς ςηιπεδ ῝οΝΛ-ϒ λεμα, ΠΟΣ, ανδ μορπηολογψ ανοτατιον (῝ελανο, 2024) διρεςτλψ ιντο τηε μαςρονιζερ´ς ιντερναλ ρεπρεςεντατιον ρατηερ τηαν ρε-ρυνινγ οδψ῝ψ ινφερενςε. Τηε ρεςυλτ ις 2,234,599 μαςρονιζεδ ςεντενςες ωιτη 69.20% οφ οπεν-ςψλαβλε διςηρονα ρεςολεδ (11,627,591 οφ 16,802,080, ανςωερινγ ΡΧ1), πυβλιςηεδ ας α ΗυγινγΦαςε δαταςετ.777https://huggingface.co/datasets/Ericu950/oga-macronized Αρςηιτεςτυρε. ῞οωελ λενγτη ις αν ιντρινςιςαλψ ςηαραςτερ-λελ προπερτψ, ανδ ςηαραςτερ-λελ τρανςφορμερς ηαε αλρεαδψ προεν απτ φορ Ανςιεντ Γρεϰ ιν επιγραπηις ρεςτορατιον (Αςαελ ετ αλ., 2022). Ωε τηερεφορε τραιν α ςμαλ ςηαραςτερ-λελ ενςοδερ οφ ρουγηλψ 0.87Μ παραμετερς (φουρ λαψερς, ηιδεν ςιζε 128, φουρ ηεαδς, ιντερμεδιατε ςιζε 512), ρελεαςεδ ον τηε Ηυγινγφαςε Ηυβ.888https://huggingface.co/Ericu950/oga-macronizer-char Εαςη ςηαραςτερ ις φαςτορεδ ιντο τωο πλανες ωιτη ςεπαρατε λεαρνεδ εμβεδινγς ςυμεδ ωιτη α ποςιτιοναλ εμβεδινγ: α λετερ πλανε (τηε 24 Γρεϰ λετερς ωιτη ςιγμα αριαντς φολδεδ, ςπαςε, ανδ α ςατςη-αλ ᾽οτηερ᾽ φορ πυνςτυατιον, διγιτς, διγαμα, ανδ νον-Γρεϰ ςηαραςτερς) ανδ α διαςριτις πλανε ωηοςε ςμαλ οςαβυλαρψ οφ αςεντ/βρεατηινγ/διαερεςις ςομβινατιονς ις φιτεδ φρομ δατα. Α τηρε-ωαψ ηεαδ πρεδιςτς νονε/ςηορτ/λονγ ατ γενυινελψ αμβιγυους διςηρονα· δυρινγ τραινινγ τηε διαςριτις πλανε ις ρανδομλψ ςτριπεδ φορ α φραςτιον οφ ςηαραςτερς, ςο τηε μοδελ ηας αλςο ηαδ το μαςρονιζε υναςεντεδ ινπυτ. Τραινινγ ον ςιλερ λαβελς. Τηε μοςτ ςονςεχυεντιαλ δεςιγν ςηοιςε ςονςερνς τηε ποςιτιονς τηατ τηε ρυλε-βαςεδ ςψςτεμ λεαες υνμαρϰεδ: ωηερερ τηε ρυλε-βαςεδ μαςρονιζερ ςομιτς το α οωελ λενγτη, τηατ ϑυδγμεντ βεςομες α τραινινγ λαβελ· ωηερερ ιτ αβςταινς, τηε ποςιτιον ις εξςλυδεδ φρομ τηε λος βψ ιγνορε-ινδεξ μαςϰινγ, ανδ νερ τρεατεδ ας αν ιμπλιςιτ ᾽ςηορτ.