Quellen und Lizenzen
Jede Angabe im Wörterbuch kommt aus einer Quelle. Wo ein Sprachmodell etwas dazuschreibt, steht das ausdrücklich dabei. Viele Einträge tragen ihre Herkunft mit, etwa „lexibank:…“ bei den Wortlisten oder „modell“ bei allem, was ein Sprachmodell schrieb. So lässt sich jeder Teil später einzeln finden, nennen oder wieder aussondern.
Woher die Wörter kommen
| Quelle | was sie beiträgt | Lizenz |
|---|---|---|
| Wiktionary (zehn und mehr Sprachausgaben) | Bedeutungen, Formen, Aussprache, Herkunft, Übersetzungstabellen | CC BY-SA |
| Universal Dependencies (englische Baumbanken) | englische Formen mit Grundform, Zeit, Zahl und Steigerung – für den Übersetzer Englisch → Aeronisch (seit 08.10.2026) | je Baumbank, meist CC BY-SA 4.0 |
| WikiPron | Lautschrift in 348 Sprachen | CC BY-SA |
| OpenThesaurus | deutsche Synonyme | LGPL 2.1 oder CC BY-SA 4.0 |
| Leipzig-Korpora | Häufigkeit und Beispielsätze | CC BY |
| Rosetta Swadesh | Grundwortschatz für sehr viele kleine Sprachen | CC BY 3.0 |
| GiellaLT | samische, permische, sibirische und nordamerikanische Sprachen – geprüft und gemessen, 529.231 Einträge für 33 kleine Sprachen, Stand 21. August 2026 noch nicht eingebaut | CC BY 4.0 |
| Dictionaria | Wörterbücher kleiner Sprachen | CC BY 4.0 |
| Apertium | Wortpaare und Bedeutungen | GPL |
| Lexibank, ASJP, Glottolog | Wortlisten und Sprachdaten | – |
| Tatoeba | Beispielsätze | CC BY 2.0 FR |
Wo „–“ steht, ist auf dieser Seite noch keine Lizenz eingetragen – das heißt nicht, dass die Quelle keine hätte. Bei den Leipzig-Korpora kommt es auf die Form an: Die Abzüge zum Herunterladen stehen unter CC BY, der Online-Dienst unter CC BY-NC; eingebaut sind nur die Abzüge. OpenThesaurus lässt die Wahl zwischen zwei freien Lizenzen, das Wörterbuch schreibt CC BY-SA 4.0 an die Einträge. Bei Apertium tragen 74 der 338 Sprachpaare keine eigene Lizenzangabe.
Weitere Quellen im Bestand
| Quelle | was sie beiträgt | Sprachen | Lizenz |
|---|---|---|---|
| ELCat | Gefährdung und Sprecherzahlen | 3.192 | – |
| PHOIBLE | Lautbestände | 2.099 | – |
| Grambank, WALS und sechs weitere | Grammatik-Merkmale | 3.424 | – |
| UniMorph | vollständige Beugungstabellen | 187 | – |
| numeralbank | Zahlwörter | 4.995 | – |
| FrequencyWords | Häufigkeit | 57 | – |
| eBible-Korpus | Sätze, Zeile für Zeile ausgerichtet | 883 | – |
| TeX-Trennmuster | Regeln für die Silbentrennung | 81 | frei |
| Wikidata-Lexeme | Wortpaare, vor allem für kleine Sprachen | – | CC0 |
Sprachen kamen allein durch ASJP dazu
Silbentrennungen aus den TeX-Mustern berechnet
deutsche Wörter aus OpenThesaurus
neue Lautschrift-Einträge aus WikiPron
WikiPron lieferte 4,90 Millionen Lautschriften, aber ohne Betonung. Ein unbedachter Einbau hätte allein für Deutsch 72.901 Doppel angelegt. Nach dem Abgleich ohne Betonungszeichen blieben 222 übrig. Der Gewinn lag bei den dünn besetzten Sprachen: Mandarin wuchs von 280 auf 147.564 Lautschriften, Kantonesisch von 2.800 auf 109.407. Die Lizenz CC BY-SA wird je Sprache mitgeschrieben, nicht pauschal behauptet.
Was bewusst nicht eingebaut ist
Nur für nicht-kommerzielle Nutzung
Quellen unter CC BY-NC bleiben draußen, weil Aerona kommerziell werden soll. Das betraf zum Beispiel eine große Sammlung mit 75 Gebärdensprachen. NC steht für „nicht kommerziell“: Wer so eine Quelle einbaut, dürfte das Ergebnis nie in einem bezahlten Produkt nutzen.
Stattdessen
Freie Alternativen für Gebärdensprachen sind im Wörterbuch-Ordner notiert. Welche es sind und wie groß, steht gleich darunter. Ein eigenes Werkzeug zum Einbauen liegt dort noch nicht.
An der Lizenz gescheitert
Der größte verlorene Fund
Die Sammlung mit 75 Gebärdensprachen heißt SignBank+. Sie hätte 32 bisher leeren Sprachen zusammen 55.183 Gebärden gebracht. Insgesamt führt sie 257.801 Einträge. Gescheitert ist sie allein an der Lizenz CC BY-NC.
