HindEnCorp – Hindi-English and Hindi-only Corpus for Machine Translation

Varování

Publikace nespadá pod Filozofickou fakultu, ale pod Fakultu informatiky. Oficiální stránka publikace je na webu muni.cz.
Autoři

BOJAR Ondřej DIATKA Vojtěch RYCHLÝ Pavel STRAŇÁK Pavel SUCHOMEL Vít TAMCHYNA Aleš ZEMAN Daniel

Rok publikování 2014
Druh Článek ve sborníku
Konference Proceedings of the Ninth International Conference on Language Resources and Evaluation (LREC'14)
Fakulta / Pracoviště MU

Fakulta informatiky

Citace
www http://www.lrec-conf.org/proceedings/lrec2014/summaries/835.html
Obor Informatika
Klíčová slova Machine Translation; SpeechToSpeech Translation; Metadata
Popis We present HindEnCorp, a parallel corpus of Hindi and English, and HindMonoCorp, a monolingual corpus of Hindi in their release version 0.5. Both corpora were collected from web sources and preprocessed primarily for the training of statistical machine translation systems. HindEnCorp consists of 274k parallel sentences (3.9 million Hindi and 3.8 million English tokens). HindMonoCorp amounts to 787 million tokens in 44 million sentences. Both the corpora are freely available for non-commercial research and their preliminary release has been used by numerous participants of the WMT 2014 shared translation task.
Související projekty:

Používáte starou verzi internetového prohlížeče. Doporučujeme aktualizovat Váš prohlížeč na nejnovější verzi.