Home / Query / WordAlign / Wiki     [books] [DGT] [DOGC] [ECB] [EMEA] [EUbooks] [EU] [Europarl] [GNOME] [GlobalVoices] [hren] [JRC] [KDE4/doc] [MBS] [MultiUN] [NCv9/v11] [OO/OO3] [subs/12/13/16] [ParCor] [PHP] [SETIMES] [SPC] [Tatoeba] [TEP] [TedTalks] [TED] [Tanzil] [Ubuntu] [UN] [WikiSource] [Wikipedia] [WMT]

DGT

A collection of translation memories provided by the JRC. Source: https://ec.europa.eu/jrc/en/language-technologies/dgt-translation-memory

24 languages, 276 bitexts
total number of files: 546,955
total number of tokens: 1.20G
total number of sentence fragments: 65.49M

Please cite the following article if you use any part of the corpus in your own work:
Jörg Tiedemann, 2012, Parallel Data, Tools and Interfaces in OPUS. In Proceedings of the 8th International Conference on Language Resources and Evaluation (LREC 2012)

Download

Bottom-left triangle: download files
  • ces = sentence alignments in XCES format
  • leftmost column language IDs = tokenized corpus files in XML
  • TMX and plain text files (Moses): see "Statistics" below
  • lower row language IDs = parsed corpus files (if they exist)
Upper-right triangle: sample files
  • view = bilingual XML file samples
  • upper row language IDs = monolingual XML file samples
  • rightmost column language IDs = untokenized corpus files

bg cs da de el en es et fi fr ga hu it lt lv mt nl pl pt ro sh sk sl sv
bg viewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewbg
cs ces viewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewcs
da ces ces viewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewda
de ces ces ces viewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewde
el ces ces ces ces viewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewel
en ces ces ces ces ces viewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewen
es ces ces ces ces ces ces viewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewes
et ces ces ces ces ces ces ces viewviewviewviewviewviewviewviewviewviewviewviewviewviewviewviewet
fi ces ces ces ces ces ces ces ces viewviewviewviewviewviewviewviewviewviewviewviewviewviewviewfi
fr ces ces ces ces ces ces ces ces ces viewviewviewviewviewviewviewviewviewviewviewviewviewviewfr
ga ces ces ces ces ces ces ces ces ces ces viewviewviewviewviewviewviewviewviewviewviewviewviewga
hu ces ces ces ces ces ces ces ces ces ces ces viewviewviewviewviewviewviewviewviewviewviewviewhu
it ces ces ces ces ces ces ces ces ces ces ces ces viewviewviewviewviewviewviewviewviewviewviewit
lt ces ces ces ces ces ces ces ces ces ces ces ces ces viewviewviewviewviewviewviewviewviewviewlt
lv ces ces ces ces ces ces ces ces ces ces ces ces ces ces viewviewviewviewviewviewviewviewviewlv
mt ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces viewviewviewviewviewviewviewviewmt
nl ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces viewviewviewviewviewviewviewnl
pl ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces viewviewviewviewviewviewpl
pt ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces viewviewviewviewviewpt
ro ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces viewviewviewviewro
sh ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces viewviewviewsh
sk ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces viewviewsk
sl ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces viewsl
sv ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces ces sv
bg cs da de el en es et fi fr ga hu it lt lv mt nl pl pt ro sh sk sl sv

Statistics and TMX/Moses Downloads

Number of files, tokens, and sentences per language (including non-parallel ones if they exist)
Number of sentence alignment units per language pair

