Kencorpus: Kenyan Languages Corpus

This project collected text and speech corpora for Languages in Kenya. In KenCorpus project, three languages were strategically selected i.e. Kiswahili, Luhya, and Dholuo. The Luhya Language has several dialects. In the project, 3 dialects were chosen as a start: Lumarachi, Logooli and Lubukusi. Primary data was collected from the respective language communities, which also included indiginous stories and other narratives from student compositions, native language media stations, and publishers. This went beyond the conventional religious texts to include other genres of texts that made the corpus more representative of everyday language use in the communities. Text data : A total of 4442 texts were collected: 546 texts for Dholuo, 483 texts for Luhya-Lumarachi, 135 texts for Luhya-Lubukusu and 359 texts for Luhya-Logooli. Spontaneous Speech data: A total of 1,152 files were collected which total to 176hr 29min and 46sec of spontaneous speech data: 104 files (19hr 10min 57sec) for Swahili, 512 files (99hr 3min 8sec) for Dholuo, 138 files (15hr 37min 46sec) for Luhya-Lumarachi, 354 files (30hr 11min) for Luhya-Lubukusu and 44 files (12hr 26min 55sec) for Luhya-Logooli. Acknowledgement of data collectors: Kiswahili - Rose Felynix, Khalid Kitito, Dr. Benard Okal Luo - Jotham Ondu Ajiki, Dr. Jackline Okello, Jonathan Muga, Mercy Lavinca Oduoll Luhyia (Logooli) - Salano Odari, Dr. Phillip Lumwamu Luhyia (Bukusu) - Mactilda Nekesa Makana, Mulwale Martin Luhyia (Marachi) - Yonah Weunda

本项目针对肯尼亚各语言收集了文本与语音语料库。在肯亚语料库（KenCorpus）项目中，项目组经战略甄选确定三类核心语言：斯瓦希里语（Kiswahili）、卢希亚语（Luhya）与多洛语（Dholuo）。其中卢希亚语存在多种方言，本次项目初期选取三类方言开展工作：马拉奇卢希亚语（Lumarachi）、洛戈利卢希亚语（Logooli）与布库苏卢希亚语（Lubukusi）。
原始数据采集自对应语言的本土社群，素材涵盖本土故事、学生习作、母语媒体内容及出版刊物，突破了传统宗教文本的采集范畴，纳入更多文本类型，使该语料库更能反映社群日常语言的实际使用场景。
文本数据方面：共采集到4442篇文本，其中多洛语546篇、马拉奇卢希亚语483篇、布库苏卢希亚语135篇、洛戈利卢希亚语359篇。
自发语音数据方面：共采集1152个语音文件，总时长达176小时29分46秒，具体分布如下：斯瓦希里语104个文件（时长19小时10分57秒）、多洛语512个文件（时长99小时3分8秒）、马拉奇卢希亚语138个文件（时长15小时37分46秒）、布库苏卢希亚语354个文件（时长30小时11分）、洛戈利卢希亚语44个文件（时长12小时26分55秒）。
数据采集鸣谢名单：
斯瓦希里语：罗斯·费利尼克斯（Rose Felynix）、哈立德·基蒂托（Khalid Kitito）、伯纳德·奥卡尔博士（Dr. Benard Okal）
多洛语：乔瑟姆·恩杜·阿吉基（Jotham Ondu Ajiki）、杰奎琳·奥凯洛博士（Dr. Jackline Okello）、乔纳森·穆加（Jonathan Muga）、梅西·拉文卡·奥多尔（Mercy Lavinca Oduoll）
卢希亚语（洛戈利方言）：萨拉诺·奥达里（Salano Odari）、菲利普·卢穆瓦姆博士（Dr. Phillip Lumwamu）
卢希亚语（布库苏方言）：麦克蒂尔达·内克萨·马卡纳（Mactilda Nekesa Makana）、穆瓦莱·马丁（Mulwale Martin）
卢希亚语（马拉奇方言）：约纳·温达（Yonah Weunda）