Datasets:

projecte-aina
/

CA-FR_Parallel_Corpus

Tasks:

Translation

Languages:

Catalan

French

Size:

10M<n<100M

DOI:

License:

Dataset card Viewer Files Files and versions Community

Dataset Preview

Full Screen Viewer

Full Screen

Split (1)

train

The full dataset viewer is not available (click to read why). Only showing a preview of the rows.

The dataset generation failed

Error code:   DatasetGenerationError
Exception:    ParserError
Message:      Error tokenizing data. C error: Expected 2 fields in line 135604, saw 3

Traceback:    Traceback (most recent call last):
                File "/src/services/worker/.venv/lib/python3.9/site-packages/datasets/builder.py", line 1997, in _prepare_split_single
                  for _, table in generator:
                File "/src/services/worker/src/worker/job_runners/config/parquet_and_info.py", line 688, in wrapped
                  for item in generator(*args, **kwargs):
                File "/src/services/worker/.venv/lib/python3.9/site-packages/datasets/packaged_modules/csv/csv.py", line 190, in _generate_tables
                  for batch_idx, df in enumerate(csv_file_reader):
                File "/src/services/worker/.venv/lib/python3.9/site-packages/pandas/io/parsers/readers.py", line 1843, in __next__
                  return self.get_chunk()
                File "/src/services/worker/.venv/lib/python3.9/site-packages/pandas/io/parsers/readers.py", line 1985, in get_chunk
                  return self.read(nrows=size)
                File "/src/services/worker/.venv/lib/python3.9/site-packages/pandas/io/parsers/readers.py", line 1923, in read
                  ) = self._engine.read(  # type: ignore[attr-defined]
                File "/src/services/worker/.venv/lib/python3.9/site-packages/pandas/io/parsers/c_parser_wrapper.py", line 234, in read
                  chunks = self._reader.read_low_memory(nrows)
                File "parsers.pyx", line 850, in pandas._libs.parsers.TextReader.read_low_memory
                File "parsers.pyx", line 905, in pandas._libs.parsers.TextReader._read_rows
                File "parsers.pyx", line 874, in pandas._libs.parsers.TextReader._tokenize_rows
                File "parsers.pyx", line 891, in pandas._libs.parsers.TextReader._check_tokenize_status
                File "parsers.pyx", line 2061, in pandas._libs.parsers.raise_parser_error
              pandas.errors.ParserError: Error tokenizing data. C error: Expected 2 fields in line 135604, saw 3
              
              
              The above exception was the direct cause of the following exception:
              
              Traceback (most recent call last):
                File "/src/services/worker/src/worker/job_runners/config/parquet_and_info.py", line 1391, in compute_config_parquet_and_info_response
                  parquet_operations, partial, estimated_dataset_info = stream_convert_to_parquet(
                File "/src/services/worker/src/worker/job_runners/config/parquet_and_info.py", line 990, in stream_convert_to_parquet
                  builder._prepare_split(
                File "/src/services/worker/.venv/lib/python3.9/site-packages/datasets/builder.py", line 1884, in _prepare_split
                  for job_id, done, content in self._prepare_split_single(
                File "/src/services/worker/.venv/lib/python3.9/site-packages/datasets/builder.py", line 2040, in _prepare_split_single
                  raise DatasetGenerationError("An error occurred while generating the dataset") from e
              datasets.exceptions.DatasetGenerationError: An error occurred while generating the dataset

Need help to make the dataset viewer work? Make sure to review how to configure the dataset viewer, and open a discussion for direct support.

