chuuhtetnaing/myanmar-english-news-translation-dataset

Please visit to the GitHub repository for other Myanmar Langauge datasets.

Myanmar-English News Translation Dataset (Segmented)

A Myanmar-English parallel corpus for machine translation, with properly segmented Myanmar text.

Dataset Description

This dataset is a preprocessed version of the Francis-Phone/mm_eng_news_translation dataset. The original Myanmar text contains spaces between every syllable, which is not natural Myanmar writing. This version applies proper word segmentation to produce more natural and readable Myanmar text.

Source Data

🔗 Original Dataset: Francis-Phone/mm_eng_news_translation

📓 Dataset Creation Notebook: dataset-preparation.ipynb

🤖 Segmentation Model: chuuhtetnaing/myanmar-text-segmentation-model | 🚀 Try the Demo

Preprocessing Example

Original (spaced annotated):

လူ ငယ် တွေ ( ရွာ ထဲ ) လာ ရင် လက် နက် တွေ အိမ် ယူ မ လာ နဲ့ ဆို တာ မျိုး ဖြစ် လာ တယ် ။

Segmented (natural):

လူငယ်တွေ (ရွာထဲ)လာရင် လက်နက်တွေ အိမ်ယူမလာနဲ့ဆိုတာမျိုးဖြစ်လာတယ်။

Data Format

Column	Description
burmese	Segmented Myanmar text
english	English translation
burmese_raw	Original space-separated Myanmar text

Usage

from datasets import load_dataset

ds = load_dataset("chuuhtetnaing/myanmar-english-news-translation-dataset")

print(ds["train"][0])
# {
#     'burmese': 'လူငယ်တွေ (ရွာထဲ)လာရင် လက်နက်တွေ အိမ်ယူမလာနဲ့ဆိုတာမျိုးဖြစ်လာတယ်။',
#     'english': 'When young people (in the village) came, they are told not to bring the weapons to home.'
#     'burmese_raw': 'လူ ငယ် တွေ ( ရွာ ထဲ ) လာ ရင် လက် နက် တွေ အိမ် ယူ မ လာ နဲ့ ဆို တာ မျိုး ဖြစ် လာ တယ် ။',
# }

Intended Use

• Machine translation (Myanmar ↔ English)
• Cross-lingual NLP research
• Myanmar language modeling

Acknowledgments

• Original dataset by Francis-Phone
• Segmentation performed using myanmar-text-segmentation-model, trained on myanmar-text-segmentation-dataset