JRC-Acquis Corpus: A Multilingual Parallel Corpus

kaggle2024-03-23 更新2024-05-26 收录

立法文本

多语言处理

数据链接：

https://www.kaggle.com/datasets/fernandosr85/acervo-jrc 数据链接链接失效反馈

官方服务：

资源简介：

Corpus paralelo alinhado com textos legislativos da UE em 22 idiomas

与欧盟立法文本对齐的22种语言平行语料库

创建时间：

2024-03-23

jhu-clsp/seamless-align-expressive

语音翻译

多语言处理

Seamless-Align-Expressive数据集是一个用于翻译和音频到音频任务的多语言数据集，支持德语、英语、西班牙语、法语、意大利语和中文。数据集基于Meta AI发布的表达性语音到语音（S2S）数据，包含5种语言对的数据，压缩后约为228GB。数据集未进行分割，且数据可能包含个人身份信息、敏感内容或互联网上公开的有毒内容。数据集的创建过程中使用了SONAR Expressive编码器来

Hugging Face2024-02-22 更新500

WenWW/KD_multilingual_dataset

多语言处理

文本数据

该数据集包含多种语言的文本数据，每种语言的数据集都有不同的字节大小和样本数量。数据集的特征包括文本内容（text）和唯一标识符（id）。数据集涵盖了德语（de）、法语（fr）、西班牙语（es）、意大利语（it）、波兰语（pl）、罗马尼亚语（ro）、荷兰语（nl）、希腊语（el）、匈牙利语（hu）、葡萄牙语（pt）、捷克语（cs）、瑞典语（sv）、保加利亚语（bg）、丹麦语（da）、芬兰语（fi）、

Hugging Face2024-12-04 更新180

fleurs_yo_en

语音翻译

多语言处理

这是一个从Google FLEURS数据集中提取的Yoruba-to-English翻译数据集。数据集包含训练集、验证集和测试集中的音频记录，分别对应13小时48分钟32秒、44分钟32秒和45分钟27秒的音频数据。所有音频都以16kHz采样。数据集的特征包括音频、Yoruba语言的转录和相应的英语翻译。

Hugging Face2024-12-10 更新90

britllm/TransWebEdu

多语言处理

教育科技

TransWebEdu是一个预训练规模的多语言平行语料库，支持十种语言：阿拉伯语、威尔士语、德语、英语、西班牙语、法语、印度尼西亚语、意大利语、俄语和斯瓦希里语。它专门用于从零开始预训练TransWebLLM模型，聚焦于多语言网络教育内容。

Hugging Face2025-04-22 更新210

sproos/wikipedia-title-text-pairs

多语言处理

自然语言处理

--- dataset_info: - config_name: ab features: - name: title dtype: string - name: text dtype: string splits: - name: train num_bytes: 1644341 num_examples: 1576 download_si

Hugging Face2024-01-03 更新150

JRC-Acquis Corpus: A Multilingual Parallel Corpus

资源简介：

相关数据集