ca string	fr string
Altres com 3 o 7 no verifiquen aquesta propietat.	D'autres comme 3 ou 7 ne vérifient pas cette propriété.
Però no és l'única vegada que Sean parla del seu germà.	Mais ce n'est pas la seule fois où Sean parle de son frère.
Viurà el seu amor amb Sam, i en quines condicions?	Vivra-t-elle son amour avec Sam, et dans quelles conditions ?
De fet, solament França va presentar un projecte públicament estructurat de la unió política.	En fait, seule la France présente publiquement un projet structuré d’union politique.
Shu Qi ha de parlar en anglès per les necessitats del film.	Shu Qi doit parler en anglais pour les besoins du film.
Obtindrà un Oscar per a Thousand Clowns de Fred Coe el 1965.	Il obtiendra un Oscar pour Des clowns par milliers de Fred Coe en 1965.
És allò del que se'n parlarà dins de mil anys ».	C’est là quelque chose dont on parlera dans mille ans ».
La seva autobiografia, Somebody to Love?	Son autobiographie, Somebody to Love?
Deixen Arkansas i estan ben decidides a aprofitar aquestes hores de llibertat.	Quittant l’Arkansas, elles sont bien décidées à profiter de ces heures de liberté.
Dos anys més tard, presenta Europa 51.	Deux années plus tard, il présente Europe 51.
Per als nostres fills i per a tu, Samantha.	Pour nos enfants et pour toi, Samantha.
Jones es troba al mateix avió.	Jones se trouve dans le même avion.
No és creada ni creadora.	Il n'a jamais engendré, n'a pas été engendré non plus.
S'adona que acaba de perdre la cosa més important al món: la seva identitat.	Il réalise qu'il vient de perdre la chose la plus importante au monde : son identité.
Els estrangers em paguen cada any, fins i tot quan estic a la presó».	Les étrangers me paient chaque année, même quand je suis en prison ».
El seu pare, Jack, que és cirurgià, es mostra més ambiciós per ell que no ell mateix.	Son père, Jack, qui est chirurgien, se montre plus ambitieux pour lui qu'il ne l'est lui-même.
Però qui és realment Smith?	Mais qui est réellement Smith ?
El 2 d'abril, 300 persones esperaven allà, però Bernadette no hi anà.	Le 2 avril, 300 personnes l'y attendent, mais Bernadette n'y vient pas.
El meu regne per un peix!".	Mon règne pour un poisson ! ».
Qui és realment aquesta Jessica Foster?	Qui est réellement cette Jessica Foster ?
Qui pot salvar Alcyone ?	Qui peut sauver Alcyone ?
Jean Guidoni: Qui me dira ? el 1988.	Jean Guidoni : Qui me dira ? en 1988.
No és amable, penso que és una mica com tots els francesos, un poc arrogant.	Il n'est pas aimable, je pense qu'il est un peu comme tous les Français, un peu arrogant.
Però busca el gran amor... o no és que un altre French Lover?	Mais cherche-t-il le grand amour... ou n'est-il qu'un autre French Lover ?
Però el cadàver era verdaderament el seu?	Mais le cadavre était-il vraiment le sien ?
Va seguir una molt llarga polèmica: és o no és la gran duquessa?	S’ensuivit une très longue polémique : est-elle ou n’est-elle pas la grande-duchesse ?
Prometo que estimo els jueus, els estimo.	Je jure que j'aime les Juifs, je les aime.
Entre els seus films més originals, destacar Pépé le Moko, Panique i Voici le temps des assassins.	Parmi ses films les plus originaux, figurent notamment Pépé le Moko, Panique et Voici le temps des assassins.
Abans de 1948 era solament un visitant hivernal.	Avant 1948, il était seulement visiteur hivernal.
Les coses canvien de nou per Benchley.	Les choses changent à nouveau pour Benchley.
No m'agraden massa els francesos, d'altra banda, sobretot com ell.	Je n'aime pas trop les Français, d'ailleurs, surtout comme lui.
Estic sobretot satisfet del primer moviment i dels dos scherzi».	Je suis surtout satisfait du premier mouvement et des deux scherzi ».
Turquia coneix entre 1970 i 1980 onze governs diferents.	La Turquie connaît entre 1970 et 1980 onze gouvernements différents.
Horroritzat, aquest vol matar Stanislas.	Horrifié, celui-ci veut tuer Stanislas.
O esperes ordenis de l'Havana?	Ou attendez-vous des ordres de La Havane ?
Apareix per la primera vegada a la televisió a The Seven Wishes of a Rich Kid.	Elle apparaît pour la première fois à la télévision dans The Seven Wishes of a Rich Kid.
Es trobaran una quarta i última vegada per a Madame Bovary (1991).	Ils se retrouveront une quatrième et dernière fois pour Madame Bovary (1991).
Si penseu "quants països ha conquerit el rei Darios?"	Si vous devez penser "Combien de pays a conquis le Roi Darius ?"
Oh, els que creieu!	Ô vous qui croyez !
He comprat un Porsche, això és tot."	J'ai acheté une Porsche, c'est tout ».
Gràcies per la propina.	Gràcies per la propina.
Professora certificada d'anglès, Marie-Thérèse Sanchez-Schmid va ensenyar de 1979 a 2009.	Professeur certifié d’anglais, Marie-Thérèse Sanchez-Schmid a enseigné de 1979 à 2009.
Els homes joves, els guerrers, el porten molt curt.	Les hommes jeunes, les guerriers, le portent très court.
