LA NECESIDAD DE CREAR Y ETIQUETAR CORPUS ORALES

Transcripción

1 MÁSTER OFICIAL EN LENGUA ESPAÑOLA Y LITERATURA HISPÁNICA Aplicación de las tecnologías de la información y de la comunicación (TIC) a la Lengua española Tecnologías del habla, Carme de-la-mota LA NECESIDAD DE CREAR Y ETIQUETAR CORPUS ORALES 1

2 GUIÓN DEL CURSO Interacción entre personas y ordenadores Conversión de texto en habla Reconocimiento de habla Sistemas de diálogo Interacción entre personas mediatizada por ordenador Traducción de lenguas orales Traducción entre lengua oral y lengua de signos Reconocimiento de habla y generación de caras animadas para lectura labial La necesidad de crear y etiquetar corpus orales Aplicaciones 2

3 3. La necesidad de crear y etiquetar corpus orales Panorama general Un ejemplo actual 3

4 PRