ОТВОРЕН ИЗСЛЕДОВАТЕЛСКИ КОРПУС • БЪЛГАРСКИ ЕЗИК OPEN RESEARCH CORPUS • BULGARIAN

Български корпус за език и писменост

Bulgarian Language & Script Corpus

Отворен национален корпус на българския език, ръкописното наследство и писменост – с проверени източници, ясни лицензи и богати лингвистични метаданни за наука, образование и развитие на съвременни AI модели. Не е достатъчно изкуственият интелект да пише на кирилица – нужно е да разбира българския език, неговата история, правописни реформи и културен контекст.

A national-scale open corpus of Bulgarian language and script, with carefully curated sources, explicit licensing, and rich linguistic metadata – designed for long-term research, evaluation and reproducible NLP. Български език, исторически периоди, ортографски реформи и множество жанрове – в една последователна, документирана структура.

Всички хранилища в организацията blsc-org в GitHub се публикуват под свободен MIT лиценз (за кода) и отворени лицензи (за текстовите данни).
All repositories under the blsc-org GitHub organization are published under the MIT License (code) and open, corpus-appropriate licenses (data).

Жива демонстрация: Стартов пакет данни (v0.1) Live demo: Starter corpus snapshot (v0.1)

Разгледайте три реални образеца от различни епохи на българската писменост – в автентичния им исторически правопис, с нормализиран съвременен текст и машинночетими метаданни.

Explore three real samples from different eras of Bulgarian writing – in their authentic historical orthography, paired with normalized modern text and machine-readable metadata.

Статус на пакетаRelease status v0.1-alpha (Public) 3 канонични образеца • 3 епохи3 canonical samples • 3 eras
Правописни нормиOrthographies 1762 / 1879 / 1899 Църковнославянски и дореформен (ѣ, ѫ)Church Slavonic & pre-1945 (ѣ, ѫ)
Лиценз и форматLicense & format UTF-8 TXT + JSON 100% обществено достояние (Public Domain)100% Public Domain

Исторїя славѣноболгарская (1762)

Оригинален правопис: Original orthography:

О неразумне и юроде! Поради что се срамишъ да се наречешъ болгаринъ и не четишъ по свои язикъ и не думашъ? Или не са имали болгаре царство и господарство?

Нормализиран съвременен български: Normalized modern Bulgarian:

О, неразумни и юроде! Поради що се срамуваш да се наречеш българин и не четеш на своя език и не говориш? Или не са имали българите царство и господарство?

Метаданни на документа (JSON): Document metadata (JSON):
{
  "id": "blsc_00000001",
  "author": "Паисий Хилендарски",
  "title": "История славянобългарска (откъс)",
  "year": 1762,
  "period": "early_revival_1762",
  "orthography": "church_slavonic_hybrid",
  "genre": "historiography",
  "script": "Cyrillic",
  "normalized_available": true,
  "rights": "public_domain"
}

Набори от данни и репозиторита Datasets & repositories

Екосистемата на BLSC е организирана в няколко ясно разделени хранилища. Основният корпус и неговите метаданни се намират в blsc-core, а този сайт (blsc-site) събира публичната документация.

The BLSC ecosystem is organized as a small set of focused repositories. The core corpus and its metadata live in blsc-core, while this site (blsc-site) hosts public-facing documentation.

Основен корпус (blsc-core) Core corpus (blsc-core)

Канонични и исторически текстове със стабилни идентификатори, JSON метаданни на ниво документ, класификация по жанр, период, писменост и ясни авторски права.

Canonical texts with stable IDs, document-level JSON metadata, genre and period classification, script information, and machine-readable rights.

  • Фокус изцяло върху българския език и писменост.
  • Полета за правопис и период според историческите реформи.
  • Точен брой токени и маркери за наличните анотации.
  • Bulgarian language only (for now).
  • Orthography & period fields tied to historical reforms.
  • Explicit token counts and annotation-layer flags.
корпусdataset json metadata научен стандартresearch-grade

Уебсайт и документация (blsc-site) Website & docs (blsc-site)

Статичен сайт (настоящото хранилище), който обединява документацията, модела на данните и преките връзки към ресурсите на проекта.

Static site (this repository) that aggregates documentation, design notes, and reference links for the corpus and its tooling.

