Projekt Paralelní korpus románských jazyků a chorvatštiny (RomCro) byl zahájen v roce 2019 na katedře románské lingvistiky Katedry romanistiky Fakulty humanitních a sociálních věd Záhřebské univerzity. Korpus sdružuje pět románských jazyků (francouzštinu, portugalštinu, rumunštinu, italštinu, španělštinu a nedávno katalánštinu) a díky zařazení chorvatštiny přispívá k rozšíření stávajících jazykových zdrojů pro chorvatštinu. Skládá se z literárních textů z 20. a 21. století, přičemž každý text v původním jazyce je doplněn překlady do dalších jazyků.
Korpus RomCro vznikl za podpory Fakulty humanitních a společenských věd Univerzity v Záhřebu v letech 2019 až 2025. Nová verze byla rovněž vyvinuta v rámci projektu podporovaného Chorvatskou vědeckou nadací a financovaného Evropskou unií – NextGenerationEU (číslo projektu: MOBODL 2023 08 9511). Nová verze korpusu obsahuje tři nové tituly v portugalštině a chorvatštině. Dále byl přidán šestý románský jazyk, katalánština, a to integrací stávajících katalánských překladů a zařazením tří katalánských románů s překlady do jiných jazyků. Ve srovnání s první verzí korpusu (není dostupná v ČNK; viz také tabulka 1) obsahuje RomCro v.2.0 54 nových textů, o 24 200 překladových jednotek více a o 3,7 milionu slov více, což činí celkem 19,4 milionu slov.
| RomCro v.1.0 | RomCro v.2.0 | Rozdíl | |
|---|---|---|---|
| jazyky | 6 | 7 | 1 |
| překladové jednotky | 142,470 | 166,742 | 24,272 |
| originály | 27 | 33 | 6 |
| počet textů | 159 | 213 | 54 |
| velikost (v milionech slov) | 15.7 | 19.4 | 3.7 |
RomCro byl anotován nástrojem UDPipe podle standardu Universal Dependencies (UD), což znamená, že je nejen lematizován a morfologicky označkován, ale jeho anotace zahrnuje také syntax. RomCro je zpřístupněn prostřednictvím uživatelského rozhraní KonText podobně jako UD verze paralelního korpusu InterCorp.
Bikić-Carić, G. – Mikelenić, B. – Bezlaj, M. (2023). Construcción del RomCro, un corpus paralelo multilingüe. Procesamiento del Lenguaje Natural, 70. Sociedad Española para el Procesamiento del Lenguaje Natural, 99–110.
Mikelenić, B. – Bikić-Carić, G. – Bezlaj, M. – Oliver, A. – Tadić, M. (2025). RomCro v.2.0 - Parallel corpus of Romance languages and Croatian, HR-CLARIN, http://hdl.handle.net/20.500.14615/2-16
* Článek z roku 2023 popisuje vytvoření korpusu RomCro v.1.0, zatímco záznam v repozitáři z roku 2025 odkazuje na RomCro v.2.0 v repozitáři HR-CLARIN. Při odkazování na tento korpus prosím uveďte oba zdroje.