Korpora für Iberoromanistik

Araneum Hispanicum

• im September 2013 gecrawltes Giga-Korpus mit 1,2 Milliarden Token, PoS-tagged

Archivo de textos hispánicos de la Universidad de Santiago de Compostela (Arthus)

• verschiedene Textsorten; zeitgenössisch; Spanien und Amerika; circa 1,5 Millionen Token; Daten zur Base de datos sintácticos del español actual hinzugefügt

Corpus del español (CdE)

• Texte aus dem 13. – 20. Jahrhundert; für das 20. Jahrhundert unterteilt in mündlich, fiktional, journalistisch, akademisch; circa 100 Millionen Token (Corpus del español: Genre/Historical), Achtung: viele Fehler!
• zusätzlich umfangreicher Webkorpus von 2013/2014; Internetseiten aus 21 spanischsprachigen Ländern; circa zwei Milliarden Token (Corpus del español: Web/Dialects)
• Webkorpus mit ständiger aktueller Erweiterung um Internetzeitungen und Zeitschriften; circa 5,1 Milliarden Token

Corpus del Español Actual (CEA)

• 1996 – 2000; Spanien; circa 540 Millionen Token; 3 Teilkorpora (Fokus auf Distanzsprache): 2
• Europarl: European Parliament Proceedings Parallel Corpus (spanischer Teil)

• spanische Wikipedia-Einträge (Stand 2006)

• MultiUN: Multilingual UN Parallel Text (spanischer Teil)

Corpus del Español del Siglo XXI (CORPES XXI)

• unterschiedliche Texte zur geschriebenen und gesprochenen Sprache; 2001 – 2015; 21 spanischsprachige Länder: 65 Prozent Lateinamerika, 35 Prozent Spanien; circa 200 Millionen Token; Sucheinschränkung nach Ländern möglich; Herausgeber: RAE

Corpus del Léxico Informatizado del Español (LEXESP)

• 5,5 Millionen Token, schriftsprachliche Daten verschiedener Genres, 90 Prozent Europa, 10 Prozent Lateinamerika

Corpus de Referencia del Español Actual (CREA)

• unterschiedliche Texte zur geschriebenen und gesprochenen Sprache; 1975 – 2004; 21 spanischsprachige Länder; circa 160 Millionen Token; Sucheinschränkung nach Ländern möglich; Herausgeber: RAE

Spanish esTenTen

• Spanisches Giga-Korpus aus Webseiten aus Europa, Amerika und der spanischen Wikipedia

• zwei Versionen: esTenTen18 (17,5 Milliarden Token) und esTenTen11 (9,5 Milliarden Token); auch gesondert nach europäischen/lateinamerikanischen Daten durchsuchbar

Corpus SOL

• Korpus bestehend aus 3 verschiedenen Teilkorpora, insgesamt knapp 4 Millionen Token; Teilkorpora:

  • CORLEC (mündliche Texte, sowohl nähe- als auch distanzsprachlich)

  • ONE71 (11 spanische Romane von 1951 – 1971)

  • PE77 (etwa 3.000 Zeitungsartikel aus Spanien; Jahr 1977)

Timestamped JSI Web Corpus

• neuartiges Real-Time Korpus auf der Basis von Crawlern (RSS-Feeds und Webseiten)

Corpus oral del español de los migrantes residentes en la ciudad de Sevilla

• mündliches Korpus zur Erforschung des Spanischen von Migranten, die in der Stadt Sevilla beheimatet sind

Korpus des andinen Spanisch in Bolivien 

• relativ kleines, aber dafür sehr gut und aufwendig annotiertes Korpus sowohl des Spanischen als auch des Katalanischen; Fokus auf aktueller Pressesprache, jeweils circa 500.000 Token

Corpus Cochambino

• Korpus des andinen Spanisch in Bolivien

Corpus de conversación coloquial del grupo Val.Es.Co

• 46 Konversationen; mündliche Spontansprache; Spanien

Corpus del Español Mexicano Actual (CEMC)

• Korpus des mexikanischen Spanisch, 1921 – 1974; circa 2 Millionen Token, verschiedene Genre und Register

Corpus del Español rural (COSER)

• dialektale Texte aus Spanien, teilweise vertont und transkribiert, im Aufbau (Universidad Autónoma de Madrid), 1988 – heute, 4,6 Millionen Token, 1745 Stunden, 1326 Orte, ältere Sprecher

• PoS annotiert

Corpus del Vernáculo Urbano de Málaga (VUM)

