door Heb je ooit geprobeerd een medisch consult uit te schrijven en gemerkt dat een vakterm werd omgezet in iets dat er totaal niets mee te maken had? Vaktermen uit het Domain-domein vormen een van de grootste uitdagingen bij geautomatiseerde transcriptie en taalverwerking.
Bij het vergelijken van GPT-NeoX en GPT-5 moet echter een belangrijk onderscheid worden gemaakt: noch GPT-NeoX-20B, noch het standaard GPT-5 API-model is op zichzelf een spraak-naar-tekst-model. GPT-NeoX-20B is een autoregressief taalmodel, terwijl het GPT-5 API-model van OpenAI wel tekst- en afbeeldingsinvoer ondersteunt, maar geen audio-invoer. In een transcriptiewerkstroom zijn deze modellen daarom relevanter voor wat er gebeurt nadat spraak is omgezet in tekst: het corrigeren van terminologie, het interpreteren van de context, het standaardiseren van woordgebruik, het samenvatten van transcripties, het extraheren van informatie en het omzetten van gespecialiseerde inhoud.
Welke leent zich dan beter voor medische terminologie, juridische taal, wetenschappelijke woordenschat, productnamen, afkortingen en ander vakjargon?
Het antwoord hangt ervan af wat je onder “aanpassen” verstaat.”
GPT-5 biedt direct uit de doos betere redeneer- en promptmogelijkheden en een betere aanpassing aan de context, zonder dat teams hun eigen model hoeven te train. GPT-NeoX biedt veel meer controle over het onderliggende model, inclusief toegang tot gewichten en de mogelijkheid om het model te trainen of te verfijnen op basis van eigen domeingegevens.
Voor de meeste teams die praktische transcriptieworkflows opzetten, is echter geen van beide benaderingen een volwaardige vervanging voor een transcriptieplatform met ingebouwde spraakherkenningsfuncties, zoals aangepaste woordenboeken. De geautomatiseerde transcriptie van Sonix, past bijvoorbeeld al tijdens het daadwerkelijke transcriptieproces gespecialiseerde terminologie toe, in plaats van te blijven waiten totdat een LLM de voltooide tekst te zien krijgt.
Belangrijkste opmerkingen
- GPT-NeoX en GPT-5 zijn taalmodellen en geen directe vervangingen voor gespecialiseerde spraak-naar-tekst-systemen
- GPT-5 is over het algemeen beter in staat om zich aan te passen aan onbekende vaktaal aan de hand van instructies, voorbeelden, de omringende context en redeneringen
- GPT-NeoX biedt meer controle op modelniveau, omdat de code en de modelgewichten openbaar beschikbaar zijn en kunnen worden getraind of verfijnd
- GPT-5 ondersteunt momenteel geen fine-tuning via de OpenAI-API, dus de aanpassing van domain is voornamelijk afhankelijk van prompts, context, het ophalen van informatie en workflows op applicatieniveau
- GPT-NeoX kan worden getraind of verfijnd op basis van aangepaste datasets, waardoor het aantrekkelijk is voor organisaties die volledige controle willen hebben over een gespecialiseerd model
- Dankzij het contextvenster van 400.000 tokens van GPT-5 is het mogelijk om in een verzoek uitgebreide woordenlijsten, referentiedocumenten, voorbeelden en domain-context op te nemen
- Geen van beide modellen mag worden beschouwd als de primaire spraakherkenningslaag in een transcriptiesysteem
- Voor terminologie die op basis van audio correct moet worden herkend, zijn ingebouwde transcriptiefuncties zoals aangepaste woordenboeken het probleem in een vroeger stadium van de workflow kan aanpakken
Wat zijn GPT-NeoX en GPT-5?
Hoewel hun namen op elkaar lijken, zijn GPT-NeoX en GPT-5 gebaseerd op heel verschillende ontwikkelings- en implementatiemodellen.
GPT-NeoX
GPT-NeoX is het framework van EleutherAI voor het trainen van grootschalige autoregressieve taalmodellen. Het bekendste model dat hiermee wordt geassocieerd, is GPT-NeoX-20B, een model met 20 miljard parameters dat is getraind op The Pile.
EleutherAI heeft de modelgewichten samen met de trainings- en evaluatiecode vrijgegeven. Het GPT-NeoX-framework ondersteunt gedistribueerde training, aangepaste datasets, training en fine-tuning, en interoperabiliteit met tools zoals Hugging Face Transformers.
