The Universitat Politècnica de Catalunya (UPC) and Applied Tecnologies on Language and Speech (ATLAS) have recorded and processed a large oral database inside this project, funded by the Generalitat de Catalunya. The recordings have been made using an ISDN telephone interface with a sampling rate of 8KHz, 8 bit for each sample andA-law encoding.
El corpus conté la veu de 2000 persones, la meitat dones i la meitat homes. Corpus equivalents han estat enregistrats per altres idiomes europeus.
El corpus està dissenyat per donar suport a la creació de teleserveis comandats per veu. Els informants (les persones a qui s'enregistra la veu) pronuncien 40 textos curts, que comprenen dígits aïllats i connectats, números naturals, quantitats de diners, lletreigs, frases de dia i hora, frases de confirmació/rebuig, noms, cognoms, ciutats, empreses, paraules comunes d'aplicació, paraules d'aplicació inserides en frases i frases fonèticament riques. La majoria de les locucions són textos llegits i d'altres són respostes espontànies. Les bases de dades es lliuraran amb documentació extensa i estandarditzada. La veu es transcriu a nivell ortogràfic, i s'hi anoten també un seguit d'esdeveniments clarament audibles (sorolls, respiració,...). L'edat i la regió dialectal de procedència dels informants també queden reflectides en la base de dades. La documentació inclou un diccionari de pronunciació que conté totes les paraules aparegudes en el corpus amb la corresponent transcripció fonètica amb SAMPA. El fitxers de dades tenen el format SAM.
Cada trucada de la base de dades conté 44 locucions
| # Item | Contingut del corpus | |
|---|---|---|
| 6 | paraules d'aplicació | |
| 1 | seqüència de 10 dígits aïllats | |
| 1 | número de full (6 dígits) | 4 dígits connectats |
| 1 | número de telèfon (9-11 dígits) | |
| 1 | número de targeta de crèdit (14-16 dígits) | |
| 1 | codi PIN (6 dígits) (conjunt de 150) | |
| 1 | data espontània (aniversari) | 3 dates |
| 1 | data llegida | |
| 1 | expressió de data relativa o general | |
| 1 | frase per a word spotting mitjançant paraules d'aplicació | |
| 1 | dígit aïllat | |
| 1 | cognom lletrejat | 3 paraules lletrejades |
| 1 | lletreig de ciutat | |
| 1 | seqüència de lletres per cobertura | |
| 1 | quantitat de diners | |
| 1 | numero natural | |
| 1 | cognom (conjunt de 500) | |
| 1 | ciutat (espontània) | |
| 1 | ciutat (del conjunt de les 500 més comunes) | |
| 1 | empresa (del conjunt de les 500 més comunes) | |
| 1 | nom i cognom (conjunt de 150) | |
| 1 | pregunta amb resposta predominant 'si' | 2 preguntes, incloent si/no difús |
| 1 | pregunta amb resposta predominant 'no' | |
| 9 | frases fonèticament riques | |
| 1 | hora del dia (espontàniea) | 2 frases d'hores |
| 1 | frase d'hora (amb paraules) | |
| 4 | paraules fonèticament riques | |
El Català és la llengua parlada a Catalunya, València, Balears i Andorra. També es parla en altres llocs, encara que de forma minoritària, com Rosselló i Vallespir (sud de França), frontera de Catalunya i Aragó, i l'Alguer a Sardenya.
Hi ha una divisió principal entre l'est i l'oest que creua Catalunya i també separa els dialectes de València i Balears. Hi ha una divisió secundària entre el nord i el sud que separa els dialectes de l'est i l'oest de Catalunya dels dialectes de València i Balears (Joan Veny, Els parlars catalans, Edit. Moll, Mallorca, 1993).
En aquesta base de dades es recullen les veus de 1500 informants de Catalunya. Amb el propòsit de forçar una recollida de mostres tan variada com sigui possible, s'ha contemplat una subdivisió al nord de Catalunya amb el Gironí i una altra al sud amb el Tortosí.
El mapa de la Figura 1 mostra las quatre zones dialectals objecte de la cerca d'informants.