᾽ Ωε τραινεδ ον τηε φυλ ςορπυς ωιτη ΑδαμΩ ανδ α ονε-ςψςλε ςηεδυλε ον α ςινγλε Α100, ηολδινγ ουτ 10% οφ λινες φορ αλιδατιον ανδ εαρλψ ςτοπινγ (πατιενςε οφ ειγητ ςηεςϰποιντς). ςεςτιον Ρεςυλτς Βενςημαρϰινγ. Το εαλυατε μαςρονιζατιον χυαλιτψ ιν α ωαψ τηατ ςουντς νοτ ονλψ ςοεραγε, βυτ αλςο ριγητ ανδ ωρονγ λενγτης (βοτη τηε `ςοεραγε ανδ χυαλιτψ´ οφ ΡΧ2), ωε ιντροδυςε Νορμα Σψλαβαρυμ Γραεςαρυμ, α μανυαλψ ανοτατεδ βενςημαρϰ μαρϰινγ ςψλαβλε βουνδαριες, ςψλαβλε ωειγητ, ανδ οωελ λενγτη ιν 1,228 λινες οφ ερςε ορ προςε φρομ φουρτεν αυτηορς ςπανινγ τηε αρςηαις το τηε ιμπεριαλ αγε, πλυς 299 λινες φρομ τηε ρεςπονδινγ λψρις ςονγς οφ Αριςτοπηανες ταϰεν φρομ Τηöρν ῝λελανδ (2025). Αλ τηε τεξτς ωερε ςηοςεν ςο ας νοτ το ςοινςιδε ωιτη τηοςε ινςλυδεδ ιν Ηψποταςτις ας οφ 2025.999https://huggingface.co/datasets/Urdatorn/norma. Authors: Alcman, Bacchylides, Aeschylus, Sophocles, Euripides, Aristophanes, Thucydides, Plato, Dioscorides, Plutarch, Epictetus, Origen, Nonnus, Quintus. See https://github.com/Urdatorn/hypotactic for the crawl of Hypotactic used. Εερψ οπεν ςψλαβλε ςονταινινγ α διςηρονον (α, ι, υ) ις μαρϰεδ ςηορτ ορ λονγ· τηε βενςημαρϰ τεςτς οπεν ςψλαβλες ονλψ. Ας α βαςελινε το ςομπαρε ουρ τωο μοδελς αγαινςτ, ωε υςε α ςονςταντ πρεδιςτιον οφ ςηορτ. Table 1 ςυμαριζες τηε ρεςυλτς οφ εαλυατινγ βοτη μοδελς ανδ τηε βαςελινε ωιτη τηε ςαμε βενςημαρϰ ανδ ςορινγ μετηοδολογψ. Σψςτεμ Λαβελ Ας. (%) Π (%) Ρ (%) Φ1 (%) ῝ο. (%) ῝ονςταντ-ςηορτ Λονγ (0.0) (0.0) (0.0) (0.0) (100.0) Σηορτ (100.0) 83.1 (100.0) 90.8 (100.0) Μιξεδ 83.1 83.1 83.1 83.1 (100.0) Ρυλε-βαςεδ Λονγ 53.9 89.2 53.9 67.2 64.1 Σηορτ 69.3 97.1 69.3 80.9 70.6 Μιξεδ 66.7 96.0 66.7 78.7 69.5 Τρανςφορμερ Λονγ 64.7 85.0 64.7 73.5 98.8 Σηορτ 97.6 93.4 97.6 95.4 99.9 Μιξεδ 92.0 92.3 92.0 92.2 99.7 Ταβλε 1: Ρεςυλτς ον τηε Νορμα Σψλαβαρυμ Γραεςαρυμ βενςημαρϰ (1,916 γολδ ποςιτιονς), ρεπορτεδ ςεπαρατελψ φορ λονγ, ςηορτ, ανδ μιξεδ λαβελς. Ας.: αςυραςψ· Π: πρεςιςιον· Ρ: ρεςαλ· ῝ο.: ςοεραγε. Φορ τηε ςονςταντ βαςελινε, τριαλ νυμβερς ηαε βεν πυτ ινςιδε παρεντηεςες. Τηε βεςτ νον-τριαλ ρεςυλτ φορ εαςη μετρις ανδ λαβελ ις ιν βολδ φαςε. Τηατ τηε ρυλε-βαςεδ μαςρονιζερ ηας τηε ηιγηεςτ πρεςιςιον ςονφιρμς τηατ ιτ ωορϰς ας ιντενδεδ· ναμελψ ας α ρελιαβλε βυτ ςονςερατιε