• spontansprachliches Korpus des malagueñischen Spanisch, 18 Sprecherinnen und Sprecher, soziodemographische Informationen dokumentiert

• in PRESEEA enthalten, aber leichter nutzbar unter dem Link

Corpus dinámico del Castellano de Chile (CODICACH)

• Korpus des chilenischen Spanish, circa 800 Millionen Token; 1997 – 2003, verschiedene Genres

Corpus Grial

• Korpus des chilenischen Spanisch, Metadaten schwer nachprüfbar, vor allem Distanzsprache

Corpus Iberia

• Korpus mit wissenschaftlichen Fachtexten von 1985 – 2017, derzeit knapp 70.000 Dokumente und 280 Millionen Token

• PoS-tagged

Corpus integrado de referencia en lenguas romances (C-ORAL-ROM)

• gesprochene Sprache; ab 1970; Frankreich, Italien, Spanien, Portugal; circa 300.000 Token pro Sprache

• C-Or-DiAL als Teil des C-ORAL-ROM-Korpus: Spontansprache; 2004; Madrid

• derzeit nur als kostenpflichtige CD-Rom erhältlich

• in Albertina verfügbar

Corpus Lingüístico de Referencia de la Lengua Española en Argentina

• Korpus des argentinischen Spanisch, ver. distanzsprachliche Textsorten, circa 1,9 Millionen Token, Daten Mitte 1980er bis Anfang 1990er-Jahre

Corpus Lingüístico de Referencia de la Lengua Española en Chile

• Korpus des argentinischen Spanisch, ver. distanzsprachliche Textsorten, circa 2,0 Millionen Token, Daten Mitte 1980er bis Anfang 1990er-Jahre

Corpus oral de lenguaje adolescente (COLA)

• vertontes Korpus (circa 700.000 Token) mit mündlicher Spontansprache von Jugendsprachen aus Santiago de Chile, Madrid, Buenos Aires und Managua

• verschiedene soziodemographische Metainformationen

Corpus Oral de Referencia de Español en Contacto (COREC)

• Sprachkontakt-Korpus, das verschiedene europäische und außereuropäische Kontaktvarietäten abdeckt, derzeit noch im Aufbau

• Online nur Zugang zu Ausschnitten; gesamtes Korpus kann per E-Mail angefragt werden

Corpus Oral de Referencia de la Lengua Española Contemporánea (CORLEC)

• 1991 – 1992; mündliche Texte, sowohl nähe- als auch distanzsprachlich, circa 1,1 Millionen Token

Corpus PAAU 1992

• Korpus mit Text aus 700 Prüfungen „Pruebas de acceso a la universidad” von 1992 aus verschiedenen spanischen Städten

• auch in CREA integriert

Corpus Panacea Environment

• Korpus mit über 26.000 Texten (circa 46 Millionen Token) zu Umweltthemen, Texte aus dem Web

Corpus Panacea Labour

• Korpus mit über 13.000 Texten (circa 54 Millionen Token) zu arbeitsrechtlichen Themen, Texte aus dem Web

Corpus para el estudio del español oral de Galicia (ESLORA)

• 80 Stunden mündliches Textmaterial, transkribiert und vertont; 2007 – 2015, 56 Dokumente, circa 650.000 Token (Universidade de Santiago de Compostela)

Corpus periodístico Hemero

• Zeitungstexte; 1997 – 2009; Spanien, Argentinien, Mexiko; circa 660 Millionen Token

Corpus Salcedo

• Korpus des andinen Spanisch in Ecuador, 1974 – 1979

Proyecto para el estudio sociolingüístico del español de España y de América (PRESEEA)

• mündliche Spontansprache; 1990er bis heute; soziodemographische Annotation; Projekt im Aufbau

• bis dato: Alcalá de Henares, Caracas, La Habana, Lima, Madrid, Medellín, Monterrey, Montevideo, Santiago, Valencia

Biblia Medieval

• diachrones Korpus mit zahlreichen altspanischen Bibeltexten (18 verschiedene Manuskripte, circa 5 Millionen Token), hervorragende Handhabung

• wichtige Bibliographische Hinweise in der Recursos-Sektion

Biblioteca Digital Arte Lope

• 111 Texte von Lope de la Vega; Mittelspanisch (16./17. Jahrhundert)

BIBLIOTECA Digital de Textos del Español Antiguo

• altspanische Texte (i. e., aus Spanien); derzeit 335; 27 Millionen Token

• wird ständig erweitert

Corpus Charta

• Meta-Korpus mit 2076 historischen Dokumenten, 822 – 1871, verschiedene Genres und Länder

• beinhaltet zahlreiche ver. historische Klein- und Kleinstkorpora, die deshalb in in diesem Dokument nicht gesondert geführt werden. Ein Blick auf diese via Corpus Charta ist lohnenswert!

