Corpus du japonais spontané

Le Corpus du japonais spontané est une base de données qui contient une large collection de données de parole en japonais et des informations utiles pour un usage en recherche linguistique. Développé conjointement par NINJAL, NICT et l’Institut de Technologie de Tokyo, ce corpus offre des données… Read More de première catégorie en termes de quantité et de qualité.

Le corpus a été utilisé pour une grande variété d’objectifs de recherche, tels que le traitement de la parole, le traitement du langage naturel, la phonétique, la psychologie, la sociologie, l’éducation japonaise et la compilation de dictionnaires.

La corpus complet comprend environ 650 heures de parole spontanée correspondant à environ 7000k mots. L’intégralité du matériel audio a été enregistré via des micro-casques à courte portée et sur DAT, et ont été sous-échantillonnés à 16kHz, 16 bit de précision. Le matériel audio a été transcript en suivant un schema de transcription en deux modes, spécialement conçus pour ce corpus. De plus, l’analyse de la partie du discours base sur le deux types différents de “mot” est appliquée à l’intégralité du discours.

La parole enregistrée a été transcrite en deux modes différents, soit en transcriptions orthographiques et phonétiques:
- Dans la transcription "orthographique", la parole a été transcrite en Kanji (écriture logographique chinoise) et Kana (alphabet syllabaire japonais) comme un texte ordinaire japonais, mais contrairement à l’écriture ordinaire en japonais, la transcription orthographique suit des régles sur l’usage des caractères Kanji et Kana. Dans un texte ordinaire, par exemple, il y a plus de cinq manières de transcrire la chaîne phonémique /hanasiai/ ("réunion") en utilisant le Kanji et le Kana, mais une seule est permise pour le transcription orthographique du corpus.
- La transcription "phonétique" est écrite exclusivement en caractères Kana pour permettre de retracer les détails phonétiques des occurrences transcrites.

Un sous-ensemble du corpus, appelé “Core”, contient environ 500k mots, soit 45 heures de parole. Le travail d’annotation est concentré spécifiquement sur cette partie du corpus. Ainsi, en plus de la transcription et de l’analyse de la partie du discours en deux modes, le “Core” présente un étiquetage des segments, de l’intonation et diverses autres annotations. Read Less