Però això no agrada a la CBS, la seva nova casa de discos.	Mais cela ne plaît pas à CBS, sa nouvelle maison de disques.
Ozias demana cinc dies més; segurament Déu els salvarà.	Ozias demande cinq jours de plus; sûrement que Dieu les sauvera.
Per aquesta consideració, 11:14 és considerada com un mindfuck.	À cet égard, 11:14 est considéré comme un mindfuck.
Espera el primer tren del matí per Roma.	Elle attend le premier train du matin pour Rome.
És la política del Hollywood dels anys 90 ! (...)	C'est la politique du Hollywood des années 90 ! (...)
Un parell que es porten l'oli.	Un parell que es porten l'oli.
La seva amiga Margie l’accepta tal com és.	Sa petite amie Margie l'accepte tel qu'il est.
23 films van ser suprimits de la llista original : 39.	23 films ont été supprimés de la liste originale : 39.
Tant com Sharon està determinada a descobrir qui és realment Taubelman.	D'autant que Sharon est déterminée à découvrir qui est réellement Taubelman.
L'ésser humà més jove a la Terra mor.	L'être humain le plus jeune sur Terre meurt.
Ha treballat amb Alan Parker que sabia ja més o menys el que volia.	Il a travaillé avec Alan Parker qui savait déjà plus ou moins ce qu'il voulait.
És allà on Robert Ford el matarà.	C'est là que Robert Ford le tue.
Musulmans, el vostre segle mor amb vosaltres. “ Musulmans, votre siècle meurt avec vous. Un dia un cotxe m'agafarà sense que ho demani. Un jour une voiture me prendra sans que je le demande. La pel·lícula serà acabada per Don Taylor. Le film sera terminé par Don Taylor. La granja de Lana i Gilbert és la primera a ser cremada... La ferme de Lana et Gilbert est la première à être brûlée... Aquesta immigració és igualment socialment i econòmicament més conservadora que la tercera alya. Cette immigration est également socialement et économiquement plus conservatrice que la troisième alya. Furiosos, els amics anglesos i el jove enamorat arriben massa tard. Furieux, les amis anglais et le jeune amoureux arrivent trop tard. Moses decideix llavors marxar sense Trixie. Moses décide alors de partir sans Trixie. Accepta seguir els dos periodistes a Chicago. Il accepte de suivre les deux journalistes à Chicago. Els dos músics jutgen més prudent de posar un continent entre el seu antic patró i ells. Les deux musiciens jugent plus prudent de mettre un continent entre leur ancien patron et eux. Juren fidelitat a la gran causa russa. Ils jurent fidélité à la grande cause russe. Kay i Jack Walsh filent el perfecte amor quan sobrevé la segona Guerra Mundial. Kay et Jack Walsh filent le parfait amour quand survient la seconde Guerre Mondiale. Les entrades especials «Vendanges Tardives», «Vin de Glace» i «Vin de Paille» corresponen a criteris addicionals específics, regulats des del 8 de gener de 2001. Les mentions particulières « Vendanges Tardives », « Vin de Glace » et « Vin de Paille » correspondent à des critères complémentaires précis, réglementés depuis le 8 janvier 2001. Leonardo viurà imaginant la noia. Leonardo va vivre en imaginant la jeune fille... Però Jones no hi veu més que una manera de guanyar diners. Mais Jones n'y voit qu'une manière de gagner de l'argent. Ningú no sabia on trobar Myra.... Personne ne savait où trouver Myra... L'amor només és realment un joc ? L'amour n'est-il vraiment qu'un jeu ? La meva ànima s'ha fet tan profunda com els rius... Mon âme est devenue aussi profonde que les fleuves.. Per a Robert i Mike, la festa és acabada. Pour Robert et Mike, la fête est finie. Se'n tornaran a veure alguns a Palestina, com agents de la IIIa internacional. On en reverra certains en Palestine, comme agents de la IIIe internationale. Per a Dick i Jane, és la fi del somni americà. Pour Dick et Jane, c'est la fin du rêve américain. Una noia que s'ha prostituït pot ser fiable en el govern? Une fille qui s'est prostituée peut-elle être fiable dans le gouvernement ? La fundació ja ha recollit 8.700 testimonis a Israel. La fondation a déjà recueilli 8 700 témoignages en Israël. Aquesta vegada vol adaptar tan fidelment com sigui possible una història de Miss Marple. Cette fois-ci il veut adapter aussi fidèlement que possible une histoire de Miss Marple. No obstant això, David proposa el Doctor" Bean...	Cependant, David propose le "Docteur" Bean...
Nelson es demana llavors si s'ho mereix ...	Nelson se demande alors s'il le mérite ...
L'HSCA no va poder identificar el segon tirador.	Le HSCA n'a pu identifier le second tireur.
Al marge de la conferència, la Unió Europea també es va trobar amb les autoritats egípcies.	En marge de la conférence, l’Union européenne a également rencontré les autorités égyptiennes.
Ha de dir la veritat si això envia la seva família a la presó?	Doit-on dire la vérité si ça envoie sa famille en prison ?
Davant de Maggie... el seu propi pare.	Face à Maggie... son propre père.
