MultiBPEmb: Shared subword vocabularies and embeddings in 275 languages

MultiBPEmb is a collection of multilingual subword segmentation models and pretrained subword embeddings. Like the monolingual models in BPEmb, segmentation models and embeddings are trained on Wikipedia. The difference is that, instead of training one segmentation model and embedding for each language, we now train a single model and a single embedding for all languages. Since the underlying algorithms are language-agnostic, this is quite simple to do: Concatenate the article texts from all Wikipedia editions, learn a subword segmentation model, and then train subword embeddings. Like in BPEmb, we use SentencePiece to learn BPE subword segmentation models, and GloVe to train subword embeddings. We provide 300-dimensional subword embeddings for three BPE vocabulary sizes.

You can use MultiBPEmb in Python like this:
>>> from bpemb import BPEmb
>>> multibpemb = BPEmb(lang="multi", vs=1000000, dim=300)
>>> text = 'John F. Kennedy said "Ich bin ein Pfannkuchen". 这是一个中文句子.日本語の文章です。'
>>> subwords = multibpemb.encode(text)
>>> print(" ".join(subwords))
▁john ▁f . ▁kennedy ▁said ▁" ich ▁bin ▁ein ▁pfann kuchen ". ▁这 是一个 中文 句子 . ▁日本 語の 文章 です 。

Or download subword segmentation models and embeddings here:

Vocab size vocab model 300 dim
100000 vocab model txt (255.1 MB) | bin (107.0 MB)
bokeh (3.9 MB) | umap | matrix
320000 vocab model txt (816.3 MB) | bin (342.7 MB)
bokeh (13.4 MB) | umap | matrix
1000000 vocab model txt (2550.0 MB) | bin (1071.3 MB)
bokeh (44.6 MB) | umap | matrix

2-D UMAP plots

Embedding matrix plots

Training corpus sample, encoded with different BPE vocabulary sizes

Vocab sizemultiwiki sample
en
original the diets of the wealthy were rich in sugars, which promoted periodontal disease. despite the flattering physiques portrayed on tomb walls, the overwe
100000 ▁the ▁di ets ▁of ▁the ▁we alth y ▁were ▁rich ▁in ▁sug ars , ▁which ▁prom oted ▁period ont al ▁disease . ▁despite ▁the ▁flat tering ▁physi ques ▁portr ay ed ▁on ▁tomb ▁wall s , ▁the ▁over we
320000 ▁the ▁di ets ▁of ▁the ▁wealth y ▁were ▁rich ▁in ▁sug ars , ▁which ▁promoted ▁period ontal ▁disease . ▁despite ▁the ▁flat tering ▁physi ques ▁portrayed ▁on ▁tomb ▁walls , ▁the ▁over we
