Corp-Oral: Corpus oral do

Transcrição

1 Corp-Oral: Corpus oral do Português Europeu Fabíola Santos e Lis Gonçalves, ILTEC Apresentado no Simpósio Textos, palabras e voces. Córpora e ferramentas para a investigación Lingüística. Sessão sobre Corpora Orais, 10 e 11 de Novembro de 2011, Instituto de Língua Galega, Santiago de Compostela.

2 Objetivo Este projeto decorreu no ILTEC entre 2005 e 2008 e teve por objetivo a construção de um corpus de fala espontânea de acesso livre, transcrito ortograficamente e marcado prosodicamente para: treino de sistemas de reconhecimento e síntese do treino de sistemas de reconhecimento e síntese do português; estudos de natureza fonética ou fonológica; análises lexicais, morfológicas e sintáticas; Possibilita ainda um escrutínio pragmático e sociolinguístico detalhado.

3 Constituição do corpus Informantes Falantes do dialeto padrão do Português Europeu, naturais da área da Grande Lisboa; Total de 51 falantes de ambos os sexos com idades compreendidas entre os 17 e os 74 anos, pertencendo a maioria à faixa dos anos. Gravações As gravações são diálogos, de tema livre, com graus de espontaneidade variáveis, recolhidos em ambiente semicontrolado: Conversas bastante informais Conversas mais formais, estilo entrevista Situações específicas Total: 50 horas de gravações, das quais 30 horas transcritas ortograficamente e anotadas prosodicamente.

4 Transcrição dos dados Transcrição de fala espontânea é um trabalho moroso e cansativo e levanta bastantes dificuldades: Variedade de tipos de voz: gritos, sussurros, voz laringalizada, etc. Variedade de sotaques, entoação, velocidade de produção, piadas linguísticas, discurso direto, dicção. Hesitações, enganos, onomatopeias, interjeições, incluindo algumas invulgares (ex.: pfff, eich, brrrrr), estrangeirismos, riso, cliques, etc. Campos lexicais específicos Tosse, respiração, limpeza do trato vocal. Fala sobreposta, ruídos de fundo.

5 Transcrição ortográfica e anotação prosódica das gravações Feita manualmente com recurso ao Elan (Instituto Max Planck) Regida por normas que asseguram alguma consistência entre anotadores, mas sem serem demasiado restritivas de modo a permitir representar vários tipos de fenómenos:

6 Questões relativas à disponibilização O Spock permitirá fazer buscas e fazer o download dos resultados da busca, mas é importante tornar todo o corpus acessível. Questões que se colocam: Como fazer? Como proteger os dados de uso abusivo? Não devem ser protegidos? Restringir o acesso é retirar possibilidades ao corpus? É possível disponibilizar tudo e impedir uso abusivo? (Ex.: colocando uma assinatura digital, por exemplo.) Anonimização: como proteger as identidades dos informantes sem danificar os dados?

7 Disponibilização meios escolhidos Spock Ferramenta open-source, criada no ILTEC por Maarten Janssen para CONSULTA do corpus online, com apresentação simultânea dos contextos e som correspondente. IMDI Plataforma do Instituto Max Planck para arquivo e disponibilização do corpus para DOWNLOAD, através da criação de uma área de utilizador para os interessados o que permite algum controlo sobre o uso que lhe é dado.

8 Spock 8

9 IMDI

10 Oral-phon Projecto de dois anos ( ) que consiste no melhoramento dos produtos do projecto anterior. Parte assim dos resultados obtidos no Corp-Oral e é acrescentada informação o que aumenta as possibilidades do corpus. Tarefas: Tarefas: Etiquetagem do corpus transcrito 4 horas de transcrição fonética estreita Realização de transcrição fonética larga, divisão em sílabas e lematização Melhoramento do Spock para integração da informação acrescentada ao corpus Criação de toda a documentação para disponibilização

11 Etiquetagem Está a ser feita com o etiquetador Brill treinado para o Português no ILTEC Etiquetagem das transcrições e importação para a transcrição ortográfica A ideia é que seja disponibilizado no Spock permitindo a realização de buscas contextuais. 11

12 Disponibilização- Novo Spock versão preliminar