Corpus Codea

• Korpus mit historischen Dokumenten aus Spanien, 11. – 18. Jahrhundert, circa 1,5 Millionen Token, verschiedene Genre, aufwendige und detailgenaue Wiedergabe von Metadaten (auch geolinguistisch!)

• zum Teil [!] in Corpus Charta integriert

Corpus del español (CdE)

• Texte aus dem 13. – 20. Jahrhundert; für das 20. Jahrhundert unterteilt in mündlich, fiktional, journalistisch, akademisch; circa 100 Millionen Token (Corpus del español: Genre/Historical), Achtung: viele Fehler!

Corpus del Nuevo Diccionario Histórico (CDH)

• 12. Jahrhundert – 2000, ca. 335 Millionen Token, alle spanischsprachigen Länder, verschiedene Genres, PoS-annotiert

• Korpus bestehend aus drei Teilkorpora der Real Academia Española: CORDE (Auswahl), CREA (Auswahl) und dem Nuevo Diccionario Histórico (NDH)

Corpus Diacrónico del Español (CORDE)

• schriftliche Texte; unterschiedliche Genres; Mittelalter – 1974; alle spanischsprachigen Länder; circa 250 Millionen Token; Herausgeber: RAE

Corpus Histórico del Español de México

• Korpus mit historischen Texten aus Mexiko, Anmeldung nötig

IMPACT-es diachronic corpus

• 100 Texte des Siglo de Oro; Mittelspanisch (16./17. Jahrhundert), 8 Millionen Token

Project Post Scriptum

• Korpus mit privaten spanischen und portugiesischen Briefen vom 14. – 19. Jahrhundert, mit sehr viel Metainformationen über die Schreiber

• aufwendig getagged

C-Or-DiAL: Corpus oral didáctico anotado lingüísticamente

• Korpus für didaktische Zwecke; transkribiert und vertont, nach Lernerniveaus aufgeteilt, 240 Aufnahmen, circa 120.000 Token

CHILDES

• Sprachübergreifendes Projekt zum L1 Spracherwerb bei Kindern

• beinhaltet zahlreiche verschiedene spanische Teilkorpora aus verschiedensten spanischsprachigen Gebieten

• auch zweisprachige Konstellationen

Corpus de aprendices de español L2

• Lernerkorpus des Instituto Cervantes, 2011 – 2013, 1.423 Sprecherinnen und Sprecher (verschiedene L1 und Sprachniveaus), 575.000 Token

Corpus de Habla Infantil Espontánea del Español

• Kostenpflichtiges Korpus mit 58.000 Token (30 Texte), knapp acht Stunden Tonaufnahmen von 59 Kindern

Spanish Learner Oral Corpora

• L2-Lerner Korpus mit 60 Sprecherinnen und Sprechern (L1: Englisch), eingeteilt in drei verschiedenen Niveaus (A2/B1 – B2/C1 – C2); Daten von 2006 – 2010

• zwei verschiedene Teilkorpora mit insgesamt neun Aufgaben; alle Daten als Audio und transkribiert downloadbar

Corpus Miami

• Korpus von 84 bilingualen Sprecher*innen aus Miami, Florida, Audio und Transkription; 242.475 Wörter, 35 Stunden

Clásicos Hispánicos

• Vollexte der spanischen Literatur, kostenpflichtig

DGT Translation Memory

• Parallelkorpus beschrieben als „database of aligned sentences from the European Union’s legislative documents (Acquis Communautaire) in 24 EU languages.”

• circa 57 Millionen Token für den spanischen Teil 

EUR-LEX Corpus

• Multilinguales Korpus mit Rechtstexten der EU in 23 Sprachen, circa 635 Millionen Token für Spanisch

EUR-LEX Judgment Corpus

• Multilinguales Korpus mit Rechtsurteilen der EU in 23 Sprachen, Subkorpus von EUR-LEX; circa 39 Millionen Token für Spanisch

EURPARL Corpus

• Parallelkorpus mit Daten aus den Parlament Proceedings der EU in 21 Sprachen, circa 54 Millionen Token für Spanisch

