Acta de barras
Las batallas de gallos se improvisan: existen mientras se dicen y luego se pierden. Aquí hay 1.751 batallas en español transcritas línea a línea a partir de los subtítulos de YouTube. Son 3,1 millones de palabras, casi todas rimadas a voz y sin red, que hasta hace nada solo existían como sonido.
Batallas de ligas y plazas en español: FMS (España, México, Argentina, Chile, Perú, Colombia), Red Bull Batalla, BDM, FU Movement, Supremacía MC, Batalla de Campeones y otras. Cada batalla lleva sus MCs, la ronda, el evento, el año, el formato (1v1, 2v2 o a cuatro) y el texto completo en orden, sin marcas de tiempo.
El visor te deja buscar por MC, evento o ronda y leer cualquier batalla entera.
El corpus en bruto está en el repositorio, en dataset.jsonl.
Es material para analizar rima y métrica en español real e improvisado, para comparar MCs con datos en la mano, para estudiar cómo evoluciona el léxico del freestyle por país y por año, o para entrenar un modelo con lenguaje hablado que no sale en ningún libro.
Lo más útil para eso es el dataset.jsonl: una batalla por
línea, en JSON plano.
Los textos vienen de subtítulos automáticos. Son bastante buenos para leer, pero fallan en nombres propios y jerga, y no distinguen quién habla en cada línea. Sin puntuación: la puntuación que ves aquí no es del MC.
Se han quitado 132 batallas mal transcritas (un 7% del total): en esas el
reconocimiento no captó el habla y solo había música y aplausos. Están listadas en
descartadas.jsonl, con el motivo, por si algún día se retranscriben con
un modelo propio.
Otras 264 batallas candidatas no tienen subtítulos de ningún tipo en YouTube, así que no están: no es que se hayan descartado, es que no hay de dónde sacarlas sin transcribir el audio.
El texto pertenece a sus autores. Esto es un archivo de estudio, no una edición.
Lista de batallas con buscador, y la transcripción de cada una.