English text here
868.294 frases con licenza libre (CC0) en galego, recollidas polo Proxecto Nós co fin de alimentar o corpus textual de Mozilla Common Voice.
As frases foron cedidas á Universidade de Santiago de Compostela por diferentes institucións públicas ou privadas, ás que agradecemos a colaboración.
Sobre este material, dentro do marco do Proxecto Nós, levouse a cabo unha serie de transformacións: segmentación das frases orixinais, filtrado pola lonxitude e, no seu caso, adaptación para cumprir cos requisitos de Common Voice (normalización de números, abreviacións e siglas, eliminación de palabras estranxeiras, adecuación de contido, corrección gramatical etc.).
Para o preprocesamento e procesamento dos corpus empregáronse os scripts dispoñibles aquí, xunto coa ferramenta Sentence Extractor.
Os corpus resultantes, publicados aquí de forma libre de dereitos, son os seguintes:
166.229 frases extraídas das transcricions dos debates do Parlamento de Galicia durante un periodo de 7 anos (2015-2022). O material orixinal e de acceso público e permite a reproduccion autorizada sempre que se cite a fonte. Ademais das transformacións mencionadas máis arriba, os nomes propios presentes neste corpus foron anonimizados.
166.951 frases extraídas dos guións dos programas de informativos diarios da Televisión de Galicia (TVG) entre os anos 2019-2022.
140.104 frases extraídas dos números do periódico Nós Diario publicados entre os anos 2012-2022.
89.688 frases extraídas dos números do periódico Praza.gal publicados entre os anos 2012-2022.
Corpus formado por 305.322 frases recollidas polo Proxecto Nós de diversas fontes polo que está integrado, á súa vez, por diferentes subconxuntos.
Máis de 190.000 frases extraídas de publicacións cedidas ao Proxecto Nós da Universidade de Santiago de Compostela mediante acordos de cesión de datos:
- 84.106 frases procedentes da Gran Enciclopedia Galega cedidas pola Xunta de Galicia e de textos cedidos polo Consello da Cultura Galega.
- 7.388 frases procedentes de novelas cedidas pola editorial Hugín & Muñín.
- 12.944 frases procedentes da publicación "Tempos Dixital" e a revista "A Trabe de Ouro" cedidas pola entidade Atlántica de Comunicación.
- 28.949 frases procedentes de publicacións cedidas pola Editorial Galaxia.
- 12.918 frases procedentes da revista "Tempo Exterior" e outros contidos da web cedidas polo Instituto Galego de Documentación (IGADI).
- 692 frases procedentes do corpus CLUVI, cedidas polo Instituto da Lingua Galega (USC).
- 14.492 frases procedentes de Publicacións da USC, concretamente da Colección de Clásicos.
- 6.873 frases procedentes de Publicacións periódicas da USC (revistas, artigos, etc.).
- 22.257 frases procedentes de varias fontes.
Subcorpus formado por 86.652 frases extraídas dos números de publicacións do Diario Dixital da Costa da Morte Quepasanacosta.
Subconxunto de 28.051 frases extraídas das definicións dos termos publicados no Dicionario da Real Academia Galega (DRAG).
No marco do Proxecto ILENIA, o Proxecto Nós tamén participou na creación do dataset multilingüe Escagleu que se pode consultar aquí.
Este conxunto de datos produciuse no marco do Proxecto Nós, financiado polo Ministerio para a Transformación Dixital e da Función Pública e polo Plan de Recuperación, Transformación e Resiliencia – Financiado pola Unión Europea – NextGenerationEU, dentro do marco do Proxecto Ilenia con referencia 2022/TL22/00215336. Tamén recibiu apoio desde o programa Investigo (PRTR - NextGenerationEU).
Agradecemos a amabilidade de todos os provedores de datos citados máis arriba en proporcionar os datos orixinais.
Se usas este dataset, cítanos como se indica a continuación: Adina Ioana Vladu, Noelia García Díaz, Daniel Fernández López, Marta Vázquez Abuín, Patricia Ramos Maceiras, María Janeiro Cerqueiro, Cristian Canosa Pérez, José Javier Francisco Marini, Elisa Fernández Rei (2024). nos_gl_CC0