Datasets:
The full dataset viewer is not available (click to read why). Only showing a preview of the rows.
Error code: UnexpectedError
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.
sentence1 string | sentence2 string | lang string | source_dataset string | split string |
|---|---|---|---|---|
Han var fuld af beundring | Hanj va ful å allera | unknown | BornholmBitextMining | train |
så vær dog lidt rimelige med jeres støjniveau ! | så varren då lid ammelia ! | unknown | BornholmBitextMining | train |
styrtede du ovenud af vognen ? ¤ styrtede du fra toppen af vogn ? | storte du âuanidå vâunijn ? | unknown | BornholmBitextMining | train |
morgen . | mârn | unknown | BornholmBitextMining | train |
larmende trævogn uden affjedring , træbuldren . | træballra , træballrijng | unknown | BornholmBitextMining | train |
sådan går det når at I ikke ville rette efter hvad jeg siger . | søddan går'ed når a ni inte villa aita ætte va jâ saier | unknown | BornholmBitextMining | train |
skal jeg skældes på ud og kaldes med fornærmelig navne af dig ? ellers tak , om jeg må be ' ! | ska jâ bajnas å kajlas å dei ? Holm . | unknown | BornholmBitextMining | train |
spænde ben | skrinka | unknown | BornholmBitextMining | train |
Guds fred , god aften ! | Gods fred , god awtan ! | unknown | BornholmBitextMining | train |
abe efter | âba ætte | unknown | BornholmBitextMining | train |
Visselul vissero vugge ! | Hankatten tog min kage ; | havde jeg ikke været hankattens ven , | havde jeg ikke fået kagen igen . | Vizza roa âga ! | Kattijn tâu men kâga ; | hadde jâ inte vad kattens vinn , | hadde jâ inte fåd kâgan igjænn . | unknown | BornholmBitextMining | train |
det skal nok blive stille hen mod aften . | de ska nokk ble stille te awtanijn . | unknown | BornholmBitextMining | train |
grønne ærter . | gröna arter . | unknown | BornholmBitextMining | train |
Jeg vil ikke pjatte dig . | Jâ vil inte ântas me daj . | unknown | BornholmBitextMining | train |
han får nok lært at lystre dér . | hajn får nokk lært å aita dær | unknown | BornholmBitextMining | train |
more sig over én eller more sig over noget . | mora sai ad ejn eller nâd sædvanlig : mora sai âuer | unknown | BornholmBitextMining | train |
Hun har ikke nogle farve i hoved | Hon har ikkje nå`d kolør i haud | unknown | BornholmBitextMining | train |
gården ejer jord helt ned til stranden . | gårijn aier jor helt ner te strân | unknown | BornholmBitextMining | train |
Doktoren siger hun er en hypokonder | Doktorinj sajer hon e enj pjæw | unknown | BornholmBitextMining | train |
. | te almindelighed saia vi ... | unknown | BornholmBitextMining | train |
det er minsandten et overordentlig stort stykke jord , de har fået opavlet under plov . | ded e livæl ejn anseli jorabidda , di ha fåd opawlder . | unknown | BornholmBitextMining | train |
han er så trods alt oven senge mer og mer for hver dag der går . | hajn e så livæl âuanvænnes for vær dâ . | unknown | BornholmBitextMining | train |
åh , det er vel en snes år siden , på det lav . | â , ded e væl ed snes år sin i lawed . | unknown | BornholmBitextMining | train |
ærtegulv og ærtelade , det var der i hver eneste gammel bonde gård , ind til jorden blev ærtetræt kaldte de gamle generationer det . | artegoll å artelo , de va dær i vær gammajl går , te jorn blev atetrætt kallte di'ed . | unknown | BornholmBitextMining | train |
hun kommer ofte i apotekerens butik , eller : hos apotekerens familie . | hon kommer ota te abetekarens | unknown | BornholmBitextMining | train |
