Bluesky 日本語投稿（Jetstream 収集） Bluesky Japanese posts (Jetstream collector) 公開 現代 308MB（日次 gz 8本、日本語投稿 2,270,800 件／観測 21,590,100 件、cursor 保存済み）
現行 SNS 短文（くだけた文体）
jsonl.gz 日別（did, rkey, text, createdAt, langs）
利用条件: AT Protocol 公開投稿（削除尊重・内部研究利用）
研究資源
日本語研究で引くコーパス・辞書・文献データベース・画像アーカイブの目録。 各項目は入口のURL、個別項目のURLの組み立て方、APIの有無、利用条件を持つ。
コーパス
現代ウェブ全般（trafilatura 抽出・MinHash 重複タグ付き）
parquet（text, minhash_cluster_size ほか）
利用条件: ODC-By 1.0
Amazon商品レビューの二値感情分類データ（本来はレビュー本文＋positive/negativeラベル）
本来: レビュー本文＋ラベル（train 187,528 / dev 5,654 / test 5,639）
利用条件: 元データ Multilingual Amazon Reviews Corpus (MARC) のライセンスに従う（Amazonが配布停止）
JParaCrawl v3.0 英日対訳コーパス JParaCrawl v3.0 English-Japanese parallel corpus 公開 現代 2.8GB (en-ja-v3.0.tar.gz) / 展開後 en-ja.bicleaner05.txt 9.3GB
ウェブクロール由来の英日対訳文（自動文アライン・bicleaner品質スコア付き、日本語側はウェブ全般の書き言葉）
tar.gz内にTSV（source_domain, domain, bicleaner05スコア, 英語文, 日本語文）。約22M対訳ペア（deduped）
利用条件: NTT利用規約（情報解析を伴う研究開発目的のみ。複製・配布可、商用利用不可。CITATION: Morishita et al. 2020 LREC）
LLM生成の指示応答ペア（instruction tuning用、多様なトピック）
JSONL（1行1会話、conversations配列にrole/content、132,476件）
利用条件: Apache-2.0
明治〜昭和戦前刊行図書 約28万点のOCR由来 1〜5gram
TSV行（ngram \t 総頻度 \t {年: 頻度} 辞書）gzip
利用条件: PDM
NDL 次世代デジタルライブラリー全文（NDC8 言語から順次） NDL next-gen digital library fulltext (starting NDC 8) 公開 近代 29GB（NDC8 8,243 点、harvest complete）
明治〜昭和前期刊行図書（OCR、旧字・ノイズあり）
fulltext-json（頁別 contents + 座標）+ index.jsonl.gz（publishyear あり）
利用条件: PDM
NINJAL Parsed Corpus of Modern Japanese（NPCMJ） NINJAL Parsed Corpus of Modern Japanese 公開 現代 約90,000文
現代日本語の句構造付きツリーバンク。2022年3月時点で約9万文
2016年から2022年まで年次のスナップショットが公開された。同じ木を継続開発するかいのきツリーバンクが https://kainoki.github.io/ にある
映画・TV字幕から抽出した単言語文（口語・会話的、非公式ファン翻訳含む）
プレーンテキスト（1行1文、生の未トークン化版。tokenized版 ja.tok.gzは未取得）
利用条件: OPUS再配布物（原著作権は各字幕投稿者・opensubtitles.org。OPUS上はODC-BY相当で提供、再配布時は出典表記を推奨）
TEDトーク字幕から抽出した単言語文（講演調・書き言葉に近い話し言葉）
プレーンテキスト（1行1文、生の未トークン化版。tokenized版 ja.tok.gzは未取得）
利用条件: OPUS再配布物（原データはTED公式字幕、CC BY-NC-ND 4.0相当。研究利用目的での再配布）
匿名掲示板（open2ch）のスレッドを対話ペア化した口語・ネットスラング中心テキスト