OPUS2 Parallel Corpus

• Parallelkorpus mit 40 Sprachen, circa 115.000 Token; Texte aus dem Internet

Araneum Portugallicum

• Gecrawltes Giga-Korpus mit 862.000 Millionen Token

• PoS-tagged

CINTIL – Corpus Internacional do Português

• Korpus mit 1,2 Millionen Token, PoS-annotiert, circa ein bis zwei mündliche Daten, verschiedenen Genres

Corpus de Referência do Português Contemporâneo (CRPC)

• gesprochene und geschriebene Sprache; diverse Textsorten; 1850 – 2006;   311 Millionen Token

• nach Ländern aufgeteilt, inklusive Afrika und Asien

O corpus do Português

• 50.000 Texte; 14. – 20. Jahrhundert; für das 20. Jahrhundert unterteilt in mündlich, fiktional, journalistisch, akademisch; circa 45 Millionen Token (Corpus do Português: Genre/Historical)

• zusätzlich umfangreiches Webkorpus von 2013/2014; Internetseiten aus Brasilien, Portugal, Angola, Mosambik; circa 1 Milliarde Token (Corpus do Português: Web/Dialects)

• Webkorpus mit ständiger aktueller Erweiterung um Internetseiten und Zeitschriften; circa 1,1 Milliarden Token

Portuguese ptTenTen

• Portugiesisches Giga-Korpus aus Webseiten aus Europa, Amerika und der spanischen Wikipedia

• ptTenTen11: circa 4 Milliarden Token

Timestamped JSI Web Corpus

• Neuartiges Real-Time Korpus auf der Basis von Crawlern (RSS-Feeds und Webseiten)

Cartas esquecidas

• Korpus mit Briefen von 1900 – 1974

CD HAREM

• Korpus mit 225.000 Token, PB und PT, distanzsprachlich
• PoS-tagged

CETEM Folha

• Korpus mit Zeitungstexten aus Folha (Bras.); circa 24 Millionen Token

• PoS-tagged

CETEM Público

• Korpus mit Zeitungstexten aus Público (Port.); 180 Millionen Token
•  PoS-tagged

C-ORAL-Brasil

• Korpus mit mündlicher Sprache verschiedenen Register aus Brasilien; Ziel: 300.000 Token; im Aufbau befindlich; PoS-tagged

CORDIAL-SIN

• mündliche Spontansprache; ältere Probanden aus 42 Orten Portugals;

  Europäisches Portugiesisch; 1974 – 2004; 600.000 Token

Corpus ANCIB

• Korpus mit 1,2 Millionen Token; Emails an die Associação Nacional de Pesquisa e Pós-Graduação em Ciência da Informação

Corpus Angolar

• Korpus der portugisisch basierten Kreolsprache Angolar (São Tomé e Príncipe), 16 Texte, circa 10.000 Token

Corpus Avante

• Korpus mit 6,5 Millionen Token, PE, journalistisch, PoS-tagged

Corpus Brasileiro (CB)

• Web-basiertes Gigakorpus; knapp 900 Millionen Token; umfangreiche Metadaten; PoS-tagged

Corpus CHAVE

• journalistisches Korpus, PE und PB aus Folha (Bras.) und Público (Port.), 1994/1995, 98 Millionen Token, PoS-tagged

Corpus Ciência Viva

• Korpus mit journalistischen Artikeln über Wissenschaft (PE), 500.000 Token, PoS-tagged

Corpus Concordância

• Audio-Korpus mit Daten aus drei verschiedenen portugiesischen und zwei verschiedenen brasilianischen Orten, je 25 Aufnahmen; außerdem Mosambik!

• relativ viele Metadaten über die Sprecher

Corpus CONDIVport

• Korpus mit journalistischen Artikeln über Fußball, Mode und Gesundheit aus den 50er, 70er und 2000er–Jahren, jeweils PB und PE, insgesamt 5,5 Millionen Token, PoS-tagged

Corpus CONDIVport2

• Korpus mit journalistischen Artikeln über Politik und Gesellschaft aus den 2010er-Jahren, jeweils PB und PE, insges. 172.000 Token, PoS-tagged

Corpus CoNE

• Korpus mit nicht-adressierten Emails; PB und PE, insgesamt 675.000 Token, PoS-tagged

Corpus CorPop

• Korpus mit PB „popular escrito”, beinhaltet Yellow-Press, meistgelesene Autoren, Klassiker der brasilianischen Literatur in vereinfachter Form für Leseanfänger, verschiedene Zeitschriften, die von bildungsfernen Schichten gestaltet werden (Sozialprojekte); circa 700.000 Token