masten hældede bagover . | mâsten hæjllde akterâuer . | unknown | BornholmBitextMining | train |
op og ned ad gaden , op ad stolper og ned ad vægge om udførlig og trættende fortælling | opp å ner a d gâdan , opp a d stølpa å ner a d væggja | unknown | BornholmBitextMining | train |
`` Var Anna ikke med til festen ? '' - `` Nej , jeg var ikke indbudt . '' | `` Va Âna inte me te gjijlled ? '' - `` Naj , jâ va'nte ben . '' | unknown | BornholmBitextMining | train |
`` Hvordan gik det med rugen ? '' - `` Vi tog den altsammen . '' | `` Veddan gjikk'ed me râuijn ? '' - `` Vi tâu dæjn ajl . '' | unknown | BornholmBitextMining | train |
hun var så gudsjammerlig grim , så at ... . | hon va så arbarmelia styjggj , s'ad ... | unknown | BornholmBitextMining | train |
ser du nogentid nogen sinde noget til Mogens ? ” – ” Å jo , det sker dog af og til at han kommer på denne led til dette nabolag og ser indom på et kort besøg . ” | ” ser du nânti nâd te Måns ? ” – ” Â jo , de sjer ju affete , ad hajn kommer på dejna len å ser ijnom . ” | unknown | BornholmBitextMining | train |
han bad os gå ad helvede til . | hajn bâ voss gå a hælvede te . | unknown | BornholmBitextMining | train |
kampestens-længe | bakkalæjnga | unknown | BornholmBitextMining | train |
Pigen er nu giftefærdig | Pajan e nu karsvâusen | unknown | BornholmBitextMining | train |
det er ikke alle steder , man kommer , at man bliver så vel komment modtaget . | ded e'nte ajle stâ , ejn kommer , ejn bler så væl modtâjn . | unknown | BornholmBitextMining | train |
få smæk på bagdelen . | få på dæjn bâgersta | unknown | BornholmBitextMining | train |
. | vi lou jorn liggja âven . | unknown | BornholmBitextMining | train |
Kan du nå bussen | Kan du hijnja bussinj | unknown | BornholmBitextMining | train |
kende af udseende . | kjæjnna for anseelse . | unknown | BornholmBitextMining | train |
jeg har ikke haft det allerringeste med at det som er gjort . | jâ har ikkje hatt ded allerringesta me å gjort . | unknown | BornholmBitextMining | train |
en soldebror , en skørtejæger . | ejn karalømmel . | unknown | BornholmBitextMining | train |
sikkedog du kan , du er jo en ren akrobat . | sikkedan du kajn , du e ju ejn ren akrobât . | unknown | BornholmBitextMining | train |
vinden er vel nok voldsom i dag ! hun vinden bider i kinderne . | vijnnen e nok arri idâ ! hon bider i kjæwtana . | unknown | BornholmBitextMining | train |
Skal vi drikke et par snapse | Ska vi drikka et par sypa | unknown | BornholmBitextMining | train |
de øverste sten er væk , der er kun bundstenene tilbage . | âuanstenijn e vækk , dær e mæn bonnstenijn ijænn . | unknown | BornholmBitextMining | train |
man skal jo oplyse , hvad man har tjent . | ijn ska ju angje va ijn hâr tjænt . | unknown | BornholmBitextMining | train |
Vil du køre med i min vogn | Ve du tjøra mæ i min vâun | unknown | BornholmBitextMining | train |
spørgsmål til en mand : hvornår er du ankommet ? | når e du arriverder ? | unknown | BornholmBitextMining | train |
kan du ikke få kreaturerne til at arte sig lystre ? | kajn du inte få kraiturn te å aita dai ? | unknown | BornholmBitextMining | train |
Tør fødder godt af mit barn . Du har trådt i en ko lort | Torr fokkana gott å , minj bælli , du hâr trøtt i en koblædda | unknown | BornholmBitextMining | train |
vi skal køre i skoven efter brænde . | vi ska kjöra a d skâuijn ætte bræjnne | unknown | BornholmBitextMining | train |
sidder . | mai synes , ad ded e dær , ded ona sidder . | unknown | BornholmBitextMining | train |