Die openheid is het grootste voordeel van GPT-NeoX bij de aanpassing van domain. Een organisatie die beschikt over de infrastructuur en de expertise op het gebied van machine learning kan een model blijven trainen of verfijnen met behulp van gespecialiseerd materiaal uit vakgebieden zoals geneeskunde, recht, techniek, financiën of wetenschappelijk onderzoek.
GPT-5
GPT-5 is een redeneringsmodel van OpenAI dat wordt aangeboden via het gehoste platform van OpenAI, en niet in de vorm van downloadbare modelgewichten.
Het GPT-5 API-model biedt instelbare redeneringsinspanning, het aanroepen van functies, gestructureerde uitvoer en een contextvenster van 400.000 tokens. OpenAI maakt het aantal parameters van GPT-5, de volledige trainingsdataset of voldoende architecturale details niet openbaar om een directe, laag-voor-laag architecturale vergelijking met GPT-NeoX-20B te kunnen maken.
De kracht van GPT-5 ligt dan ook niet in de mogelijkheid voor de gebruiker om de onderliggende gewichten te beïnvloeden. Het is juist het vermogen om te werken met gedetailleerde instructies, voorbeelden, contextuele informatie, hulpmiddelen en grote hoeveelheden ondersteunende tekst.
Dat verschil is bepalend voor vrijwel elk aspect van de aanpassing van domain.
Architectuur: Open Control versus Hosted Intelligence
GPT-NeoX biedt ontwikkelaars aanzienlijk meer inzicht in en controle over de modelarchitectuur.
Het GPT-NeoX-framework is ontwikkeld voor het trainen van grote autoregressieve transformermodellen en ondersteunt technologieën zoals gedistribueerd trainen, ZeRO-optimalisatie, diverse vormen van parallellisme, roterende en ALiBi-positie-embeddings, Flash Attention en andere configureerbare architecturale kenmerken.
GPT-NeoX-20B is een compact autoregressief taalmodel met 20 miljard parameters, getraind op The Pile. De gewichten ervan zijn openbaar beschikbaar.
GPT-5 hanteert een tegenovergestelde aanpak. OpenAI biedt het model aan als een beheerde dienst en geeft ontwikkelaars de mogelijkheid om te bepalen hoe het model wordt gebruikt, in plaats van toegang te verlenen tot de onderliggende gewichten.
Dat betekent dat teams in de praktijk geen bewering kunnen doen zoals “GPT-5 maakt gebruik van architectuur X, terwijl GPT-NeoX gebruikmaakt van architectuur Y”, tenzij OpenAI de relevante architectuurdetails van GPT-5 openbaar heeft gemaakt.
Wat betreft de aanpassing van domain is het praktische onderscheid eenvoudiger:
Met GPT-NeoX kun je het model aanpassen. Met GPT-5 kun je de context rondom het model uitgebreid beïnvloeden.
Fijnafstemming: GPT-NeoX heeft een duidelijk voordeel
Op het gebied van fijnafstemming ligt het grootste voordeel van GPT-NeoX voor zeer gespecialiseerde toepassingen.
Het GPT-NeoX-framework van EleutherAI biedt expliciete ondersteuning voor zowel training als fine-tuning. Omdat organisaties toegang hebben tot de modelgewichten en de trainingsinfrastructuur, kunnen ze een model blijven trainen op een gespecialiseerd corpus of een model ontwikkelen op basis van domeinspecifieke gegevens.
Een biomedische organisatie zou bijvoorbeeld train kunnen toepassen op medische literatuur en terminologie waarvoor de juiste licenties zijn verkregen. Een fabrikant van technische producten zou documentatie kunnen opnemen die interne onderdeelnamen, technische afkortingen en productterminologie bevat.
Een dergelijke mate van aanpassing op modelniveau is niet mogelijk met het standaard GPT-5 API-model.
In de huidige GPT-5-documentatie van OpenAI wordt het volgende vermeld: fijnafstemming wordt niet ondersteund voor GPT-5.
Dit betekent niet dat GPT-5 zich niet kan aanpassen aan gespecialiseerde domains. Het betekent dat die aanpassing op een andere manier verloopt.
