Obsah
- 1. Korpusy písaných textov − synchrónne, všeobecné
- 2. Korpusy písaných textov − synchrónne, špecializované
- 3. Korpusy písaných textov − paralelné
- 4. Korpusy písaných textov spred roka 1954
- 5. Historický korpus
- 6. Korpusy hovorených prejavov − synchrónne, štandardné
- 7. Korpusy nárečí SNK
1. Korpusy písaných textov − synchrónne, všeobecné
| korpus | rozsah − počet tokenov / počet slov | lematizácia, morfologická anotácia | rok zverejnenia | charakteristika korpusu | atribúty | štruktúry |
1 688 mil. tokenov / 1 355 mil. slov | áno | 2022 | všetky verejne prístupné texty SNK (71,0 % publicistické, 16,8 % umelecké, 11,3 % odborné, 0,9 % iné texty) | word, lemma, tag, word_lc lemma_lc | doc, s, p, g, noise, hi | |
1 650 mil. tokenov / 1 323 mil. slov | áno | 2022 | bez textov s nesprávnou diakritikou, spred roka 1955, z oblastí mimo Slovenska a z lingvistických časopisov | word, lemma, tag, word_lc, lemma_lc | doc, s, p, g, noise, hi | |
572 mil. tokenov / 459 mil. slov | áno | 2022 | vyvážený podkorpus (33,3 % publicistické, 33,3 % umelecké, 33,3 % odborné texty) | word, lemma, tag, word_lc, lemma_lc | doc, s, p, g, noise, hi | |
1 163 mil. tokenov / 932 mil. slov | áno | 2022 | podkorpus publicistických (informatívnych) textov | word, lemma, tag, word_lc, lemma_lc | doc, s, p, g, noise, hi | |
189 mil. tokenov / 153 mil. slov | áno | 2022 | podkorpus vedeckých, odborných a populárno-náučných textov | word, lemma, tag, word_lc, lemma_lc | doc, s, p, g, hi | |
283 mil. tokenov / 226 mil. slov | áno | 2022 | podkorpus umeleckých textov | word, lemma, tag, word_lc, lemma_lc | doc, s, p, g, hi | |
1 361 mil. tokenov / 1 093 mil. slov | áno | 2022 | podkorpus pôvodných slovenských textov | word, lemma, tag, word_lc, lemma_lc | doc, s, p, g, hi | |
97 mil. tokenov / 78 mil. slov | áno | 2022 | podkorpus pôvodných slovenských umeleckých textov | word, lemma, tag, word_lc, lemma_lc | doc, s, p, g, hi | |
109 mil. tokenov / 87 mil. slov | áno | 2022 | osobitný korpus textov z rokov 1955 – 1989 (4,0 % publicistické, 81,2 % umelecké, 11,1 % odborné, 3,7 % iné texty) | word, lemma, tag, prec, word_lc, lemma_lc | doc, s, p, g, hi | |
1 652 mil. tokenov / 1 282 mil. slov | áno | 2020 | všetky verejne prístupné texty SNK (74,0 % publicistické, 16,0 % umelecké, 9,2 % odborné, 0,9 % iné texty) | word, lemma, tag, prec, word_lc lemma_lc | doc, s, p, g, noise, hi | |
1 621 mil. tokenov / 1 257 mil. slov | áno | 2020 | bez textov s nesprávnou diakritikou, spred roka 1955, z oblastí mimo Slovenska a z lingvistických časopisov | word, lemma, tag, prec, word_lc, lemma_lc | doc, s, p, g, noise, hi | |
454 mil. tokenov / 355 mil. slov | áno | 2020 | vyvážený podkorpus (33,3 % publicistické, 33,3 % umelecké, 33,3 % odborné texty) | word, lemma, tag, prec, word_lc, lemma_lc | doc, s, p, g, noise, hi | |
1 194 mil. tokenov / 920 mil. slov | áno | 2020 | podkorpus publicistických (informatívnych) textov | word, lemma, tag, prec, word_lc, lemma_lc | doc, s, p, g, noise, hi | |
150 mil. tokenov / 117 mil. slov | áno | 2020 | podkorpus vedeckých, odborných a populárno-náučných textov | word, lemma, tag, prec, word_lc, lemma_lc | doc, s, p, g, hi | |