det var en ¤ indhegning , som var stærk nok til at de dyrene kunne støde ind i . | ded va en opphainijng a di kujnne sprijnga ijnn på . | unknown | BornholmBitextMining | train |
alvor . | alvår . | unknown | BornholmBitextMining | train |
han lå på knæ ude på tærskegulvet i loen og bad til Gud . | hajn lå på knæ uda på loijn å bâ . | unknown | BornholmBitextMining | train |
der kan være noget i det du der fremfører . | dær kajn varra nâd i ded du dær anför . | unknown | BornholmBitextMining | train |
Lærken er kommet | Larkan e kommed | unknown | BornholmBitextMining | train |
hønsene har lavet så mange fordybninger i urte/blomster bedet . | hønsen hâ lawad så många bâler i bjæded . | unknown | BornholmBitextMining | train |
du har bare at lade mine ting blive hvor de er ! at du ved det ! | du hâr å la mina tijng ble ! a du vidd'ed ! | unknown | BornholmBitextMining | train |
der skulle lavet så meget om på det . | dær skujlle andras så maied om på 'd . | unknown | BornholmBitextMining | train |
var det mod Bodilsker sogn , han kørte ? ” - Nej , det var mod Åker sogn ” . | ” va 'd a Bolskersen , hajn kjöre ? ” - ” Naj , ded va a Åkkersen | unknown | BornholmBitextMining | train |
i al -fald ; i hvert fald . | i ajl-fajl | unknown | BornholmBitextMining | train |
Det er ikke lys nu kommer 7 | Ded e ønte løv nu komma sju | unknown | BornholmBitextMining | train |
den ene skulle alt så løbe højre om kredsen af legekammerater , og den anden skulle løbe venstre om kredsen . | dæjn ena skujlle så løvva rætt om krisijn , å dæjn anra awed omm . | unknown | BornholmBitextMining | train |
læsset så bliver du nødt til at kravle op bagfra . | ska du opp på lassed så får du krajla bâgop . | unknown | BornholmBitextMining | train |
det er jo Stine , jeg kan kende hende på overkroppen brystpartiet . | ded e ju Stina , jâ kajn kjæjnna na på âuanred . | unknown | BornholmBitextMining | train |
kamphugger-længer på en bondegård . | bakka-læjnger . | unknown | BornholmBitextMining | train |
knude | bagg | unknown | BornholmBitextMining | train |
Mor brugte en tragt når hun hældte snaps på flaske | Moar brøgte en trattara når hon hælte syp på flaskan | unknown | BornholmBitextMining | train |
Han har taget inddraget løkken med tuerne til dyrket avlsjord . | Jajnj har tâd tâuelylkkjan ijnj te awlsjor . | unknown | BornholmBitextMining | train |
du kunne ikke desto mindre se indom en aftenstund . | du kujnne livæl se ijnnomm en awtanstujnn . | unknown | BornholmBitextMining | train |
Du skal ikke blinka til ham . Han er en spilopmager | Du ska inte blynkja te ham . Hanj e enj râzapaz | unknown | BornholmBitextMining | train |
ærteæblerne voksede på store træer ; de var bitra , sure , runde , ikke særlig store ; de med kød eller for at sætte smag . | arteæbblen vâuste på stora træ ; di va bittra , sura , rujnna , ikkje særlig stora ; di brøkte dom , når dær va knapt med kjødd æjlle for sætte smâg . | unknown | BornholmBitextMining | train |
de der blommer egner sig til at sylte . | di plommarna aina dom te å sølta . | unknown | BornholmBitextMining | train |
kan du gå ud til arbejderne med bitter dram ! sagt til stikirenddrengen . | kajn du gå ud te arbjarna me bitter ! | unknown | BornholmBitextMining | train |
du må ikke ærgre ham så . | du må'nte arrja'jn så . | unknown | BornholmBitextMining | train |
Se ... en sommerfugl | Se ... enj sjinjara | unknown | BornholmBitextMining | train |
