Javanese written language corpus

DANS Data Station Social Sciences and Humanities1995-01-01 更新2026-05-11 收录

爪哇语文本处理

低资源语言

数据链接：

https://ssh.datastations.nl/citation?persistentId=doi:10.17026/dans-22n-xfz2 数据链接链接失效反馈

官方服务：

资源简介：

Javanese written language corpus

创建时间：

1995-01-01

Bangla2B+

自然语言处理

低资源语言

Bangla2B+是一个专为低资源语言Bangla设计的预训练数据集，由孟加拉工程技术大学的研究团队创建。该数据集通过爬取110个流行的Bangla网站，收集了约27.5GB的数据，涵盖了百科全书、新闻、博客、电子书、故事和社交媒体等多种内容。创建过程中，研究团队对数据进行了彻底的去重和过滤，确保了数据的质量。Bangla2B+数据集主要用于支持Bangla语言的自然语言理解应用，特别是在零样本跨

arXiv2022-05-10 更新260

mtob

机器翻译

低资源语言

MTOB for Code-LLaVA是一个用于低资源语言Kalamang与英语之间翻译任务的数据集。它包含两种配置：'memwrap'和'plain'，分别表示带有和不带有记忆标记的语法教科书内容。数据集的结构包括prompt、category和extra_info等字段，其中extra_info包含ground_truth和scoring_function等信息。数据集的使用和评估方法也进行了

Hugging Face2026-01-20 更新210

jamalimubashirali/sindhi-pretraining-corpus-part3

信德语预训练

低资源语言

--- dataset_info: features: - name: book_id dtype: int64 - name: url dtype: string - name: source dtype: string - name: text dtype: string - name: chunk_index dtype: in

Hugging Face2026-03-23 更新110

LORELEI Akan Representative Language Pack

低资源语言

自然语言处理

Introduction LORELEI Akan Representative Language Pack consists of Akan monolingual text, Akan-English parallel text, annotations, supplemental resources and related software tools developed

DataCite Commons2021-01-19 更新240

Killkan

自动语音识别

低资源语言

Killkan是首个针对Kichwa语言的自动语音识别数据集，由圣母大学和厄瓜多尔天主教大学共同创建。该数据集包含约4小时的音频，涵盖了转录、西班牙语翻译和形态句法标注。数据来源于公开的Kichwa广播节目，特别关注Kichwa的粘着形态和与西班牙语的频繁代码转换。Killkan不仅支持开发首个Kichwa ASR系统，还展示了低资源语言资源构建及其应用的积极成果，旨在解决语言濒危和语言技术资源不

arXiv2024-04-24 更新120

Javanese written language corpus

资源简介：

相关数据集