DatarrX/myX-Burmese-Numbers

📝 Burmese Numbers

An exhaustive, high-fidelity mapping dataset containing 10,000,001 rows that covers every single integer from 0 to 10,000,000 (One Kote / တစ်ကုဋေ).

This dataset provides a structural translation and text-normalization bridge between Western Arabic numerals and the Burmese numeral system, explicitly broken down into individual digit-by-digit readouts and contextual full-text linguistic expansions. It is designed primarily for Machine Learning engineers, Automatic Speech Recognition (ASR) pipelines, Text-to-Speech (TTS) normalization, and linguistic researchers working on the Burmese (Myanmar) language.

---

🎯 Project Purpose & Core Intent

In Burmese Natural Language Processing (NLP), handling numbers correctly (Text Normalization) presents unique challenges. This dataset serves as a deterministic reference for how numbers are structured, read digit-by-digit, and spoken fluently up to the traditional linguistic boundary of Kote (ကုဋေ).

🧮 Understanding the Schema & Feature Fields

To make this dataset fully accessible to non-Burmese developers, each row is structured into four distinct, parallel features:

1. en_num (Standard Arabic Numerals): The numerical representation in standard Western formats (e.g., 17, 10,000,000).
2. my_num (Burmese Digits): The corresponding representation using native Myanmar numeral glyphs (၁၇, ၁၀၀၀၀၀၀၀).
3. my_text_short (Literal Digit-by-Digit Spoken Style): Expresses how a number is read out loud one digit at a time. This is culturally analogous to reading "15" as "one five" instead of "fifteen". (e.g., 17 becomes တစ်ခုနစ် → "Ta Khwun-Na").
4. my_text_full (Formal/Full Linguistic Context Style): The full, grammatically complete linguistic phrase for the value. This is culturally analogous to reading "15" as "fifteen". (e.g., 17 becomes တစ်ဆယ့်ခုနစ် → "Ta Sair Khwun-Na").

---

⚠️ Important Linguistic Variations & Edge Cases (Read Before Training)

For non-native engineers building AI models with this dataset, it is crucial to understand the distinct counting structure used here compared to casual spoken Burmese.

1. The Classical Scale: Up to "Kote"

Burmese numeric nomenclature scales sequentially through an explicit base-10 positional hierarchy:

• ခု (Khwut) - Ones
• ဆယ် (Sair) - Tens
• ရာ (Yar) - Hundreds
• ထောင် (Htaung) - Thousands
• သောင်း (Thaung) - Ten Thousands
• သိန်း (Thein) - Hundred Thousands
• သန်း (Than) - Millions
• ကုဋေ (Kote) - Ten Millions (10⁷)

This dataset precisely respects this structured chain up to 10,000,000 (တစ်ကုဋေ - Ta Kote).

2. Spoken Reality vs. Dataset Structure (Crucial for Contextual Models)

In daily colloquial Burmese, native speakers rarely use the word "Than" (သန်း / Million). Instead, they naturally shift the base to "Thein" (သိန်း / Hundred Thousands) to count higher amounts.

• Colloquial Example: A Burmese local will say "10 သိန်း" (10 Lakhs / 10 Hundred Thousands) instead of "၁ သန်း" (1 Million).

Dataset Implementation: While the colloquial compound approach is widely spoken, this dataset adheres to the strict, structurally ordered sequence (သောင်း → သိန်း → သန်း → ကုဋေ) to provide an absolute and mathematically linear foundation for machine learning algorithms.

---

💡 Practical Applications

• Text-to-Speech (TTS) Engines: Serves as an ideal lookup or training matrix for text normalization graphs, transforming raw digits into predictable phonetic sequences.
• Automatic Speech Recognition (ASR): Aids models in mapping spoken number expressions back to numerical representations (my_text_full → en_num).
• Data Augmentation: Easily injects realistic, structured numeral phrases into existing low-resource Burmese text training sets.

---

⚖️ License & Open-Source Terms

This dataset is released under the Creative Commons Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) license.

You are free to share, copy, adapt, and commercially exploit this data, provided that you give appropriate credit to the original author/publisher and distribute any derivative works under the same license terms.

