Rozsáhlý soubor autentických textů (psaných nebo mluvených) převedený do elektronické podoby v jednom formátu tak, aby v něm bylo možné jednoduše vyhledávat jazykové jevy (zejména slova a slovní spojení // ↗kolokace); mluví se též o jazykovém korpusu. K. zobrazuje jaz. jevy v jejich přirozeném kontextu a umožňuje tak vytvářet na reálných datech podložený jaz. výzkum v rozsahu, který byl dříve nemyslitelný. Jeho hlavní předností je vedle užití přirozeného jaz. materiálu i schopnost vypovídat o ↗frekvenci (četnosti) jevů a jejich typickém užití, což je informace jen pomocí badatelovy intuice nezjistitelná. Jelikož do k. vstupují texty jako celek, poskytuje na rozdíl třeba od lístkového katalogu nevýběrové informace o všech typech jaz. jevů.

Latinské slovo corpus znamenající „tělo, těleso“ se však užívá v různých oborech, v lingvistice od 50. let poprvé v angl. a odtud i v dalších jaz. jako označení pro velký soubor elektronických textů, zpracovávaný a vytěžovaný specifickými softwarovými nástroji v počítači (pro odlišení se tu také někdy mluví o textových korpusech). K. je tedy záznamem a relativně objektivním modelem jaz. empirie a je a má být při svém zpracování v základním, výchozím smyslu zcela zbavený jakékoliv apriorní teorie a jiných vlivů, které jaz. nutně deformují a které by se do něj mohly promítat, ať je jejich autor míní sebelépe. Využívá ho (vedle jiných oborů) zvláště empirická lingvistika za účelem studia a poznání jaz. a v širším smyslu skrze něj i k poznání celkové dobové reality, kterou jaz. zprostředkovává a zachycuje. V tomto smyslu je k. autentických záznamů jaz. zpravidla největším zdrojem specializovaného i obecného poznání jaz. a sociální reality vůbec a kvantitou a kvalitou a setrvalostí i kontinuitou informace, kterou je schopný nabídnout, je základní a charakteristickou národní kulturní institucí už dlouho překračující svým významem jediný obor, lingvistiku. Povahou a možnostmi své nabídky mnohonásobně předčí jakékoliv jiné zdroje poznání a studia jaz.

K. stále rostou, „dopředu i dozadu“. Jednak není ani zdaleka elektronicky zachycená a zpracovaná celá minulost dané národní kultury a úhrn jejích minulých textů (↗diachronní korpus), jednak se jaz. stále vyvíjí a bude vyvíjet; odtud potřeba jeho kontinuálního mapování. Většina velkých k. (patří mezi ně i jeden z největších vůbec, ↗Český národní korpus // ČNK) je dostupná na http://www.korpus.cz/, mnohé jsou volně přístupné, bez zvláštního poplatku. Dnešní rozsahy největších k. se pohybují řádově už ve stamiliónech a miliardách slov a jimi nabízená informace je, na rozdíl od zdrojů tradiční lingvistiky založené na manuálních excerptech a archivech, tak bohatá, že ji často nelze, bez použití dalších nástrojů, filtrů a zvláštních metod, bez rizika zahlcení informacemi přímo používat. K. se liší od běžného elektronického archivu, tj. prostého úložiště daných textů s omezenými možnostmi prohledávání. Oproti archivu k. vyniká nejen sofistikovaným korpusovým manažerem (↗korpusový a lingvistický software) schopným zpracovat miliardy slov, řadou speciálních programů a obvykle i vnesenou (lingvistickou) ↗anotací každého slova, ale i celkovým plánovaným zaměřením na určitý cíl se záměrem ho textově maximálně pokrýt. Obvykle se tu pak mluví o ↗reprezentativnosti takového k.

Předpokladem jaz. k. je dostupný soubor autentických, nijak jazykově neupravovaných textů, zpravidla bezprostředně n. až následně existující v elektronické podobě. Podkladové texty pro k. se zpravidla shromažďují podle určitého klíče (reprezentativnost) s cílem získat dostatečně rozsáhlou a vyváženou bázi, ve které výzkum pomocí počítače a řady specializovaných programů (↗korpusový a lingvistický software) vede k hlubšímu a objektivnímu poznání jaz. obecně či v daném směru. Z k. získané a statisticky vyhodnocené informace se v jazykovědě dál zpracovávají teoreticky n. prakticky; svou povahou však k. slouží jak teoretické lingvistice k testování hypotéz, tak i na druhé straně i prostému nespecializovanému uživateli, zajímá‑li se např., jak se dané slovo užívá: každé slovo, hledaná forma (nikoliv však přímo význam) se pomocí programů v k. velmi rychle zjistí a nabízí v bohatých a typických i méně typických kontextech ukazujících jejich autentický úzus (jehož zachycení bylo a je dosud největší slabinou jak valné většiny dosavadních mluvnic, tak slovníků).