  • Описва модела на метаданните и правилата за анотация.
  • Свързва към изданията, дискусиите и насоките за участие.
  • Служи като постоянна входна точка към проекта.
  • Describes the metadata model and annotation conventions.
  • Links to releases, issues and contribution guidelines.
  • Acts as a stable landing page for the project.
документацияdocumentation GitHub Pages

Бъдещи модули и ръкописи Future modules

Планирани разширения за дигитализирани ръкописи от библиотеки, манастири и архиви, паралелни корпуси и тестове за оценка на AI модели (benchmarks).

Planned companion repositories may cover parallel corpora, evaluation benchmarks, and task-specific subsets (e.g. legal, administrative, historical).

  • Всички модули споделят еднаква структура на метаданните.
  • Ясно разделение между суров текст и езикови анотации.
  • Версионирани пакети за цитиране и проверка.
  • All modules will share the same metadata backbone.
  • Clear separation between raw text, annotations and tooling.
  • Versioned releases for citation and reproducibility.
пътна картаroadmap benchmarks

Модел на лингвистичните метаданни Linguistic metadata model

Всеки документ в корпуса се описва чрез компактен JSON обект. Полетата са проектирани така, че да бъдат стабилни и съвместими във времето, позволявайки на бъдещи модули да се позовават на същите идентификатори.

Every document in the corpus is described by a compact JSON object. Fields are intentionally stable, language-agnostic and future-proof, so that additional modules (parallel corpora, annotations) can reference the same identifiers.

  • Идентичност на документа: id, автор, заглавие, година, вид източник.
  • Историческо измерение: period, обвързан с правописните реформи, и отделно поле orthography.
  • Писменост и език: писменост (кирилица/глаголица/латиница), диалект и флаг за нормализация.
  • Слоеве на анотация: индикатори за морфологичен, синтактичен и други слоеве.
  • Права: изричен лиценз или статут на обществено достояние (public domain) за всеки текст.
  • Document identity: id, author, title, year, source type.
  • Historical dimension: period tied to orthographic reforms, with separate orthography field.
  • Script & language: script (Cyrillic/Latin), dialect (if relevant), normalized-text flag.
  • Annotation layers: booleans for morphological, syntactic and other layers, so consumers know what is available.
  • Rights: explicit license / public-domain marker per document.
Пълна спецификация: Full specification: LINGUISTIC_METADATA_MODEL.md
Примерен JSON паспортExample JSON
{"id":"blsc_00001231","author":"Иван Вазов","year":1894,
 "period":"pre_reform_1899","orthography":"pre_reform_1899",
 "genre":"fiction","script":"Cyrillic","token_count":1520,
 "morph_layer":false,"syntax_layer":false,
 "normalized_text":null,"rights":"public_domain"}


Самите текстове не са вградени в този сайт – JSON метаданните и текстовите файлове живеят в основното хранилище и могат да се обработват с всякакви инструменти (Python, R, SQL и др.). The corpus itself is not hard-coded into this site: the JSON metadata lives in the core repository and can be processed with any tooling (Python, R, SQL, etc.).

Насоки за анотация Annotation guidelines

Проектът BLSC прави ясно разграничение между самия корпус (оригинални текстове + метаданни) и незадължителните слоеве за анотация. Правилата за анотация са версионирани документи, които описват как се създава всеки слой.

The BLSC project distinguishes clearly between the corpus (texts + metadata) and optional annotation layers. Annotation guidelines are versioned documents that describe how each layer is produced and how it should be interpreted.

Основни принципиPrinciples

  • Анотацията е винаги документирана и възпроизводима: всеки слой има методика и версия.
  • Правилата поставят научната яснота пред идеологията – създадени са за работа от лингвисти, историци и програмисти.
  • Категориите се съгласуват с утвърдени международни стандарти (Universal Dependencies и др.).
  • Annotation is always documented and reproducible: every layer has a guideline and a version.
  • Guidelines favour clarity over ideology – they are designed to be used by both linguists and practitioners.
  • Whenever possible, categories are mapped to existing standards (Universal Dependencies, etc.).

Анотацията никога не променя тихомълком оригиналния текст. Всяка осъвременена транскрипция или корекция се отбелязва изрично.

Annotation should never silently change the underlying text. Any normalization or correction must be explicitly flagged.

