Corpus de inglés hablado

El Corpus de Inglés Hablado ( SEC ) es una colección de grabaciones de habla en inglés británico recopiladas entre 1984 y 1987. El manual del corpus se puede encontrar en ICAME . ^{[ 1 ]}

El proyecto Spoken English Corpus (SEC) fue financiado conjuntamente en 1984-1985 por el Humanities Research Fund de la Universidad de Lancaster y por IBM (UK) Ltd, y posteriormente por IBM UK Ltd. El proyecto contó con el apoyo de Geoffrey Leech en Lancaster y Geoffrey Kaye en IBM. El proyecto fue una colaboración, financiada por IBM , entre la Unidad de Investigación Informática sobre el Idioma Inglés (UCREL) de la Universidad de Lancaster y el Centro Científico de IBM en Winchester . ^{[ 2 ]}

SEC comprende 53 pasajes grabados, principalmente de la BBC , hablados con el acento conocido como Received Pronunciation (RP). La colección abarca categorías como comentarios, noticieros, conferencias, diálogos, poesía y propaganda. ^{[ 3 ]} El corpus contiene 52 637 palabras, con una duración total de 339 minutos. La compilación del corpus es descrita por Lita Taylor en su artículo de 1996 «The Compilation of the Spoken English Corpus». ^{[ 4 ]}

Se diseñó un sistema para transcribir la entonación del material en las grabaciones. Dos transcriptores, Gerry Knowles y Briony Williams, ambos con el apoyo de Lita Taylor, analizaron todo el corpus. Williams explica el sistema de transcripción ^{[ 5 ]} y Brian Pickering realizó un experimento para evaluar el grado de concordancia entre los dos transcriptores en una sección del corpus que contenía alrededor de 1000 unidades tonales , la cual fue transcrita por ambos ^{[ 6 ]} . Se encontró una buena concordancia.

La transcripción completa impresa fue realizada en su forma actual por Peter Alderson, quien posteriormente asumió el cargo de Gerente de Investigación del Habla en IBM. El volumen se tituló más tarde «A Corpus of Formal British English Speech: The Lancaster/IBM Spoken English Corpus» y fue publicado por primera vez por Longman en 1996, y posteriormente por Routledge en 2013. El libro está disponible actualmente en librerías en línea como Routledge y Book Depository, o en formato electrónico en Google Play Libros. ^{[ 7 ] [ 8 ]}

El etiquetado gramatical de cada palabra, basado en el conjunto de etiquetas CLAWS1 , se añadió al texto del SEC mediante un proceso automático. ^{[ 9 ] [ 10 ]} El hecho de que este etiquetado estuviera en un formato legible por máquina permitió relacionar la información gramatical y prosódica de los textos. Trabajos posteriores utilizaron modelos probabilísticos para desarrollar aún más el etiquetado gramatical y producir técnicas de análisis sintáctico automático . ^{[ 11 ]}

Anne Wichmann publicó su investigación sobre la entonación SEC, "Entonación en texto y discurso: comienzos, medios y finales" en 2000. ^{[ 12 ]}

Aunque el texto y su etiquetado asociado existían en formato legible por máquina, las grabaciones en sí solo existían como grabaciones de cinta. Una colaboración, financiada por el Consejo de Investigación Económica y Social entre 1992 y 1994, entre científicos del habla de las Universidades de Lancaster y Leeds en el Reino Unido, se propuso producir una versión del corpus que contuviera las grabaciones en formato digital, vinculadas temporalmente al texto. ^{[ 13 ]} Los investigadores principales fueron Gerry Knowles y Tamas Varadi (Lancaster) y Peter Roach y Simon Arnfield (Leeds). El esquema del proyecto se expone en Knowles, ^{[ 14 ]} y la alineación temporal automática es descrita por Roach y Arnfield. ^{[ 15 ]} Las grabaciones digitalizadas se grabaron en CD-ROM . Posteriormente, se puso a disposición para su descarga con fines de investigación desde la Universidad de Leeds, aunque este servicio ya no cuenta con soporte. ^{[ 16 ]}

El trabajo en MARSEC en Lancaster y Leeds finalizó alrededor de 1995, pero el corpus ha sido posteriormente objeto de un considerable desarrollo adicional en la Universidad de Aix-en-Provence , Francia, bajo la dirección de Daniel Hirst. ^{[ 17 ]} La base de datos consta de dos componentes principales: las grabaciones digitalizadas de MARSEC y las anotaciones. Hasta el momento, las anotaciones se han realizado en nueve niveles, incluyendo fonemas , sílabas , palabras , pies tónicos , unidades rítmicas y unidades de giro menor y mayor . Dos niveles suplementarios, la anotación gramatical de CLAWS y un sistema de gramática de propiedades desarrollado en Aix-en-Provence, se integrarán próximamente. ^{[ 18 ]} Una posible desventaja de este tratamiento es que el corpus solo se puede buscar utilizando scripts especialmente escritos. ^{[ 19 ]} La base de datos, junto con las herramientas, está disponible bajo la licencia GNU GPL en el sitio del proyecto Aix-MARSEC. ^{[ 20 ]}