In plaats van de gewichten van GPT-5 aan te passen, kunnen ontwikkelaars tijdens de inferentiefase terminologie, referentiemateriaal, voorbeelden, instructies, opgehaalde documenten en andere context aanleveren.
Voor een organisatie die absoluut een model nodig heeft dat is getraind op haar eigen corpus, biedt GPT-NeoX daarom aanzienlijk meer controle.
Voor een organisatie die domain-bewuste prestaties wil zonder een training-stack voor grote modellen te hoeven beheren, biedt GPT-5 de eenvoudigste oplossing.
Vraag: De grootste kracht van GPT-5 op het gebied van Domain-aanpassing
Veel problemen met gespecialiseerde terminologie hoeven eigenlijk niet te worden bijgesteld.
Stel je een transcript voor dat afkortingen bevat zoals:
- LVEF
- CABG
- NSTEMI
- EBITDA
- FRCP
- Kubernetes CRD
Als het model duidelijke instructies krijgt over de domain, een woordenlijst met de verwachte terminologie en voldoende context, kan het mogelijk dubbelzinnige tekst correct interpreteren zonder de onderliggende gewichten te wijzigen.
Hier komen de mogelijkheden van GPT-5 op het gebied van prompts goed van pas.
OpenAI heeft GPT-5 ontworpen met verbeterde stuurbaarheid en een configureerbare mate van redenering. De API ondersteunt instellingen voor redenering die variëren van minimaal tot hoog, waardoor ontwikkelaars kunnen aanpassen in hoeverre het model voor een bepaalde taak redeneert.
Ontwikkelaars kunnen daarom prompts maken die GPT-5 het volgende vertellen:
- uit welke sector het transcript afkomstig is
- welke terminologie wordt verwacht
- welke spellingen moeten behouden blijven
- welke afkortingen er kunnen voorkomen
- hoe er met onzekere zinnen moet worden omgegaan
- welke woorden mogen nooit stilzwijgend worden vervangen
- hoe correcties moeten worden opgemaakt
Dit garandeert geen correcte interpretatie, maar maakt wel een aanzienlijke aanpassing van domain mogelijk zonder dat er een apart model hoeft te worden gemaakt.
De GPT-NeoX-20B kan ook ‘few-shot prompting’ uitvoeren. In het oorspronkelijke artikel werd melding gemaakt van bijzonder sterke verbeteringen bij voorbeelden met vijf voorbeelden, in vergelijking met enkele vergelijkbare modellen van vergelijkbare omvang die door de auteurs waren geëvalueerd.
Het verschil is dat GPT-5 een veel modernere gehoste redeneeromgeving biedt, terwijl het belangrijkste voordeel van GPT-NeoX de controle over het trainen is.
Contextvensters zijn belangrijk voor vakjargon
Domain-kennis hoeft niet altijd in het model zelf te zitten.
Soms is de eenvoudigste manier om de omgang met terminologie te verbeteren, simpelweg het model de benodigde informatie te verstrekken.
GPT-5 ondersteunt een Contextvenster van 400.000 tokens, waardoor applicaties naast de te verwerken inhoud ook uitgebreid referentiemateriaal kunnen aanbieden.
Dat biedt nuttige mogelijkheden voor domain-specifieke workflows.
Een juridische toepassing zou relevante contractdefinities kunnen verstrekken voordat het model wordt gevraagd een transcriptie van een getuigenverklaring te analyseren.
Een medische workflow zou een goedgekeurde terminologielijst, namen van zorgverleners, namen van instellingen en afkortingen kunnen verstrekken, voordat het model wordt gevraagd een reeds gegenereerd transcript te normaliseren.
Een technische organisatie zou productdocumentatie en interne terminologie kunnen aanleveren voordat het model wordt gevraagd om technische discussies samen te vatten.
Deze aanpak is vooral nuttig wanneer de woordenschat regelmatig verandert. In plaats van het model telkens opnieuw te trainen wanneer er een nieuw product, medicijn, project of regelgeving verschijnt, kunnen ontwikkelaars het referentiemateriaal dat aan het model wordt aangeleverd, bijwerken.
GPT-NeoX kan ook contextuele informatie krijgen, maar de kracht ervan ligt elders: teams kunnen kennis via aanvullende training in het model zelf inbouwen.
