RAÍZ: A Hybrid Architecture Based on Linguistic Knowledge and Deep Learning for the Machine Translation of Low-Resource Indigenous Languages
Abstract
Indigenous languages continue to experience significant technological marginalisation due to limited digital corpora, orthographic inconsistency, dialectal variation, morphological complexity, and insufficient representation in contemporary natural language processing systems. This study introduces RAÍZ, a hybrid machine translation architecture designed for low-resource Indigenous languages. The proposed framework combines Transformer-based multilingual modelling with linguistically informed components, including phonetic normalisation, morphological segmentation, semantic contextualisation, lexical retrieval mechanisms, and community-centred validation procedures involving native speakers. The architecture was evaluated using Spanish–Nahuatl and Spanish–Mazahua translation tasks through a mixed evaluation strategy integrating BLEU, chrF, and COMET metrics alongside qualitative assessment focused on clarity, naturalness, semantic fidelity, and cultural appropriateness. Experimental results indicate that RAÍZ achieved 28.6 BLEU, 56.8 chrF, and 74% COMET in the Spanish–Nahuatl task, while obtaining 27.4 BLEU, 54.9 chrF, and 71% COMET for Spanish–Mazahua translation. The findings suggest that hybrid and linguistically grounded approaches can improve translation robustness in low-resource settings while supporting culturally sensitive language technologies. The study further highlights the importance of combining neural architectures with community participation and explicit linguistic knowledge in the development of more inclusive machine translation systems for Indigenous languages. Spanish-language metadata / Metadatos en españolTítulo en español:RAÍZ: Una arquitectura híbrida basada en conocimiento lingüístico y aprendizaje profundo para la traducción automática de lenguas indígenas con pocos recursos Resumen:Las lenguas indígenas continúan experimentando una importante marginación tecnológica debido a la disponibilidad limitada de corpus digitales, la inconsistencia ortográfica, la variación dialectal, la complejidad morfológica y su insuficiente representación en los sistemas contemporáneos de procesamiento del lenguaje natural. Este estudio presenta RAÍZ, una arquitectura híbrida de traducción automática diseñada para lenguas indígenas con pocos recursos. El marco propuesto combina modelado multilingüe basado en Transformers con componentes fundamentados en conocimiento lingüístico, entre ellos la normalización fonética, la segmentación morfológica, la contextualización semántica, mecanismos de recuperación léxica y procedimientos de validación centrados en la comunidad con participación de hablantes nativos. La arquitectura se evaluó mediante tareas de traducción español–náhuatl y español–mazahua, utilizando una estrategia de evaluación mixta que integró las métricas BLEU, chrF y COMET con una evaluación cualitativa centrada en la claridad, naturalidad, fidelidad semántica y adecuación cultural. Los resultados experimentales indican que RAÍZ alcanzó 28,6 BLEU, 56,8 chrF y 74 % COMET en la tarea español–náhuatl, mientras que para la traducción español–mazahua obtuvo 27,4 BLEU, 54,9 chrF y 71 % COMET. Los hallazgos sugieren que los enfoques híbridos con fundamento lingüístico pueden mejorar la robustez de la traducción en contextos de bajos recursos y, al mismo tiempo, favorecer el desarrollo de tecnologías lingüísticas culturalmente sensibles. El estudio también destaca la importancia de combinar arquitecturas neuronales con la participación comunitaria y el conocimiento lingüístico explícito para desarrollar sistemas de traducción automática más inclusivos destinados a las lenguas indígenas. Palabras Claves:traducción de lenguas indígenas, PLN de bajos recursos, arquitectura neuronal híbrida, Transformers multilingües, preprocesamiento lingüístico, validación basada en la comunidad, inteligencia artificial con fundamento cultural Smart citations: SciteAI. Dimensions.Open Alex.