de havde bedraget ham for en snes tusind . | di hadde bedrâd'ijn for ed snes tuzen . | unknown | BornholmBitextMining | train |
han er dog så pokkers dum tilligemed . | hajn e då så âsens dommer âu . | unknown | BornholmBitextMining | train |
der stod tre eller fire store flotte elme på bakken . | dær sto trijllefira stora nætta almer på bakkajn . | unknown | BornholmBitextMining | train |
Han satte rækværk rundt om huset | Hanj satta grinja runt huzed | unknown | BornholmBitextMining | train |
Min kage mislykkes | Minj kâga vrântas | unknown | BornholmBitextMining | train |
Tredive år og bor stadig hos mor | Træva år å boer stâdij hos moer | unknown | BornholmBitextMining | train |
de var i gang med at køre tørv . | di va i gång me å âga torru . | unknown | BornholmBitextMining | train |
han råbte ind gennem lugen , at nu var læsset ankommet . | hajn râfte ijnn ad løggan , a nu va lassed dær . | unknown | BornholmBitextMining | train |
det var altsammen vrøvl , han kørte op med . | ded va altsammen vrawl , hajn kjöre opp me . | unknown | BornholmBitextMining | train |
når de rad brækkede heste lig , så flåede de dem , men ådslerne lod de ligge for ræve og ravne at rive og slide i . < di boffada sjælhujnnana å kalte di'ed ; âzen ble liggjenes på izijn . { de bøffede sælhundene og kaldte dem øgenavne ; ådslerne blev liggende på isen . | når di öla öj , så sjijnnada di dom ; mæn âzen lâu di liggja for ræwa å rawna å slida i . | unknown | BornholmBitextMining | train |
`` Hvordan går det '' | `` Våddan går'ed Pær ? '' - `` Pær ? om dæjn möjklæwajn e âuan jorn æjlle ujnne jorn ded vidd jâ ijnged å , å ded kjer jâ mai hæjller inte om . '' | unknown | BornholmBitextMining | train |
Hun lavede en forlæns kolbøtte på jorden | Hun lavada ejn kåjlebøtta på joren | unknown | BornholmBitextMining | train |
det hjalp ikke til trods for alt det han tiggede og bad for sig for sin sag . | ded jalp ikkje alt ded hajn tyjde for sai . | unknown | BornholmBitextMining | train |
det var sten så store , . | ded va stena så stora , hadde di vad vælta på en slæva , hadd'ikkje fra hæsta daut te å rokka dom foie . | unknown | BornholmBitextMining | train |
Vask hænderne med sæbe | Vask hænnarna mæ seva | unknown | BornholmBitextMining | train |
I Sandvig er der mange byboer som tillige er avlsbrugere . | I Sannvi e dær många awlsbröggara . | unknown | BornholmBitextMining | train |
sengen er nedtrykket . | sæjngen hon e nerbâlad . | unknown | BornholmBitextMining | train |
han har lavet det er en fornøjelse . | hajn hâr lawad'ed så nætt å så akkorât så de e en fornoielse- | unknown | BornholmBitextMining | train |
de der børn løber . | di bællana løvva hær å bajsa . | unknown | BornholmBitextMining | train |
der var ikke noget hul til fraløb at det løb ovenud . | dær va'nte nâd holl te fråløvv , ijnn som ded løvv âuanud . | unknown | BornholmBitextMining | train |
ah , så blødt og varmt det er . | â , så bløtt å varmt ded e . | unknown | BornholmBitextMining | train |
allerførst skal jeg have mig en smule mad . | allrafosst ska jâ hâ mai igrân mâd . | unknown | BornholmBitextMining | train |
hold dine ben hos dig selv ; lad være at strække dem så langt ud , at de generer andre . | hojll ben ad dai ! | unknown | BornholmBitextMining | train |
MTEB BitextMining Aggregated Dataset (Full)
This dataset aggregates ALL configs from 10 BitextMining datasets in the MTEB (Massive Text Embedding Benchmark) Multilingual v2 benchmark into a single, unified dataset for comprehensive bitext mining evaluation.