Omgaan met woordenschat: Training is niet hetzelfde als een aangepast woordenboek
Het is belangrijk om de LLM-aanpassing domain niet te verwarren met aangepaste transcriptiewoordenboeken.
Als een geluidsopname de naam van een medicijn bevat die door een automatisch spraakherkenningssysteem verkeerd wordt opgevat, krijgt een LLM alleen de onjuiste transcriptie te zien, tenzij het ook toegang heeft tot de originele geluidsopname via een apart systeem dat geluid kan verwerken.
GPT-5 zelf ondersteunt geen audio in het standaard GPT-5 API-model. Ook GPT-NeoX-20B is in wezen een model voor het genereren van tekst.
Dat betekent dat terminologiecorrectie plaatsvindt op het niveau van het taalmodel na spraakherkenning.
Een aangepast woordenboek voor de inbouwtranscriptie werkt eerder.
Met het aangepaste woordenboek van Sonix kunnen gebruikers bijvoorbeeld woorden en zinsdelen opgeven die van invloed moeten zijn op de oorspronkelijke transcriptie. Sonix beschrijft deze functie expliciet als een manier om de herkenning van door de gebruiker gedefinieerde terminologie tijdens de transcriptie te verbeteren.
Dat onderscheid is van belang.
Als je er in de eerste plaats voor wilt zorgen dat het systeem “hartinfarct” correct herkent, is het aanpassen van de woordenschat voor spraakherkenning relevanter dan een algemeen taalmodel achteraf te vragen om het transcript te herwerken.
Welk model gaat beter om met nieuwe vaktermen?
Er bestaat geen betrouwbare, algemeen geldende maatstaf die aantoont dat GPT-5 of GPT-NeoX een verbetering van een bepaald percentage oplevert voor alle domain-specifieke terminologie.
Maar hun aanpassingsmechanismen wijzen op verschillende sterke punten.
GPT-5 presteert beter wanneer de terminologie als context kan worden opgegeven
Als de applicatie tijdens de uitvoering een woordenlijst, voorbeelden, documenten of instructies kan aanbieden, biedt GPT-5 een praktische manier om gespecialiseerde terminologie te interpreteren zonder dat er een aangepast model hoeft te worden getraind.
Het grote contextvenster is bijzonder handig bij deze werkwijze.
GPT-NeoX is krachtiger wanneer je het model zelf moet aanpassen
Omdat het GPT-NeoX-framework en de gewichten geschikt zijn voor training en fine-tuning, kunnen organisaties domeinaanpassing rechtstreeks in het model inbouwen.
Dat brengt een aanzienlijke operationele last met zich mee. In de documentatie van EleutherAI zelf wordt opgemerkt dat GPT-NeoX sterk is geoptimaliseerd voor het trainen van grote modellen, en wordt gesteld dat gebruikers die niet van plan zijn om modellen met miljarden parameters helemaal vanaf nul te trainen, over het algemeen beter af zijn met andere tools voor inferentie.
Meer controle betekent dus niet per se dat de implementatie eenvoudiger wordt.
Avai-geschiktheid en implementatie
De twee benaderingen verschillen ook aanzienlijk wat betreft de infrastructuur.
GPT-NeoX kan zelf worden gehost. Organisaties hebben toegang tot de broncode en de modelgewichten en kunnen zelf bepalen hoe en waar het model wordt uitgevoerd. Het framework ondersteunt grootschalige implementaties in GPU- en high-performance-computing-omgevingen.
Dat kan aantrekkelijk zijn wanneer:
- zelfhosting is vereist
- teams hebben directe toegang tot de modelgewichten nodig
- onderzoekers willen de architectuur aanpassen
- organisaties hebben op maat gemaakte opleidingen nodig
- de beheersbaarheid van de infrastructuur is belangrijker dan het gebruiksgemak bij de implementatie
GPT-5 is toegankelijk via de API van OpenAI. Ontwikkelaars hoeven zich niet bezig te houden met de modelgewichten of de trainingsinfrastructuur.
Dat kan aantrekkelijk zijn wanneer:
- teams willen snel aan de slag gaan
- gespecialiseerde kennis kan worden aangereikt via aanwijzingen of het ophalen van informatie
- maintaining GPU-infrastructuur is niet wenselijk
- geavanceerd redeneren is belangrijker dan het bezit van een model
- toepassingen hebben gestructureerde uitvoer of het aanroepen van tools nodig
Er is dus geen enkele winnaar op het gebied van availability.
