Как работает GEO на хинди?

Хинди — третий по числу говорящих язык мира (более 600 млн человек по данным Ethnologue), но на нём написано меньше 0,1% сайтов. Ни у одного другого языка, с которым мы работаем, перекос между числом говорящих и объёмом контента и близко не такой сильный: 0,4% интернета на иврите приходятся примерно на девять миллионов говорящих, а на крошечную долю хинди — 600 млн. Когда ассистент составляет ответ на хинди, выбирать ему почти не из чего: коммерческих текстов на хинди в интернете меньше, чем на большинстве других языков.

Из-за этого меняется и то, кого цитируют. Ассистенты либо опираются на горстку структурированных источников на хинди, либо берут английские страницы и переводят на лету. Поэтому те немногие источники, изначально написанные на хинди и ясно отвечающие на вопрос, цитируют снова и снова. В английских нишах с сильной конкуренцией место в цитированиях завоёвывают месяцами работы над подтверждением со стороны. На хинди одна хорошо структурированная страница может получить его почти без конкуренции.

Этот гайд — языковое дополнение к нашему гайду о рынке Индии, который разбирает сам рынок: число пользователей, промпты по крупным городам, чувствительность к цене. Здесь мы говорим только о языке: что деванагари делает с байтами и токенами, как хинглиш ведёт себя при поиске источников и почему работа над тем, как ассистенты опознают бренд на хинди, окупается и за пределами Индии.

У деванагари есть техническая цена, которую большинство команд не замечает. В UTF-8 символ деванагари занимает три байта, а символ латиницы — один. Но тексты на хинди короче и сохраняют латинские названия и цифры, поэтому на практике те же гайды весят примерно вдвое больше английских (1,7 МБ против 0,84 МБ на нашем сайте, октябрь 2026 года). Это сказывается на бюджете обхода и на машиночитаемых экспортах. На нашем сайте экспорт llms-full на хинди первым превысил лимит размера (с тех пор лимит вырос со 100 КБ до 2 МБ). А всё, что обрезает текст по числу байтов, первым обрезает хинди.

Токенизация усугубляет проблему. Токенизаторы крупных моделей обучены в основном на английском и других языках на латинице, поэтому дробят предложение на деванагари на гораздо больше токенов. В исследовании о том, насколько одинаково токенизаторы обходятся с разными языками, разрыв на одном и том же тексте доходил до 15 раз. На практике в контекстное окно помещается меньше хинди, фрагменты, которые ассистент достаёт со страницы, обрываются раньше, а многословные страницы теряют главные утверждения при обрезке.

Делайте фрагменты короткими и самодостаточными, а название бренда и главный факт ставьте ближе к началу. Формулировки держите одинаковыми, а заголовки стройте по вопросам читателей. Прямые ответы нужны на любом языке, но на хинди токены обходятся дороже, поэтому сжатая структура здесь особенно полезна.

Значительная доля реальных промптов на хинди обходится без деванагари. Пользователи пишут по грамматике хинди, но латиницей, и вставляют посреди фразы английские коммерческие слова: названия брендов, категории, «best», «price». Такое смешение языков настолько устойчиво, что исследователи NLP построили на нём бенчмарк (GLUECoS, где английский с хинди составляют одну из двух языковых пар). При поиске источников вопрос на деванагари, на хинглише и на английском — три разные формулировки, и по каждой ассистент находит свои источники.

У хинглиша нет стандартной орфографии: одно слово пишут как «accha», «acha» или «achha», так же разнятся «kaise» и «kese», «zyada» и «jyada». Отдельный сайт на хинглише мы не советуем. Там, где это уместно, указывайте на страницах на хинди бренд и категорию в обеих письменностях. Затем отдельно проверьте промпты на хинглише: находят ли по ним эти страницы.

Модель должна понять, что бренд на деванагари и бренд латиницей — одна сущность. Иначе цитирования делятся между двумя наполовину известными названиями, и ни одно не набирает авторитета. Поэтому обе формы нужно заявить намеренно: в структурированных данных указать альтернативные названия, в профилях писать оба варианта, а на страницах на хинди ставить латинское название рядом с названием на деванагари. Связь между ними не стоит оставлять на волю случая. Источники на хинди по привычке смешивают письменности посреди фразы, и это работает на вас, если ваши собственные страницы первыми закрепят каноническую пару.

Работа на хинди нужна и читателям за пределами Индии. Жители ОАЭ, США и Великобритании задают ассистентам вопросы на хинди. Наш гайд о Дубае включает хинди, потому что индийская община — крупнейшая группа населения Эмиратов. Одна полезная страница на хинди может работать на клиентов и в Лакхнау, и в Дубае, то есть сразу на несколько рынков.

Хинди — не ставка на будущее: ответы на нём доступны уже сейчас. Google запустил AI Overviews в Индии в августе 2024 года сразу на английском и хинди и добавил переключатель языка, который представил как функцию, впервые появившуюся именно в Индии. ChatGPT, Perplexity и Gemini уже сегодня отвечают на промпты на хинди и хинглише. Источников мало, и большинство брендов этого ещё не заметили. В этом сочетании и состоит вся возможность.

Хинди входит в девять языков, на которых мы пишем как носители, и измеряем его так же, как остальные. Набор промптов для каждого языка фиксируем в первый же день. Прогоны идут в ChatGPT, Perplexity и Gemini, в чистых сессиях без входа в аккаунт. Долю голоса и долю цитирований отслеживаем от исходного замера, сделанного в тот же первый день. Метод мы сначала опробовали на собственном сайте: скриншоты без правок собраны в публичном кейсе, и хинди там прямо назван среди подтверждённых возможностей.