Datasets
Hemos publicado cientos de conjuntos de datos en más de 75 idiomas diferentes, tanto monolingües como paralelos. Procesados y limpiados con herramientas propias o en coautoría, las series de corpus ParaCrawl, Europat, MaCoCu o HPLT forman parte de nuestro catálogo de conjuntos de datos contribuidos.
HPLT: High Performance Language Technologies
+90 datasets
75 languages
Monolingual and bilingual
MaCoCu: Massive collection and curation of monolingual and bilingual data: focus on under-resourced languages
+30 datasets
17 languages
Monolingual and bilingual
The Europat corpus: A parallel corpus of European patent data
6 datasets
7 languages
Bilingual
ParaCrawl: Web-scale parallel corpora for the languages of the EU
+40 datasets
56 languages
Bilingual + Monolingual (English)