Figura 1. Dialectes de Catalunya
Es van gravar 500 informants de Valencia i Balears.
| Regió | Numero d'informants | Percentage del total(%) | ||
|---|---|---|---|---|
| Homes | Dones | Total | ||
| Balear | 124 | 162 | 286 | 14.3 |
| Central | 387 | 445 | 832 | 41.6 |
| Gironí | 101 | 134 | 235 | 11.75 |
| Nord-Occidental | 188 | 110 | 298 | 14.9 |
| Tortosí | 53 | 74 | 127 | 6.35 |
| Valencià | 102 | 120 | 222 | 11.1 |
| Total | 955 | 1045 | 2000 | 100 |
Numero de trucades rebudes per cada regió
| Edat | Numero d'informants | Percentage del total(%) | ||
|---|---|---|---|---|
| Homes | Dones | Total | ||
| menys de 16 | 9 | 13 | 22 | 1.10 |
| 16-30 | 415 | 421 | 836 | 41.8 |
| 31-45 | 268 | 307 | 575 | 28.75 |
| 46-60 | 218 | 274 | 492 | 24.6 |
| mes de 60 | 45 | 30 | 75 | 3.75 |
| Total | 955 | 1045 | 2000 | 100 |
Distribució dels informants per grups d'edat y gènere
Els fitxers de veu s'emmagatzemen com seqüències de 8 bits a 8 kHz en llei A sense compressió. Cada registre s'emmagatzema en un fitxer separat. Cada fitxer de veu té un fitxer d'etiquetes SAM associat.
Els enregistraments es fan a la Universitat Politècnica de Catalunya. Les característiques principals de la plataforma són:
La transcripció la ha dut a terme l'empresa ATLAS. Està inclosa en aquesta base de dades i la característica principal és que és ortogràfica i lèxica amb alguns detalls que representen sorolls audibles (veu i no-veu) presents en els corresponents senyals d'àudio. Les marques extres contingudes en la transcripció ajuden a interpretar el text de la frase. Les transcripcions es fan en dos passos: un primer pas en el qual es transcriuen les paraules i un segon pas on s'afegeixen els detalls addicionals.
Les marques extres s'utilitzen per a males pronunciacions, paraules inintelligibles i sorolls. Els símbols pels sorolls són:
La base de dades es transcriu mitjançant el programari UPCRevBD.v1, desenvolupat a la UPC. Un 1% de les transcripcions es transcriu dues vegades per a detectar errors. La base de dades final ha estat supervisada i validada per un organisme extern independent.
La documentació inclou un lexicon. El fitxer amb el lexicon és una llista ordenada alfabèticament de les diferents partícules lèxiques (essencialment paraules en el nostre cas) que ocorren en el corpus amb la corresponent informació de pronunciació. Cada paraula diferent té una entrada diferent. Com que el lexicon es deriva del corpus, usa la mateixa codificació alfabètica per a caràcters especials i accentuats com en les transcripcions (ISO-8859). El fitxer inclou també un recompte de freqüència d'aparició per a cada entrada en el lexicon.
Després de la fase de transcripció es genera un lexicon que conté totes les paraules que apareixen en el "LBO:" (una aparició per paraula) ordenades alfabèticament, el seu número d'aparicions, i la seva transcripció fonètica. Les paraules apareixen en el lexicon exactament igual que en la transcripció. Les marques de sorolls, fragments i paraules mal pronunciades no apareixen en el lexicon. El lexicon no conté majúscules.
El programari SEGRE, desenvolupat a la UPC, s'utilitza per a transcriure fonèticament les paraules amb la notació SAMPA. El lexicon es transcriu automàticament. El noms propis i noms d'empreses es faran manualment.
El conjunt d'entorns des d'on es fan les trucades és: casa u oficina i cabina de telèfon.
| Entorn | Trucades rebudes | Percentage |
|---|---|---|
| HOME_OFFICE | 1938 | 96.9% |
| BOOTH | 62 | 3.1% |
Distribució de trucades per entorn de gravació
Des d'aquí pots baixar el fitxer de veu (Feu click dret i guardar).
Fitxer d'etiquetes ASCII SAM del fitxer de veu.
La base de dades és pública.
Fitxer de documentació i resultats
Informació: asuncion
gps.tsc.upc.es
Copyright © 2017 - Designed by Madstudio