Linguistic Data Consortium

ldc.upenn.edu

लैंग्वेज रिसर्च और मॉडल ट्रेनिंग के लिए स्पीच और टेक्स्ट कॉर्पस डिस्ट्रीब्यूट करता है। एक्सेस मेंबरशिप-आधारित है; कॉर्पस डॉक्युमेंटेशन पेज मुफ्त में देखे जा सकते हैं।

LDC has been the standard distributor of corpora used to train and benchmark NLP systems for decades — the Penn Treebank came through here — so its documentation pages describing how a corpus was collected and annotated carry real weight for a notebook about NLP methodology. Licensing a corpus itself requires paid membership, so LDC works better as a documentation and methodology source for a notebook than as a place to pull data files directly.