Корпуса и данные

Текстовые и речевые корпуса, параллельные датасеты и языковые архивы для исследований и языковых технологий.

10записейПроверка источников актуальна по 17 июл. 2026 г.

Поиск по каталогу

Фильтры

Показано 10 из 10 записей

Электронный корпус бурятского языка (ИМБТ СО РАН)

Крупнейший письменный корпус литературного бурятского языка (~3 млн словоупотреблений, автоморфоразбор ~85%, лемматизация), поддерживается ИМБТ СО РАН и обновляется с 2012 г. (последнее обновление — октябрь 2024); задуман как основа будущего Национального корпуса.

КорпусОткрытый доступ

Корпуса и данныеРаботает

buryat-translation/buryat_monocorpus (Hugging Face)

Скачиваемый одноязычный бурятский корпус из 215 тыс. строк текста (май 2025) — сырьевая база для языковых моделей и словарной работы по бурятскому.

ДатасетОткрытый доступ

Корпуса и данныеРаботает

buryat-translation/buryat_russian_parallel_corpus (Hugging Face)

Скачиваемый параллельный бурятско-русский корпус из 120 тыс. пар предложений (май 2025); по размеру совпадает с корпусом, переданным Минобрнауки Бурятии / центром «Бэлиг» Яндексу в апреле 2025 для внедрения бурятского в Яндекс.Переводчик.

ДатасетОткрытый доступ

Корпуса и данныеРаботает

ELAR / ELDP (Endangered Languages Archive)

Архив документации исчезающих языков (при Берлинско-Бранденбургской академии наук); отдельного крупного бурятского депозита пока нет, но площадка и грантовая программа ELDP — реальный путь закрыть пробел по документации диалектов (сартульский, сонгольский, шэнэхэнский).

АрхивОткрытый доступ

Корпуса и данныеРаботает

kibaraki/Shinekhen-Buryat (Hugging Face)

Единственный найденный открытый датасет по шэнэхэнскому диалекту (1,25 тыс. строк, сентябрь 2025) — закрывает пробел, который основной ландшафтный отчёт фиксировал как полностью отсутствующий по диалектам бурятского.

ДатасетОткрытый доступ

Корпуса и данныеРаботает

lingtrain/buryat-russian (Hugging Face)

Небольшой скачиваемый параллельный бурятско-русский корпус (1,33 тыс. строк) — ещё один открытый датасет для MT/NLP-экспериментов с бурятским языком.

ДатасетОткрытый доступ

Корпуса и данныеЧастичный доступ

NKFI-EPR — реестр гранта на этимологический словарь бурятского языка

Запись венгерского гос. реестра грантов о финансировании проекта этимологического словаря бурятского языка.

ДатасетОткрытый доступ

Корпуса и данныеРаботает

SaranaAbidueva/buryat_monocorpus (Hugging Face)

Одноязычный бурятский корпус (220 тыс. строк) из того же проекта Сараны Абидуевой, что и парный русско-бурятский датасет.

ДатасетОткрытый доступ

Корпуса и данныеРаботает

SaranaAbidueva/buryat-russian_parallel_corpus (Hugging Face)

Параллельный бурятско-русский корпус (41 тыс. пар), выложенный Сараной Абидуевой — автором нейросетевого русско-бурятского переводчика, созданного при грантовой поддержке Правительства Бурятии; данные этого проекта легли в основу появления бурятского языка в Яндекс.Переводчике (с 2025, источник — belig.ru).

ДатасетОткрытый доступ

Корпуса и данныеРаботает

tsakorpus (движок корпуса ИМБТ)

Открытый движок на базе Elasticsearch, на котором построен электронный корпус бурятского языка ИМБТ; полезен как техническая ссылка для тех, кто хочет понять или переиспользовать инфраструктуру корпуса.

ПриложениеОткрытый доступ