Dataset Summary
- Total Examples: 448,229 sentence pairs
- Source Datasets (Configs): 10 MTEB BitextMining tasks
- Total Splits: 332 language pairs/configurations
- Languages: 300+ unique language codes across all datasets
- Task: Bitext Mining (parallel sentence retrieval)
- Format: Standardized schema across all sources
Structure
Each source dataset is a config, and each original config (language pair) within that dataset is a split.
Example Usage
from datasets import load_dataset
# Load specific config (source dataset)
tatoeba = load_dataset("SaylorTwift/mteb-bitext-mining-aggregated", "Tatoeba")
# This gives you 112 splits, one for each language pair
# Access a specific language pair split
french_english = tatoeba['fra-eng']
print(f"French-English pairs: {len(french_english)}")
# Load another config
indic = load_dataset("SaylorTwift/mteb-bitext-mining-aggregated", "IndicGenBenchFloresBitextMining")
# This gives you 58 splits for different Indic language pairs
# Access a split
hindi_english = indic['hin-eng']
Schema
Each example contains:
sentence1(string): First sentence of the pairsentence2(string): Second sentence of the pair (translation/parallel text)lang(string): Language pair code (e.g., "fra-eng", "de-en")source_dataset(string): Original MTEB dataset nameoriginal_split(string): Original split name (train/validation/test)config(string): Original config name
Configs (Source Datasets)
| Config | Splits | Examples | Description |
|---|---|---|---|
| Tatoeba | 112 | 88,877 | Tatoeba sentence pairs across 112 language pairs |
| IN22GenBitextMining | 128 | 131,072 | Indic language pairs (23 languages, all combinations) |
| IndicGenBenchFloresBitextMining | 58 | 116,522 | Indic languages with English from Flores |
| NusaTranslationBitextMining | 11 | 50,200 | Indonesian regional language pairs |
| BUCC_v2 | 4 | 35,000 | BUCC bitext mining (de-en, fr-en, ru-en, zh-en) |
| DiaBlaBitextMining | 2 | 11,496 | English-French dialogue pairs (both directions) |
| BornholmBitextMining | 1 | 6,785 | Danish dialect pairs |
| NusaXBitextMining | 11 | 5,500 | Indonesian languages with English |
| NollySentiBitextMining | 4 | 1,640 | Nigerian languages with English |
| NorwegianCourtsBitextMining | 1 | 1,137 | Norwegian court document pairs |
Total: 10 configs, 332 splits, 448,229 examples
Example Splits by Config
Tatoeba (112 language pairs)
sqi-eng, fry-eng, kur-eng, tur-eng, deu-eng, ell-eng, spa-eng, fra-eng, ita-eng, jpn-eng, cmn-eng, kor-eng, ara-eng, rus-eng, por-eng, hin-eng, etc.
IN22GenBitextMining (128 Indic pairs)
asm_Beng-ben_Beng, asm_Beng-eng_Latn, ben_Beng-hin_Deva, guj_Gujr-mar_Deva, etc. (all combinations of 23 Indic languages)
IndicGenBenchFloresBitextMining (58 pairs)
asm-eng, awa-eng, ben-eng, bgc-eng, bho-eng, bod-eng, guj-eng, hin-eng, kan-eng, mal-eng, mar-eng, nep-eng, ory-eng, pan-eng, tam-eng, tel-eng, urd-eng, etc.