1000000 ▁the ▁di ets ▁of ▁the ▁wealthy ▁were ▁rich ▁in ▁sug ars , ▁which ▁promoted ▁period ontal ▁disease . ▁despite ▁the ▁flat tering ▁physiques ▁portrayed ▁on ▁tomb ▁walls , ▁the ▁over we
de
original ein gedicht, bei dem die endbuchstaben ein wort oder einen satz ergeben, ist ein telestichon, trifft das für die mittleren buchstaben zu, handelt es s
100000 ▁ein ▁ged icht , ▁bei ▁dem ▁die ▁end buch sta ben ▁ein ▁wort ▁oder ▁einen ▁sat z ▁ergeb en , ▁ist ▁ein ▁tel esti chon , ▁trif ft ▁das ▁für ▁die ▁mitt ler en ▁buch sta ben ▁zu , ▁hand elt ▁es ▁s
320000 ▁ein ▁gedicht , ▁bei ▁dem ▁die ▁end buch staben ▁ein ▁wort ▁oder ▁einen ▁satz ▁ergeb en , ▁ist ▁ein ▁tel esti chon , ▁trifft ▁das ▁für ▁die ▁mittleren ▁buch staben ▁zu , ▁handelt ▁es ▁s
1000000 ▁ein ▁gedicht , ▁bei ▁dem ▁die ▁end buchstaben ▁ein ▁wort ▁oder ▁einen ▁satz ▁ergeben , ▁ist ▁ein ▁tel esti chon , ▁trifft ▁das ▁für ▁die ▁mittleren ▁buchstaben ▁zu , ▁handelt ▁es ▁s
fr
original au , des moulins s'installent sur le cours aménagé de la senne. d’anciens marécages sont asséchés, sous la future grand-place, alors réservée au march
100000 ▁au ▁, ▁des ▁mo ul ins ▁s ' inst all ent ▁sur ▁le ▁cours ▁am én ag é ▁de ▁la ▁sen ne . ▁d ’ anci ens ▁mar éc ages ▁sont ▁ass éch és , ▁sous ▁la ▁future ▁grand - place , ▁alors ▁rés erv ée ▁au ▁march
320000 ▁au ▁, ▁des ▁moulins ▁s ' install ent ▁sur ▁le ▁cours ▁amén agé ▁de ▁la ▁sen ne . ▁d ’ anci ens ▁mar éc ages ▁sont ▁ass éch és , ▁sous ▁la ▁future ▁grand - place , ▁alors ▁rés erv ée ▁au ▁march
1000000 ▁au ▁, ▁des ▁moulins ▁s ' installent ▁sur ▁le ▁cours ▁aménagé ▁de ▁la ▁senne . ▁d ’ anciens ▁maréc ages ▁sont ▁ass éch és , ▁sous ▁la ▁future ▁grand - place , ▁alors ▁réservée ▁au ▁march
pl
original plik:rostra.jpg|thumb|pozostałości rostra, mównicy na forum romanum w rzymie, z której wielokrotnie swoje mowy wygłaszał cyceron. 0 września na posied
100000 ▁plik : ros tra . jpg | thumb | poz osta łości ▁ros tra , ▁m ów nicy ▁na ▁forum ▁roman um ▁w ▁rzym ie , ▁z ▁której ▁wiel ok rotnie ▁swoje ▁m owy ▁wyg ł as zał ▁cyc eron . ▁0 ▁września ▁na ▁pos ied