263 mil. tokenov / 208 mil. slov | áno | 2020 | podkorpus umeleckých textov | word, lemma, tag, prec, word_lc, lemma_lc | doc, s, p, g, hi | |
1 258 mil. tokenov / 977 mil. slov | áno | 2020 | podkorpus pôvodných slovenských textov | word, lemma, tag, prec, word_lc, lemma_lc | doc, s, p, g, hi | |
93 mil. tokenov / 74 mil. slov | áno | 2020 | podkorpus pôvodných slovenských umeleckých textov | word, lemma, tag, prec, word_lc, lemma_lc | doc, s, p, g, hi | |
99 mil. tokenov / 79 mil. slov | áno | 2020 | osobitný korpus textov z rokov 1955 – 1989 (4,5 % publicistické, 78,6 % umelecké, 12,4 % odborné, 4,4 % iné texty) | word, lemma, tag, prec, word_lc, lemma_lc | doc, s, p, g, hi | |
1 477 mil. tokenov / 1 160 mil. slov | áno | 2018 | všetky verejne prístupné texty SNK (71,1 % publicistické, 15,4 % umelecké, 8,5 % odborné, 5,0 % iné texty) | word, lemma, tag, prec, word_lc lemma_lc | doc, s, p, g, noise, hi | |
1 369 mil. tokenov / 1 076 mil. slov | áno | 2018 | bez textov s nesprávnou diakritikou, spred roka 1955, z oblastí mimo Slovenska a z lingvistických časopisov | word, lemma, tag, prec, word_lc, lemma_lc | doc, s, p, g, noise, hi | |
377 mil. tokenov / 298 mil. slov | áno | 2018 | vyvážený podkorpus (33,3 % publicistické, 33,3 % umelecké, 33,3 % odborné texty) | word, lemma, tag, prec, word_lc, lemma_lc | doc, s, p, g, noise, hi | |
1 010 mil. tokenov / 791 mil. slov | áno | 2018 | podkorpus publicistických (informatívnych) textov | word, lemma, tag, prec, word_lc, lemma_lc | doc, s, p, g, noise, hi | |
122 mil. tokenov / 96 mil. slov | áno | 2018 | podkorpus vedeckých, odborných a populárno-náučných textov | word, lemma, tag, prec, word_lc, lemma_lc | doc, s, p, g, hi | |
224 mil. tokenov / 178 mil. slov | áno | 2018 | podkorpus umeleckých textov | word, lemma, tag, prec, word_lc, lemma_lc | doc, s, p, g, hi | |
1 043 mil. tokenov / 822 mil. slov | áno | 2018 | podkorpus pôvodných slovenských textov | word, lemma, tag, prec, word_lc, lemma_lc | doc, s, p, g, hi | |
83 mil. tokenov / 66 mil. slov | áno | 2018 | podkorpus pôvodných slovenských umeleckých textov | word, lemma, tag, prec, word_lc, lemma_lc | doc, s, p, g, hi | |
84 mil. tokenov / 67 mil. slov | áno | 2018 | osobitný korpus textov z rokov 1955 – 1989 (5,3 % publicistické, 75,3 % umelecké, 14,0 % odborné, 5,4 % iné texty) | word, lemma, tag, prec, word_lc, lemma_lc | doc, s, p, g, hi | |
1 250 mil. tokenov / 972 mil. slov | áno | 2015 | všetky verejne prístupné texty SNK (65,1 % publicistické, 15,1 % umelecké, 9,5 % odborné, 10,3 % iné texty) | word, lemma, tag, prec | doc, s, p, g | |
1 089 mil. tokenov / 849 mil. slov | áno | 2015 | bez textov s nesprávnou diakritikou, spred roka 1955, z oblastí mimo Slovenska a z lingvistických časopisov | word, lemma, tag, prec | doc, s, p, g | |
341 mil. tokenov / 267 mil. slov | áno | 2015 | vyvážený podkorpus (33,3 % publicistické, 33,3 % umelecké, 33,3 % odborné texty) | word, lemma, tag, prec | doc, s, p, g | |
771 mil. tokenov / 597 mil. slov | áno | 2015 | podkorpus publicistických (informatívnych) textov | word, lemma, tag, prec | doc, s, p, g | |
