Tekstlaboratoriets engelske korpus og programmer

Navn	Type	Eget søkegrensesnitt	Ant. ord	Medium	Annet
British National Corpus	BL	Nei	100 mill.	CD-ROM	Britisk engelsk. Se nettsiden
Brown Corpus	BL	Nei	1,0 mill.	Nettverk	Amerikansk engelsk
CHILDES	BL	?	?	CD-ROM	Barnespråk
Helsinki Corpus	BL	Nei	1,5 mill.	Nettverk	Diakrone tekster
Kolhapur Corpus	BL	Nei	1,0 mill.	Nettverk	Indisk engelsk
LOB Corpus	BL	Nei	1,0 mill.	Nettverk	Britisk engelsk
London-Lund Corpus	BL	Nei	50.000	Nettverk	Transkribert tale
North American News 1	AV	Nei	350 mill.	CD-ROM	Elektroniske nyheter
North American News 2	AV	Nei	270 mill.	CD-ROM	Elektroniske nyheter
Susanne Corpus	BL	Nei	130.000	Nettverk	Taggede tekster
Penn Treebank 2	GR	Ja	2,6 mill.	CD-ROM	Taggede tekster
Penn Treebank 3	GR	Ja	2-3 mill. ?	CD-ROM	Taggede tekster
Diverse skjønnlitteratur	SK	Nei	241.000	Nettverk	Ulike forfattere
Sherlock Holmes	SK	Nei	915.000	Nettverk	Av Sir A. C. Doyle
OED	OB	Ja	?	Nettverk	For ansatte og hovedfagsstudenter
OALDCE	OB	Nei	?	Nettverk	Ren tekstversjon
WordNet	OB	?	?	Nettverk
Hansard Corpus	SA	Nei	106 mill.	CD-ROM	Parallellkorpus (engelsk-fransk)
1996 Broadcast News Transcripts	AV	Nei	1,15 mill.	Nettverk	Transkriberte radionyheter
Callhome American English Transcripts	BL	Nei	330.000	Nettverk	Transkriberte telefonsamtaler
TDT2 English Text Corpus	AV	Nei	?	CD-ROM	Transkriberte radionyheter
TDT2 Text Data and Tables	AV	Nei	?	CD-ROM	Flerspråklig korpus
CSR III - Text	GR	Nei	?	CD-ROM	Transkribert tale
1996 Language Model Broadcast News Archive	TA	Nei	-	CD-ROM	Talegjenkjenning
Air Traffic Information System 3	TA	Nei	-	CD-ROM	Talegjenkjenning (setninger)
CallFriend American English: Southern Dialect	TA	Nei	-	CD-ROM	Talegjenkjenning (telefonsamtaler)
CallFriend American English: Non- Southern Dialect	TA	Nei	-	CD-ROM	Talegjenkjenning (telefonsamtaler)
CallHome American English	TA	Nei	-	CD-ROM	Talegjenkjenning (telefonsamtaler)
CSR III - Speech	TA	Nei	-	CD-ROM	Talegjenkjenning (setninger)
CTIMIT	TA	Nei	-	CD-ROM	Talegjenkjenning (setninger)
DCIEM Sleep Deprivation Study	TA	Nei	-	CD-ROM	Mange bruksområder (dialoger)
FFM TIMIT	TA	Nei	-	CD-ROM	Talegjenkjenning (setninger)
Kids Corpus	TA	Nei	-	CD-ROM	Talegjenkjenning (setninger-barnespråk)
KING Speech Corpus	TA	Nei	-	CD-ROM	Talegjenkjenning (setninger)
Multi-Michrophone	TA	Nei	-	CD-ROM	Talegjenkjenning (setninger)
NYNEX Phonebook	TA	Nei	-	CD-ROM	Talegjenkjenning (ord)
1995 Broadcast News	TA	Nei	10 timer	CD-ROM	Talegjenkjenning (radiosendinger)
1996 English Broadcast News	TA	Nei	104 timer	CD-ROM	Talegjenkjenning (radiosendinger)
1997 English Broadcast News	TA	Nei	97 timer	CD-ROM	Talegjenkjenning (radiosendinger)
Resource Management	TA	Nei	-	CD-ROM	Talegjenkjenning (ord)
Speech Under Simulated and Actual Stress	TA	Nei	-	CD-ROM	Talegjenkjenning (ord)
Switchboard 2 Phase 1	TA	Nei	303 timer	CD-ROM	Talegjenkjenning (dialoger)
Switchboard 1 Release 2	TA	Nei	-	CD-ROM	Talegjenkjenning (dialoger)
Switchboard 2 Phase 1	TA	Nei	303 timer	CD-ROM	Talegjenkjenning (dialoger)