320000 ▁plik : ros tra . jpg | thumb | poz osta łości ▁ros tra , ▁mów nicy ▁na ▁forum ▁romanum ▁w ▁rzymie , ▁z ▁której ▁wielokrotnie ▁swoje ▁m owy ▁wyg ł as zał ▁cyc eron . ▁0 ▁września ▁na ▁pos ied
1000000 ▁plik : ros tra . jpg | thumb | poz osta łości ▁ros tra , ▁mów nicy ▁na ▁forum ▁romanum ▁w ▁rzymie , ▁z ▁której ▁wielokrotnie ▁swoje ▁mowy ▁wygł as zał ▁cyc eron . ▁0 ▁września ▁na ▁posied
ja
original * 幻につつまれた状態の敵に即死の呪文「ザラキ」が000%成功する(sfc版ではザラキに耐性のある敵にかけると000のダメージを与えられるようになっている)。 * キーアイテム「ラーのかがみ」を、本来の対象以外にも使用できるが、使用後は消失するため、ゲームが続行不能になる。
100000 ▁* ▁ 幻 につ つ まれた 状態 の 敵 に 即 死 の 呪 文 「 ザ ラ キ 」 が 000 % 成功 する ( sf c 版 では ザ ラ キ に 耐 性 のある 敵 に か ける と 000 の ダ メ ージ を与 え られる よう になっている )。 ▁* ▁ キー アイ テ ム 「 ラー のか が み 」 を 、 本 来の 対象 以外 にも 使用 できる が 、 使用 後は 消 失 するため 、 ゲーム が 続 行 不能 になる 。
320000 ▁* ▁ 幻 につ つ まれた 状態 の 敵 に 即 死の 呪 文 「 ザ ラ キ 」 が 000% 成功 する ( sf c 版では ザ ラ キ に 耐 性 のある 敵 に か ける と 000 の ダ メージ を与 えられる よう になっている )。 ▁* ▁ キー アイテム 「 ラー のか がみ 」 を 、 本来の 対象 以外 にも 使用 できる が 、 使用 後は 消失 するため 、 ゲーム が 続 行 不能 になる 。
1000000 ▁* ▁ 幻 につ つ まれた 状態の 敵に 即 死の 呪 文 「 ザ ラ キ 」 が 000% 成功 する ( sfc 版では ザ ラ キ に耐 性のある 敵 にか けると 000 の ダメージ を与 えられる ようになっている )。 ▁* ▁ キー アイテム 「 ラー のか がみ 」 を 、 本来の 対象 以外にも 使用 できるが 、 使用 後は 消失 するため 、 ゲーム が続 行 不能 になる 。
nl
original alle erfelijke eigenschappen worden samen, of ze nu wel of niet tot uiting komen, het genotype van een organisme genoemd. alle eigenschappen die samen
100000 ▁alle ▁er fel ijke ▁eig enschap pen ▁worden ▁samen , ▁of ▁ze ▁nu ▁wel ▁of ▁niet ▁tot ▁uit ing ▁komen , ▁het ▁gen otype ▁van ▁een ▁organ isme ▁genoemd . ▁alle ▁eig enschap pen ▁die ▁samen
320000 ▁alle ▁er fel ijke ▁eig enschappen ▁worden ▁samen , ▁of ▁ze ▁nu ▁wel ▁of ▁niet ▁tot ▁uit ing ▁komen , ▁het ▁gen otype ▁van ▁een ▁organisme ▁genoemd . ▁alle ▁eig enschappen ▁die ▁samen
1000000 ▁alle ▁erfelijke ▁eigenschappen ▁worden ▁samen , ▁of ▁ze ▁nu ▁wel ▁of ▁niet ▁tot ▁uiting ▁komen , ▁het ▁genotype ▁van ▁een ▁organisme ▁genoemd . ▁alle ▁eigenschappen ▁die ▁samen
it
original verso la fine del xii secolo gli imperatori iniziarono a realizzare un nuovo complesso palatino, situato lungo le mura di terra all'estremità settentr