114 mil. tokenov / 89 mil. slov | áno | 2015 | podkorpus vedeckých, odborných a populárno-náučných textov | word, lemma, tag, prec | doc, s, p, g | |
188 mil. tokenov / 149 mil. slov | áno | 2015 | podkorpus umeleckých textov | word, lemma, tag, prec | doc, s, p, g | |
807 mil. tokenov / 630 mil. slov | áno | 2015 | podkorpus pôvodných slovenských textov | word, lemma, tag, prec | doc, s, p, g | |
65 mil. tokenov / 52 mil. slov | áno | 2015 | podkorpus pôvodných slovenských umeleckých textov | word, lemma, tag, prec | doc, s, p, g | |
67 mil. tokenov / 54 mil. slov | áno | 2015 | osobitný korpus textov z rokov 1955 – 1989 (7,4 % publicistické, 69,3 % umelecké, 16,6 % odborné, 6,7 % iné texty) | word, lemma, tag, prec | doc, s, p, g | |
830 mil. tokenov / 656 mil. slov | áno | 2013 | všetky verejne prístupné texty SNK: 68,8 % publicistické, 13,9 % umelecké, 15,3 % odborné, 2 % iné texty | word, lemma, tag, prec | doc, s, p, g | |
773 mil. tokenov / 610 mil. slov | áno | 2013 | bez textov s nesprávnou diakritikou, spred roka 1955, z oblastí mimo Slovenska a z lingvistických časopisov | word, lemma, tag, prec | doc, s, p, g | |
317 mil. tokenov / 252 mil. slov | áno | 2013 | vyvážený; podkorpus: 33,3 % publicistické, 33,3 % umelecké, 33,3 % odborné texty | word, lemma, tag, prec | doc, s, p, g | |
541 mil. tokenov / 425 mil. slov | áno | 2013 | podkorpus publicistických (informatívnych) textov | word, lemma, tag, prec | doc, s, p, g | |
106 mil. tokenov / 84 mil. slov | áno | 2013 | podkorpus vedeckých, odborných a populárno-náučných textov | word, lemma, tag, prec | doc, s, p, g | |
114 mil. tokenov / 91 mil. slov | áno | 2013 | podkorpus umeleckých textov | word, lemma, tag, prec | doc, s, p, g | |
558 mil. tokenov / 441 mil. slov | áno | 2013 | podkorpus pôvodných slovenských textov | word, lemma, tag, prec | doc, s, p, g | |
35 mil. tokenov / 28 mil. slov | áno | 2013 | podkorpus pôvodných slovenských umeleckých textov | word, lemma, tag, prec | doc, s, p, g | |
63 mil. tokenov / 51 mil. slov | áno | 2013 | osobitný korpus textov z rokov 1955 – 1989: 11,9 % publicistika, 55,5 % umelecké, 24,1 % odborné, 8,5 % iné texty | word, lemma, tag, prec | doc, s, p, g | |
1 155 mil. tokenov / 939 mil. slov | áno | 2013 | všetky verejne prístupné texty SNK: 77,8 % publicistické, 9,8 % umelecké, 11 % odborné, 1,4 % iné texty | word, lemma, tag, prec | doc, s, p, g | |
719 mil. tokenov / 599 mil. slov | áno | 2011 | všetky verejne prístupné texty SNK: 73 % publicistické, 14 % umelecké, 12 % odborné, 1 % iné texty | word, lemma, tag, prec | doc, s, p, br, noise, picture, head, hi, equation, table | |
526 mil. tokenov / 429 mil. slov | áno | 2009 | všetky verejne prístupné texty SNK: 65 % publicistické, 17 % umelecké, 16 % odborné, 2 % iné texty | word, lemma, tag, prec | doc, s, p, br, noise, picture, head, hi, equation, table | |
339 mil. tokenov / 276 mil. slov | áno | 2007 | všetky verejne prístupné texty SNK: 57 % publicistické, 21,5 % umelecké, 18,5 % odborné, 3 % iné texty | word, lemma, tag, hlemma, htag | doc, s, p, br, noise, picture, head, hi, equation, table | |
