Associated Press Pakistan 16.9 Million Balochi Corpus

Overview of the Corpus

The Associated Press Pakistan (APP) 16.9 Million Balochi Corpus is a large-scale collection of Balochi-language news articles published through the Balochi section of the Associated Press of Pakistan, Pakistan’s national news agency. Established as the country’s premier news service, the Associated Press of Pakistan has provided accurate and timely news since 1947 and operates across multiple languages, including English, Urdu, Chinese, Arabic, Sindhi, Saraiki, Pashto, Balochi, and Brahvi.

This dataset specifically consists of Balochi-language text and contains approximately 16.9 million words across 59,172 articles, covering news published between 2016 and 2026. It represents a substantial collection of contemporary written Balochi and is intended to support natural language processing (NLP), computational linguistics, language modeling, linguistic analysis, and the development of language technologies and resources for Balochi, a critically under-resourced language.

Language

Balochi is a Northwestern Iranian language spoken primarily in the Balochistan region, spanning parts of Pakistan, Iran, and Afghanistan, with additional speaker communities in the Gulf states and beyond. It is one of Pakistan's major regional languages and serves as a key marker of Baloch cultural identity. Balochi is used in education, media, literature, and everyday communication among Baloch communities, and it plays an important role in the development of speech and language technologies for low-resource languages.

Summary Statistics

Data Structure

Balochi.tar/
└── Balochi/
    ├── 2016
    ├── 2017
    ├── 2018
    ├── 2019
    ├── 2020
    ├── 2021
    ├── 2022
    ├── 2023
    ├── 2024
    ├── 2025
    └── 2026

Sample Text

نیویارک۔ 22اپریل (اے پی پی) بنجائی وزیر داخلہ چوہدری نثارعلی خان سری لنکا نا وزیر داخلہ سگالارتنانائیکے ئِ پاکستان نا دورہ نا سلہ تسنے۔ سری لنکن وزیرداخلہ نا دورہ نا مسخت ہڑتوم آ ملک آتا تین پہ تینی تعلقداری تے پین سوگو جوڑ کروئی ئِ۔ پاکستان و سری لنکا نا وزیر داخلہ نا اہم اوڑدہی اقوام متحدہ نا جنرل اسمبلی نا خصوصی دیوان نا وخت آ مس ۔ دادیوان دنیا ٹی منشیات وجرم انا چٹفنگ کن جہانی حکمت عملی اس وضع کننگ کن بٹنگ انگاسس۔ دیوان اٹی پاکستان نا نمائندگی ئِ وزیر داخلہ چوہدری نثارعلی خان نا سروکی ٹی اسہ 7باسکی ڈل اس کرے۔ ہراٹی اقوام متحدہ ٹی پاکستان نا خصوصی مندوب ڈاکٹر ملیحہ لودھی ، بنجائی سیکرٹری انسداد منشیات ڈویژن اعجاز علی شاہ ، ڈائریکٹر جنرل انٹی نارکوٹکس فورس میجر جنرل ناصر دلاور و ایلوک اوار ئسر۔ اقوام متحدہ ٹی پاکستانی مشن نا کنڈآن جاری بیان نا رداٹ سری لنکن وزیر داخلہ چوہدری نثارعلی خان تون تینا اوڑدہی نا وخت آ اودے سری لنکن حکومت نا کنڈآن پاکستان کن نیک خوائش آتا کلہو ئِ تس و ہڑتوم آ ملک آتا نیام اٹ برادرانہ تعلقداری تا مون آ دننگ آ زورشاغا۔ اوڑدہی نا وخت چوہدری نثارعلی خان تینا سری لنکن ہم منصب تون ہڑتوم آ ملک آتا نیام اٹ انسداد منشیات نا کمکاری کن اسیجائی پالیسی اس وضح کننگ و گام گیج آتیا زور شاغار۔ اقوام متحدہ نا جنرل اسمبلی نا دا خصوصی دیوان اٹی تقریر کرسا بنجائی وزیر داخلہ چوہدری نثارعلی خان منشیات آتا چٹفنگ کن پاکستان نا حکمت عملی نا بارواٹی پالیسی بیان تس و ڈل انا ایلو باسک آک ایلو جہانی ڈل آتون دا سرحال آ اہم اوڑدہی تے کریر۔

Permission, Ownership & Licensing

This corpus is uploaded and hosted with the express permission of the Associated Press of Pakistan. The Associated Press of Pakistan retains full and exclusive ownership of the data. MirasAI acts solely as documentation and hosting facilitator. Access on the Mozilla Data Collective is restricted and approval-based, for non-commercial research use only. No sale, sublicensing, or commercial redistribution is permitted. The Associated Press of Pakistan may request takedown at any time, with compliance within 48 hours.

Intended Use & Attribution

Intended for non-commercial NLP research in Balochi, including language modeling, corpus linguistics, and lexicon development. All uses must credit the Associated Press of Pakistan as the sole and primary source.

Collection Methodology

Articles were collected from the Associated Press of Pakistan's publicly published Balochi-language section on app.com.pk using an automated web crawler developed by MirasAI. Each article's HTML was parsed to extract the headline, body text, publication date, and source URL; articles were deduplicated, cleaned of boilerplate, and normalized to plain text with Balochi script preserved in UTF-8. Crawling was rate-limited and conducted with the knowledge and permission of the Associated Press of Pakistan.