Die notierten Alternativen
Sign-WordNet der Universität Hamburg mit 14.028 Gebärden in 8 Sprachen, samt Verknüpfung der Bedeutungen. Dazu die DGS-Korpus-Typenliste mit 14.064 deutschen Gebärden. Beide sind als frei notiert, aber noch nicht eingebaut.
Kommerziell ausgeschlossen
Auch Kinbank mit 210.903 Verwandtschaftsbegriffen, CEFRLex, SUBTLEX und MUSE bleiben draußen. Ihre Lizenz schließt kommerzielle Nutzung aus. Für Niveaustufen von A1 bis C2 heißt das: Frei gibt es sie nur für Englisch und Schwedisch.
Keine bearbeiteten Fassungen
ICD-11 steht unter CC BY-ND. Bearbeitete Fassungen dürfen damit nicht weitergegeben werden – für ein Wörterbuch ist das unbrauchbar. Ein Wörterbuch ordnet jeden Eintrag neu ein, und genau das wäre eine Bearbeitung. Die anderen großen Medizin-Sammlungen verlangen eine eigene Lizenz oder ein Abo.
Falsche Etiketten
Eine Sammlung mit 864 Wörterbüchern trägt nachweislich falsche Lizenzangaben. Bekannte Verlagswerke wie Oxford, Longman oder Larousse stehen dort als „GPL“, also als frei. Belastbar frei blieben rund 200, davon etwa 15 bis 20 für das Wörterbuch neu.
Nur zum eigenen Lernen
Lernkarten aus Anki sind unbrauchbar. Die Bedingungen erlauben nur eigenes Lernen, und jeder Stapel hat eine eigene Rechtslage. Im Dateiformat steht weder Sprachcode noch Lizenz.
Wie gesucht wurde
Die Quellensuche lief in vier Runden mit fünfzehn Agenten und gilt als abgeschlossen. Gesucht wurde nicht zufällig, sondern entlang von vier Achsen. Alles Geprüfte steht in einer Notiz im Wörterbuch-Ordner, samt Grund, warum es genommen oder verworfen wurde.
- Nach Datenart. Wörter, Bedeutungen, Aussprache, Formen, Sätze, Grammatik, Schrift und Häufigkeit. Dazu Verwandtschaft, Namen, Gebärden und Ton.
- Nach Anbieter. GitHub-Organisationen, HuggingFace, Zenodo und Universitäten. Allein bei Zenodo wurden 1.648 Datensätze geprüft – keiner nannte eine bisher leere Sprache.
- Nach Weltgegend. Für Sprachen ohne Einträge gezielt regionale Archive. Was inhaltlich gepasst hätte, war meist zugangsbeschränkt: vier Anfragen, keine einzige Datei zum Herunterladen.
- Nach Sprache der Quelle. Nicht nur englischsprachige Portale. Am Anfang war die Suche fast nur westlich – die Notiz nennt das selbst als Schwäche.
„Datei vorhanden ≠ Datei gefüllt.“
Merksatz aus der Quellensuche des Aerona-Wörterbuchs
Anlass war eine Meldung, eine Quelle fülle 429 leere Sprachen. Nachgemessen hatte keine von 21 geprüften Dateien Inhalt – nur die Kopfzeile. Seither wird jede Zahl aus einem Verzeichnis gegengeprüft, bevor sie weitergegeben wird.
Was ein Sprachmodell dazuschreibt
Nur für Lücken im Kern
Wo bei den häufigsten Wörtern nach allen Quellen noch etwas fehlt – eine deutsche Bedeutung, eine Aussprache, eine Übersetzung –, schreibt ein Sprachmodell die Antwort in kleinen Paketen. Angefangen hat das bei Deutsch, dann kam Polnisch dazu. Seit dem 19. September 2026 läuft es auch für die übrigen 82 Sprachen der Webseite.
Immer gekennzeichnet
Jede solche Angabe trägt die Quelle „modell“. So lässt sie sich jederzeit finden, prüfen und wieder entfernen. Vor dem Einbau liest eine Prüfung jede Antwortdatei und lehnt etwa Fragezeichen oder englische Reste ab.
Lieber leer als erfunden
Namen, unbekannte Orte, Beugungsformen und Unbelegtes bekommen bewusst keine Antwort. Unsicheres wird mit „vermutlich“ markiert. Bei den kleinen Sprachen fehlt noch die Gegenprobe durch Muttersprachler – das steht offen im Arbeitsauftrag des Wörterbuchs.
Nachkorrigiert
Fehler aus den Paketen werden einzeln korrigiert, wenn sie auffallen – etwa „ungefährdet“, das im Niederländischen erst als „harmlos“ übersetzt war und zu „buiten gevaar“ korrigiert wurde. Wie viel so entsteht, zeigt Deutsch: In der zweiten Runde kamen am 24. September 2026 122.979 Wortpaare dazu.