100000 ▁verso ▁la ▁fine ▁del ▁xii ▁secolo ▁gli ▁imper atori ▁inizi arono ▁a ▁realiz zare ▁un ▁nuovo ▁compl esso ▁palat ino , ▁situato ▁lungo ▁le ▁mura ▁di ▁terra ▁all ' estr em ità ▁set tentr
320000 ▁verso ▁la ▁fine ▁del ▁xii ▁secolo ▁gli ▁imperatori ▁iniziarono ▁a ▁realizzare ▁un ▁nuovo ▁complesso ▁palat ino , ▁situato ▁lungo ▁le ▁mura ▁di ▁terra ▁all ' estrem ità ▁settentr
1000000 ▁verso ▁la ▁fine ▁del ▁xii ▁secolo ▁gli ▁imperatori ▁iniziarono ▁a ▁realizzare ▁un ▁nuovo ▁complesso ▁palatino , ▁situato ▁lungo ▁le ▁mura ▁di ▁terra ▁all ' estremità ▁settentr
pt
original em 0000, 00,0% das crianças menores de 0 ano de idade estavam com a carteira de vacinação em dia. em 0000, foram registrados
100000 ▁em ▁0000, ▁00,0% ▁das ▁crian ças ▁menores ▁de ▁0 ▁ano ▁de ▁idade ▁es tavam ▁com ▁a ▁carte ira ▁de ▁vac inação ▁em ▁dia . ▁em ▁0000, ▁foram ▁registr ados
320000 ▁em ▁0000, ▁00,0% ▁das ▁crianças ▁menores ▁de ▁0 ▁ano ▁de ▁idade ▁estavam ▁com ▁a ▁carte ira ▁de ▁vac inação ▁em ▁dia . ▁em ▁0000, ▁foram ▁registr ados
1000000 ▁em ▁0000, ▁00,0% ▁das ▁crianças ▁menores ▁de ▁0 ▁ano ▁de ▁idade ▁estavam ▁com ▁a ▁carteira ▁de ▁vac inação ▁em ▁dia . ▁em ▁0000, ▁foram ▁registrados
es
original la explotación comercial de trabajos con copyleft difiere de la explotación comercial tradicional que se obtiene de los derechos de autor. la explotac
100000 ▁la ▁explo tación ▁comercial ▁de ▁trabaj os ▁con ▁cop yle ft ▁dif iere ▁de ▁la ▁explo tación ▁comercial ▁tradicional ▁que ▁se ▁obti ene ▁de ▁los ▁derechos ▁de ▁autor . ▁la ▁explo tac
320000 ▁la ▁explotación ▁comercial ▁de ▁trabajos ▁con ▁cop yle ft ▁dif iere ▁de ▁la ▁explotación ▁comercial ▁tradicional ▁que ▁se ▁obti ene ▁de ▁los ▁derechos ▁de ▁autor . ▁la ▁explo tac
1000000 ▁la ▁explotación ▁comercial ▁de ▁trabajos ▁con ▁copyleft ▁difiere ▁de ▁la ▁explotación ▁comercial ▁tradicional ▁que ▁se ▁obtiene ▁de ▁los ▁derechos ▁de ▁autor . ▁la ▁explo tac
ru
original комната системы cave системами «виртуальной реальности» называются устройства, которые более полно по сравнению с обычными компьютерными системами ими
100000 ▁ком ната ▁системы ▁cave ▁система ми ▁« вир ту альной ▁ре ально сти » ▁называ ются ▁устрой ства , ▁которые ▁более ▁полно ▁по ▁с рав н ению ▁с ▁обы чны ми ▁компьютер ными ▁система ми ▁ими