GPT-NeoX biedt eigendom en zeggenschap.
GPT-5 biedt gecontroleerde toegang en lagere infrastructuurkosten.
Waar passen ze in een transcriptiewerkstroom?
Voor transcriptie is de meest effectieve aanpak meestal niet “audio naar GPT-NeoX sturen” of “audio naar GPT-5 sturen”.”
Bekijk de workflow in plaats daarvan in lagen.
Laag 1: Spraakherkenning
De audio wordt omgezet in tekst met behulp van een transcriptiesysteem dat is ontworpen voor spraakherkenning.
Laag 2: Aanpassing van de woordenschat
Aangepaste woordenboeken of gespecialiseerde transcriptiemodellen verbeteren de herkenning van belangrijke terminologie tijdens het transcriptieproces.
Laag 3: Verwerking door het taalmodel
Een taalmodel kan vervolgens de verkregen transcriptie opschonen, ordenen, analyseren, samenvatten, classificeren of er informatie uit halen.
Dit is de laag waarin een van GPT-NeoX afgeleid model of GPT-5 een rol kan gaan spelen.
Nadat er bijvoorbeeld een medisch transcript is gegenereerd, kan een taalmodel helpen bij het identificeren van verschillende delen, het samenvatten van de bespreking of het standaardiseren van de opmaak.
Nadat een getuigenverklaring is uitgeschreven, kan een LLM verwijzingen naar specifieke contractbepalingen in kaart brengen of de paragrafen per onderwerp ordenen.
Na een technische vergadering kunnen er actiepunten uit worden gehaald of onbekende terminologie worden uitgelegd.
Het belangrijkste is dat nabewerking kan geen betrouwbare vervanging zijn voor het vanaf het begin correct opstellen van de transcriptie.
De rol van Sonix bij de Domain-specifieke transcriptie
Sonix werkt op transcribatieniveau, in plaats van gebruikers te vragen hun eigen taalmodel te bouwen en te hosten.
Sonix ondersteunt momenteel geautomatiseerde transcriptie in meer dan 54 talen en geeft aan dat het systeem bij heldere opnames een nauwkeurigheid tot 99% kan behalen, waarbij de nauwkeurigheid afhankelijk is van factoren zoals geluidskwaliteit, achtergrondgeluid en de verstaanbaarheid van de spreker. Sonix stelt dat ongeveer een uur aan materiaal doorgaans in zo’n vijf minuten kan worden getranscribeerd.
Voor gespecialiseerde terminologie kunnen gebruikers via het aangepaste woordenboek van Sonix woorden en zinsdelen invoeren die van invloed zijn op de oorspronkelijke transcriptie zelf.
Dat leidt tot een ander soort domain-aanpassing dan bij GPT-NeoX of GPT-5.
Met GPT-NeoX kun je het taalmodel mogelijk retrain of verder verfijnen.
Met GPT-5 kun je bij het verwerken van tekst gespecialiseerde terminologie en context opgeven.
Met Sonix kun je gespecialiseerde terminologie aanleveren om het spraakherkenningssysteem te helpen bij het genereren van het transcript.
Voor teams waarvan het grootste probleem is dat “er in onze transcripties steeds belangrijke technische termen verkeerd worden weergegeven”, is het vaak de meest directe aanpak om het probleem op transcriptiemogelijkheidsniveau op te lossen.
GPT-NeoX versus GPT-5: welke past zich eigenlijk beter aan?
Het antwoord hangt af van het soort aanpassing dat u nodig hebt.
Kies voor de GPT-NeoX-aanpak wanneer maatwerk op modelniveau het belangrijkst is.
Dankzij de open data en het trainingsraamwerk hebben technische teams de vrijheid om modellen te trainen of te verfijnen met gespecialiseerde datasets. Dat maakt het platform waardevol voor onderzoeksgroepen, organisaties met een krachtige ML-infrastructuur of projecten waarbij zelfhosting en controle essentiële vereisten zijn.
Kies voor de GPT-5-aanpak wanneer je een krachtige aanpassing van domain nodig hebt zonder je eigen model te maintainen.