• Vorläuferprojekt

Corpus CorTec

• Metakorpus bestehend aus 21 verschiedene fachsprachlichen Teilkorpora in PB, alle Teilkorpora sind recht umfangreich (circa 200.000 Token)

Corpus de Português Escrito em Periódicos

• Korpus mit PB und PE aus wissenschaftlichen Journals, circa 40 Millionen Token

Corpus DHBB

• Korpus mit Materialien des Dicionário Histórico-Biográfico Brasileiro, über brasilianische Zeitgeschichte), 9,6 Millionen Token, PoS-tagged

Corpus DiaCLAV

• Korpus mit Zeitungsartikeln aus Portugal (1999 – 2000), 6,6 Millionen Token, PoS-tagged

Corpus Diáspora TL-PT

• Korpus mit zwölf Interviews mit Pt-Sprechern aus Timor-Leste, insgesamt 6 Stunden Aufnahmen und 21.000 Token, PoS-tagged

Corpus ECI-EBR

• Korpus mit Exzerpten aus PB-Literatur, verschiedene Teilbereiche, 723.000 Token, PoS-tagged

Corpus ENPCPUB

• Korpus aus dem Englischen übersetzter Literatur (PE/PB), 72.000 Token, PoS-tagged

Corpus Fadambo

• Korpus der portugiesisch basierten Kreolsprache Fadambo (Guinea-Bissau/Äquatorialguinea), 132 Texte, circa 49.000 Token

Corpus Floresta Sintá(c)tica

• Korpus mit verschiedenen Texten (PE/PB), 6 Millionen Token, PoS-tagged, syntaktisch aufbereitet

Corpus Mariano Gago

• Korpus mit verschiedenen Texten (PE) von und über Mariano Gago anlässlich seines Todes 2015, 570.000 Token, PoS-tagged

Corpus Marielle, presente!

• Korpus mit verschiedenen Texten (PE/PB) von und über Marielle Franco, 219.000 Token, PoS-tagged

Corpus Moçambula

• Korpus mit mosambikanischen Leserbriefen von 2012, veröffentlicht in verschiedenen mosambikanischen Zeitschriften, 58.000 Token, PoS-tagged

Corpus Natura/Minoho

• Korpus mit Textmaterial aus der portugiesischen Regionalzeitschrift Diário do Minho (PE), 1,7 Millionen Token, PoS-tagged

Corpus NILC/São Carlos

• Korpus mit verschiedenen Dokumenten in PB; 22,2 Millionen Token, PoS-tagged

Corpus NOBRE

• Korpus mit portugisisch Literatur (PE), 2,5 Millionen Token, PoS-tagged

Corpus Norma Linguística Urbana Culta – RJ

• Korpus mit portugisischer Literatur (PE), 2,5 Millionen Token, PoS-tagged

Corpus OBras

• Korpus mit brasilianischer Literatur (PB), 5,0 Millionen Token, PoS-tagged

Corpus of Cape Verdean Portuguese

• Korpus mit Audiodateien von 29 Sprechern, Nähesprache

• umfangreiche Metainfos zu den Sprechern

Corpus of Sri Lanka Portuguese

• Korpus des auf Sri Lanka gesprochenen portugiesisch basierten Kreols, im Aufbau befindlich

Corpus Perfil Sociolinguístico da Fala Bracarense

• Soziolinguistisch aufbereitetes Korpus mit gesprochener Sprache aus

• Braga/Portugal, 80 Interviews à 60 Minuten

Corpus P’lo Norte

• Korpus mit PT-Blogtextexten über Norwegen, 40.000 Token, PoS-tagged

Corpus Principense

• Korpus der portugiesisch basierten Kreolsprache Principense (Insel Príncipe), 19 Texte, circa 15.900 Token

Corpus REDIP

• Korpus mit Mediensprache (mündlich und schriftlich) aus portugiesischer Presse, Fernsehen und Radioprogrammen, circa 330.000 Token

Corpus ReLi

• Korpus mit 1600 Rezensionen zu 13 verschiedenen Büchern, PB, 153.000 Token, PoS-tagged

Corpus Santome

• Korpus der portugiesisch basierten Kreolsprache Santomé/Forro (São Tomé e Príncipe), 588 Texte, circa 213.000 Token

Integrated Reference Corpora for Spoken Romance Languages (C-ORAL-ROM)

• gesprochene Sprache; ab 1970; Frankreich, Italien, Spanien, Portugal; circa 300.000 Token pro Sprache