294 mil. tokenov / 240 mil. slov | áno | 2006 | všetky verejne prístupné texty SNK: 63 % publicistické, 20 % umelecké, 12 % odborné, 5 % iné texty | word, lemma, tag, hlemma, htag | doc, s, p, br, noise, picture, head, hi, equation, table | |
4 042 mil. tokenov / 3 326 mil. slov | áno | 2020 | korpus slovenských textov dostupných na webe | word, lemma, tag, prec, word_lc, lemma_lc | doc, p, s, g, pgap, sgap | |
2 963 mil. tokenov / 2 440 mil. slov | áno | 2018 | korpus slovenských textov dostupných na webe | word, lemma, tag, prec, word_lc, lemma_lc | doc, p, s, g, pgap, sgap | |
2 372 mil. tokenov / 1 993 mil. slov | áno | 2015 | korpus slovenských textov dostupných na webe | word, lemma, tag, prec | doc, p, s, g, gap | |
51 mil. tokenov / 38 mil. slov | áno | 2020 | korpus slovenských textov z Wikipédie | word, lemma, tag, prec | doc, s, p, m, g | |
47 mil. tokenov / 35 mil. slov | áno | 2018 | korpus slovenských textov z Wikipédie a Necyklopédie | word, lemma, tag, prec | doc, s, p | |
45 mil. tokenov / 34 mil. slov | áno | 2017 | korpus slovenských textov z Wikipédie a Necyklopédie | word, lemma, tag, prec | doc, s, p | |
43 mil. tokenov / 34 mil. slov | áno | 2016 | korpus slovenských textov z Wikipédie a Necyklopédie | word, lemma, tag, prec | doc, s, p | |
40 mil. tokenov / 32 mil. slov | áno | 2015 | korpus slovenských textov z Wikipédie a Necyklopédie | word, lemma, tag, prec | doc, s, p | |
253 mil. tokenov / 203 mil. slov | áno | 2018 | Z referenčného korpusu prim-7.0-frk boli napočítané hodnoty pre Frekvenčný slovník slovenčiny na báze Slovenského národného korpusu a vybrané doklady uvedené v publikácii Skloňovanie podstatných mien v slovenčine s korpusovými príkladmi. | word, lemma, tag, prec | doc, s, p, g | |
1,2 mil. tokenov / 978 000 slov | áno | 2017 | ručne morfologicky anotovaný korpus SNK: 30,6 % publicistické, 50,2 % umelecké, 19,2 % odborné texty | word, lemma, tag | doc, s, p, br, noise, picture, head, hi, equation, table | |
1,2 mil. tokenov / 978 000 slov | áno | 2016 | ručne morfologicky anotovaný korpus SNK: 28,5 % publicistické, 44,5 % umelecké, 27 % odborné texty | word, lemma, tag | doc, s, p, br, noise, picture, head, hi, equation, table | |
1,2 mil. tokenov / 977 000 slov | áno | 2013 | ručne morfologicky anotovaný korpus SNK: 36,2 % publicistické, 44,9 % umelecké, 18,9 % odborné texty | word, lemma, tag | doc, s, p, hi |
2. Korpusy písaných textov − synchrónne, špecializované
| korpus | rozsah − počet tokenov / počet slov | lematizácia, morfologická anotácia | rok zverejnenia | charakteristika korpusu | atribúty | štruktúry |
| blf-2.0 | 66 mil. tokenov / 54 mil. slov | áno | 2014 | korpus náboženských textov | word, lemma, tag, prec | doc, s, p, g |
1,6 mil. tokenov / 1,2 mil. slov | áno | 2014 | korpus copywriterských textov | word, lemma, tag, prec | doc, s, p, g | |
165 mil. tokenov / 140 mil. slov | áno | 2016 | korpus ekonomických textov: 3,76 % odborných a 96,24 % publicistických textov z ekonómie, bankovníctva, obchodu, manažmentu a tovaroznalectva | word, lemma, tag, prec | doc, s, p, g | |
