Corpus téléchargeables librement | Freely downloadable corpora |
Le socle législatif de l'Union européenne
Types : Institutionnel, juridique
Taille : environ 6 300 000 mots par langue
Langues : 20 langues officielles de l'UE (cs da de el en es et fi fr hu it lt lv mt nl pl pt ro sk sl sv).
Traitements : Sentence segmentation. Alignement.
Format : XCES Une mémoire de traduction tirée de ce corpus. 22 langues
231 paires de langues
Format: TMX version 1 | The EU law corpus
Types : Institutional, legal
Taille : around 6,300,000 words per language
Langues : 20 EU official languages officielles (cs da de el en es et fi fr hu it lt lv mt nl pl pt ro sk sl sv).
Processing : Sentence segmentation. Aligning.
Format : XCES A MT extracted from this corpus. 22 languages
231 language pairs
Format: TMX version 1
|
Types : Institutionnel, technique, scientifique, littéraire.
Taille : 400 000 mots dans chaque langue.
Langues : en fr
Traitements : Segmentation en phrases. Alignement. | Types: Institutional, technical, scientific, litterary.
Size : 400,000 words per language.
Languages : en fr
Processing : Sentence segmentation. Aligning. |
Corpus CARMEL (lien périmé : bientôt disponible sur ce site) Classiques du récit de voyage (XIXe - début XXe)
Type : Littéraire
Taille :36 ouvrages, 10 000 000 de mots.
Langues : en es fr it
Traitements : Segmentation en phrases et tokens. Etiquetage mlorphosyntaxique et lemmatisation. Désambiguïsation sémantique. Identification thématique. | Corpus CARMEL (outdated link : soon availabe on this website) Classics of travel story from 19th to early 20th.
Type : Litterary
Size : 36 works, 10,000,000 words.
Languages : en es fr it
Processing : Sentence segmentation and tokenization.
POS tagging and lemmatization. WSD, thematic identification. |
Type : Technique
Domaine : Télécommunications
Taille : 1 000 000 mots
Langues : en fr es
Traitements : Etiquetage des parties du discours. Alignement. | Type : Technical
Domain : Telecommunications
Size : 1,000,000 words
Languages : en fr es
Processing : POS tagging. Aligning. |
| Taille : 1 000 000 mots
Langues : en sl
Traitements : Segmentation en phrases, en tokens. Etiquetage morpho (Multext East tags). Alignement.
Format : standard TMX (Translation Memory Exchange) - XML/TEI P4 | Size : 1,000,000 words
Languages : en sl
Processing : Sentence segmentation, tokenizations. Morphosyntactic tagging (Multext East tags). Aligning.
Format : standard TMX (Translation Memory Exchange) - XML/TEI P4 |
Type : Legislatif. Taille: - et-en = 1,7 millions de tokens en estonien, 2,9 millions de tokens en anglais.
- en-et = 2,6 + 0,7 millions de tokens en estonien, 3,9 + 1,0 million de tokens en anglais.
| Type : Legal texts. Size : - et-en = 1.7 million tokens in Estonian, 2.9 million tokens in English.
- en-et = 2.6 + 0.7 million tokens in Estonian, 3.9 + 1.0 million tokens in English.
|
| Types : technique, institutionnel.
Traitements : Segmentation en phrases, en tokens. Alignement.
Format : XCES
Description :
- EUconst, Le projet de constitution de l'UE (21 langues).
- Europarl, Comptes rendus du Parlement européen 1996-2003 (11 langues).
- Documentation Open Office (6 langues : de en es fr jp sv). Etiquetage des parties du discours.
- Manuel de PHP (21 langues).
- Messages System de KDE (60 langues!).
- Manuel de KDE (24 langues). | Types : technical, institutional.
Processing : Sentence segmentation, tokenization. Aligning.
Format : XCES
Description :
- EUconst, the EU constitution project (21 languages).
- Europarl, European Parliament Proceedings 1996-2003 (11 languages).
- Open Office Documentation (6 languages : de en es fr jp sv). POS tagged.
- PHP Manual (21 languages).
- KDE System Messages (60 languages!).
- KDE Manual (24 languages). |
| Débats et directives du parlement européen
Type : institutionnel
Langues : da de en es fi fr it nl pl pt
Traitements : Segmentation en paragraphes et phrases. Alignement. | Debates and directives from the EU parliament
Type : institutional
Languages : da de en es fi fr it nl pl pt
Processing : Paragraph and sentence segmentation. Aligning. |
| Type : journalistique
Langues : bg bs el en hr mk ro sq sr tr
Taille : Approx. 9 500 paragraphes alignés, ~100,000 mots.
Domaine public (merci à Francis Tyers) | Type : newspaper
Languages : bg bs el en hr mk ro sq sr tr
Size : Approx. 9,500 aligned paragraphs, ~100,000 words.
This corpus is public domain and has been automatically generated. (thanks to Francis Tyers) |
| Textes du gouvernement suédois
Langues: de en es fr sv
Taille : 11 000 mots.
Format : SGML - TEI
Traitements : Alignement
Fournisseur: Linguistic Modelling Laboratory, Bulgarian Academy of Sciences, Sofia, Bulgaria.
Restrictions: Non disponible pour un usage commercial. | Texts from the Swedish government
Languages: de en es fr sv
Size : 11,000 words.
Format : SGML - TEI
Processing : Aligning
Resource provider: Linguistic Modelling Laboratory, Bulgarian Academy of Sciences, Sofia, Bulgaria.
Restrictions: Not available to industrial users |
13 langues | 13 languages |
Corpus interrogeables en ligne | Corpora that can be interrogated online |
| Projet Linguateca
Languages: pt en
Size : 62 paires de textes (fictions). Plus de 1 million de mots. Interface : DISPARA System, IMS Corpus Query Processor
Processing : Alignement
Resource provider: Linguateca consortium. | Linguateca project
Languages: pt en
Size : 62 text pairs (fictions). Over 1 M words.
Interface : DISPARA System, IMS Corpus Query Processor
Processing : Aligning
Resource provider: Linguateca consortium. |
Consultable sur ce site. | On this website. |
Concordancier en ligne, avec corpus parallèle. | Online concordancer with parallel corpus. |
Langues : en fr
| Languages : en fr |
| Languages: de en es fr
Size :39,314,085 words.
Interface : Moteur de recherche
Processing : Alignement phrastique et au niveau des mots. | Languages: de en es fr
Size :39,314,085 words.
Interface : Search engine style
Processing : Aligning at sentence and word level. |
| Langues: da de en es fr | Languages: da de en es fr |
Corpus avec accès réservés | Restricted access |
The English-Norwegian Parallel Corpus
Langues : en nb
Traitements : Alignement
Echantillon à : :http://www.hit.uib.no/enpc/st1-2.html |
The English-Norwegian Parallel Corpus
Languages : Anglais - Norvégien
Processing : Aligning
Sample at : http://www.hit.uib.no/enpc/st1-2.html |
| | |
Corpus multilingues - Multilingual corpus 