Документ с правилатаGuidelines document

В основното хранилище се поддържа актуален документ с конвенциите за обработка:

A living document in the core repository describes the current annotation layers and conventions:

  • Токенизация и разделяне на изречения.
  • Морфологични признаци и части на речта (POS тагове).
  • Синтактични връзки (когато са налични).
  • Именувани обекти (личности, места, дати) и семантични етикети.
  • Tokenization & sentence segmentation.
  • Morphological features and POS tags.
  • Syntactic relations (if available).
  • Named entities and other semantic labels (future work).

Вижте ANNOTATION_GUIDELINES_BG.md за българската версия.

See ANNOTATION_GUIDELINES.md for the current draft.

Как да се включите How to get involved

BLSC е замислен като отворена, общностна инициатива. Ако работите с български език, история, архиви или програмиране, можете да помогнете по няколко начина:

BLSC is intentionally designed as an open, collaborative effort. If you work with Bulgarian language and would like to contribute, there are several ways to help.

Идеи и предложенияReport issues & ideas

Използвайте секцията Issues в blsc-core за всичко, свързано с корпуса, схемата на метаданните или документацията:

Use the issue tracker in blsc-core for anything related to the corpus, metadata schema, or documentation:

  • Сигнали за неточности или грешки.
  • Предложения за нови полета в метаданните.
  • Идеи за включване на нови жанрове и архиви.
  • Bug reports or inconsistencies.
  • Requests for new metadata fields.
  • Suggestions for additional genres or periods.

Принос с текстове и ръкописиContribute data

Ако разполагате с дигитализирани български текстове или ръкописи със свободен статут (public domain, CC лиценз или разрешение), предложете добавянето им:

If you control rights to suitable Bulgarian texts (public domain, CC-licensed, or with explicit permission), you can propose adding them to the corpus.

  • Предоставете основни библиографски данни.
  • Уточнете източника и авторските права.
  • Отворете първо Issue в GitHub преди изпращане на големи файлове.
  • Provide basic bibliographic information.
  • Clarify licensing and provenance.
  • Open an issue first – do not send large files by email.

Помощ при разчитане и анотацияHelp with annotation

С развитието на корпуса ще се организират целеви задачи за разчитане на стари правописи, ръкописи и проверка на автоматични модели:

As annotation layers mature, the project may organize focused annotation sprints for specific phenomena (e.g. historical spelling, dialect, named entities).

  • Следете хранилището за нови задачи и издания.
  • Коментирайте спорни случаи при старите правописи.
  • Споделяйте скриптове за обработка и оценка.
  • Follow the repository for announcements.
  • Comment on guideline drafts and edge cases.
  • Share evaluation scripts and baselines.

Контакти и управление Contact & governance

За въпроси, които не са подходящи за публични дискусии в GitHub (институционално сътрудничество, достъп до архиви и др.), можете да се свържете с нас по имейл. Техническите въпроси е добре да остават в GitHub, за да са видими за всички.

For questions that do not fit well into GitHub issues (sensitive data, institutional collaborations, etc.) you can reach the maintainers via email. Please keep technical questions on GitHub whenever possible so that answers remain visible to everyone.

  • Организация:Organization: @blsc-org в GitHub.
  • Основен корпус:Core repository: blsc-core.
  • Уебсайт:Website repository: blsc-site.
Електронна поща за контакт и модерация Email for conduct & moderation
[email protected]

Този адрес може да се използва и за сигнали по Етичния кодекс (Code of Conduct). Всички сигнали се разглеждат дискретно. This address can be used to report violations of the Code of Conduct . All reports will be handled discretely and in line with the enforcement guidelines in the repository.
„Завършен“ ли е корпусът? Is the corpus “finished”? Не. BLSC се развива поетапно чрез ясно документирани версии. Всяко издание може да бъде цитирано и възпроизведено независимо. No. BLSC is explicitly versioned and will evolve through well-documented releases. Each snapshot can be cited and reproduced.
Може ли BLSC да се използва в комерсиални проекти и AI модели? Can I use BLSC in commercial projects? Програмният код е под свободен MIT лиценз. Използването на текстовете зависи от полето rights на всеки документ – текстовете със статут обществено достояние (public domain) са напълно свободни за употреба. Code is MIT-licensed. Data usage depends on the rights field of each document; public-domain texts are unrestricted, while others may impose conditions. Always check the metadata.

GitHub ресурси и документация GitHub Resources & Documentation

Преки връзки към хранилищата на BLSC, проектните документи и каналите за сътрудничество.

Direct links to the BLSC repositories, project documents and collaboration channels.