12、口语语料库的表示方法

口语语料库的表示方法

1. 引言

口语语料库的语言表示是一个重要的研究领域。判断一组语音是否构成语料库的一个关键因素是其是否带有语言注释，即语音的符号表示。由于无法直接检查采样的语音数据，只能通过这种符号表示来浏览语料库。需要注意的是，所有语音表示都是对语音进行分析或分类的结果，并非语音本身，而是一种抽象，但有时会被当作语音本身使用。

语音的符号表示通常意味着进行语音转录。转录在语言学的多个领域都有应用，如语音学、音系学、方言学、社会语言学、心理语言学、第二语言教学和言语病理学等，在心理学、人类学和社会学等学科中也有使用。转录的类型很大程度上取决于其目的，目的决定了所需的详细程度。例如，若要研究对话中多个说话者同时说话的时间，全局转录就足够；若要确定单词发音的差异，则需要精确的音段转录。

大规模口语语料库由于涉及众多说话者和大量（自发）语音，难以实现详细的音位或语音转录，因为这既耗时又昂贵。因此，大多数大型语音语料库采用逐字转录，即单词层面的正字法表示，如 ATIS 和 Switchboard 语料库。不过，中等规模的朗读语音语料库可以进行音段转录，甚至在音段层面进行标注，如美国英语 TIMIT 语料库、德国 PHONDAT 语料库和 VERBMOBIL 语料库。正字法转录可以通过字形 - 音位转换器或发音表转换为规范的音位转录。

为大型语料库提供可靠的语音转录很难实现，但对于少量特定现象（如双元音化的有无、摩擦音的浊音/清音特征），如果能借助计算机化语音语料库中的注释和直接访问文件快速检索这些现象的出现情况，就可以相对快速、可靠地进行详细转录。1992 年在加拿大班夫举行的国际口语处理会议上，举办了关于“正字法和语音转录”的研讨会，旨在就需要社区通用规范的领