↔️Datos para la traducción automática

Corpus paralelos para el entrenamiento de modelos de traducción automática

Idiomas

Multilingüe

Núm. de Frases

453.783.349

Origen de los datos

OPUS + otras funets públicas + corpus sintético

Disponible en

https://huggingface.co/datasets/BSC-LT/ALIA_mixed_authentic_synthetic_MT

Nombre del corpus

ALIA_mixed_authentic_synthetic_MT

Idiomas

Catalán-Gallego

Núm. de Frases

33.668.599

Origen de los datos

NOS + AINA

Disponible en

https://huggingface.co/datasets/projecte-aina/CA-GL_Parallel_Corpus

Nombre del corpus

CA-GL_Parallel_Corpus

Idiomas

Catalán-Euskera

Núm. de Frases

10.471.139

Origen de los datos

GAITU + AINA

Disponible en

https://huggingface.co/datasets/projecte-aina/CA-EU_Parallel_Corpus

Nombre del corpus

CA-EU_Parallel_Corpus

Idiomas

Catalán - Aranés

Núm. de Frases

539.110

Origen de los datos

Distintas fuentes de datos paralelos + Sintético

Disponible en

https://huggingface.co/datasets/BSC-LT/Catalan-Aranese_Parallel_Corpus

Nombre del corpus

Catalan-Aranese Parallel Corpus

Idiomas

Español-Aragonés

Núm. de Frases

47.521

Origen de los datos

Corpus sintético + OPUS

Disponible en

https://huggingface.co/datasets/projecte-aina/ES-AN_Parallel_Corpus

Nombre del corpus

ES-AN Parallel Corpus

Idiomas

Español-Asturiano

Núm. de Frases

704.378

Origen de los datos

Corpus sintético + OPUS

Disponible en

https://huggingface.co/datasets/projecte-aina/ES-AST_Parallel_Corpus

Nombre del corpus

ES-AST Parallel Corpus

Idiomas

Español-Aranés

Núm. de Frases

419.908

Origen de los datos

Corpus sintético + OPUS

Disponible en

https://huggingface.co/datasets/projecte-aina/ES-OC_Parallel_Corpus

Nombre del corpus

ES-OC Parallel Corpus

Idiomas

Español - Valenciano

Núm. de Frases

2.162.451

Origen de los datos

BOUA + DOGV + BOUMH + Generalitat Valenciana + Les Corts Valencianes

Disponible en

https://huggingface.co/datasets/BSC-LT/Spanish-Valencian_Catalan_Parallel_Corpus

Nombre del corpus

Spanish-Valencian Catalan Parallel Corpus

Idiomas

Valenciano - Español

Núm. de Frases

120.281

Origen de los datos

Universitat Jaume I

Disponible en

https://huggingface.co/datasets/gplsi/uji_parallel_va_es

Nombre del corpus

UJI_PARALLEL_VA_ES Dataset

Idiomas

Valenciano - Español

Núm. de Frases

8.759.238

Origen de los datos

Diari Oficial de la Generalitat Valenciana

Disponible en

https://huggingface.co/datasets/gplsi/dogv_parallel

Nombre del corpus

DOGV_PARALLEL Dataset

Idiomas

Valenciano - Español

Núm. de Frases

738.777

Origen de los datos

Associació de Mitjans d'Informació i Comunicació

Disponible en

https://huggingface.co/datasets/gplsi/amic_parallel

Nombre del corpus

AMIC_PARALLEL Dataset

Idiomas

Valenciano - Español

Núm. de Frases

357.518

Origen de los datos

Boletín Oficial de la Universidad de Alicante

Disponible en

https://huggingface.co/datasets/gplsi/boua_parallel

Nombre del corpus

BOUA_PARALLEL Dataset

Idiomas

Valenciano - Inglés

Núm. de Frases

43.107

Origen de los datos

Universitat Jaume I

Disponible en

https://huggingface.co/datasets/gplsi/uji_parallel_va_en

Nombre del corpus

UJI_PARALLEL_VA_EN Dataset

Idiomas

Español - Catalán

Núm. de Frases

1.958

Origen de los datos

Common Voice

Disponible en

https://huggingface.co/datasets/gplsi/ES-CA_translation_test

Nombre del corpus

ES-CA_alignment_test Dataset

Idiomas

Español - Valenciano

Núm. de Frases

1.958

Origen de los datos

Common Voice

Disponible en

https://huggingface.co/datasets/gplsi/ES-VA_translation_test

Nombre del corpus

ES-VA_alignment_test Dataset

Idiomas

Catalán - Valenciano

Núm. de Frases

1.958

Origen de los datos

Common Voice

Disponible en

https://huggingface.co/datasets/gplsi/CA-VA_alignment_test

Nombre del corpus

CA-VA_alignment_test Dataset

Idiomas

Inglés - Español

Núm. de Frases

35.753.765

Origen de los datos

Distintas fuentes de dominios legal-administrativo, biomédico y patrimonial

Disponible en

https://huggingface.co/datasets/SINAI/ALIA-parallel-translation

Nombre del corpus

ALIA-parallel-translation

Idiomas

Inglés - Español

Núm. de Frases

288.955 documentos

Origen de los datos

Distintas fuentes de dominio patrimonial

Disponible en

https://huggingface.co/datasets/SINAI/ALIA-heritage-parallel-translation

Nombre del corpus

ALIA-heritage-parallel-translation

Idiomas

Inglés - Español - Euskera

Núm. de Frases

137.726

Origen de los datos

Berria (Sintético)

Disponible en

https://huggingface.co/datasets/HiTZ/ALIA_syntethic_MT

Nombre del corpus

ALIA synthetic MT

Idiomas

Español-Gallego

Núm. de Frases

8.800 pares oracionales bilingües

Origen de los datos

CORPES,CORGA + Sintético

Disponible en

https://huggingface.co/datasets/proxectonos/corpus_paralelo_idioms

Nombre del corpus

Spanish–Galician Idiom Parallel Corpus

Idiomas

Español–Gallego e Inglés–Gallego

Núm. de Frases

300.000 oraciones alineadas

Origen de los datos

SCIELO

Disponible en

https://huggingface.co/datasets/proxectonos/SciELO-GL

Nombre del corpus

corpus SCIELO

Idiomas

Español–Gallego

Núm. de Frases

320.000 pares de oraciones alineadas

Origen de los datos

Dirección General de Traducción

Disponible en

https://huggingface.co/datasets/proxectonos/DGT-GL

Nombre del corpus

Corpus DGT

Idiomas

gallego, portugués, español, catalán, esuskera, inglés

Núm. de Frases

190.000 pares de oraciones alineadas

Origen de los datos

TowerBlocks

Disponible en

https://huggingface.co/datasets/proxectonos/Finetuning-MT

Nombre del corpus

Finetuning-MT

---

---

Corpus para la adaptación y la evaluación de modelos de traducción automática

Idiomas

Multilingüe

Núm. Frases

742.183

Origen de los datos

Repositorios académicos europeos

Disponible en

https://huggingface.co/datasets/BSC-LT/ACAData

Nombre

ACAData