Per tant els 32 antics senadors liberals ja no són membres del caucus.	En conséquence, les 32 anciens sénateurs libéraux ne sont plus membres du caucus.
A menys que accepti escoltar Aladar.	À moins d'accepter d'écouter Aladar...
Aquesta organització continua durant uns mesos les seves accions "terroristes".	Cette organisation poursuit durant quelques mois ses actions « terroristes ».
I la tripulació aviat es trobar confrontada a un convidat...	Et l'équipage va bientôt se retrouver confronté à un invité...
Actualment la Directiva 2000/13 sobre l'etiquetatge s'aplica.	Pour l'instant la Directive 2000/13 sur l'étiquetage s'applique toujours.
Voldria una vida «normal», com els altres, entre ells.	Elle voudrait une vie "normale", comme les autres, parmi eux.
La primera pregunta de Lois a aquest home blau i vermell és: «Qui sou?».	La première question de Loïs à cet homme bleu et rouge est : « Qui êtes-vous? ».
Cole era abans el millor assassí dels serveis secrets.	Cole était autrefois le meilleur tueur des services secrets.
Creien que la sura XII de l'Alcorà (Yússuf) no era autèntica.	Ils considèrent que la sourate XII (Joseph) ne fait pas réellement partie du Coran.
Ningú no t'ha explicat què és realment un ostatge?	Personne n'a-t-il expliqué ce qu'est réellement un otage ?
Lorde va escriure la lletra de “Royals” en només mitja hora.	Lorde a écrit les paroles de Royals en seulement une demi-heure.
48 hores en la vida d'un conductor d'ambulància.	48 heures dans la vie d'un ambulancier.
Des que és aquí, hem vist futbol d'un altre planeta".	Depuis qu'il est ici, nous avons vu le football d'une autre planète. ».
Tots dos s'agraden a primera vista.	Les deux se plaisent, à première vue.
Però el nacionalisme integral ucraïnès era abans de tot un fenomen únic.	Mais le nationalisme intégral ukrainien était avant tout un phénomène unique.
La comtesse Greffulhe, doble impressió.	La comtesse Greffulhe, double impression.
Totes dues viuen a un barri «calent» i perillós de Nova York.	Toutes les deux habitent un quartier « chaud » et dangereux de New York.
En l'administració, els formularis en estonià desapareixen.	Dans l'administration, les formulaires en estonien disparaissent.
31, en el qual utilitza alguns temes populars bascos.	31, dans lequel il utilise quelques thèmes populaires basques.
Quina no és tanmateix la sorpresa de Peter, un matí, de sortir del bany amb els cabells verds!	Quelle n'est pourtant pas la surprise de Peter, un matin, de sortir du bain avec les cheveux verts !
Però Johnny, com tots els altres, menysprea l'autoritat policíaca.	Mais Johnny, comme tous les autres, méprise l'autorité policière.
Però els meus universos professional i personal havien evolucionat tant...	Mais mes univers professionnel et personnel avaient tant évolué...
Demana al seu ric oncle Benjamin de prestar-li diners.	Il demande à son riche oncle Benjamin de lui prêter de l'argent.
La carrera de David Niven és desigual.	La carrière de David Niven est inégale.
El comte es va envoltar de juristes especialitzats de noblesa recent.	Le comte s'entoura de juristes spécialisés de noblesse récente.
28 dies per obligar-se a admetre que és dependent.	28 jours pour s'obliger à admettre qu'elle est dépendante.
No m'acostaré mai més a aquests idealistes, aquests homes de consciència.	Je ne m’approcherai plus de ces idéalistes, ces hommes de conscience.
Miles Logan acaba de robar un dels diamants més cars.	Miles Logan vient de voler l'un des diamants les plus chers.
Aquest va ser modificat, completat o imaginat totalment per Bach?	Celui-ci a-t-il été modifié, complété ou imaginé totalement par Bach ?
Aquell matí, els habitants de Los Angeles creuen que comença una jornada semblant a les altres.	Ce matin-là, les habitants de Los Angeles croient que commence une journée semblable aux autres.
Amb la seva mare, constituiran una amenaça per a Rynn.	Avec sa mère, ils vont constituer une menace pour Rynn.
Un ganivet no, això no es fa!	Un couteau, non, ça ne se fait pas !
Als Estats Units, serà Beautiful Stranger de Madonna.	Pour les États-Unis, ce sera Beautiful Stranger de Madonna.
Tenia almenys un actor també torturat.	J'avais au moins un acteur également torturé.
Un dia, Anna, una actriu, torna a buscar un braçalet oblidat.	Un jour, Anna, une actrice, revient chercher un bracelet oublié.
És precisament per això que es parla de confederació Betsimisaraka i no de regne Betsimisaraka.	C'est précisément pour ça que l'on parle de confédération Betsimisaraka et non de royaume Betsimisaraka.
Kathleen Thompson es pregunta si tots aquests testimoniatges no són exagerats.	Kathleen Thompson se demande si tous ces témoignages ne sont pas exagérés.
Una vella reivindicació flamenca estava finalment satisfeta.	Une vieille revendication flamande était enfin satisfaite.
Podeu fer això per a les generacions de la vostra família.	Vous pouvez faire cela pour les générations de votre famille.