TSV（context\tresponse、板別 livejupiter.tsv / news4vip.tsv / newsplus.tsv）+ ranking用 dev/test TSV
利用条件: Apache-2.0
WRIME（主観と客観の感情分析データセット） WRIME (subjective and objective emotion analysis dataset) 公開 現代 21MB（.git込み。TSV本体 wrime-ver1.tsv 9.5MB + wrime-ver2.tsv 8.2MB）
SNS投稿文（はてなブログ由来の一人称投稿、感情8分類×書き手・読み手複数評定付き）
タブ区切りテキスト（Sentence, UserID, Datetime, Train/Dev/Test split, Writer/Reader×8感情カテゴリ強度＋Sentiment）
利用条件: 研究利用ライセンス（リポジトリ同梱LICENSE参照。研究目的での使用を想定、商用利用は要確認）
現行法令（明治太政官布告の文語を含む法律文体）
法令標準 XML
利用条件: PDL 1.0
ニュース記事（9カテゴリ、口語調のブログ的記事含む）
プレーンテキスト（記事ごとに1ファイル、URL・日付・タイトル・本文の順）、9カテゴリのディレクトリ分割
利用条件: CC BY-ND 2.1 JP
市民参加で翻刻された近世を中心とする古文書テキスト
GitHubでデータが公開される
利用条件: CC BY-SA 4.0
近世の実用書・記録（医療と養生・料理書・疫病関係・地誌）
統一トークン parquet（TOKEN_SCHEMA）×2 シャード
利用条件: CC BY-SA 4.0
『万葉集』を中心とする上代日本語の統語情報つきコーパス。語の情報に加えて句構造を持つ
オンライン検索と、統語木を含むデータの公開がある
読本（長編伝奇小説、勧善懲悪・因果応報、全106冊98巻の大作）
NDL fulltext-json（頁別contents+座標）×4巻 + 抽出plain txt ×4巻
利用条件: PD（原典1814–1842年刊、底本1930年博文館版も著作権保護期間満了）
129会話・約100時間の雑談の文字化資料
テキスト一括ダウンロード
利用条件: CC BY-NC-ND 4.0
議会演説・質疑（整文された話し言葉）
REST API（XML/JSON, speech単位）
利用条件: 利用規約（出典明示で利用可）
時代浄瑠璃（全5段の合戦物、和藤内の異国活劇）
NDL fulltext-json（頁別contents+座標、合本の頁1-36を抽出）+ 抽出plain txt
利用条件: PD（原典1715年初演、底本1891年鍾美堂版も著作権保護期間満了）
明治中期の総合雑誌（文語・口語混在）
SUW TSV（UTF-8）+ XML（UTF-16）+ ひまわり
利用条件: CC BY-NC-ND 3.0
帝国議会・国会会議録（API 全量収集） Imperial Diet + National Diet proceedings (full API harvest) 公開 近代 4.2GB（帝国議会 59 ファイル・国会 81 ファイル、全年収集完了）
議会演説・質疑（1890–1947 は文語・旧字 OCR、1947– は整文）
jsonl.gz（1 行 1 会議、speechRecord 入れ子）年別
利用条件: NDL 利用規約（出典明示）
時代浄瑠璃（俊寛・鬼界が島の段が著名、平家物語に取材）
NDL fulltext-json（頁別contents+座標）+ 抽出plain txt（頁連結）
利用条件: PD（原典1719年初演、底本1891年三三文房版も著作権保護期間満了）
世話浄瑠璃（心中物、紙屋治兵衛と遊女小春の情話）
NDL fulltext-json（頁別contents+座標、合本の頁37-56を抽出）+ 抽出plain txt
利用条件: PD（原典1720年初演、底本1891年鍾美堂版も著作権保護期間満了）
日本語 Reddit 投稿・コメント（Arctic Shift 経由） Japanese Reddit submissions and comments (via Arctic Shift) 公開 現代 5.8GB（5 サブレディットの投稿・コメント各 jsonl）
