metadata

dataset_info:
  - config_name: en-zh_tw
    features:
      - name: instruction
        dtype: string
      - name: input
        dtype: string
      - name: output
        dtype: string
    splits:
      - name: train
        num_bytes: 551312007
        num_examples: 3762380
    download_size: 198513620
    dataset_size: 551312007
  - config_name: id-zh_tw
    features:
      - name: instruction
        dtype: string
      - name: input
        dtype: string
      - name: output
        dtype: string
    splits:
      - name: train
        num_bytes: 195956760
        num_examples: 1259138
    download_size: 69062423
    dataset_size: 195956760
  - config_name: ja-zh_tw
    features:
      - name: instruction
        dtype: string
      - name: input
        dtype: string
      - name: output
        dtype: string
    splits:
      - name: train
        num_bytes: 82957644
        num_examples: 558832
    download_size: 28947031
    dataset_size: 82957644
  - config_name: ko-zh_tw
    features:
      - name: instruction
        dtype: string
      - name: input
        dtype: string
      - name: output
        dtype: string
    splits:
      - name: train
        num_bytes: 43408491
        num_examples: 298466
    download_size: 15889266
    dataset_size: 43408491
  - config_name: th-zh_tw
    features:
      - name: instruction
        dtype: string
      - name: input
        dtype: string
      - name: output
        dtype: string
    splits:
      - name: train
        num_bytes: 98383808
        num_examples: 521847
    download_size: 33136242
    dataset_size: 98383808
  - config_name: vi-zh_tw
    features:
      - name: instruction
        dtype: string
      - name: input
        dtype: string
      - name: output
        dtype: string
    splits:
      - name: train
        num_bytes: 131013253
        num_examples: 818723
    download_size: 45507786
    dataset_size: 131013253
configs:
  - config_name: en-zh_tw
    data_files:
      - split: train
        path: en-zh_tw/train-*
  - config_name: id-zh_tw
    data_files:
      - split: train
        path: id-zh_tw/train-*
  - config_name: ja-zh_tw
    data_files:
      - split: train
        path: ja-zh_tw/train-*
  - config_name: ko-zh_tw
    data_files:
      - split: train
        path: ko-zh_tw/train-*
  - config_name: th-zh_tw
    data_files:
      - split: train
        path: th-zh_tw/train-*
  - config_name: vi-zh_tw
    data_files:
      - split: train
        path: vi-zh_tw/train-*
license: unknown
task_categories:
  - translation
language:
  - en
  - ja
  - ko
  - id
  - vi
  - th
  - zh
tags:
  - translation
  - OPUS
  - OpenSubtitles
pretty_name: Heng666/OpenSubtitles-TW-Corpus
size_categories:
  - 1M<n<10M

Dataset Card for [OpenSubtitles-TW-Corpus]

Table of Contents
Dataset Description
Dataset Structure
Dataset Creation
Considerations for Using the Data
Additional Information

Dataset Description

Homepage:
Repository:
Paper:
Leaderboard:
Point of Contact: Heng-Shiou Sheu

Dataset Summary

OpenSubtitles-TW-Corpus 是一個機器翻譯基準的多語言資料集，源自 OpenSubtitles 收集的使用者貢獻的翻譯，並由 OPUS。該資料集包括按語言對排序的測試和開發資料。它包括數百種語言對的測試集，並且不斷更新。請檢查版本號標籤以引用您正在使用的版本。這是字幕集合的稍微乾淨的版本，使用改進的句子對齊和更好的語言檢查。

Supported Tasks and Leaderboards

Languages

此資料集涵蓋數百種語言和語言對，並按 ISO-639-1 語言組織。目前版本涵蓋以下語言。繁體中文、英文、日文、韓文、印尼文、越南文、泰文

Dataset Structure

Data Instances

資料以 , 分隔檔案中內容，具有三個欄位：指示、輸入和輸出。請注意，我們並不暗示平移方向，並認為資料集是對稱的並用作兩個方向的測試集。

Data Splits

先整理出 Train 資料。

Dataset Creation

Curation Rationale

本資料集將持續更新，未來將公開發佈於 Github 當中。高語言覆蓋率是本計畫的主要目標，資料集的準備與標準化語言標籤和分發格式保持一致和系統化。

Source Data

Initial Data Collection and Normalization

OpenSubtitles 資料集是從 P. Lison and J. Tiedemann, 2016, OpenSubtitles2016: Extracting Large Parallel Corpora from Movie and TV Subtitles進行整理，並由 OPUS 收納。

Who are the source language producers?

這些轉錄本由 OpenSubtitles 所有

Personal and Sensitive Information

有關處理個人資訊和敏感資訊的信息，我們請諮詢資料的原始提供者。該資料集未經過任何方式處理以檢測或刪除潛在的敏感資訊或個人資訊。

Social Impact of Dataset

語言覆蓋率很高，因此它代表了機器翻譯開發的非常有價值的資源，特別是對於資源較少的語言和語言對。不斷成長的資料庫也代表著一種動態資源，其價值將進一步成長。

Other Known Limitations

這些句子通常很短，因此很容易翻譯。對於高資源語言，這會導致結果不如更具挑戰性的基準有用。對於資源較少的語言對來說，即使在非常具有挑戰性的設定中，範例的有限複雜性實際上也是衡量進度的一件好事。

Dataset Curators

此資料集由Heng-Shiou Sheu 製作。

Licensing Information

如果您在自己的工作中使用該語料庫的任何部分，請引用以下文章：P. Lison 和 J. Tiedemann，2016，OpenSubtitles2016：從電影和電視字幕中提取大型並行語料庫。第十屆國際語言資源與評估會議 (LREC 2016) 論文集

Citation Information

@inproceedings{Heng666/OpenSubtitles-TW-Corpus,
  title={Taiwanese Phrases Multilingual Translation Dataset from OpenSubtitles Talks},
  author={Heng-Shiou Sheu},
  year={2024},
  url={https://huggingface.co/datasets/Heng666/OpenSubtitles-TW-Corpus},
}