---

📜 Citation & Academic Reference

If you incorporate the myX-Burmese-Numbers dataset into your academic research, speech synthesis pipelines, text normalization engines, or language modeling benchmarks, please acknowledge the author and publisher via the following official BibTeX citation:

@misc{datarrx_burmese_numbers_2026,
  author       = {Khant Sint Heinn},
  title        = {myX-Burmese-Numbers: A Comprehensive Parallel Text-Normalization Dataset Mapping 10 Million Burmese Numeral Progressions},
  year         = {2026},
  publisher    = {Hugging Face},
  organization = {DatarrX},
  howpublished = {https://huggingface.co/datasets/DatarrX/myX-Burmese-Numbers},
  note         = {Published under DatarrX. Open-source community asset released under Creative Commons Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)}
}

---

🧑‍💻 About the Author & Curator

Khant Sint Heinn (Burmese: ခန့်ဆင့်ဟိဏ်း), working under the professional moniker Kalix Louis, is a Machine Learning Engineer specialized in Natural Language Processing (NLP), data foundations, and open-source AI infrastructure. His primary engineering focus centers on elevating low-resource languages—specifically Burmese (Myanmar)—into data-rich assets capable of powering next-generation language models and scalable linguistic tools.

Currently serving as the Lead Developer at DatarrX, Khant Sint Heinn architects robust data pipelines, manages large-scale dataset curations, and builds the open-source building blocks necessary for accessible machine learning applications.

Connect with the Author:

• GitHub
• Hugging Face
• Kaggle

---

🏛 Hosted by DatarrX

This dataset is proud to be maintained and distributed by DatarrX (Burmese: ဒေတာ-အက်စ်), a non-profit open-source foundation dedicated to building a robust digital and data foundation for the Burmese language in the AI era.

Rooting Burmese into AI.

---

📝 မြန်မာဂဏန်းများ

ဒီ dataset လေးကတော့ ၀ ကနေ ၁၀,၀၀၀,၀၀၀ (တစ်ကုဋေ) အထိ ဂဏန်းတစ်ခုချင်းစီတိုင်းကို အသေးစိတ်ဖော်ပြထားတဲ့ တိကျမှန်ကန်မှုအရမ်းမြင့်တဲ့ mapping dataset တစ်ခုဖြစ်ပါတယ်။ စုစုပေါင်း row အရေအတွက် ၁၀,၀၀၀,၀၀၁ (ဆယ်သန်းနဲ့ တစ်ကြောင်း) တောင် ပါဝင်ပါတယ်။

ဒီ dataset က အင်္ဂလိပ်ဂဏန်း (Western Arabic numerals) တွေနဲ့ မြန်မာဂဏန်းစနစ်တွေကြားမှာ text-normalization နဲ့ structural translation လုပ်ဖို့အတွက် ပေါင်းကူးတံတားလေးတစ်ခုဖြစ်ပါတယ်။ ဂဏန်းတစ်လုံးချင်းစီကို ဘယ်လိုဖတ်လဲဆိုတာကစပြီး အပြည့်အစုံ ဘယ်လိုခေါ်ဝေါ်သုံးနှုန်းလဲဆိုတာကိုပါ သေချာလေး ခွဲခြမ်းပြထားပါတယ်။ အဓိကအားဖြင့်တော့ Machine Learning engineer တွေ၊ Automatic Speech Recognition (ASR) နဲ့ Text-to-Speech (TTS) normalization လုပ်တဲ့သူတွေ၊ ပြီးတော့ မြန်မာစာနဲ့ပတ်သက်ပြီး လေ့လာသုတေသနလုပ်နေတဲ့သူတွေအတွက် ရည်ရွယ်ပြီး ဖန်တီးထားတာပါ။

