sentence
stringlengths 11
176
| label
stringclasses 4
values |
---|---|
und ich bi dänn | ZH |
und wie äbe die | LU |
das hät öis d halwag | ZH |
ond all det gschafft hed ja emmer arbet ggä | LU |
und denn het s do verhöör gge | BS |
i bi natüch i dene | BE |
aber wo s einisch de läbesmittucharte ggä hed | LU |
jaa sind jude gsii | ZH |
das detail gschäft in arbon zum bischpil win er ghaisse hät waiss i nüme | ZH |
jaja aso me mer nuzid das das jez no | LU |
und grad zwor am scho glii am aafang sind s | LU |
und si händ ebe dä won ich geschter i de schtat aatroffe en chliine bueb aagnoo | ZH |
nai nai nai nai nai nai | ZH |
militäär mit em militäär hämmir ned vill am huet gha d khommunischte will jo die | BS |
ghüürotet händ si nünzähundertnüü | BS |
und hät deete ja er hät er hät glaub gmaalet und | ZH |
wöschsak zämepüezt und hät die dräkig wösch driitaa | ZH |
und dä isch döt gsi und är | BS |
e giesser gsi e guete giesser | BS |
hed mi mi grossvatter immer so gfunde die | BE |
mit de welo hättemer sötte nach | BS |
ime franzöösischen offizier het er möse s eerewort ggee dass er wider zrugg khunnt | BS |
wo wie d baasler | BS |
är isch doo i dawoos gsii | ZH |
wo doo gse sen | BS |
und het bim burkhart gschafft in | BS |
waiss a nümme wo im aargau onde oder wo | LU |
und schüeler die hed me de iigsezt zum de hanf cho zie dä hät me | BE |
ändi herbscht usgangs herbscht het s ghaisse | BS |
det isch im chrais zwai lavaterschuelhus und gablschuelhus | ZH |
dä isch im nachberdorf leerer gsi | BE |
und was eigetlech dä wo zu üs cho isch | LU |
und do hämmir denn als da hed mer do so khläbzetteli gha | BS |
dasch äifach z vil muesch drei sachen uusläse | ZH |
aber gfluechet hät me natüürli uf der äinte oder uf der andere siite | ZH |
ich glaub es schoo | ZH |
luege was mer chöni mache | LU |
lüt plagt wonner chönne het und | BE |
däm gämmer grad di dräkigschte ross | BE |
groossi hooggekhrüz an die schaufänschter go moole | BS |
d schwiz gsi für di tütsche genau ja | ZH |
de hemmer s haut gliich gmacht | LU |
und da simmer also jedes jaar | ZH |
aso wirklich nie so öppis mit ne gret | LU |
zum zum die zält wo me do | BS |
i waiss es nid dass epper eso verzöut | LU |
de korporal mönd si abverdiene und das han i zur bedingig gschtellt | ZH |
miuch si hei öppe no vilich no es chueli ghaa | BE |
me hei üs entschprächend afo ufklären auso das hät ned guet si | BE |
wie meer in baasel gsait worden isch isch das nur e prowisorisch | BS |
u dä het ä ä zwöite schtalinischt zuezoge | BE |
no en summerkurs gnoo | ZH |
wo si hei landesschaftlich beschäftiget | BE |
ond das hed waar ggä det oben aso | LU |
ond isch döt vor gricht gschtellt worden am änd het jo nüt khönne noochewiise | BS |
hesch jo ned überau do besch jo | LU |
iirgendwenn ich waiss ned genauu wenn | BS |
jee won är d ainhait übernoo gha hät | ZH |
es het sich i de gmeinde ja sowiso ich ha s | BE |
wär au no öppis füre | LU |
ha gmaint du bisch im ja mer hän jez uurlaub khriegt het dä | BS |
aber das isch de fasch aues gsi | BE |
vorgänger vo mir i de firma gseit das mues i öich as | BE |
nöd blei das isch dänn brõõse ja und zwaar e gueti | ZH |
wämmer die wise nämed | ZH |
in der folgezit isch er sozialdemoggraat worde | BS |
und dänn isch das chinderfröiläin mit de chinde mit de gröösserne efäng i d schwiiz choo | ZH |
und die hän denn gruefe jez müend er nümmi abseggle jez het s gwäggslet | BS |
isch redaggder worde vom | BS |
di tütsche inecho wäred | ZH |
di familenaghörige vo mim vatter | ZH |
und in tütschland mache | ZH |
und de nochäär isch | BS |
aber me hed äben aue no höuf übecho | LU |
und de betriibslaiter vo däm ateliee in zofinge hät jeden obig | ZH |
vorhär in züüri gse | BS |
und die händ und doo das sind au die sache das sind da die | ZH |
und do het jede chli son e funkzion gha | BE |
scho no eso identifiziert aus dass si üses land würd verteieige und dass so eine chönnti gfäärlich sii | BE |
also vo der iiergee | ZH |
äbe zischtig und friitig hemmer ouen aaggno | LU |
we me wott het s het s het s schtagniert we ich wot säge ja | BE |
döt isch s khontonamänt gsi im huus im e huus nääbedra uf der andere site vo der giezeschtross | BS |
puure hend scho no chönne bache mir hend immer öppe brot gha | LU |
er isch zwaar nöd so en furchbar | ZH |
und s waiss es nümme nochane | LU |
isch ja das nüt gsi tunkz mi da isch unverhältnismässig gsi i ha das vom meiebärg ned gläse | BE |
und so vöu i de wertschaft sind si ou ned gse | LU |
do hed me gfieberet me het immer fascht gar | BE |
aber me hetted gar ich glaub föifhundert doller hette mer chöne bezie | ZH |
natüürlich bin ich au gaar nid zfride gsii | ZH |
auso jo es isch hed | BE |
är isch i toffen uufgwachse und äigedlich i | ZH |
aber das cha nid dä sii dä müesst ja vil elter vil jünger sii | ZH |
und mer de i kino aube sind mitenand | LU |
und är isch en liebe mönsch gsi i däm sinn ned öppe | BE |
haigoo in dienscht wiider also nai bliibe mer doo näb innerkhirche | BS |
chönne schpäter i d rekruteschueu iirüke | BE |
ich gloube härdöpfu hämmer erscht schpöter | LU |
si ires hus hed gha mit garte do hed si ne usegschteut un i ha müese gartewägli go schabe u go buze go jätte | BE |
Dataset Card for ArchiMod Corpus
Dataset Summary
The ArchiMob corpus represents German linguistic varieties spoken within the territory of Switzerland. This corpus is the first electronic resource containing long samples of transcribed text in Swiss German, intended for studying the spatial distribution of morphosyntactic features and for natural language processing.
Languages
Swiss-German
Dataset Structure
Data Instances
{ 'sentence': Sentence in Swiss-German, 'label': Dialect as category }
Data Fields
sentence
: Text as string.
label
: Label as string.
Data Splits
[More Information Needed]
Dataset Creation
Source Data
Initial Data Collection and Normalization
https://www.spur.uzh.ch/en/departments/research/textgroup/ArchiMob.html
Additional Information
Licensing Information
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License
Citation Information
Scherrer, Y., T. Samardžić, E. Glaser (2019). "Digitising Swiss German -- How to process and study a polycentric spoken language". Language Resources and Evaluation. (First online)
Scherrer, Y., T. Samardžić, E. Glaser (2019). "ArchiMob: Ein multidialektales Korpus schweizerdeutscher Spontansprache". Linguistik Online, 98(5), 425-454. https://doi.org/10.13092/lo.98.5947
- Downloads last month
- 2