Switchboard 2 Phase 2	TA	Nei	373 timer	CD-ROM	Talegjenkjenning (dialoger)
Tactical Speaker Identification Speech Corpus (TSID)	TA	Nei	-	CD-ROM	Talegjenkjenning (via radiolinjer)
TRAINS	TA	Nei	6,5 timer	CD-ROM	Talegjenkjenning (dialoger)
Voicemail Corpus Part 1	TA	Nei	15 timer	CD-ROM	Talegjenkjenning (telefonbeskjeder)
1998 HUB-4 - Broadcast News Evaluation - English Test Material	TA	Nei	3 timer	CD-ROM	Talegjenkjenning (nyhetsmeldinger)
COMLEX English Syntax Lexicon	OB	Nei	38 000 leksemer	Nettverk
1999 HUB-4 - Broadcast News Evaluation - English Test Material	TA	Nei	3 timer	CD-ROM	Automatisk transkripsjon
Speech in Noisy Environment (SPINE) Training Audio	TA	Nei	12 timer	CD-ROM	Talegjenkjenning (dialoger)
Speech in Noisy Environment (SPINE) Evaluation Audio	TA	Nei	9t 22m	CD-ROM	Talegjenkjenning (dialoger)
Speech in Noisy Environment (SPINE) Evaluation Transcripts	BL	Nei	10 timer	Nettverk	Automatisk transkripsjon
Topic Detection and Tracking (TDT2) Careful Transcription Audio Corpus	TA	Nei	-	CD-ROM	Talegjenkjenning (nyhetsmeldinger)
TDT2 Multilanguage Text Corpus Version 4.0	AV	Nei	-	CD-ROM	Nyhetsmeldinger
TDT3 Multilanguage Text Corpus	AV	Nei	-	CD-ROM	Nyhetsmeldinger
2000 NIST Speaker Recognition Evaluation	TA	Nei	148,9 timer	CD-ROM	Testkorpus for automatisk gjenkjenning av talere
Prague Dependency Treebank 1.0	BL	Nei	-	CD-ROM	Taggede og utaggede tekster; NLP-verktøy
Speech in Noisy Environment 2 (SPINE2) Part 1 Audio (Training data)	TA	Nei	7 timer	CD-ROM	Talegjenkjenning (dialoger)
Speech in Noisy Environment 2 (SPINE2) Part 1 Audio (Development data)	TA	Nei	3,5 timer	CD-ROM	Talegjenkjenning (dialoger)
Speech in Noisy Environment 2 (SPINE2) Part 3 Audio (Evaluation data)	TA	Nei	7 timer	CD-ROM	Talegjenkjenning (dialoger)
Switchboard Cellular Part 1 Transcription	BL	Nei	Tilsvarende ca. 12 timer lyd	Nettverk	Transkriberte mobiltelefonsamtaler
Switchboard Cellular Part 1 Audio	TA	Nei	Ca. 65 timer lyd	CD-ROM	Mobiltelefonsamtaler
Switchboard Cellular Part 1 Transcribed Audio	TA	Nei	Ca. 12 timer lyd	CD-ROM	Mobiltelefonsamtaler
RST Discourse Treebank	AV	Nei	385 avisartikler	Nettverk	Merket med diskursstruktur
Switchboard-2 Phase III Audio	AV	Nei	Ca. 222 timer lyd	CD-ROM	Materiale for utvikling og evaluering av taleteknologi
1998 HUB5 English Evaluation	TA	Nei	-	CD-ROM	Materiale for evaluering av taleteknologi
2001 HUB5 English Evaluation	TA	Nei	-	CD-ROM	Materiale for evaluering av taleteknologi
1997 HUB4 English Evaluation Speech and Transcripts	TA	Nei	-	CD-ROM	Taledata og transkripsjoner for evaluering av systemer for automatisk talegjenkjenning
Emotional Prosody Speech and Transcripts	TA	Nei	9 timer lyd	CD-ROM	Taledata og transkripsjoner for forskning på emosjonsprosodi
The AQUAINT Corpus of English News Text (6. januar 2003)	AV	Nei	ca. 375 mill.	CD-ROM	Nyhetstekster
2001 NIST Speaker Recognition Evaluation Corpus (6. januar 2003)	TA	Nei	26 timer	CD-ROM	Testkorpus for automatisk gjenkjenning av talere
English Gigaword	AV	Nei	26 timer	CD-ROM	Nyhetstekster

---