---

🎯 Project ရဲ့ ရည်ရွယ်ချက်နဲ့ အဓိကရည်မှန်းချက်

မြန်မာ Natural Language Processing (NLP) နယ်ပယ်မှာ ဂဏန်းတွေကို မှန်မှန်ကန်ကန်ကိုင်တွယ်ဖြေရှင်းဖို့ (Text Normalization) ဆိုတာ တော်တော်လေးကို စိန်ခေါ်မှုရှိတဲ့ အပိုင်းတစ်ခုပါ။ ဒီ dataset ကတော့ မြန်မာ့ရိုးရာသင်္ချာစနစ်ရဲ့ အမြင့်ဆုံးဖြစ်တဲ့ ကုဋေ (Kote) အထိ ဂဏန်းတွေကို ဘယ်လိုတည်ဆောက်ထားလဲ၊ တစ်လုံးချင်းစီ ဘယ်လိုဖတ်လဲ၊ စကားပြောအနေနဲ့ ဘယ်လိုချောချောမွေ့မွေ့ပြောကြလဲ ဆိုတာတွေအတွက် ယုံကြည်စိတ်ချရတဲ့ အကိုးအကားတစ်ခု ဖြစ်လာမှာပါ။

🧮 Schema နဲ့ Feature Field တွေကို နားလည်ခြင်း

row တစ်ခုချင်းစီကို ရှင်းလင်းပြတ်သားတဲ့ feature ၄ ခုနဲ့ ဖွဲ့စည်းပေးထားပါတယ်။

၁။ en_num (Standard Arabic Numerals): ပုံမှန် အင်္ဂလိပ်ဂဏန်းတွေပါ။ (ဥပမာ- 17, 10,000,000) ၂။ my_num (Burmese Digits): မြန်မာဂဏန်းတွေပါ။ (၁၇, ၁၀၀၀၀၀၀၀) ၃။ my_text_short (Literal Digit-by-Digit Spoken Style): ဂဏန်းတွေကို တစ်လုံးချင်းစီ ခွဲပြီး အသံထွက်ဖတ်တဲ့ ပုံစံပါ။ အင်္ဂလိပ်လို "15" ကို "fifteen" လို့မဖတ်ဘဲ "one five" လို့ ဖတ်သလိုမျိုးပေါ့။ (ဥပမာ- 17 ဆိုရင် တစ်ခုနစ် လို့ ပြပေးထားပါတယ်။) ၄။ my_text_full (Formal/Full Linguistic Context Style): ဂဏန်းတွေကို အပြည့်အစုံ၊ သဒ္ဒါကျကျ အသံထွက်ဖတ်တဲ့ ပုံစံပါ။ အင်္ဂလိပ်လို "15" ကို "fifteen" လို့ ဖတ်သလိုမျိုးပေါ့။ (ဥပမာ- 17 ကို တစ်ဆယ့်ခုနစ် လို့ ပြပေးထားပါတယ်။)

---

⚠️ ဘာသာစကားဆိုင်ရာ ကွဲလွဲမှုများနဲ့ သတိပြုစရာများ (Training မလုပ်ခင် ဖတ်ပေးပါ)

ဒီ dataset ကိုသုံးပြီး AI model တွေ တည်ဆောက်မယ်ဆိုရင်၊ ဒီထဲမှာသုံးထားတဲ့ ရေတွက်ပုံစနစ်နဲ့ အပြင်က ကျွန်တော်တို့မြန်မာတွေ တကယ်ပြောဆိုသုံးနှုန်းနေတဲ့ စကားပြောရေတွက်ပုံစနစ်တွေကြားက ကွာခြားချက်လေးတွေကို သေချာနားလည်ထားဖို့ အရမ်းအရေးကြီးပါတယ်။

၁။ ရိုးရာရေတွက်ပုံစနစ် - "ကုဋေ" အထိ

မြန်မာသင်္ချာစနစ်မှာ ဂဏန်းနေရာတွေကို ဆယ်လီစိတ်ပြီး အောက်ပါအတိုင်း အစဉ်လိုက် သတ်မှတ်ထားပါတယ်။

• ခု (Khwut) - Ones
• ဆယ် (Sair) - Tens
• ရာ (Yar) - Hundreds
• ထောင် (Htaung) - Thousands
• သောင်း (Thaung) - Ten Thousands
• သိန်း (Thein) - Hundred Thousands
• သန်း (Than) - Millions
• ကုဋေ (Kote) - Ten Millions (10^7)

