SpeechDat Català FDM - 2000 locutors
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 des de telèfons mòbils. Els informants (les persones a qui s'enregistra la veu) pronuncien 44 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.
Definició del contingut de la base de dades
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 | |
Informants
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 2000 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 2 mostra las quatre zones dialectals objecte de la cerca d'informants.
Figura 2. Dialectes de Catalunya
Es van gravar 500 informants de Valencia i Balears.
| Regió | Numero d'informants | Percentage del total(%) | ||
|---|---|---|---|---|
| Homes | Dones | Total | ||
| Central | 411 | 435 | 846 | 42.3 |
| Gironi | 73 | 126 | 199 | 9.95 |
| Nord-Occidental | 223 | 241 | 464 | 23.2 |
| Tortosi | 72 | 74 | 146 | 7.3 |
| Valencia | 110 | 92 | 202 | 10.1 |
| Balear | 61 | 82 | 143 | 7.15 |
| Total | 950 | 1050 | 2000 | 100 |
Numero de trucades rebudes per cada regió
| Edat | Numero d'informants | Percentage del total(%) | ||
|---|---|---|---|---|
| Homes | Dones | Total | ||
| menys de 16 | 4 | 5 | 9 | 0.45 |
| 16-30 | 512 | 622 | 1134 | 56.7 |
| 31-45 | 258 | 249 | 507 | 25.35 |
| 46-60 | 158 | 152 | 310 | 15.5 |
| mes de 60 | 18 | 22 | 40 | 2 |
| Total | 950 | 1050 | 2000 | 100 |
Distribució dels informants per grups d'edat y gènere
Formats dels fitxers de veu
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.
Lloc i plataforma d'enregistrament
Els enregistraments es fan a la Universitat Politècnica de Catalunya. Les característiques principals de la plataforma són:
- Interfície: RDSI d'accés bàsic
- Targeta: AVM-ISDN-A1
- Ordinador: Pentium PC at 120 MHz, 32 MB RAM 4 GBytes SCSI Hard disk. PCI Network card
- DOS: Windows NT
- Interfície de programari: COMMON-ISDN-API Version 2.0 (CAPI 2.0)
- Programari: UPC ADA
- Línies: 2
Transcripció
La transcripció la duu a terme l'empresa ATLAS. Estarà 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:
- [fil]: Pausa sonora.
- Aquests sons es poden modelar bé en un model de pauses sonores en reconeixedors de veu. Alguns exemples son: uh, um, er, ah, mm.
- [spk]: Soroll d'informant.
- Tots els sorolls i sons fets per l'informant i que no formen part del text preparat com soroll de llavis, tossir, aclariment de la gola, clicks amb la llengua, respiració sorollosa, riures,...
- [sta]: Soroll estacionari
- Aquesta categoria conté sorolls de fons que no són intermitents i tenen un espectre d'amplitud més o menys estable. En són exemples el soroll de cotxe, soroll de carrer, soroll de canal, GSM, veus de fons, soroll de fons de llocs públics, ....
- [int]: Soroll intermitent
- Aquesta categoria conté sorolls de naturalesa intermitent. Aquests sorolls típicament ocorren una vegada (cop de porta) o tenen pauses (ring del telèfon), o canvien el seu espectre amb el temps (música). En són exemples: música, veu de fons, nen plorant, telèfon sonant, cop de porta, campana timbre, paper arrugat, converses creuades.
- [dit]: Tono beep
- Aquest soroll es produit per la plataforma de gravacio per a indicar el informat que pot comencar a gravar. El sistema no ha de enregistrar aquest soroll pero si ho fa, deu ser anotat amb aquesta marca
La base de dades es transcriu mitjan?nt 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 serà supervisada i validada per un organisme extern independent.
Informació lèxica i fonètica
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.
Entorns
El conjunt d'entorns des d'on es fan les trucades és: casa, oficina, vehicle, lloc públic i cotxe utilitzant un sistema mans lliures.
| Entorn | #Homes | #Dones | #Total |
|---|---|---|---|
| CAR_KIT | 45 | 42 | 87 |
| PUBLIC_PLACE | 272 | 246 | 518 |
| STREET | 248 | 279 | 527 |
| HOME_OFFICE | 243 | 313 | 556 |
| VEHICLE | 139 | 163 | 302 |
| OTHER | 3 | 7 | 10 |
Distribució de trucades per entorn de gravació
Mostra de veu
Des d'aquí pots baixar el fitxer de veu (Feu click dret i guardar).
Mostra de fitxer de dades
Fitxer d'etiquetes ASCII SAM del fitxer de veu.
Disponibilitat
La base de dades es pública.
Fitxer de documentació i resultats
Informació: asuncion
gps.tsc.upc.es