Nashromážděné texty v daných proporcích procházejí, po svém katalogizování, dokumentování a zanesení do bibliografické databáze, řadou technických automatických procedur, ve kterých se texty konvertují, popř. čistí, technicky zpracovávají a jejich části označují (viz ↗korpus a jeho příprava). V důsledku označení typů textů není třeba používat k. celý, lze si pro speciální výzkumné účely pomocí korpusového manažeru volit pro výzkum i jen texty určitého druhu (např. romány psané ženami v určitém časovém období); pak se mluví o virtuálním (sub)korpusu.

Žádný k. není a nemůže být záznamem celého jaz., ten ostatně k mání a komplexnímu přímému studiu nebyl nikdy: jaz. je v tomto smyslu všude kolem nás a jen jeho malá část je zapsaná v textech. Staré lexikální archivy, velmi výběrově ho mapující, jsou z dnešního hlediska malé a nedokonalé (pro srovnání např. č. lexikální archiv ÚJČ má 12–13 miliónů excerpt, zatímco ↗ČNK obsahuje v r. 2013 přes 3 miliardy slov). Ani v korpusu ale rozhodně není k nalezení všechno, především ne v oblasti mluveného jaz., šance na víc informací však s rostoucími korpusy rostou také. Velký k. je však co do informace, kterou obsahuje, mnohonásobně lepší zdroj než cokoliv v minulosti. Jeho povaha je tedy jedinečná a nenahraditelná. Stejně tak ho tudíž na druhé straně nelze nahradit webovým korpusem, který se získává automaticky a snadno, ale jen z těch textů, které na webu jsou a zůstávají tam (mnohé nezůstávají a mnohé typy jaz. tam chybějí), a to bez proporcí, bibliografické informace a možnosti zpětného ověření. Webový k. lze však stáhnout a uložit v určité podobě a rozsahu do počítače, kde se s ním dá dále pracovat.

Dobré synchronní k. se snaží mapovat jaz. v jeho proměnách kontinuálně a postupem času po určité době postupně zastarávají, stávají se součástí, byť nedávné, diachronie, a pak je nutné je přesunout do ↗diachronního korpusu (viz ↗Český národní korpus) a nahradit novějšími. Je zřejmé, že takováto činnost si vyžaduje mnoho sil a investic a to je také důvod, proč mnohé zahraniční k. už dál nerostou, jakkoliv je to jak proti zájmu obecnému, tak lingvistickému, protože se tak přerušuje potřebné mapování vývoje jaz. v jeho kontinuitě, při sledování jeho změn.

Obvykle, ne však vždy, se k. vybavují napřed bibliografickou anotací (tagování), zachycující řadu vnějších rysů textů, od autora, názvu, roku až po komplexně označovaný žánr aj. Až potom následuje vlastní automatické a různě pracné lingvistické ↗značkování, vnášející do k. většinou označení morfologického tvaru a slovního druhu (tj. označením takového tvaru a přidělením tvaru reprezentativního, tj. lemmatu), avšak dosud většinou pouze jen na úrovni jednotlivých tvarů, tj. textových výskytů (↗tokenů) lexému. Automatické tagování víceslovných lemmat je však dosud v počátcích.

Vlastní vyhledání zadaného tvaru v k., ke kterému slouží v různé podobě regulární výrazy (viz ↗jazyky dotazovací) užívající pro dotaz písmena a některé další znaky, např. * (↗wildcard, zastupující libovolný jiný znak) apod., se vždy objeví statisticky vyhodnocené, tj. k výsledku se dodává jeho ↗frekvence. I prostá frekvence už dává uživateli představu o tom, zda hledaný tvar n. lemma jsou okrajové (v důsledku lemmatizace lze hledat mj. i podle lemmatu), anebo naopak centrální, typické, což je důležité např. pedagogicky (pro autory učebnic apod.) či při stanovování členů třídy, prototypu aj.; výhodnější je ovšem znalost relativní frekvence, tj. znalost frekvence hledaného slova v nějakém rámci, umožňující tak i jeho srovnání. Je zřejmé, že k zobecněnému závěru o povaze a úzu jakékoliv hledané jaz. formy v k. je třeba dvou věcí: mít (a) dostatečný počet různých výskytů (z různých, nezávislých zdrojů), tj. záznamů dané formy, a (b) dostatečné rozsáhlý kontext každého výskytu. Až na základě dostatečného množství opakujících se dokladů lze analogicky vyvozený závěr zobecňovat, ať už jde uživateli o mluvnickou formu, valenci či (sémanticky danou) kolokabilitu. Je to jen přeformulování starých zásad lingvistické práce už z předkorpusové, manuální éry. Nabízí‑li však (nejen diachronní) k. jen jediný doklad na danou formu (popř. jen několik málo dokladů), navíc s omezeným kontextem, nelze o ní, jejím významu, formě ani úzu prohlásit prakticky nic, a takovému izolovanému dokladu se říká podle diachronní lexikografie ↗hapax legomenon, v korpusové lingvistice ↗hapax. Je pochopitelné a empiricky ověřené, že v každém k. je hapaxů stále velké množství (až polovina typů, avšak méně než 1 % výskytů‑tokenů), i když mezi ně patří různé chyby, propria, ale i dosud jinde nezachycená slova.