掲示板型SNSのくだけた書き言葉（日本語圏サブレディット: newsokur・lowlevelaware・BakaNewsJP・ja・newsokuvip の投稿本文＋コメント）
JSONL（1行1レコード、Reddit API準拠フィールド: id, created_utc, subreddit, title/selftext または body ほか）
利用条件: Reddit利用者投稿。Arctic Shiftはアーカイブ研究用に再配布（Reddit API規約・各投稿者の権利に留意。研究利用想定）
共同研究プロジェクトが作成した日本語史資料のテキスト（TXT・XML）
資料単位で直接ダウンロードできる
上代から明治大正までの通時コーパス。短単位・長単位の形態論情報つきで用例を検索する。
利用にはアカウント申請が必要で、未ログインではログイン画面に転送される。語誌データベースの統計情報はこのコーパスの頻度に基づく。
日本語版Wikipedia ダンプ（2023-06 / 2026-07） Japanese Wikipedia dumps 公開 現代 16.4GB xml (2023展開済) + 4.7GB bz2 (2026)
百科事典的書き言葉（現代規範）
MediaWiki XML export
利用条件: CC BY-SA 4.0 / GFDL
パブリックドメイン原典テキスト（明治法令・近代文学・古典翻刻など、Wikisource寄稿者による校訂込み）
MediaWiki XMLダンプ（pages-articles、wikitext本文、未展開）
利用条件: CC BY-SA 3.0（サイト全体の利用規約）＋収録原文自体は多くがPD
『全国方言談話データベース 日本のふるさとことば集成』を検索可能にしたもの。全国の方言談話の音声と転記
オンライン検索
映画・TV字幕の会話体日英対訳
タブ区切りテキスト（英語\t日本語、1行1対訳ペア）。生データ版（raw、シャッフル済み全件）を取得、train/dev/test分割版（split.tar.gz）は別途必要なら取得
利用条件: CC BY-SA 4.0
明治啓蒙期の学術評論誌（文語中心）
SUW TSV（UTF-8, 25列, 語彙素・語種・品詞・文体）+ XML（UTF-16）+ ひまわり
利用条件: CC BY-NC-ND 3.0
世話浄瑠璃（心中物の嚆矢、口語体台詞・地の文混在）
NDL fulltext-json（頁別contents+座標）+ 抽出plain txt（頁連結）
利用条件: PD（原典1703年初演、底本1935年栗田書店版も著作権保護期間満了）
滑稽本・道中記（弥次郎兵衛・喜多八の東海道旅行記、俗語会話体中心）
NDL fulltext-json（頁別contents+座標）+ 抽出plain txt（頁連結）
利用条件: PD（原典1802–1814年刊、底本1927年有朋堂書店版も著作権保護期間満了）
平安時代中期の物語文学（源氏物語全文、文語）
タブ区切りテキスト（UTF-8 LF、ファイル名・サブコーパス名・開始終了文字位置・文境界・書字形出現形・語彙素・語彙素読み・品詞・活用型・活用形・発音形・語種の13列）
利用条件: 形態論情報は CC BY 4.0（小木曽智信）。本文自体のライセンスは原典サイト（渋谷栄一氏／宮脇文経氏）に準拠、別途確認要
神戸大学 新聞記事文庫（人手翻刻・戦前新聞） Kobe University Newspaper Clippings Collection 公開 近代 433MB（gz 232 本、記事 231,652 件／本文あり 323,109 件）
戦前中心の新聞記事（人手翻刻・高精度）
jsonl.gz（id, title, newspaper, date, text）
利用条件: 記事本文の引用は出典明示で可（サイト規約）・内部研究利用
女性向け雑誌（女学雑誌 1894–95・女学世界 1909・婦人倶楽部 1925、計40冊 約210万字）
構造タグ付き XML + ひまわりパッケージ（形態論情報なし; CHJ 統合版は中納言）
利用条件: CC BY-NC-ND 3.0
保護期間満了の文学作品の電子テキスト。ルビと外字注記を持つ独自形式
GitHubミラー（aozorabunko/aozorabunko）とextended CSVがあり、CSVに底本・初出年が入る
著作権切れ文学・評論（明治〜昭和中期の作家中心）
cards/<person>/files/<work>/*.txt（Shift_JIS, ルビ記法）
利用条件: 大半PD（作品毎に図書カード確認）