(daugiskaitos corpora) arba teksto corpus yra rinkinys didelių ir struktūrinį tekstus (dabar paprastai elektroniniu būdu saugomi ir tvarkomi). , Jie yra naudojami atlikti statistinę analizę, tikrinti įvykius arba patvirtinti kalbinės taisyklės dėl konkrečių visatos. Viso gali būti tekstai viena kalba (vienakalbio corpus) ar teksto duomenų keliomis kalbomis (daugiakalbės corpus). Daugiakalbės corpora, specialiai suformatuotų side-by-side palyginimui vadinami suderinti lygiagrečiai corpora. Siekiant, kad pagal corpora daugiau naudinga daryti kalbų tyrimų, jie dažnai plaktukas procesą, žinomas kaip komentaras. Pavyzdys poskyrių viso yra dalis,-kalbos-tagging, arba POS-pažymėjimus, kuri informacija apie kiekvieno žodžio kalbos dalis (Veiksmažodis, Daiktavardis, būdvardis, ir t. t.) papildomas corpus žymos formoje. Kitas pavyzdys rodo kiekvieno žodžio forma Lema (bazė). Kai nebepakakti kalba nėra darbo kalba mokslo darbuotojų, kurie jα naudoti, interlinear glossing naudojamas Anotacija dviem kalbomis. Corpora yra pagrindinių žinių bazės corpus lingvistikos. Analizė ir perdirbimo būtų nustatytas corpora įvairių rūšių, taip pat daug darbo objektas kompiuterinės lingvistikos, kalbėjimo atpažinimas ir mašininio vertimo, kur jie dažnai naudojami siekiant kurti paslėptų Markov modelius POS tagowanie ir kitais tikslais. Teksto corpora taip pat naudojami istoriniai dokumentai tyrimo, pvz., bando iššifruoti senovės scenarijus, ar Biblijos stipendiją.