ρεφλεςτιον οφ γενεραλ ρυλες ανδ ωριτεν ςουρςες. Λιϰεωιςε, τηε τρανςφορμερ´ς αβιλιτψ το γενεραλιζε ις ςηοων βψ τηε ινςρεαςε ιν ςοεραγε φρομ 69.5% το 99.7% ωηιλε δροπινγ λες τηαν φιε περςεντ ιν πρεςιςιον φορ εαςη λαβελ ανδ ινςρεαςινγ ιν ρεςαλ αλμοςτ τεν περςεντ φορ λονγ ανδ μορε τηαν τωεντψ-φιε περςεντ φορ ςηορτ. Τηε τρανφορμερ´ς γενυινε ιμπροεμεντ οερ τηε ρυλε-βαςεδ μοδελ ις βεςτ ςηοων βψ τηε ινςρεαςε ιν Φ1 οφ 6.3 ποιντς φορ τηε διφιςυλτ λονγ λαβελ, ανδ ις φυρτηερ βορνε ουτ βψ τηε φαςτ τηατ ονλψ τηε τρανςφορμερ ιμπροες υπον τηε βαςελινε´ς μιξεδ Φ1 (βψ 9.1 ποιντς), νοτωιτηςτανδινγ τηε ερψ υνεν διςτριβυτιον οφ λαβελς.101010An additional transformer trained with a different seed gets the exact same scores as in Table 1 (available at https://huggingface.co/Ericu950/oga-macronizer-char-seed17). Τογετηερ, τηεςε ρεςυλτς ανςωερ ΡΧ2 ιν τηε αφιρματιε: α τρανςφορμερ ςλαςιφιερ τραινεδ ον αν αλγοριτημις μαςρονιζερ´ς ουτπυτ ςαν γενεραλιζε παςτ τηε ςαςες τηε ρυλε-βαςεδ ςψςτεμ λεαες υνμαρϰεδ, ματςηινγ ορ εξςεδινγ ιτς αςυραςψ ον α γολδ-ςτανδαρδ βενςημαρϰ. Δοωνςτρεαμ ταςϰ: ςανςιον. Α ςομον ταςϰ ιν Ανςιεντ Γρεϰ ΝΛΠ ις ςανςιον οφ χυαντιτατιε ποετρψ, ωηιςη, ατ μινιμυμ, μεανς πρεδιςτινγ φορ εαςη ινπυτ ερςε λινε α μετριςαλ πατερν οφ ηεαψ ανδ λιγητ ςψλαβλες, ςυςη ας τηε φολοωινγ εξαμπλε οφ δαςτψλις ηεξαμετερ: -υ-υ-υ-υ-υ--.111111A finer analysis could also predict the word boundaries, making visible the caesurae. Το ινεςτιγατε τηε εφεςτς οφ μαςρονιζατιον, ωε φινε-τυνεδ τωο ιδεντιςαλ διςτιλβερτ-βαςεδ (Σανη ετ αλ., 2019) ςλαςιφιερς ον 41,695 λινες οφ ηεξαμετερ φρομ Ηψποταςτις. Τηε ςλαςιφιερς ωερε τραινεδ το ςλαςιφψ εαςη λινε ας ονε οφ τηε τηιρτψ-ονε μετριςαλ ηεξαμετερ πατερνς πρεςεντ ιν τηε ςορπυς, ωιτη ονε μοδελ γετινγ ινπυτ λινες μαςρονιζεδ βψ ουρ τρανςφορμερ ανδ τηε οτηερ νοτ, ανδ βοτη υςινγ τηε ςαμε 80/10/10 ςπλιτ ςτρατιφιεδ βψ ςουρςε τεξτς. Οερ τηρε διφερεντ ςεδς, μαςρονιζατιον ιμπροεδ τηε αςυραςψ οφ τηε ςανςιον ςλαςιφιερ βψ α μεαν 5.8%±1.5%5.8\%± 1.5\% (95% τ-ιντεραλ).121212Each