Upper-right triangle: download translation memory files (TMX)
Bottom-left triangle: download plain text files (MOSES/GIZA++)
Language ID's, first row: monolingual plain text files (tokenized)
Language ID's, first column: monolingual plain text files (untokenized)

language files tokens sentencesbg cs da de el en es et fi fr ga hu it lt lv mt nl pl pt ro sh sk sl sv
bg 12,121 31.9M 1.6M1.1M 1.0M 1.0M 1.1M 1.1M 1.0M 1.1M 1.0M 1.1M 38.0k 1.1M 1.1M 1.1M 1.1M 1.1M 1.0M 1.1M 1.1M 1.1M 0.2M 1.1M 1.1M 1.0M
cs 26,622 56.4M 3.2M1.5M 1.9M 1.9M 2.0M 2.0M 1.9M 1.9M 1.9M 1.9M 38.1k 2.0M 1.9M 1.9M 2.0M 1.1M 1.9M 1.9M 1.9M 1.1M 0.2M 2.0M 1.9M 1.9M
da 26,901 57.5M 3.2M1.5M 3.1M 1.9M 2.0M 2.0M 1.9M 1.9M 1.9M 1.9M 37.8k 1.9M 1.9M 1.9M 1.9M 1.1M 1.9M 1.9M 1.9M 1.0M 0.2M 1.9M 1.9M 1.9M
de 26,902 55.4M 3.2M1.5M 3.0M 3.1M 2.0M 2.0M 1.9M 1.9M 1.9M 1.9M 38.1k 1.9M 1.9M 1.9M 1.9M 1.1M 1.9M 1.9M 1.9M 1.1M 0.2M 1.9M 1.9M 1.9M
el 26,888 63.8M 3.2M1.5M 3.0M 3.0M 3.0M 2.0M 2.0M 2.0M 2.0M 2.0M 37.8k 2.0M 2.0M 2.0M 2.0M 1.1M 2.0M 2.0M 2.0M 1.1M 0.2M 2.0M 2.0M 2.0M
en 27,009 73.8M 3.7M1.6M 3.2M 3.2M 3.2M 3.2M 2.0M 2.0M 2.0M 2.0M 38.7k 2.0M 2.0M 2.0M 2.0M 1.1M 2.0M 2.0M 2.0M 1.1M 0.2M 2.0M 2.0M 2.0M
es 26,895 67.1M 3.2M1.5M 3.0M 3.1M 3.0M 3.0M 3.2M 1.9M 1.9M 1.9M 38.0k 1.9M 1.9M 1.9M 1.9M 1.1M 1.9M 1.9M 1.9M 1.1M 0.2M 2.0M 1.9M 1.9M
et 26,599 43.7M 3.1M1.5M 3.0M 3.0M 3.0M 3.0M 3.1M 3.0M 1.9M 1.9M 38.1k 2.0M 1.9M 1.9M 2.0M 1.1M 1.9M 1.9M 1.9M 1.1M 0.2M 2.0M 1.9M 1.9M
fi 26,871 47.0M 3.1M1.5M 3.0M 3.0M 3.0M 3.0M 3.1M 3.0M 3.0M 1.9M 38.0k 1.9M 1.9M 1.9M 2.0M 1.1M 1.9M 1.9M 1.9M 1.1M 0.2M 1.9M 1.9M 1.9M
fr 26,879 68.7M 3.1M1.5M 2.9M 3.0M 2.9M 2.9M 3.1M 3.0M 2.9M 2.9M 37.9k 2.0M 2.0M 1.9M 2.0M 1.1M 1.9M 1.9M 2.0M 1.1M 0.2M 2.0M 1.9M 1.9M
ga 77 1.2M 44.3k43.4k 43.5k 43.1k 43.5k 42.7k 44.3k 43.3k 43.4k 43.5k 41.0k 38.2k 37.8k 37.9k 37.9k 38.9k 38.0k 38.2k 38.3k 38.4k 34.0k 38.2k 38.3k 37.7k
hu 26,596 53.4M 3.1M1.5M 3.0M 3.0M 3.0M 3.0M 3.1M 3.0M 3.0M 3.0M 2.9M 43.4k 2.0M 2.0M 2.0M 1.1M 1.9M 2.0M 1.9M 1.1M 0.2M 2.0M 2.0M 1.9M
