Fascinat0r/taiga_corpus_subtitles

Dataset Card for Taiga Corpus - TV Series Subtitles

This dataset contains subtitles extracted from various TV series. The original data is sourced from the Taiga Corpus. It consists of line-level subtitle information with precise timing and additional metadata including series title and episode information. The dataset is designed for tasks such as subtitle alignment, translation, and dialogue analysis.

Dataset Details

Each record in the dataset contains the following fields:

• file_id (int64): Unique identifier for the file.
• language (string): Language code of the subtitles.
• line_number (int32): The line number within the subtitle file.
• start_time (string): Timestamp indicating when the subtitle appears.
• end_time (string): Timestamp indicating when the subtitle disappears.
• text (string): The text of the subtitle.
• series_title (string): The title of the TV series.
• episode (string): Episode information (e.g., season and episode number).

Language Distribution

The dataset has the following language distribution:

Language	Number of Records	Percentage (%)
ru	5,100,634	~41%
en	4,888,663	~39%
it	1,553,718	~12%
de	896,472	~7%
Total	12,439,487	100%

Dataset Sources

• Repository: Taiga Corpus

Citation

If you use this dataset, please cite it as follows:

BibTeX:

@misc{taiga_corpus_subtitles,
  title={Taiga Corpus - TV Series Subtitles},
  howpublished={\url{https://tatianashavrina.github.io/taiga_site/}},
  note={Accessed: YYYY-MM-DD}
}

---

Taiga Corpus - Субтитры телесериалов

Этот датасет содержит субтитры телесериалов, извлечённые с сайта Taiga Corpus. Датасет включает данные на уровне каждой строки субтитров с точными временными метками, а также метаданные: название сериала и информация об эпизоде. Датасет предназначен для задач, связанных с синхронизацией субтитров, машинным переводом и анализом диалогов.

Детали датасета

Описание датасета

• Язык(и): de, en, it, ru
• Лицензия: Apache License 2.0

Каждая запись датасета содержит следующие поля:

• file_id (int64): Уникальный идентификатор файла.
• language (string): Код языка субтитров.
• line_number (int32): Номер строки в файле субтитров.
• start_time (string): Время появления субтитра.
• end_time (string): Время исчезновения субтитра.
• text (string): Текст субтитра.
• series_title (string): Название телесериала.
• episode (string): Информация об эпизоде (например, сезон и номер серии).

Распределение языков

Язык	Количество записей	Процент (%)
ru	5,100,634	~41%
en	4,888,663	~39%
it	1,553,718	~12%
de	896,472	~7%
Total	12,439,487	100%

Источники датасета

• Репозиторий: Taiga Corpus

Лицензия

Датасет распространяется под лицензией Apache License 2.0.

Цитирование

При использовании данного датасета, пожалуйста, цитируйте следующим образом:

BibTeX:

@misc{taiga_corpus_subtitles,
  title={Taiga Corpus - TV Series Subtitles},
  howpublished={\url{https://tatianashavrina.github.io/taiga_site/}},
  note={Accessed: YYYY-MM-DD}
}