model trained for thirty epochs, and the best validation performance peaked between epochs twenty-four and twenty-eight. The scansion classifiers, data, and recipes used for training them are all available at https://github.com/Urdatorn/scan-macronized. Τηις ρεςυλτ ανςωερς ΡΧ3 ιν τηε αφιρματιε: μαςρονιζατιον ιμπροες δοωνςτρεαμ ςανςιον αςυραςψ. ςεςτιον Συμαρψ Ρετυρνινγ το τηε ρεςεαρςη χυεςτιονς ποςεδ ατ τηε ουτςετ: φιρςτ, τηε ρυλε-βαςεδ πιπελινε αλονε διςαμβιγυατες 69.2% οφ οπεν-ςψλαβλε διςηρονα αςρος τηε φορτψ-μιλιον-τοϰεν ΟΓΑ ςορπυς ανδ ρεαςηες 66.7% μιξεδ-λαβελ αςυραςψ ανδ 78.7% μιξεδ-λαβελ Φ1 αςυραςψ ον Νορμα. Σεςονδ, α ςηαραςτερ-λελ τρανςφορμερ οφ υνδερ α μιλιον παραμετερς, τραινεδ πυρελψ ον τηις ςιλερ ουτπυτ ωιτη αβςτεντιονς μαςϰεδ φρομ τηε λος, ρεαςηες 92.0% μιξεδ-λαβελ αςυραςψ ανδ 92.2% μιξεδ-λαβελ Φ1 ον τηε ςαμε βενςημαρϰ ωηιλε ςοερινγ 99.7% οφ ποςιτιονς. Τηιρδ, μαςρονιζατιον ιμπροες δοωνςτρεαμ ςανςιον αςυραςψ βψ αρουνδ φιε ποιντς. Ωε ηοπε τηατ οτηερ απλιςατιονς, ςυςη ας ςτψλομετρψ ανδ μορπηολογψ ταγινγ, ςαν βενεφιτ ας ωε ρελεαςε τηε μαςρονιζεδ ςορπυς, βοτη μοδελς, ανδ τηε βενςημαρϰ οπεν-ςουρςε ας α φουνδατιον φορ φυρτηερ ωορϰ ον Ανςιεντ Γρεϰ ΝΛΠ. Λιμιτατιονς Ατις νορμαλιζατιον. Φορμς ατεςτεδ ωιτη ιδεντιςαλ μορπηολογψ βυτ διεργεντ λενγτης αρε αςιγνεδ τηε ανςιεντ Ατις αλυε τηρουγηουτ. Τηις ις α δελιβερατε ςιμπλιφιςατιον, ανδ ιτ ις ωρονγ βψ δεςιγν φορ Ηομερις, Δορις, Ηελενιςτις, ανδ Βψζαντινε τεξτ, ανδ φορ φορμς ωηοςε λενγτη διδες αλονγ γενρε λινες (ε.γ. τ´ινω). Τηε μαςρονιζερ ςηουλδ ατ πρεςεντ βε υνδερςτοδ ας αν Ατις-νορμαλιζινγ ςψςτεμ, ανδ ιτς ουτπυτ ον νον-Ατις ςορπορα ςαριες α ςψςτεματις βιας ωε ηαε νοτ χυαντιφιεδ. Τηις ςουλδ βε μιτιγατεδ βψ ταϰινγ αςουντ οφ μεταδατα. Τρανςφορμερ ηψπερπαραμετερς. Νο ηψπερπαραμετερ ςεαρςη ωας περφορμεδ φορ τηε τρανςφορμερ μαςρονιζερ. Δουβλε δεπενδενςε ον υπςτρεαμ ανοτατιον. Τηε ρυλε-βαςεδ πιπελινε ςονςυμεδ λεμα, ΠΟΣ, ανδ μορπηολογψ φρομ τωο εξτερναλ ταγερς: α φινε-τυνεδ Τρανϰιτ (῝ελανο, 