it 26,880 64.0M 3.2M1.5M 3.0M 3.1M 3.0M 3.0M 3.2M 3.1M 3.0M 3.0M 3.0M 43.2k 3.0M 1.9M 2.0M 1.1M 1.9M 1.9M 2.0M 1.1M 0.2M 2.0M 1.9M 1.9M
lt 26,602 51.9M 3.1M1.5M 3.0M 3.0M 2.9M 3.0M 3.1M 3.0M 3.0M 3.0M 2.9M 43.2k 3.0M 3.0M 2.0M 1.1M 1.9M 2.0M 1.9M 1.1M 0.2M 2.0M 2.0M 1.9M
lv 26,588 51.8M 3.1M1.5M 3.0M 3.0M 3.0M 3.0M 3.1M 3.0M 3.0M 3.0M 2.9M 43.2k 3.0M 3.0M 3.0M 1.1M 1.9M 2.0M 1.9M 1.1M 0.2M 2.0M 2.0M 2.0M
mt 12,103 29.7M 1.6M1.5M 1.5M 1.5M 1.5M 1.5M 1.6M 1.5M 1.5M 1.5M 1.5M 43.6k 1.5M 1.5M 1.5M 1.5M 1.1M 1.1M 1.1M 1.1M 0.2M 1.1M 1.1M 1.1M
nl 26,879 59.5M 3.2M1.5M 3.0M 3.1M 3.0M 3.0M 3.2M 3.0M 3.0M 3.0M 3.0M 43.3k 3.0M 3.0M 3.0M 3.0M 1.5M 1.9M 1.9M 1.1M 0.2M 2.0M 1.9M 1.9M
pl 26,598 56.2M 3.1M1.5M 3.0M 3.0M 3.0M 3.0M 3.1M 3.0M 3.0M 3.0M 2.9M 43.4k 3.0M 3.0M 3.0M 3.0M 1.5M 3.0M 1.9M 1.1M 0.2M 2.0M 1.9M 1.9M
pt 26,874 65.9M 3.2M1.5M 3.0M 3.0M 3.0M 3.0M 3.2M 3.0M 3.0M 3.0M 2.9M 43.5k 3.0M 3.0M 3.0M 2.9M 1.5M 3.0M 3.0M 1.1M 0.2M 2.0M 1.9M 1.9M
ro 12,111 33.1M 1.6M1.5M 1.6M 1.5M 1.6M 1.5M 1.6M 1.6M 1.5M 1.5M 1.5M 43.5k 1.6M 1.5M 1.5M 1.5M 1.5M 1.5M 1.5M 1.6M 0.2M 1.1M 1.1M 1.1M
sh 1,891 5.0M 0.3M0.3M 0.3M 0.3M 0.3M 0.3M 0.3M 0.3M 0.3M 0.3M 0.3M 38.2k 0.3M 0.3M 0.3M 0.3M 0.3M 0.3M 0.3M 0.3M 0.3M 0.2M 0.2M 0.2M
sk 26,590 55.6M 3.2M1.5M 3.1M 3.0M 3.0M 3.0M 3.2M 3.0M 3.0M 3.0M 2.9M 43.4k 3.0M 3.0M 3.0M 3.0M 1.5M 3.0M 3.0M 3.0M 1.6M 0.3M 2.0M 2.0M
sl 26,595 55.9M 3.2M1.5M 3.1M 3.0M 3.0M 3.0M 3.2M 3.0M 3.0M 3.0M 2.9M 43.5k 3.0M 3.0M 3.0M 3.0M 1.5M 3.0M 3.0M 3.0M 1.6M 0.3M 3.1M 1.9M
sv 26,884 54.9M 3.2M1.5M 3.1M 3.1M 3.0M 3.0M 3.2M 3.0M 3.0M 3.0M 3.0M 42.9k 3.0M 3.0M 3.0M 3.0M 1.5M 3.1M 3.0M 3.0M 1.6M 0.3M 3.1M 3.1M

Note that TMX files only contain unique translation units and, therefore, the number of aligned units is smaller than for the distributions in Moses and XML format. Moses downloads include all non-empty alignment units including duplicates. Token counts for each language also include duplicate sentences and documents.