ဒီ dataset က အဲဒီရေတွက်ပုံ အစဉ်လိုက်အတိုင်း ၁၀,၀၀၀,၀၀၀ (တစ်ကုဋေ) အထိကို တိတိကျကျ လိုက်နာပြီး ရေးသားထားတာပါ။

၂။ အပြင်ကစကားပြောနဲ့ Dataset ဖွဲ့စည်းပုံ ကွာခြားချက် (Contextual Model တွေအတွက် အရမ်းအရေးကြီးပါတယ်)

အပြင်က နေ့စဉ်ပြောနေကျ မြန်မာစကားပြောမှာဆိုရင် လူတွေက "သန်း" (Million) ဆိုတဲ့ စကားလုံးကို သုံးလေ့သုံးထ သိပ်မရှိကြပါဘူး။ အဲဒီအစား ပိုများတဲ့ပမာဏတွေကို ရေတွက်တဲ့အခါ "သိန်း" (Hundred Thousands) ကိုပဲ အခြေခံပြီး ပြောင်းလဲခေါ်ဝေါ်လေ့ရှိကြပါတယ်။

• စကားပြောဥပမာ: မြန်မာလူမျိုးတစ်ယောက်က "၁ သန်း" လို့ ပြောမယ့်အစား "၁၀ သိန်း" လို့ပဲ ပြောလေ့ရှိကြပါတယ်။

Dataset အသုံးပြုပုံ- အပြင်မှာ "၁၀ သိန်း" လို့ ပြောလေ့ရှိကြပေမယ့်၊ ဒီ dataset မှာတော့ Machine learning algorithm တွေအတွက် သင်္ချာနည်းကျကျ၊ စနစ်တကျ အခြေခံကျကျဖြစ်စေဖို့ မူလရေတွက်ပုံအစဉ်လိုက်အတိုင်း (သောင်း → သိန်း → သန်း → ကုဋေ) ပဲ တင်းတင်းကျပ်ကျပ် လိုက်နာပြီး ဖော်ပြထားပါတယ်။

---

💡 လက်တွေ့အသုံးချနိုင်မယ့် နေရာများ

• Text-to-Speech (TTS) Engine များ- ဂဏန်းအကြမ်းတွေကို အသံထွက်အနေနဲ့ မှန်မှန်ကန်ကန် ပြောင်းလဲပေးနိုင်ဖို့ text normalization graph တွေအတွက် အကောင်းဆုံး lookup ဒါမှမဟုတ် training matrix အဖြစ် အသုံးပြုနိုင်ပါတယ်။
• Automatic Speech Recognition (ASR)- အသံထွက်ပြီးပြောလိုက်တဲ့ ဂဏန်းတွေကို ကိန်းဂဏန်းတွေအဖြစ် ပြန်ပြောင်းပေးတဲ့နေရာမှာ model တွေကို အများကြီး အထောက်အကူပြုပါတယ်။ (my_text_full ကနေ en_num ကို ပြောင်းတာမျိုးပေါ့)
• Data Augmentation- Data နည်းပါးနေသေးတဲ့ မြန်မာစာ text training set တွေထဲကို လက်တွေ့ကျပြီး စနစ်ကျတဲ့ ဂဏန်းအသုံးအနှုန်းတွေကို အလွယ်တကူ ထည့်သွင်းအသုံးပြုနိုင်ပါတယ်။

---

⚖️ လိုင်စင်နဲ့ Open-Source သတ်မှတ်ချက်များ

ဒီ dataset ကို Creative Commons Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) လိုင်စင်အောက်မှာ ဖြန့်ဝေထားတာပါ။

သုံးစွဲသူတွေအနေနဲ့ ဒီ data တွေကို လွတ်လွတ်လပ်လပ် မျှဝေခွင့်၊ ကူးယူခွင့်၊ ပြုပြင်ပြောင်းလဲခွင့်နဲ့ စီးပွားရေးအရ အသုံးပြုခွင့်တွေ ရှိပါတယ်။ ဒါပေမယ့် မူရင်းဖန်တီးသူ/ထုတ်ဝေသူကို သေချာ credit ပေးရမှာဖြစ်ပြီး၊ ဒီ data ကို အခြေခံပြီး ထပ်မံဖန်တီးထားတဲ့ project တွေကိုလည်း အခုလိုင်စင်သတ်မှတ်ချက်အတိုင်းပဲ ပြန်လည်ဖြန့်ဝေပေးရပါမယ်။

