Jazyk v korpusové lingvistice formálně definující způsoby, jimiž lze do textů zapisovat ↗metadata. Metadata jsou typicky vkládána přímo do textu, jsou však od něj oddělena speciálními znaky. Zároveň je třeba upozornit na širší použití z.j. v mnoha dalších oblastech mimo korpusovou lingvistiku a nejenom pro anotaci textů; XML (viz dále) se např. používá také pro popis datových struktur.

Nejpoužívanějším z.j. a standardem v této oblasti je XML (eXtensible Markup Language), nástupce obecnějšího, ale příliš složitého standardu SGML (Standard Generalized Markup Language). XML je – stejně jako SGML – vlastně metajazyk, který umožňuje v rámci obecné XML syntaxe definovat vlastní z.j. (takto byl ze SGML odvozen z.j. webových stránek HTML). To se děje pomocí tzv. schémat: DTD (Document Type Definition) n. nověji XSD (XML Schema Definition), které nabízí širší možnosti než DTD.

Schéma formálně definuje strukturu dokumentu (ta musí být vždy hierarchická), použité elementy a vztahy mezi nimi. Jednotlivé XML dokumenty odpovídající různým schématům se tedy mohou výrazně lišit, jednotícím prvkem je použití XML tagů uzavřených mezi znaky < a >. Proto je v jednotlivých oblastech použití XML žádoucí standardizace, tj. používání kompatibilních XML schémat. Pro elektronické texty se často používají formáty odpovídající TEI Guidelines, standardu zveřejňovaného organizací Text Encoding Initiative, běžné jsou ale i proprietární formáty jednotlivých projektů.

Příklad níže ukazuje počáteční část jednoho ze souborů korpusu ↗InterCorp odpovídajícího č. verzi knihy N. J. Mandelštamové Dvě knihy vzpomínek ve formátu XML. Na druhém řádku souboru najdeme odkaz na DTD s definicí struktury celého dokumentu. Tato definice je však pouze formální na rozdíl od následujícího výkladu, který stručně popisuje také význam a motivaci.

Jeden dokument (označený XML elementem doc) odpovídá celému textu (knize) a je dalšími XML elementy hierarchicky strukturován na části dokumentů (div; v publicistice jim odpovídají články, mohou tak být oddělené i jednotlivé kapitoly apod.), odstavce (p) a věty (s). Každý z těchto elementů začíná otevíracím tagem (např. pro věty <s …>) a je uzavřen tagem uzavíracím (</s>), součástí otevíracích tagů jsou navíc atributy a jejich hodnoty v uvozovkách. Element div obsahuje řadu atributů s podrobnými bibliografickými informacemi o textu, všem dosud zmíněným elementům je společný atribut id, identifikátor jednoznačně určující daný element v korpusu.

Dalším elementem je w označující každou jednotlivou pozici vzniklou ↗tokenizací, jeho atributy jsou lemma a morfologická značka jako výsledek (automatické) ↗lemmatizace a ↗tagování. Tyto pozice jsou základní jednotky pro vyhledávání v korpusu odpovídající tokenům: samostatnou pozici v takto označeném textu dokumentu tvoří každý jednotlivý výskyt slovního tvaru, čísla nebo interpunkčního znaménka, které bylo při tokenizaci osamostatněno. Každý w‑element je svým umístěním zařazen do konkrétní věty, odstavce a dokumentu. Elementem i je ohraničena část textu, která byla zapsána kurzívou, a element D označuje místo, kde jednotlivé w‑elementy v původním textu nebyly odděleny mezerou, což umožňuje jeho zpětnou rekonstrukci. Za povšimnutí stojí, že element D je při svém otevření vždy vzápětí uzavřen, což je signalizováno tagem <D/>.

Příklad: