Korpus InterCorp verze 17ud

Podrobnější údaje ukazuje nástroj InterCorp Tools, který nahrazuje tabulky a grafy, uváděné v dokumentaci předchozích verzí. Jeho součástí je i Síň slávy se jmény všech, kdo se ve verzi 17ud podíleli na přípravě nových textů do jádra InterCorpu.

Podrobný seznam změn v porovnání s předchozí verzí je uveden v historii verzí.

Jádrem korpusu InterCorp jsou ručně zarovnané, převážně beletristické texty, ale i menší podíl jiných textových typů, např. divadelních her nebo poezie. Kromě toho korpus obsahuje také nabídku automaticky zpracovaných textů, tzv. kolekce. Ve verzi 17ud jsou k dispozici tyto kolekce:

• publistické články a zpravodajství z webových stránek Project Syndicate a VoxEurop (dříve PressEurop)
• právní texty Evropské unie z korpusu Acquis Communautaire (Acquis)
• zápisy jednání Evropského parlamentu z let 2007–2011 z korpusu Europarl (Europarl)
• filmové titulky z databáze OpenSubtitles (Subtitles)
• překlady Bible
• přepisy přednášek z projektu TED Talks

Celkový rozsah zpřístupněné části korpusu ve verzi 17ud zveřejněné v říjnu 2026 činí 5 340 milionů slov, z toho 527 milionů slov v jádru a 4 813 milionů slov v kolekcích. Podrobnosti viz InterCorp Tools.

• Z celkového počtu 63 jazyků (včetně češtiny) je ve verzi 17ud lingvisticky anotovaných 48; všechny takové jazyky jsou navíc vybaveny i syntaktickou anotací.
• Texty jsou ve všech jazycích anotované stejně, a to podle standardu Universal Dependencies (UD).
• Verze 17ud je první, která je anotována jen takto. Poslední verze morfologicky anotovaná jazykově specifickými značkami je verze 16.
• Podrobný popis využití anotace podle UD v korpusu InterCorp najdete pod heslem Universal Dependencies ve Slovníčku pojmů ČNK.
• Stejně jako verze 16ud obsahuje i verze 17ud metriky syntaktické komplexity a lexikální diverzity.
• Anotaci provedl u všech 48 jazyků kromě čínštiny nástroj UDPipe na základě dat vytvořených v projektu UD.¹⁾ Anotaci čínštiny provedl nástroj Trankit s pomocí skriptů vytvořených Benjaminem Reevesem.

• Metadata (např. název textu, autor nebo jazyk originálu), jsou u většiny textů k dispozici jako atributy strukturních prvků jako je text nebo věta.
• Chcete-li zobrazit seznam takových atributů a vybrat ty, které se mají zobrazit ve výsledcích dotazu v nástroji KonText, zvolte InterCorp 17ud, příslušný jazyk, a pak v nabídce Zobrazení a Korpusová nastavení přejděte na položku Struktury nebo Reference .

Děkujeme za možnost využívat následující texty a software:

• za možnost zařadit do korpusu 13. opravené vydání Českého ekumenického překladu Bible z roku 2016 děkujeme České biblické společnosti, zvláště Petru Fryšovi
• beletristické texty v řadě slovanských i jiných jazyků z korpusu ASPAC – Amsterdam Slavic Parallel Aligned Corpus – zvláštní poděkování patří Adrianu Barentsenovi
• publicistické texty ve více jazycích z webových stránek Project Syndicate
• publicistické texty ve více jazycích ze serveru VoxEurop
• právnické texty v jazycích EU z korpusu JRC-ACQUIS
• jednání Evropského parlamentu z korpusu EuroParl
• slovensko-české konkordance ze Slovenského národního korpusu
• povídky ve více jazycích z projektu Můj rok 1989 z Goethe Institutu
• za více textů v česko-litevské části korpusu a za práci Jiřího Levého Umění překladu ve více jazycích vděčíme Patricku Cornessovi
• román George Orwella 1984 ve více jazycích z korpusu Multext-East
• ukrajinské a polské texty z korpusu PolUkr
• norské texty z nakladatelství Forlaget Oktober
• filmové titulky z databáze Open Subtitles
• přepisy přednášek z projektu TED

• editor paralelních textů InterText (autor Pavel Vondřička)
• zarovnávač Hunalign
• větný segmentátor pro češtinu (autor Pavel Květoň)
• větný segmentátor pro norštinu (autoři Jarle Ebeling a Pavel Vondřička)
• větný segmentátor Punkt pro všechny ostatní jazyky ze sady Natural Language Toolkit

• UDPipe (s poděkováním Janě a Milanovi Strakovým, Danu Zemanovi a Martinu Popelovi)