Un corpus paralelo (también llamado texto paralelo o corpus de traducciones) es un recurso lingüístico formado por textos originales en una lengua y sus traducciones a una o varias lenguas, alineados de modo que cada segmento del original se corresponde con el segmento equivalente de la traducción. La alineación suele hacerse a nivel de oración, aunque también puede establecerse por párrafos, versículos o palabras. Los corpus paralelos son una fuente esencial para la traducción automática, la lingüística contrastiva, los estudios de traducción basados en corpus, la lexicografía bilingüe y la enseñanza de lenguas.
No deben confundirse con los corpus comparables, que reúnen textos originales en distintas lenguas sobre temas o géneros similares, pero que no son traducción unos de otros.
Los textos paralelos existen desde la Antigüedad. La piedra de Rosetta, con un mismo decreto en dos escrituras egipcias y en griego, fue decisiva para el desciframiento de los jeroglíficos egipcios. La Hexapla de Orígenes (siglo III) disponía en seis columnas distintas versiones del Antiguo Testamento, y la Biblia Políglota Complutense (1514-1517), impulsada por el cardenal Cisneros en Alcalá de Henares, editó el texto bíblico en columnas paralelas en hebreo, griego, latín y arameo. Las ediciones bilingües de clásicos, como la Loeb Classical Library, siguen esta misma tradición.
El tratamiento informático de los corpus paralelos se desarrolló a partir de finales de la década de los 80 del siglo XX. En 1988, Brian Harris acuñó el término bitexto para designar el par formado por un texto original y su traducción, entendidos como una sola unidad. Poco después, William A. Gale y Kenneth W. Church, de los Laboratorios Bell, publicaron un algoritmo de alineación oracional basado en la longitud de las oraciones que se convirtió en un método de referencia. Estos trabajos coincidieron con el auge de la traducción automática estadística, que aprendía a traducir directamente a partir de grandes corpus paralelos.
Según su número de lenguas, un corpus paralelo puede ser bilingüe o multilingüe; en este último caso, si un mismo texto está alineado simultáneamente en todas las lenguas, se habla de corpus multiparalelo. Según la dirección de la traducción, puede ser unidireccional (originales en la lengua A y traducciones a la lengua B) o bidireccional (originales y traducciones en ambos sentidos), como el corpus inglés-español P-ACTRES de la Universidad de León.
Atendiendo al grado de paralelismo, la bibliografía de procesamiento del lenguaje natural distingue varias categorías:
La alineación consiste en identificar qué segmentos se corresponden entre el original y la traducción. No es una tarea trivial, porque el traductor puede dividir, fusionar, omitir, añadir o reordenar oraciones. Los primeros alineadores, como el de Gale y Church, se basaban en la correlación entre la longitud de las oraciones originales y la de sus traducciones; otros incorporaron diccionarios bilingües, como Hunalign. Desde finales de la década de 2010 predominan los métodos basados en representaciones vectoriales multilingües de oraciones (embeddings), como Vecalign, que alinea en tiempo lineal y supera a los métodos anteriores en pares de lenguas con pocos recursos.
Las memorias de traducción de los programas de traducción asistida son, en la práctica, corpus paralelos alineados por segmentos, y el formato de intercambio TMX se utiliza habitualmente para distribuir corpus paralelos.
Las organizaciones internacionales que publican sus documentos en varias lenguas han sido una fuente tradicional de corpus paralelos de calidad:
Desde mediados de la década de 2010 los corpus paralelos más voluminosos se obtienen de forma automática a partir de la web. El proyecto europeo ParaCrawl, en el que participaron la Universidad de Alicante y la empresa alicantina Prompsit, publicó los mayores corpus paralelos de libre acceso obtenidos por rastreo web con software abierto, junto con conjuntos de prueba para la alineación y el filtrado de pares de oraciones.
Otra vía es la minería de bitextos: en lugar de buscar documentos que sean traducción unos de otros, se comparan oraciones de grandes colecciones monolingües mediante embeddings multilingües y se retienen los pares más similares. Con este método, WikiMatrix extrajo 135 millones de oraciones paralelas de Wikipedia en 1620 pares de lenguas, de las que solo 34 millones están alineadas con el inglés, y CCMatrix obtuvo 10 800 millones de oraciones paralelas en 90 lenguas a partir de Common Crawl. Estos recursos facilitan la traducción directa entre lenguas distintas del inglés, sin recurrir a este como lengua pivote.
Los datos obtenidos de la web contienen ruido (traducciones automáticas, oraciones desalineadas o en otra lengua), por lo que su depuración y filtrado forman parte del proceso de compilación. Repositorios como OPUS, de la Universidad de Helsinki, reúnen y distribuyen en formatos homogéneos corpus paralelos de libre acceso procedentes de muy diversas fuentes.
Los corpus paralelos son el material de entrenamiento básico de los sistemas de traducción automática estadística y de traducción automática neuronal. Su escasez es la principal limitación para las lenguas de bajos recursos: el proyecto No Language Left Behind (NLLB) de Meta, que amplió la traducción automática a 200 lenguas, recurrió a la minería de bitextos para compensar la falta de datos paralelos en la mayoría de ellas y creó FLORES-200, un conjunto de evaluación multiparalelo.
Con la llegada de los modelos extensos de lenguaje, que adquieren capacidad de traducción a partir de grandes volúmenes de texto monolingüe, los datos paralelos se emplean sobre todo en el preentrenamiento continuado y el ajuste fino orientados a la traducción. Algunos estudios indican que siguen siendo determinantes para la calidad en las lenguas con pocos recursos.
En lingüística contrastiva y en los estudios de traducción basados en corpus, los corpus paralelos permiten comparar cómo se expresa un mismo contenido en dos lenguas y analizar los rasgos propios de la lengua traducida. También se utilizan en lexicografía bilingüe, para extraer equivalencias de traducción documentadas, y en tipología lingüística: el corpus bíblico de la Universidad Johns Hopkins reúne más de 4000 traducciones de la Biblia en más de 1600 lenguas, alineadas versículo a versículo.
Las ediciones bilingües y los concordanciadores bilingües en línea permiten al estudiante consultar una palabra o construcción en contexto junto con su traducción.
Las universidades españolas han compilado numerosos corpus paralelos para la investigación traductológica y contrastiva:
En el ámbito de la traducción automática, el proyecto NTEU (Neural Translation for the European Union), cofinanciado por el Mecanismo «Conectar Europa» y coordinado por la empresa española Pangeanic junto con Tilde (Letonia), KantanMT (Irlanda) y la Secretaría de Estado de Digitalización e Inteligencia Artificial (SEDIA), recopiló y depuró corpus paralelos entre las 24 lenguas oficiales de la Unión Europea para entrenar motores de traducción directa entre cada par de lenguas, sin recurrir al inglés como lengua pivote. Los corpus resultantes se publicaron en el repositorio ELRC-SHARE de la Comisión Europea. Posteriormente, el Barcelona Supercomputing Center incorporó datos de NTEU, junto con colecciones como OPUS, al corpus paralelo empleado en el preentrenamiento continuado de SalamandraTA, la variante orientada a la traducción de los modelos de lenguaje Salamandra.