320000 ▁ком ната ▁системы ▁cave ▁система ми ▁« вир ту альной ▁реально сти » ▁называ ются ▁устройства , ▁которые ▁более ▁полно ▁по ▁сравнению ▁с ▁обы чными ▁компьютер ными ▁система ми ▁ими
1000000 ▁ком ната ▁системы ▁cave ▁системами ▁« вирту альной ▁реальности » ▁называются ▁устройства , ▁которые ▁более ▁полно ▁по ▁сравнению ▁с ▁обы чными ▁компьютер ными ▁системами ▁ими
zh
original 苏联和经济互助委员会的解体使古巴失去了巨大的蔗糖补贴市场和廉價石油的供應者。从0000年到0000年,国民生产总值滑落00%,人均收入下降00%。面对这场叫做“特殊时期”的经济危机,古巴逐步而有限度地开放了市场,以缓解食品、日用品和公共设施的严重短缺。允许一些零售业和轻工业出现私营业者,并开放了旅游
100000 ▁ 苏联 和 经济 互 助 委员会 的 解 体 使 古 巴 失去 了 巨 大的 蔗 糖 补 贴 市 场 和 廉 價 石 油 的 供 應 者 。 从 0000 年 到 0000 年 , 国民 生产 总 值 滑 落 00% , 人 均 收 入 下 降 00% 。 面 对 这 场 叫 做 “ 特殊 时期 ” 的 经济 危 机 , 古 巴 逐 步 而 有限 度 地 开 放 了 市 场 , 以 缓 解 食品 、 日 用 品 和 公共 设 施 的 严 重 短 缺 。 允 许 一些 零 售 业 和 轻 工业 出现 私 营 业 者 , 并 开 放 了 旅 游
320000 ▁ 苏联 和 经济 互 助 委员会 的 解体 使 古巴 失去了 巨大的 蔗 糖 补 贴 市场 和 廉 價 石油 的 供應 者 。 从 0000 年到 0000 年 , 国民 生产 总 值 滑 落 00%, 人 均 收入 下降 00%。 面 对 这 场 叫做 “ 特殊 时期 ” 的 经济 危 机 , 古巴 逐步 而 有限 度 地 开放 了 市场 , 以 缓 解 食品 、 日 用品 和 公共 设施 的 严重 短 缺 。 允许 一些 零 售 业 和 轻 工业 出现 私 营 业 者 , 并 开放 了 旅游
1000000 ▁ 苏联 和经济 互助 委员会的 解体 使 古巴 失去了 巨大的 蔗 糖 补 贴 市场 和 廉價 石油 的 供應 者 。 从 0000 年到 0000 年 , 国民 生产总值 滑 落 00%, 人均 收入 下降 00%。 面对 这场 叫做 “ 特殊 时期 ” 的经济 危机 , 古巴 逐步 而 有限 度 地 开放 了 市场 , 以 缓 解 食品 、 日 用品 和 公共 设施 的 严重 短缺 。 允许 一些 零售 业 和 轻 工业 出现 私 营业 者 , 并 开放 了 旅游
tl
original sa panahon ng mga kastila, ang lalawigan ay ginawang bahagi ng ambos camarines (kabahagi ang lalawigan ng ngayo'y camarines norte). ang mga kastila ay
100000 ▁sa ▁panahon ▁ng ▁mga ▁kas tila , ▁ang ▁lalawigan ▁ay ▁gina wang ▁bahagi ▁ng ▁ambos ▁camar ines ▁( kab ah agi ▁ang ▁lalawigan ▁ng ▁nga yo ' y ▁camar ines ▁norte ). ▁ang ▁mga ▁kas tila ▁ay
320000 ▁sa ▁panahon ▁ng ▁mga ▁kastila , ▁ang ▁lalawigan ▁ay ▁gina wang ▁bahagi ▁ng ▁ambos ▁camarines ▁( kab ah agi ▁ang ▁lalawigan ▁ng ▁nga yo ' y ▁camarines ▁norte ). ▁ang ▁mga ▁kastila ▁ay
1000000 ▁sa ▁panahon ▁ng ▁mga ▁kastila , ▁ang ▁lalawigan ▁ay ▁ginawang ▁bahagi ▁ng ▁ambos ▁camarines ▁( kab ahagi ▁ang ▁lalawigan ▁ng ▁ngayo ' y ▁camarines ▁norte ). ▁ang ▁mga ▁kastila ▁ay
tr
original * 0000 - sscb satranç şampiyonu gary kasparov, vatandaşı anatoli karpov'u yenerek dünya satranç şampiyonu oldu. * 0000 - moskova'da ilk mcdonald's açı