---

📜 ကိုးကားရန်

တကယ်လို့ သင်က myX-Burmese-Numbers dataset ကို သင့်ရဲ့ ပညာရပ်ဆိုင်ရာ သုတေသနတွေ၊ speech synthesis pipeline တွေ၊ text normalization engine တွေ ဒါမှမဟုတ် language modeling benchmark တွေမှာ အသုံးပြုမယ်ဆိုရင်၊ ဖန်တီးသူနဲ့ ထုတ်ဝေသူကို အသိအမှတ်ပြုတဲ့အနေနဲ့ အောက်ပါ တရားဝင် BibTeX citation လေးကို သုံးပြီး ကိုးကားပေးပါနော်-

@misc{datarrx_burmese_numbers_2026,
  author       = {Khant Sint Heinn},
  title        = {myX-Burmese-Numbers: A Comprehensive Parallel Text-Normalization Dataset Mapping 10 Million Burmese Numeral Progressions},
  year         = {2026},
  publisher    = {Hugging Face},
  organization = {DatarrX},
  howpublished = {[https://huggingface.co/datasets/DatarrX/myX-Burmese-Numbers](https://huggingface.co/datasets/DatarrX/myX-Burmese-Numbers)},
  note         = {Published under DatarrX. Open-source community asset released under Creative Commons Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)}
}

---

🧑‍💻 ဖန်တီးသူအကြောင်း

Kalix Louis လို့ အမည်ရတဲ့ ခန့်ဆင့်ဟိဏ်း ဟာ Natural Language Processing (NLP)၊ data foundation တွေနဲ့ open-source AI infrastructure တွေကို အထူးပြုလေ့လာလုပ်ကိုင်နေတဲ့ Machine Learning Engineer တစ်ယောက် ဖြစ်ပါတယ်။ သူ့ရဲ့ အဓိက ရည်မှန်းချက်ကတော့ မြန်မာစာလိုမျိုး AI data နည်းပါးသေးတဲ့ ဘာသာစကားတွေကို နောက်ထပ်မျိုးဆက်သစ် language model တွေနဲ့ ကြီးမားကျယ်ပြန့်တဲ့ ဘာသာစကားဆိုင်ရာ tool တွေမှာ အသုံးပြုနိုင်အောင် data-rich asset တွေဖြစ်လာဖို့ပဲ ဖြစ်ပါတယ်။ လက်ရှိမှာတော့ DatarrX ရဲ့ Lead Developer အနေနဲ့ တာဝန်ယူလုပ်ကိုင်နေပြီး၊ ခိုင်မာတဲ့ data pipeline တွေ တည်ဆောက်တာ၊ ကြီးမားတဲ့ dataset တွေကို စီမံခန့်ခွဲတာနဲ့ machine learning application တွေအတွက် လိုအပ်တဲ့ open-source building block တွေကို ဖန်တီးတည်ဆောက်ပေးနေပါတယ်။

ဆက်သွယ်ရန်:

• GitHub
• Hugging Face
• Kaggle

🏛 DatarrX မှ ဖြန့်ဝေသည်

ဒီ dataset ကို AI ခေတ်ကြီးထဲမှာ မြန်မာဘာသာစကားအတွက် ခိုင်မာတဲ့ digital နဲ့ data foundation တစ်ခု တည်ဆောက်ဖို့ ရည်ရွယ်ထားတဲ့ အကျိုးအမြတ်မယူတဲ့ open-source foundation တစ်ခုဖြစ်တဲ့ DatarrX (ဒေတာ-အက်စ်) ကနေ ဂုဏ်ယူစွာနဲ့ ထိန်းသိမ်းဖြန့်ဝေပေးထားတာပါ။

---

Rooting Burmese into AI.