• C-Or-DiAL als Teil des C-ORAL-ROM-Korpus: Spontansprache; 2004; Madrid

• derzeit nur als kostenpflichtige CD-ROM erhältlich

• in Albertina verfügbar

LT Corpus

• Korpus mit 70 Klassikern der portugiesischen Literatur (1810 – 1940), circa 1,7 Millionen Token

Materialien des Projekts „Norma Linguística Urbana Culta – RJ”

• kein Korpus im eigentlichen Sinne, jedoch sehr nützliche und nach Genres aufgeteilte Textsammlung des o. g. (Teil-)Projekts für Rio de Janeiro

• zum Teil auch Audios, sehr umfangreiche Metadokumentation

MODAL – Corpus annotated for Modality

• Spezialkorpus, das nach Modalität annotiert ist; 160.000 Token aus dem CRPC, nur PE

PF Corpus – Corpus Português Fundamental

• gesprochene Sprache; 1970 – 74; 700.000 Token

PTPARL Corpus (Portuguese Parliament Sessions Corpus)

• Korpus mit Daten aus dem portugiesischen Parlament, 1076 Texte, knapp 1 Million Token, PoS-tagged

Spoken Portuguese – Geographical and Social Varietie

• Korpus mit 86 transkribierten Audiodateien aus der gesamten Lusophonen Welt, Fokus auf PB und PE, aber auch andere Varietäten abgedeckt; circa 150.000 Token, PoS-tagged

• weiterer Link

Vocatives in Portuguese

• Spezialkorpus zu Vokativen im PE; 108 Sätze (davon 54 Targets und 54 Filler, 432 Audiodateien

WOchWel (Word Order and Word Order Change in Western European Languages)

• Korpus mit altport. Texten, PoS-tagged und syntaktisch annotiert

Colonia Corpus of Historical Portuguese

• 100 schriftliche Texte; 1500 – 1936; Brasilien und Portugal, circa 5,2 Millionen Token

Corpus de Textos Antigos

• Korpus mit circa 30 alt- und mittelportugiesischen Texten bis 1525

• philologischer Fokus, zum Teil verschiedene Editionen etc.

Corpus do GMPH

• Umfangreiche Textsammlung (12. – 20. Jahrhundert) downloadbar als Textdateien

Corpus Histórico do Português Tycho Brahe

• 76 schriftliche Texte; 14. – 20. Jahrhundert; 3,3 Millionen Token; syntaktisch und morphologisch annotiert; Korpus downloadbar

Corpus Informatizado do Português Medieval

• Korpus mit altportugiesischen Texten (12. – 16 Jahrhundert), circa 2 Millionen Token

Corpus Lexicográfico do Português

• Korpus mit 23 historischen Wörterbüchern/Grammatiken des Portugiesischen (16. – 18. Jahrhundert.), circa 530.000 Token

Corpus Vercial

• Korpus mit PE-Literatur, 309 Werke von 55 Autoren, von 1500 – 1933, circa 14,8 Millionen Token

LT Corpus

• Korpus mit 70 Klassikern der portugiesischen Literatur (1810 – 1940), circa 1,7 Millionen Token

Materialien des Projekts „Para uma História do Português do Brasil”

• kein Korpus im eigentlichen Sinne, jedoch sehr nützliche und nach Genres aufgeteilte Textsammlung des o. g. Projekts (17. – 20. Jahrhundert)

Project Post Scriptum

• Korpus mit privaten spanischen und portugiesischen Briefen vom 14. – 19. Jahrhundert, mit sehr viel Metainformationen über die Schreiber

• aufwendig getagged

CHILDES

• Sprachübergreifendes Projekt zum L1 Spracherwerb bei Kindern

• beinhaltet zahlreiche verschiedene spanische Teilkorpora aus verschiedensten portugiesischsprachigen Gebieten

• auch zweisprachige Konstellationen

Corpora of PLE

• L2-Lernerkorpus; 470 Texte von 397 Sprecherinnen und Sprechern (ausführliche Metainfo) mit insgesamt 28 verschiedenen Muttersprachen; circa 70.500 Token

Corpus Bipode

• „Video recordings of three German/Portuguese simultaneous bilingual children, starting at approx. 1 year and 6 months. One or two recordings each month until approx. 5 years and 6 months. In each recording session (interviewer/child interaction) the child is addressed in both languages in one Portuguese and one German part.“

• circa 250.000 Token

• E-Mail für Zugang

Corpus COPLE

• L2-Lernerkorpus; Sprecher mit 15 verschiedenen Muttersprachen, Niveaus A1bis C1
• circa 190.000 Token, circa 1000 Texte