2024) το μαϰε τραινινγ δατα φρομ ΟΓΑ, ανδ οδψ῝ψ (Καρδος ανδ Κοςτϰαν, 2023) φορ βενςημαρϰινγ ον Νορμα Σψλαβαρυμ Γραεςαρυμ.131313The Trankit used for OGA reports benchmarking POS 96.41, LAS 77.10, and LEMMA 91.41 (῝ελανο, 2026, 52f), odyCy reports POS 95.39, LAS 73.09 and LEMMA 83.20 (Καρδος ανδ Κοςτϰαν, 2023, 131) on the test fold of UD Proiel. Ερορς ιν τηε ανοτατιον προπαγατε διρεςτλψ ιντο μαςρονιζατιον, ανδ ωε ηαε νοτ μεαςυρεδ ηοω μυςη οφ τηε ρεςιδυαλ ερορ ις ατριβυταβλε το Τρανϰιτ´ς μιςταϰες ρατηερ τηαν το τηε ρυλε-βαςεδ μαςρονιζατιον μοδυλες τηεμςελες. Αναλογουςλψ, τηε τρανςφορμερ μαςρονιζερ ις τραινεδ εξςλυςιελψ ον ιτς ρυλε-βαςεδ τεαςηερ´ς ϑυδγμεντς, ςο ωηερερ τηε ρυλε-βαςεδ ςψςτεμ ις ςψςτεματιςαλψ ρατηερ τηαν ρανδομλψ ωρονγ (ε.γ. α μιςταϰεν δεςλενςιον ρυλε ορ αν ερονεους Ωιϰτιοναρψ εντρψ) τηε ςτυδεντ ηας νο ςιγναλ φρομ ωηιςη το ρεςοερ. Ιτς ερορς αρε ςορελατεδ ωιτη ιτς τεαςηερ´ς, ανδ τηε ςειλινγ ιτ απροαςηες ις τηε τεαςηερ´ς ςειλινγ ρατηερ τηαν τηε γολδ ςτανδαρδ´ς. Δυε το τηε λονγ-ταιλεδνες οφ οωελ λενγητς, ςολινγ τηις προβλεμ ωουλδ ρεχυιρε φινε-τυνινγ ον α ςονςιδεραβλε αμουντ οφ μανυαλψ ςορεςτεδ δατα. Αςϰνοωλεδγμεντς ῝ομπυτατιοναλ ρεςουρςες ωερε προιδεδ βψ τηε Νατιοναλ Αςαδεμις Ινφραςτρυςτυρε φορ Συπερςομπυτινγ ιν Σωεδεν (ΝΑΙΣ), φυνδεδ βψ τηε Σωεδιςη Ρεςεαρςη ῝ουνςιλ. Ρεφερενςες Αςαελ ετ αλ. (2022) Ψανις Αςαελ, Τηεα Σομερςηιελδ, Βρενδαν Σηιλινγφορδ, Μαηψαρ Βορδβαρ, Θοην Παλοπουλος, Μαριτα ῝ηατζιπαναγιοτου, Ιον Ανδρουτςοπουλος, Θονατηαν Πραγ, ανδ Νανδο δε Φρειτας. 2022. Ρεςτορινγ ανδ ατριβυτινγ ανςιεντ τεξτς υςινγ δεπ νευραλ νετωορϰς. Νατυρε, 603(7900):280–283. ῝ελανο (2024) Γιυςεπε Γ. Α. ῝ελανο. 2024. Α ςτατε-οφ-τηε-αρτ μορπηοςψνταςτις παρςερ ανδ λεματιζερ φορ Ανςιεντ Γρεϰ. ῝ελανο (2026) Γιυςεπε Γ. Α. ῝ελανο. 2026. Οπερα Γραεςα Αδνοτατα: Βυιλδινγ α 40μ+ τοϰεν μυλτιλαψερ ςορπυς φορ Ανςιεντ Γρεϰ. Βδ. 12:46–60 Σειτεν. ῝ηαμβερλαιν (2023) Δαιδ ῝ηαμβερλαιν. 2023. ηψποταςτις.ςομ. Καρδος ανδ Κοςτϰαν (2023) Μαρτον Καρδος ανδ Θαν Κοςτϰαν. 