20 mil. tokenov / 17 mil. slov | áno | 2014 | korpus ekonomických textov: 81,4 % odborných a 18,6 % publicistických textov z ekonómie, bankovníctva, obchodu, manažmentu a tovaroznalectva | word, lemma, tag, prec | doc, s, p, g | |
39 mil. tokenov / 30 mil. slov | áno | 2016 | korpus humanitných textov | word, lemma, tag, prec | doc, s, p, g | |
1,5 mil. tokenov / 1,3 mil. slov | áno | 2015 | korpus súdnych rozhodnutí | word, lemma, tag, prec | doc, s, p | |
49 mil. tokenov / 40 mil. slov | áno | korpus právnych textov (deduplikovaný) | word, lemma, tag, ftag, rgtag | doc, p, s, s0, g | ||
147 mil. tokenov / 114 mil. slov | áno | 2011 | korpus právnych textov |
3. Korpusy písaných textov − paralelné
| korpus | rozsah − počet tokenov / počet slov | lematizácia, morfologická anotácia | rok zverejnenia (zverejnenie prvej verzie) | charakteristika korpusu | atribúty | štruktúry |
163 mil. tokenov / 108 mil. slov | áno, obidva jazyky | 2014 (2014) | slovensko-bulharský paralelný korpus: 78 mil. tokenov v slovenskej časti, 85 mil. tokenov v bulharskej časti | word, lemma, tag | doc, s | |
418 mil. tokenov / 306 mil. slov | áno, obidva jazyky | 2016 (2010) | slovensko-český paralelný korpus: 209 mil. tokenov v slovenskej časti, 209 mil. tokenov v českej časti | word, lemma, tag | doc, s | |
31,5 mil. tokenov / 25,0 mil. slov | áno, obidva jazyky | 2018 (2010) | slovensko-český paralelný korpus, podkorpus beletrie: 15,7 mil. tokenov v slovenskej časti, 15,8 mil. tokenov v českej časti | word, lemma, tag | doc, s | |
446 mil. tokenov / 300 mil. slov | áno, obidva jazyky | 2016 (2014) | slovensko-nemecký paralelný korpus: 220 mil. tokenov v slovenskej časti, 226 mil. tokenov v nemeckej časti | word, lemma, tag | doc, s | |
556 mil. tokenov / 436 mil. slov | áno, obidva jazyky | 2015 (2010) | slovensko-anglický paralelný korpus: 261 mil. tokenov v slovenskej časti, 295 mil. tokenov v anglickej časti | word, lemma, tag | doc, s | |
449 mil. tokenov / 332 mil. slov | áno, obidva jazyky | 2016 (2006) | slovensko-francúzsky paralelný korpus: 217 mil. tokenov v slovenskej časti, 232 mil. tokenov vo francúzskej časti | word, lemma, tag | doc, s | |
99 mil. tokenov / 75 mil. slov | áno, obidva jazyky | 2015 (2014) | slovensko-maďarský paralelný korpus: 51 mil. tokenov v slovenskej časti, 48 mil. tokenov v maďarskej časti | word, lemma, tag | doc, s | |
3,9 mil. tokenov | áno, obidva jazyky | 2015 (2014) | slovensko-maďarský paralelný korpus: 2,0 mil. tokenov v slovenskej časti, 1,9 mil. tokenov v maďarskej časti | word, lemma, tag | doc, s | |
5,0 mil. tokenov / 4,1 mil. slov | áno, obidva jazyky | 2018 (2012) | slovensko-latinský paralelný korpus: 2,7 mil. tokenov v slovenskej časti, 2,3 mil. tokenov v latinskej časti | word, lemma, tag | doc, s | |
8,2 mil. tokenov / 6,5 mil. slov | áno, obidva jazyky | 2018 (2018) | slovensko-poľský paralelný korpus: 4,1 mil. tokenov v slovenskej časti, 4,1 mil. tokenov v poľskej časti | word, lemma, tag | doc, s | |
1,3 mil. tokenov / 1,0 mil. slov | áno, obidva jazyky | 2017 (2016) | slovensko-rumunský paralelný korpus: 603 000 tokenov v slovenskej časti, 689 000 tokenov v rumunskej časti | word, lemma, tag | doc, s | |