GPT-5 kan werken met uitgebreide instructies, voorbeelden, referentiemateriaal en opgehaalde context. Dankzij het grote contextvenster is het praktisch om uitgebreide domain-informatie aan te leveren bij het verwerken van transcripties of andere gespecialiseerde documenten. Het finetunen van het GPT-5 API-model zelf wordt momenteel niet ondersteund.
Kies voor een speciaal transcribatiesysteem wanneer het probleem bij de audio ligt.
Als gespecialiseerde terminologie nauwkeurig uit gesproken tekst moet worden herkend, is een transcriptiespecifieke functie zoals die van Sonix Aangepast woordenboek richt zich op de terminologie tijdens het transcriberen, in plaats van achteraf fouten te proberen te corrigeren.
In de praktijk kunnen deze technologieën elkaar aanvullen.
Het transcriptieplatform zet spraak om in nauwkeurige tekst met tijdstempels. De Domain-specifieke woordenschat zorgt voor een verbetering van het eerste transcript. Vervolgens helpen taalmodellen teams om die inhoud te begrijpen, te ordenen, samen te vatten en voor andere doeleinden te gebruiken.
Veelgestelde vragen
Is GPT-5 beter dan GPT-NeoX voor domain-specifieke vaktaal?
Voor direct bruikbaar taalbegrip en aanpassing via prompts, voorbeelden en contextuele documenten is GPT-5 over het algemeen de praktischer keuze. GPT-NeoX heeft een ander voordeel: ontwikkelaars hebben toegang tot het trainingsframework en de modelgewichten, waardoor ze modellen kunnen trainen of verfijnen op domeinspecifieke gegevens. Welke aanpak beter is, hangt daarom af van de vraag of u contextuele aanpassing tijdens de uitvoering nodig hebt of directe controle over het trainen van het model.
Kan GPT-NeoX worden afgestemd op medische of juridische terminologie?
Ja. Het GPT-NeoX-framework van EleutherAI ondersteunt training en fine-tuning op basis van aangepaste gegevens. Een organisatie die beschikt over geschikte datasets, de benodigde computerinfrastructuur en expertise op het gebied van machine learning kan daarom een op GPT-NeoX gebaseerd model aanpassen aan gespecialiseerde terminologie. De kwaliteit van het resulterende systeem hangt af van de gegevens, de trainingsmethodologie, het evaluatieproces en de implementatieconfiguratie.
Kan GPT-5 worden afgestemd op gespecialiseerde terminologie?
In het standaard GPT-5 API-model wordt ’fine-tuning’ momenteel vermeld als niet-ondersteund. Ontwikkelaars kunnen het gedrag van GPT-5 in plaats daarvan aanpassen door gedetailleerde instructies, voorbeelden, woordenlijsten, opgehaalde documenten en andere contextuele informatie aan te leveren. GPT-5 ondersteunt een contextvenster van 400.000 tokens, waardoor applicaties ruimschoots de ruimte hebben voor referentiemateriaal.
Kunnen GPT-5 of GPT-NeoX audio rechtstreeks transcriberen?
Het standaard GPT-5 API-model ondersteunt geen audio-invoer, en GPT-NeoX-20B is een autoregressief taalmodel en geen specifiek model voor spraakherkenning. Gebruik voor audiotranscriptie een systeem dat is ontworpen voor spraak-naar-tekst en maak vervolgens gebruik van een LLM wanneer aanvullende tekstanalyse, correctie, samenvatting of extractie nodig is.
Heb ik een LLM nodig om de technische terminologie in transcripties te verbeteren?
Niet per se. Als het probleem is dat vaktermen in de audio verkeerd worden herkend, kan een transcriptieplatform met de mogelijkheid om de woordenschat aan te passen dit probleem al in een vroeger stadium oplossen. Met het ‘Custom Dictionary’ van Sonix kunnen door de gebruiker gedefinieerde termen bijvoorbeeld de oorspronkelijke transcriptie beïnvloeden. Een LLM komt pas echt van pas na de transcriptie, wanneer je contextuele interpretatie, opschoning, analyse, samenvatting of transformatie van de tekst nodig hebt.
Krijg nauwkeurige transcriptie in enkele minuten
Begin met slimmer transcriberen. Probeer Sonix gratis uit of bekijk onze prijzen om het juiste plan voor jou te vinden.
NL 
EN 
ES 
DE 
FR 
RU 
PT 
ZH 
TR 
DA