2023. οδψ῝ψ. Λυο ετ αλ. (2019) Θινγξιν Λυο, ῞ιαν Γυο Λι, ανδ Πεγψ Πιϰ Κι Μοϰ. 2019. Τηε περςεπτιον οφ ςαντονεςε οωελ λενγτη ςοντραςτ βψ μανδαριν ςπεαϰερς. Λανγυαγε ανδ Σπεςη, 63(3):635–659. Οδεν (2011) Δαιδ Οδεν. 2011. Τηε ρεπρεςεντατιον οφ οωελ λενγτη. Ιν Μαρς αν Οοςτενδορπ, ῝ολιν Θ. Εωεν, Ελιζαβετη Ηυμε, ανδ Κερεν Ριςε, εδιτορς, Τηε Βλαςϰωελ ῝ομπανιον το Πηονολογψ. Ωιλεψ-Βλαςϰωελ. Πιζονε (2024) Αγλαε Πιζονε. 2024. Τηε οςαςιοναλιτψ οφ Βψζαντινε διδαςτιςιςμ: α ςαςε ςτυδψ φρομ τηε τωελφτη ςεντυρψ (Μιλαν, ῞ενερανδα Βιβλιοτεςα Αμβροςιανα, ς 222 ινφ. φ. 218ρ). Ιντερφαςες: Α Θουρναλ οφ Μεδιεαλ Ευροπεαν Λιτερατυρες, 11:51–73. Προβερτ (2010) Πηιλομεν Προβερτ. 2010. Πηονολογψ. Ιν Εγβερτ Θ. Βαϰερ, εδιτορ, Α ῝ομπανιον το τηε Γρεϰ Λανγυαγε, παγες 85–103. Ωιλεψ-Βλαςϰωελ. Ριςητερ ετ αλ. (2025) ῝αιτλιν Λαυρα Ριςητερ, Κολβρύν Φριðριϰςδότιρ, Κορμάϰυρ Λογι Βεργςον, Εριϰ Ανδερς Μαηερ, Ραγνηειðυρ Μαρία Βενεδιϰτςδότιρ, ανδ Θον Γυδναςον. 2025. Αςεςεδ ανδ ανοτατεδ οωελ λενγτης ιν ςποϰεν Ιςελανδις ςεντενςες φορ Λ1 ανδ Λ2 ςπεαϰερς: Α ρεςουρςε φορ προνυνςιατιον τραινινγ. Ιν Προςεδινγς οφ τηε Θοιντ 25τη Νορδις ῝ονφερενςε ον ῝ομπυτατιοναλ Λινγυιςτις ανδ 11τη Βαλτις ῝ονφερενςε ον Ηυμαν Λανγυαγε Τεςηνολογιες (ΝοΔαΛιΔα/Βαλτις-ΗΛΤ 2025), παγες 518–524, Ταλιν, Εςτονια. ϒνιερςιτψ οφ Ταρτυ Λιβραρψ. Σανη ετ αλ. (2019) ῞ιςτορ Σανη, Λψςανδρε Δεβυτ, Θυλιεν ῝ηαυμονδ, ανδ Τηομας Ωολφ. 2019. Διςτιλβερτ, α διςτιλεδ ερςιον οφ βερτ: ςμαλερ, φαςτερ, ςηεαπερ ανδ λιγητερ. ΑρΞι, αβς/1910.01108. Σανςομ ανδ Φιφιελδ (2023) Στεπηεν Σανςομ, Α. ανδ Δαιδ Φιφιελδ. 2023. ΣΕΔΕΣ: Μετριςαλ ποςιτιον ιν Γρεϰ ηεξαμετερ. Διγιταλ Ηυμανιτιες Χυαρτερλψ, 17(2). Τηöρν ῝λελανδ (2024) Αλβιν Τηöρν ῝λελανδ. 2024. Α μαςρονιζερ φορ Ανςιεντ Γρεϰ. Μαςτερ´ς τηεςις, ϒπςαλα υνιερςιτετ. Τηöρν ῝λελανδ (2025) Αλβιν Τηöρν ῝λελανδ. 2025. Ηιδεν ςηοραλ ςτιμυλι: Τηε ρολε οφ αςεντ ιν τηε ρεφραινς οφ Αριςτοπηανες. Ωινγε (2015) Θοηαν Ωινγε. 2015. Αυτοματις ανοτατιον οφ Λατιν οωελ λενγτη. Μαςτερ´ς τηεςις, ϒπςαλα ϒνιερςιτψ, ϒπςαλα.