BUCC_v2 (4 language pairs)
de-en, fr-en, ru-en, zh-en
NusaTranslationBitextMining (11 Indonesian languages)
ind-abs, ind-bew, ind-bhp, ind-btk, ind-jav, ind-mad, ind-mak, ind-min, ind-mui, ind-rej, ind-sun
NusaXBitextMining (11 pairs)
eng-ace, eng-ban, eng-bbc, eng-bjn, eng-bug, eng-ind, eng-jav, eng-mad, eng-min, eng-nij, eng-sun
Usage Examples
Load all language pairs from a specific source
from datasets import load_dataset
# Load all Tatoeba language pairs
tatoeba = load_dataset("SaylorTwift/mteb-bitext-mining-aggregated", "Tatoeba")
# Iterate through all language pairs
for lang_pair, dataset in tatoeba.items():
print(f"{lang_pair}: {len(dataset)} pairs")
Load a specific language pair
# Load just German-English from BUCC
bucc = load_dataset("SaylorTwift/mteb-bitext-mining-aggregated", "BUCC_v2")
de_en = bucc['de-en']
for example in de_en:
print(f"DE: {example['sentence1']}")
print(f"EN: {example['sentence2']}")
print()
Filter by language across all datasets
# Load Tatoeba
tatoeba = load_dataset("SaylorTwift/mteb-bitext-mining-aggregated", "Tatoeba")
# Get all examples for a specific language pair
french_english = tatoeba['fra-eng']
print(f"Found {len(french_english)} French-English pairs")
Excluded Datasets
BibleNLPBitextMining (828 configs, 900+ languages) was excluded due to incompatible schema that uses language codes as column names instead of the standard sentence1/sentence2 format.
FloresBitextMining and NTREXBitextMining were excluded in the previous version but may be revisitable with updated processing.
Citation
If you use this dataset, please cite the MTEB benchmark:
@article{muennighoff2022mteb,
title={MTEB: Massive Text Embedding Benchmark},
author={Muennighoff, Niklas and Tazi, Nouamane and Magne, Lo{\"\i}c and Reimers, Nils},
journal={arXiv preprint arXiv:2210.07316},
year={2022}
}
Individual Dataset Citations
Tatoeba
@inproceedings{artetxe2019massively,
title={Massively multilingual sentence embeddings for zero-shot cross-lingual transfer and beyond},
author={Artetxe, Mikel and Schwenk, Holger},
booktitle={Transactions of the Association for Computational Linguistics},
year={2019}
}
BUCC
@inproceedings{zweigenbaum2017overview,
title={Overview of the second BUCC shared task: Spotting parallel sentences in comparable corpora},
author={Zweigenbaum, Pierre and Sharoff, Serge and Rapp, Reinhard},
booktitle={Proceedings of the 10th workshop on building and using comparable corpora},
year={2017}
}
Additional citations available in the original MTEB task metadata and individual dataset pages.
Dataset Statistics
Language Coverage
- Total unique language codes: 300+
- Language families: Indo-European, Sino-Tibetan, Afro-Asiatic, Austronesian, Dravidian, and many more
- Coverage: High-resource (English, French, German, Spanish, Chinese, etc.), mid-resource (Hindi, Bengali, Tamil, etc.), and low-resource languages
Split Distribution
- Total splits: 332 (each representing a specific language pair or configuration)
- Examples per split: Ranges from 228 to 8,750, with most splits containing 500-1,000 examples
Data Quality
- All sentence pairs have been validated to contain non-empty
sentence1andsentence2fields - Language codes are preserved from original datasets
- Source attribution maintained for every example
License
This aggregated dataset inherits the licenses from its source datasets. Most MTEB datasets are released under permissive licenses (Apache 2.0, MIT, CC-BY, etc.). Please refer to the original dataset pages for specific licensing information.
Acknowledgments
- MTEB Team: For creating and maintaining the benchmark
- Original Dataset Creators: For providing high-quality bitext mining datasets
- Hugging Face: For dataset hosting and infrastructure
Version History
v2.0 (2026-04-02): Full release
- 10 source datasets (configs)
- 332 splits (all language pairs)
- 448,229 sentence pairs
- 300+ language codes
v1.0 (2026-04-02): Initial partial release (deprecated)
- Only loaded default configs
- 8 source datasets
- 139,457 examples
Contact
For questions or issues with this aggregated dataset, please open an issue on the repository or contact the dataset creator.
- Downloads last month
- 28