Corpus de Produções Escritas de Aprendentes de PL2 (PEAPL2)

• sehr umfangreiches L2-Lernerkorpus (459 Sprecher, 39 verschiedene Muttersprachen, alle Altersstufen), knapp 150.000 Token

Corpus EFFE-ON

• Korpus mit gesprochener und geschriebener Sprache von portugiesischen Schulkindern (2. – 4. Klasse)

Corpus Leiria

• L2-Lernerkorpus; 218 Texte von 168 Sprecherinnen und Sprechern mit 16 verschiedenen Muttersprachen, circa 55.000 Token

Corpus Pestra

• L2-Lernerkorpus; 309 Texte von Sprecherinnen und Sprechern mit sechs verschiedenen Muttersprachen (circa 50 Texte pro Sprache, 68.000 Token, inklusive portugiesischer Kontrollgruppe)
• weiterer Link

Corpus CorTrad

• Metakorpus bestehend aus drei verschiedenen Parallelkorpora (journalistisch, literarisch, fachsprachlich) in PB

DGT Translation Memory

• Parallelkorpus mit EU-Dokumenten beschrieben als „database ofaligned sentences fromthe European Union’s legislative documents (AcquisCommunautaire) in 24 EU languages.”

• circa 54 Millionen Token

EUR-LEX Corpus

• multilinguales Korpus mit Rechtstexten der EU in 23 Sprachen, circa 595 Millionen Token für Portugiesisch

EUR-LEX Judgment Corpus

• multilinguales Korpus mit Rechtsurteilen der EU in 23 Sprachen, Subkorpus von EUR-LEX; circa 35 Millionen Token für Portugiesisch

EURPARL Corpus

• Parallelkorpus mit Daten aus den Parlament Proceedings der EU in 21 Sprachen, circa 54 Millionen Token für Portugiesisch

OPUS2 Parallel Corpus

• Parallelkorpus mit 40 Sprachen, verfügbar für PB und PE, 272 Millionen bzw. 298 Millionen Token; Texte aus dem Internet

Corpus de Referencia do Galego Actual (CORGA)

• verschiedene schriftliche Texte (Internetseiten, Zeitschriften, Drehbücher); 1975 – heute; circa 37 Millionen Token

Dicionario de Dicionarios (DdD)

• kein Korpus im eigentlichen Sinne, aber nützlich, da eine Art Metawörterbuch mit verschiedenen Wörterbüchern in der Datenbank  

Tesouro Informatizado da Lingua Galego (TILG)

• Korpus mit mehr als 3.000 Dokumenten (1612 – 2013), circa 30 Millionen Token, PoS-tagged, nach verschiedenen Genres durchsuchbar, auch mündlich vs. schriftlich

Siehe zusätzlich zu den hier gelisteten Korpora auch die Webseite des OPUS-Korpus mit weiteren Ressourcen und Parallel-Korpora, die im vorliegenden Dokument nur zum Teil gesondert aufgeführt sind. Siehe auch Fußnote 4 und hier insbesondere unter der Rubrik „Corpos paralelos/comparáveis”.

Bloques e Áreas Lingüísticas do Galego

• kein Korpus im eigentlichen Sinne, aber eine sehr nützliche interaktive und vertonte Textsammlung galicischer Dialekte, transkribiert
• basiert auf einer Buchpublikation von 1996

Arquivo do Galego Oral

• kein Korpus im eigentlichen Sinne, aber eine sehr nützliche interaktive und vertonte Textsammlung galicischer Dialekte und anderer Dia-Varietäten, transkribiert

Corpus Oral Informatizado de la Lengua Gallega

• aufwendig annotiertes Korpus des gesprochenen Galicisch, noch nicht freigeschaltet, eine Google-Suche lohnt sich immer!

Biblioteca Dixital da Galicia Medieval

• Korpus mit galicischen Dokumenten von den Anfängen bis zum 18. Jahrhundert, nach verschiedenen Genres durchsuchbar
• Metainformation nicht verfügbar, jedoch sehr umfangreich

Corpus Gondomar

• Korpus mit dem Ziel der Dokumentation aller schriftlichen Zeugnisse des Galicischen des 16. – 18. Jahrhundert („Séculos Escuros”), derzeit 83 Dokumente

Corpus Lingüístico da Galicia Medieval

• Korpus mit mittelalterlichen Dokumenten des Galicischen, nach verschiedenen Genres durchsuchbar (Lyrik, notarielle Produktion, historische Texte)
• Metainformation nicht verfügbar

