D2.4: Parallel Czech-Norwegian corpus, size 10 million tokens
Source
The source for this corpus was taken from OpenSubtitles corpus made available within OPUS2 parallel corpus.
Statistics
Czech part: 32,345,496 tokens, 24,101,302 words, 4,235,111 segments (utterances, sentences).
Norwegian part: 32,549,746 tokens, 25,503,941 words.
Examples
Norwegian words with more than 100,000 occurrences
er 821,781
det 589,721
du 554,116
Jeg 547,501
ikke 506,186
jeg 418,217
en 360,871
i 341,400
har 315,050
Det 310,092
på 307,877
å 296,603
og 293,047
til 271,992
deg 259,043
meg 245,155
med 242,594
for 213,835
Du 211,802
at 204,376
som 203,379
vi 171,073
var 165,487
kan 162,222
av 160,980
om 149,962
den 148,767
vil 147,605
så 147,174
Vi 145,267
et 138,850
han 126,251
skal 119,570
Hva 110,797
de 110,202
Han 107,929
må 101,278
Czech words with more than 100,000 occurrences
| to | 656,606
|
| se | 560,332
|
| je | 422,521
|
| že | 345,153
|
| na | 327,317
|
| jsem | 309,133
|
| a | 297,950
|
| si | 231,641
|
| v | 201,975
|
| co | 172,431
|
| To | 160,908
|
| s | 152,526
|
| A | 149,175
|
| mi | 142,779
|
| mě | 132,047
|
| tak | 121,439
|
| jsi | 118,647
|
| do | 113,030
|
| o | 112,856
|
| Je | 106,979
|
Example parallel segments
| Norwegian | Czech
|
|---|
| Om jeg hadde $ 300, kunne jeg kommet meg til Tyskland. | Ne, ale kdybych měl 300$, dostal bych se do Německa.
|
| Aldri i livet! | Až naprší a uschne.
|
| Jeg vil bli her... og fiske, slik Manuel gjorde. | Chci zůstat tady... a jezdit na ryby, jako Manuel.
|
| Transilvania. | Transylvánie.
|
| "Polka-Dot banditten og gjengen beskyldt for å utføre røveriet" | "Podezření padá na banditu Polka-Dot ."
|
| Fortsette som før? | Jako dřív?
|
| Nå har vi rikelig med sol for smilefjeset. | Teď svítí sluníčko pro pana Šťastného.
|
| Det minner meg om de ødelagte forsvarsverker på mitt eget slått i Transilvania. | Připomíná mi to zchátralé cimbuří mého vlastního hradu v Transylvánii.
|
| Ikke minn meg på det. | Nepřipomínej mi to.
|
| Følge etter? | - Sledovat?
|
