Según informa la Real Academia Española, la consulta a la nueva actualización, que ya está disponible en internet, supone respecto a la versión anterior un incremento de alrededor de 33 millones de nuevas formas incorporadas a esta excepcional base de datos del español dirigida por el académico de la RAE Guillermo Rojo.

El Corpus del Español del Siglo XXI (CORPES XXI) es un corpus de referencia. En lingüística, se llama corpus a un conjunto lo más extenso y ordenado posible de textos. Los corpus son empleados habitualmente para conocer el contexto y las propiedades de las palabras, expresiones y construcciones a partir de los usos reales registrados; dado el tamaño que poseen, los corpus tienen que estar en formato electrónico.

Desde su lanzamiento en 2013, el CORPES XXI ha ampliado sus contenidos y mejorado su herramienta para lograr su propósito básico: ser un fiel retrato del español de nuestros días.

Para ello contiene textos de todos los tipos (novelas, obras de teatro, guiones de cine, noticias de prensa, ensayos, transcripciones de noticiarios radiofónicos o televisivos, transcripciones de conversaciones, discursos, etc.) y también de todos los países que constituyen el mundo hispánico.

Por lo que respecta al bloque de ficción (novelas, guiones de cine, relatos, obras de teatro), las formas del CORPES XXI sobrepasan los 88 millones, mientras que las contenidas en textos de libros de no ficción y en publicaciones periódicas (ciencias sociales, salud, política, artes o tecnología) se acercan a los 219 millones.

Los textos procedentes de libros suponen casi 155 millones de formas; las publicaciones periódicas están representadas con unos 145 millones. Seis millones y medio más provienen de blogs, entrevistas digitales y miscelánea.

De los alrededor de 33 millones de formas incorporadas a la herramienta en la versión 0.92 del CORPES XXI, casi cinco millones proceden de textos orales (programas de radio y televisión, entrevistas en medios de comunicación, Youtube, etc.).

Algunos archivos ofrecen el sonido alineado correspondiente a la transcripción; en otros es posible la descarga del archivo de audio, además de la visualización del vídeo de acuerdo con la procedencia del texto fuente.

En cuanto a la distribución temporal, aumenta el número de textos producidos entre 2016-2020, con algo más de 24 millones de formas. Por lustros, el mayor peso recae en el segmento 2006-2010, con unos 107 millones de formas; más de 97 millones corresponden a formas producidas entre 2001 y 2005, y el periodo de 2011 a 2015 alcanza casi 79 millones de formas.

Respecto a la procedencia de los documentos del CORPES XXI, el equilibro previsto entre España y América se mantiene: las formas producidas en textos clasificados como pertenecientes a España suponen algo más del 30 % y los de América superan los 204 millones de formas, en torno al 70 %.