Corpus Lexicográfico do Galego Medieval

• kein Korpus im eigentlichen Sinne, aber nützlich, da eine Art Metawörterbuch mit zahlreichen Glossaren/Wörterbüchern des Alt- und Mittelgalicischen  

Tesouro Informatizado da Lingua Galego

• Korpus mit mehr als 3.000 Dokumenten (1612 – 2013), circa 30 Millionen Token, PoS-tagged, nach verschiedenen Genres durchsuchbar, auch mündlich vs. schriftlich

Tesouro Medieval Informatizado da Lingua Galego

• Korpus mit 82 Dokumenten (Anfänge bis 1600), circa 16.000 Token, PoS-tagged, nach verschiedenen Genres durchsuchbar

Corpus CLUVI

• Großes Metakorpus bestehend aus 21 verschiedenen Parallelkorpora Galicisch-X, viele Sprachkombinationen verfügbar; insgesamt 49 Millionen Token

Corpus Paralelo SensoGal

• Parallelkorpus Englisch-Galicisch
• Metainformation nicht verfügbar

Corpus textual informatitzat de la llengua catalana (CTILC)

• über 52 Millionen Token; literarische und nicht-literarische Texte zwischen 1833 – 1988
• Distanzsprache
• lemmatisiert und PoS-tagged
• herausgegeben von Institut d’Estudis Catalans

Corpus de Català Contemporani de la Universitat de Barcelona (CCCUB)

• mündlich; zeitgenössisch; mit Audiodateien; kostenlos verfügbar
• bestehend aus vier Teilkorpora: Corpus Oral Dialectal (COD), Corpus de Varietats Socials (COS), Corpus Oral de Conversa Colloquial (COC), Corpus Oral de Registres (COR)

Catalan caTenTen

• Katalanisches Giga-Korpus aus Webseiten

Corpus de Català Contemporani de la Universitat de Barcelona (CCCUB)

• mündlich; zeitgenössisch; mit Audiodateien; kostenlos verfügbar

• bestehend aus vier Teilkorpora: Corpus Oral Dialectal (COD), Corpus de Varietats Socials (COS), Corpus Oral de Conversa Col·loquial (COC), Corpus Oral de Registres (COR)

NOCANDO

• beinhaltet mündliche Erzählungen auf Katalanisch, Italienisch, Spanisch, Englisch und Deutsch; Probanden mehrheitlich Studierende der Universitat Pompeu Fabra
• ca. 37.500 Wörter für das Katalanische

Corpus OBNEO (IULA)

• Sammlung von Neologismen im mündlichen und schriftlichen Sprachgebrauch, ab 1992
• herausgegeben vom Observatori de Neologia (Universitat Pompeu Fabra)

KonText: InterCorp v11 – Catalan

• ca. 124.000 Wörter; hauptsächlich fiktionale Texte, aber auch: politische Kommentare, Acquis Communautaire der EU, Filmuntertitel, Daten aus dem Europäischen Parlament, Bibelübersetzung
• herausgegeben von der Universität Prag

Corpus Ancora-CA

• relativ kleines, aber dafür sehr gut und aufwendig annotiertes Korpus sowohl des Spanischen als auch des Katalanischen; Fokus auf aktueller Pressesprache, jeweils ca. 500.000 Token

Catalan Wikicorpus

• Korpus der katalanischen Wikipedia zum Download
• ca. 50 Millionen Token
• tagged

Corpus Oral de l’Alguerès

• 21 transkribierte Interviews mit Sprechern aus Alghero (Sardinien), sehr heterogene Interviewlängen (drei Minuten bis zwei Stunden)
• transkribiert und häufig sogar mit Videoaufnahmen

Atles Interactiu de l’entonació del català

• prosodischer Atlas der ver. katalanischen Dialekte
• alle Interviews allerdings auch gefilmt und transkribiert

Audiovisuelle Datenbank des Katalanischen der Costa Brava

• transkribierte und verfilmte Interviews

Corpus Informatitzat del Català Antic

• 11. – 18. Jahrhundert
• 414 Texte
• lemmatisiert

COVALT

• beinhaltet Übersetzungen narrativer Texte aus dem Deutschen, Englischen, Französischen ins Katalanische und Spanische
• Login/Account nötig

CHILDES

• sprachübergreifendes Projekt zum L1 Spracherwerb bei Kindern
• beinhaltet zahlreiche ver. katalanische Teilkorpora die hier eingesehen werden