8,5 mil. tokenov / 6,6 mil. slov | áno, obidva jazyky | 2014 (2012) | slovensko-ruský paralelný korpus: 4,2 mil. tokenov v slovenskej časti, 4,2 mil. tokenov v ruskej časti | word, lemma, tag | doc, s |
4. Korpusy písaných textov spred roka 1954
| korpus | rozsah − počet tokenov / počet slov | lematizácia, morfologická anotácia | rok zverejnenia | charakteristika korpusu | atribúty | štruktúry |
2,1 mil. tokenov / 1,6 mil. slov | nie | 2015 | korpus textov z r. 864 − 1843 | word | doc, s, p, g | |
24 mil. tokenov / 19 mil. slov | nie | 2015 | korpus textov z r. 1843 − 1954 | word | doc, s, p, g |
5. Historický korpus
| korpus | rozsah − počet tokenov / počet slov | lematizácia, morfologická anotácia | rok zverejnenia | charakteristika korpusu | atribúty | štruktúry |
998 000 tokenov / 731 000 slov | nie | 2020 | Historický korpus slovenčiny | word, lemma | doc, s, p, g, noise, rem, miss | |
918 000 tokenov / 668 000 slov | nie | 2016 | Historický korpus slovenčiny | word, lemma | doc, s, p, g | |
836 000 tokenov / 600 000 slov | nie | 2015 | Historický korpus slovenčiny | word, lemma | doc, s, p, g | |
552 000 tokenov / 422 000 slov | nie | 2014 | Historický korpus slovenčiny | word, lemma | doc, s, p, g | |
371 000 tokenov | nie | 2012 | Historický korpus slovenčiny | word, nword | doc, s, p, g |
6. Korpusy hovorených prejavov − synchrónne, štandardné
| korpus | rozsah − počet tokenov / počet slov | lematizácia, morfologická anotácia | rok zverejnenia | charakteristika korpusu | atribúty | štruktúry |
6,6 mil. tokenov / 5,5 mil. slov | áno | 2017 | Slovenský hovorený korpus | word, pron, lemma, tag, prec | štruktúry pre s-hovor-6.0 | |
5,7 mil. tokenov / 4,7 mil. slov | áno | 2015 | Slovenský hovorený korpus | word, pron, lemma, tag, prec | doc, section, turn, event, sync, background, who, spk | |
2,6 mil. tokenov / 2,2 mil. slov | áno | 2012 | Slovenský hovorený korpus | word, pron, lemma, tag, prec | doc, section, turn, event, sync, background, who, spk | |
2,1 mil. tokenov / 1,4 mil. slov | áno | 2011 | Slovenský hovorený korpus | word, pron, lemma, tag, dcount | doc, section, turn, event, sync, background, who | |
679 000 tokenov / 561 000 slov | áno | 2010 | Slovenský hovorený korpus | word, pron, lemma, tag, dcount | doc, section, turn, event, sync, background, who | |
128 000 tokenov / 104 000 slov | áno | 2008 | Slovenský hovorený korpus | word, pron, lemma, tag, dcount | doc, section, turn, event, sync, background, who |
7. Korpusy nárečí SNK
| korpus | rozsah – počet tokenov / počet slov | lematizácia, morfologická anotácia | rok zverejnenia | charakteristika korpusu | atribúty | štruktúry |
712 000 tokenov / 571 000 slov | nie | 2020 | Korpus nárečí Slovenského národného korpusu | word, lemma | doc, spk, s, p, rem | |
495 000 tokenov / 403 000 slov | nie | 2016 | Korpus nárečí Slovenského národného korpusu | word, lemma | doc, spk, s, p, rem | |
329 000 tokenov / 252 000 slov | nie | 2015 | Korpus nárečí Slovenského národného korpusu | word, lemma | doc, spk, s, p, rem | |
74 000 tokenov / 55 000 slov | nie | 2014 | Korpus nárečí Slovenského národného korpusu | word, lemma | doc, s, p |