100000 ▁* ▁0000 ▁- ▁s sc b ▁sat ran ç ▁şampiyon u ▁gary ▁kaspar ov , ▁vat anda şı ▁anat oli ▁kar pov ' u ▁y ener ek ▁dünya ▁sat ran ç ▁şampiyon u ▁oldu . ▁* ▁0000 ▁- ▁mosk ova ' da ▁ilk ▁mcdonald ' s ▁açı
320000 ▁* ▁0000 ▁- ▁sscb ▁sat ran ç ▁şampiyonu ▁gary ▁kasparov , ▁vatanda şı ▁anatoli ▁karpov ' u ▁yener ek ▁dünya ▁sat ran ç ▁şampiyonu ▁oldu . ▁* ▁0000 ▁- ▁moskova ' da ▁ilk ▁mcdonald ' s ▁açı
1000000 ▁* ▁0000 ▁- ▁sscb ▁satranç ▁şampiyonu ▁gary ▁kasparov , ▁vatandaşı ▁anatoli ▁karpov ' u ▁yenerek ▁dünya ▁satranç ▁şampiyonu ▁oldu . ▁* ▁0000 ▁- ▁moskova ' da ▁ilk ▁mcdonald ' s ▁açı
ar
original وبعد انتخابات البرلمان الإسرائيلي (الكنيست) السابعة انضم الى الحكومة كوزير بدون وزارة، انما مسؤولاً عن شؤون المهاجرين الجدد. ثم عين وزيراً للمواصلات ب
100000 ▁وبعد ▁انتخابات ▁البر لمان ▁الإس رائ يلي ▁( الك ني ست ) ▁الس ابعة ▁ان ضم ▁الى ▁الحكومة ▁ك وز ير ▁بدون ▁وزارة ، ▁ان ما ▁مس ؤ ولا ً ▁عن ▁ش ؤ ون ▁الم ها جر ين ▁الج دد . ▁ثم ▁عين ▁وز يرا ً ▁للم وا صل ات ▁ب
320000 ▁وبعد ▁انتخابات ▁البرلمان ▁الإسرائيلي ▁( الك ني ست ) ▁الس ابعة ▁انضم ▁الى ▁الحكومة ▁ك وز ير ▁بدون ▁وزارة ، ▁ان ما ▁مس ؤ ولا ً ▁عن ▁ش ؤون ▁المها جرين ▁الج دد . ▁ثم ▁عين ▁وزيرا ً ▁للم واصل ات ▁ب
1000000 ▁وبعد ▁انتخابات ▁البرلمان ▁الإسرائيلي ▁( الك ني ست ) ▁السابعة ▁انضم ▁الى ▁الحكومة ▁ك وزير ▁بدون ▁وزارة ، ▁ان ما ▁مسؤولا ً ▁عن ▁شؤون ▁المهاجرين ▁الجدد . ▁ثم ▁عين ▁وزيرا ً ▁للم واصل ات ▁ب
ml
original സാധാരണ രണ്ടുബാൻഡുള്ള റേഡിയോസ്വീകരണി ഉപയോഗിച്ച് ഹാം റേഡിയോ സന്ദേശങ്ങൾ കേൾക്കാൻ സാധിക്കും. അവയിൽ 00 മീറ്ററിൽ ട്യൂൺ ചെയ്താൽ ചെറുതായി സംഭാഷണം കേൾക്കാം. റേ
100000 ▁സാധാരണ ▁രണ്ടു ബ ാൻ ഡ ുള്ള ▁റ േ ഡ ിയോ സ് വ ീക രണ ി ▁ഉപയോഗ ിച്ച് ▁ഹ ാം ▁റ േ ഡ ിയോ ▁സ ന് ദേശ ങ്ങൾ ▁കേ ൾ ക്കാൻ ▁സാധ ിക്ക ും . ▁അവ യിൽ ▁00 ▁മ ീറ്റ റിൽ ▁ട ്യൂ ൺ ▁ചെയ്ത ാൽ ▁ചെ റു തായി ▁സം ഭാഷ ണം ▁കേ ൾ ക്ക ാം . ▁റ േ
320000 ▁സാധാരണ ▁രണ്ടു ബ ാൻ ഡ ുള്ള ▁റേഡിയോ സ്വ ീകരണ ി ▁ഉപയോഗിച്ച് ▁ഹ ാം ▁റേഡിയോ ▁സ ന് ദേശ ങ്ങൾ ▁കേ ൾ ക്കാൻ ▁സാധ ിക്കും . ▁അവ യിൽ ▁00 ▁മീറ്റ റിൽ ▁ട ്യൂ ൺ ▁ചെയ്ത ാൽ ▁ചെറു തായി ▁സം ഭാഷ ണം ▁കേ ൾ ക്ക ാം . ▁റേ
1000000 ▁സാധാരണ ▁രണ്ടു ബ ാൻഡ ുള്ള ▁റേഡിയോ സ്വ ീകരണ ി ▁ഉപയോഗിച്ച് ▁ഹാം ▁റേഡിയോ ▁സന്ദേശ ങ്ങൾ ▁കേൾ ക്കാൻ ▁സാധിക്കും . ▁അവയിൽ ▁00 ▁മീറ്റ റിൽ ▁ട്യൂ ൺ ▁ചെയ്താൽ ▁ചെറു തായി ▁സംഭാഷണം ▁കേൾ ക്കാം . ▁റേ