Základní formou, která zachycuje výsledek hledání v k., je soubor řádků, tj. hledaná forma s kontextem a informací, odkud pochází, popř. i další bibliografickou informací. Nazývá se ↗konkordance. Tento výsledek se dá dále různě filtrovat, třídit apod. Vedle této podoby zobrazení výsledku, která je dána povahou vneseného značkování, jdou některé k. dál a zobrazují i syntaktické vztahy; pak se mluví zvláště o ↗treebanku (jako je ↗Pražský závislostní korpus). K. mluvené zachycují zvukovou i grafickou podobu, popř. i fonetický přepis aj .

Současné k. se stále dominantně orientují na psaný současný jaz. (viz ↗korpus synchronní), kterého je díky dnešní elektronické sazbě knih, časopisů apod., relativní dostatek a dá se zpracovávat víceméně automaticky. Jen pomalu se však začínají objevovat skromné a ekonomicky i co do nároků na lidskou práci mnohem dražší korpusy dalších typů. Patří k nim k. diachronní (viz ↗Český národní korpus), jejichž data se musí manuálně přepisovat n. skenovat, ↗korpusy mluvené, resp. orální, jejichž data se musí pracně nahrávat a přepisovat, mají‑li být skutečně prototypická, a nemají to být např. pouhé rozhlasové záznamy. Rysy autentického mluveného jaz. takové záznamy většinou díky úsilí redaktorů apod. značně poztrácely, pokud je vůbec měly. S ohledem na velmi široký datový záběr se velké k. usilující obvykle o reprezentativní zachycení všech typů jaz. nazývají národní k., jako je český, britský, polský národní k. aj.

Srovnávání jaz., vycházející optimálně z existence překladových textů, umožňují paralelní k. (↗Český národní korpus). Předpokladem paralelního k. jsou dostupné překlady textů, které jsou zarovnány; zarovnání, tj. shodné uspořádání (↗alignment) v obou (popř. více) jaz. je minimálně na úrovni odstavců, popř. vět. Jedním z největších multilingválních paralelních k., vztažených k češtině a (některým) textům Českého národního korpusu, je ↗InterCorp, zahrnující dnes přes třicet jaz., které lze navzájem různým způsobem a ve větším počtu najednou srovnávat (v závislosti na dostupných překladech); multilingválních k. i mimo č. je ovšem více.

Lze si ovšem představit i řadu dílčích a specializovaných k., orientovaných např. tematicky; ty však lze v zásadě vytvářet z velkého reprezentativního k. ad hoc. Mnoho uživatelů se ve snaze po rychlém výsledku občas pokouší sestavit k. z těch textů, které jsou volně dostupné. Takový oportunní korpus však nabízí výsledky nejasné povahy, bez informací o dalších, nezastoupených částech jaz., resp. jeho žánrech, či představě o hranicích sledované oblasti. Pro seriózní výzkum takové k. nelze doporučovat. Experimentuje se i s ↗korpusem multimodálním, lépe pouze trimodálním, spojujícím text psaný, mluvený se skutečnou filmově nahranou reálnou situací, někdy doplněným popisem mimiky a gest aj.; tento typ k. je však teprve v začátcích, je velmi drahý a náročný na zpracování.

Využití k. je vedle teoretického a lexikografického popisu jaz. velmi různé a vedle výzkumu je dané v zásadě praktickou potřebou, např. pedagogickou (viz ↗aplikace korpusové lingvistiky). Běžným a relativně snadným výstupem z k. jsou různé frekvenční seznamy, které můžou vyústit ve ↗frekvenční slovník, což je užitečné východisko a korektiv mnoha dalších lingvistických činností. Viz také ↗typy korpusů.