Dakshina数据集
所属章节：语料库｜manifest 索引：194｜原始行号：355
十二种南亚语言的拉丁/本地文字平行数据集合
项目简介
本条目在原始目录中名为“Dakshina数据集”。本次实时核验后，可访问来源显示其正式名称或仓库名为“Dakshina Dataset”，入口类型为GitHub 代码/数据仓库。每种语言包含大规模本地文字 Wikipedia 文本。
本文只陈述核验时页面能够支持的事实。原始目录与当前页面不一致之处，以“原始记录”和“实时证据”分别呈现；没有在页面、README、仓库元数据或论文摘要中出现的信息均标为“待核实”。
实时核验摘要
- 正式名称：Dakshina Dataset
- 页面类型：GitHub 代码/数据仓库
- 本次共核验 1 个原始链接，其中可确认 1 个、未确认 0 个
- 核验时间：2026-08-04T10:24:59Z
访问状态中的 redirected 表示原始链接自动跳转，但最终页面仍能确认项目身份；error 或 skipped 不作为新增事实依据。HTTP 状态和最终地址均保留在逐站结果中，便于后续复查。
项目特色
有证据支持的特色：为 12 种南亚语言同时提供本地文字文本、拉丁转写词典和句子级本地文字—拉丁字母平行数据。
这一特色来自当前可访问页面的项目介绍、README 或论文摘要，并非根据项目名称推断。若要将其用于论文实验、生产数据或商业产品，还应继续核对数据来源、样本质量、许可范围与引用要求。
核心功能
- 每种语言包含大规模本地文字 Wikipedia 文本。
- 提供本地文字词与实际拉丁转写的 romanization lexicon。
- 另有完整句子的双文字系统平行数据，可用于转写和输入法研究。
上述功能描述的证据强度取决于来源类型：官方仓库 README 和论文页面可支持项目定位，但目录列表、第三方镜像或仅有标题的页面不能替代完整技术文档。性能、准确率、价格、作者承诺与未展示的功能均为待核实。
技术栈与资料范围
- 主要技术/资料形态：文本数据与基线工具。
- 覆盖 12 种南亚语言，语言间数据量并不必然均衡。
- 数据的 Wikipedia 来源和人工转写部分应按官方数据说明引用。
- 原始目录保留的描述为：十二种南亚语言的拉丁/本地文字平行数据集合。
技术语言来自仓库元数据时只代表代码占比信号，不等于完整依赖栈；“数据文件为主”或“资料索引为主”则说明该资源不宜按可安装软件理解。数据字段、切分、清洗、标注一致性、去重和覆盖偏差仍需结合仓库文件或论文正文审计。
适用场景
- 用于与“Dakshina数据集”原始定位一致的数据调研、基线复现或资料索引。
- 在小规模样本上验证格式、编码、字段与任务匹配度，再决定是否纳入正式实验。
- 将当前页面作为入口，继续核对数据下载、论文引用、许可证和维护记录。
如果项目是数据列表或资源集合，应逐个核验其下游数据源；如果项目是模型或工具仓库，也不能仅凭仓库可克隆就认定模型文件、训练数据和运行环境仍然可用。
安装或使用入口
git clone https://github.com/google-research-datasets/dakshina.git
克隆仓库只是取得资料的入口，不等同于完成安装。执行任何命令前应先检查当前分支、依赖文件、下载脚本和数据条款。对于论文 PDF 或失效链接，本次未确认可执行安装流程，安装方式为待核实。
实践建议
- 先保存原始文件校验值，并记录下载日期、最终 URL 与版本线索，避免后续页面变化导致实验不可复现。
- 抽样检查编码、空值、重复项、异常长度和标签分布；涉及文本语料时还要检查隐私、冒犯内容与版权风险。
- 先运行最小样例，再扩大数据规模； README 中的历史命令可能依赖旧版框架或已经迁移的下载地址。
- 发表结果或上线前，重新核对许可证、引用格式和数据再分发限制。
优势与限制
优势：该条目提供了明确的项目入口；本次可访问页面还给出了“为 12 种南亚语言同时提供本地文字文本、拉丁转写词典和句子级本地文字—拉丁字母平行数据。”这一可追溯特色，有助于判断是否值得进一步下载和审计。
限制：目录描述可能早于当前页面，仓库可访问也不代表依赖仍兼容。当前未确认的版本、完整数据统计、基准成绩、硬件要求、商业授权、隐私合规与长期维护承诺均不能默认成立。
维护状态、版本与许可证
- 维护状态：待核实。
- 最近代码推送：待核实。
- 页面/仓库更新时间：待核实。
- 正式版本：待核实；未把分支名或单次提交自动视为稳定版本。
- 许可证：待核实。数据许可与代码许可可能不同，使用前应检查当前 LICENSE、README 和数据来源条款。
原始链接与逐站访问结果
| URL | 状态 | HTTP | 页面标题 | 最终地址 | 证据摘要/原因 |
|---|---|---|---|---|---|
原始链接https://github.com/google-research-datasets/dakshina | verified | 200 | GitHub - google-research-datasets/dakshina: The Dakshina dataset is a collection of text in both Latin and native scripts for 12 South Asian languages. For each language, the dataset includes a large collection of native script Wikipedia text, a romanization lexicon of words in the native script with attested romanizations, and some full sentence parallel data in both a native script of the language and the basic Latin alphabet. · GitHub | https://github.com/google-research-datasets/dakshina | dakshina；The Dakshina dataset is a collection of text in both Latin and native scripts for 12 South Asian languages. For each language, the dataset includes a large collection of native script Wikipedia text, a romanization lexicon of words in the native script with attested romanizations, and some full sentence parallel data in both a native script of the language and the basic Latin alphabet. - google-research-datasets/dakshina |
项目名：Dakshina数据集
原始描述：十二种南亚语言的拉丁/本地文字平行数据集合
章节：语料库
行号：355
核验清单
- slug 保持为
dakshina，未改名、未合并项目。 - 全部 1 个原始链接已保留，并分别生成 sourceChecks 记录。
- 页面类型、正式名称、功能、技术范围、入口、维护线索、更新时间和许可证均按当前证据填写；缺失项标为“待核实”。
- 文章包含项目特色、优势与限制以及逐站访问结果，且不使用失效页面推断新增事实。
