Datasættet OpenSubtitles, en samling af film- og tv-undertekster, bruges til at træne sprogmodeller. Nedenfor er de danske film- og tv-produktioner, hvis danske undertekster ligger i datasættet. Både værket og underteksten er dansk, og begge er ophavsretligt beskyttet. Søg din titel, for eksempel Hævnen.
OpenSubtitles er en samling af film- og tv-undertekster på en lang række sprog, oprindeligt delt af brugere på OpenSubtitles.org. Samlingen er via OPUS-projektet gjort tilgængelig som datasæt og bruges bredt til at træne sprogmodeller, fordi undertekster fanger talesprog, dialog og hverdagssprog. The Atlantic afdækkede i 2025, at OpenSubtitles indgår i AI-træning, selvom siden aldrig var tænkt til det formål.
Hver undertekst i datasættet er knyttet til en film eller et tv-program via et IMDB-nummer. Jeg har taget de danske undertekster og krydset dem med en liste over danske film- og tv-produktioner fra Wikidata, altså titler hvis produktionsland er Danmark. Tilbage står de danske produktioner, der har en dansk undertekst i datasættet. Titlerne er hentet fra IMDB. Tallet ud for hver titel er antallet af danske undertekstversioner i datasættet.
Her er der tale om danske produktioner, så rettighedshaverne er danske. Det gælder både selve filmen eller tv-programmet, hvor producenter, manuskriptforfattere og medvirkende har rettigheder, og selve underteksten, der er et selvstændigt ophavsretligt beskyttet værk skabt af en dansk undertekster. Underteksterne er delt på OpenSubtitles.org til privat brug. Kommerciel oplæring af kunstig intelligens ligger uden for det formål. Rettighedshaverne er så vidt vides ikke blevet spurgt. Om brugen er lovlig, er omstridt, og tech-selskaberne påberåber sig fair use.
Listen bygger på OpenSubtitles-udgaven fra 2018 via OPUS, krydset med Wikidatas oplysninger om produktionsland. Den nyere udgave af datasættet er endnu større. Identifikationen af danske produktioner følger Wikidata. Det omfatter også co-produktioner, hvor Danmark er medproducent, for eksempel sammen med Sverige, og de er taget med, fordi de har danske rettighedshavere. Danske tv-serier optræder kun sjældent, fordi danske produktioner normalt ikke får danske undertekster. At en undertekst optræder i datasættet, viser, at den har været tilgængelig og er blevet skrabet, ikke nødvendigvis at en bestemt sprogmodel er trænet på netop den.
| Titel | Type | År | Undertekster | IMDB |
|---|