End of preview.

Dataset Card for CA-FR Parallel Corpus

Dataset Summary

The CA-FR Parallel Corpus is a Catalan-French dataset of parallel sentences created to support Catalan in NLP tasks, specifically Machine Translation.

Supported Tasks and Leaderboards

The dataset can be used to train Bilingual Machine Translation models between French and Catalan in any direction, as well as Multilingual Machine Translation models.

Languages

The sentences included in the dataset are in Catalan (CA) and French (FR).

Dataset Structure

Data Instances

A single tsv file is provided with the sentences sorted in the same order and a header containing the two-letter ISO language code for the language in each column: ca-fr_corpus.tsv.

Data Fields

[N/A]

Data Splits

The dataset contains a single split: train.

Dataset Creation

Curation Rationale

This dataset is aimed at promoting the development of Machine Translation between Catalan and other languages, specifically French.

Source Data

Initial Data Collection and Normalization

The corpus is a combination of the following original datasets collected from Opus: CCMatrix, Multi CCAligned, WikiMatrix, GNOME, KDE 4, Open Subtitles.

All datasets are deduplicated and filtered to remove any sentence pairs with a cosine similarity of less than 0.75. This is done using sentence embeddings calculated using LaBSE. The filtered datasets are then concatenated to form the final corpus.

Who are the source language producers?

Opus

Annotations

Annotation process

The dataset does not contain any annotations.

Who are the annotators?

[N/A]

Personal and Sensitive Information

Given that this dataset is partly derived from pre-existing datasets that may contain crawled data, and that no specific anonymisation process has been applied, personal and sensitive information may be present in the data. This needs to be considered when using the data for training models.

Considerations for Using the Data

Social Impact of Dataset

By providing this resource, we intend to promote the use of Catalan across NLP tasks, thereby improving the accessibility and visibility of the Catalan language.

Discussion of Biases

No specific bias mitigation strategies were applied to this dataset. Inherent biases may exist within the data.

Other Known Limitations

The dataset contains data of a general domain. Applications of this dataset in more specific domains such as biomedical, legal etc. would be of limited use.