dataset 是数据集领域的开源项目，由 darija-open-dataset 开发，2021 年首次发布。
它收录于数据集分类，该分类目前共有 278 个项目，GitHub 星标数为 375。
项目目前处于活跃维护状态，最近一次代码更新于 2026-09-19。开源数据集，免费使用。
它主要面向的使用场景是：训练或微调Darija到英语的机器翻译模型。同类可对比的替代方案包括 OPUS、Tatoeba、FLORES-200。
dataset
给摩洛哥口语配英语翻译，低资源翻译有数据可用
这是一个面向摩洛哥阿拉伯语（Darija）与英语互译的平行语料数据集项目。Darija 是摩洛哥日常口语，长期缺乏高质量书面语料，主流机器翻译模型对其支持很差。该项目通过收集、整理 Darija 与英语的对照句子，为训练和评测翻译模型提供基础数据，解决低资源语言在 NLP 研究中数据稀缺的问题。核心能力是提供可直接用于训练、微调或评测的双语平行句对，覆盖日常口语表达，适合作为低资源翻译任务的起点数据。项目以数据集形式发布，体量适中，便于研究者快速下载使用，也可用于构建词典、语言学习工具或对话系统。对于关注阿拉伯语方言、低资源机器翻译和跨语言 NLP 的开发者与研究者，这是一个实用且门槛较低的语料资源。
开源
free
数据集
GitHub 星标
★ 375
维护状态
活跃
是否开源
是
定价模式
free
项目数据
分类数据集
开发团队darija-open-dataset
所属国家
定价模式free
价格说明开源数据集，免费使用
访问状态
是否开源是
开源协议NOASSERTION
主要语言
技术栈/模型darija,dataset,language,natural-language-processing,translation
GitHub 星标★ 375
30天Star增速
HF 下载量
上线时间2021-02-04 00:00:00
最近更新2026-09-19 00:00:00
维护状态活跃
中文支持
访问方式
移动端支持
综合评分
收录时间2026-09-21
浏览次数0
使用教程
核心亮点
- 提供 Darija 与英语平行句对，填补低资源方言翻译数据空白
- 可直接用于机器翻译模型训练、微调与评测，上手门槛低
- 聚焦日常口语表达，贴近真实对话场景，实用性强
不足之处
- 数据规模有限，难以支撑大规模预训练或高精度模型
- 语言标注与质量校验细节披露不足，使用前需自行评估
适用场景
- 训练或微调 Darija 到英语的机器翻译模型
- 构建阿拉伯语方言词典或语言学习辅助工具
- 低资源语言 NLP 研究与跨语言迁移学习实验
替代项目
OPUS、Tatoeba、FLORES-200
项目介绍
上一篇：aisheets
同类项目推荐
X-AnyLabeling
开源
一站式AI辅助标注，图像视频文本通吃，导出格式随心配
X-AnyLabeling: A lightweight, efficient, and unified cross-platform desktop applicat···
aisheets
开源
像用表格一样批量调 AI，不写代码就能造和改数据集
Build, enrich, and transform datasets using AI models with no code
distilabel
开源
基于论文的合成数据流水线，快速生成高质量 AI 反馈数据。
Distilabel is a framework for synthetic data and AI feedback for engineers who need ···
DataGen
开源
用大模型一键生成定制化训练数据，告别数据荒
[ICLR'25] DataGen: Unified Synthetic Dataset Generation via Large Language Models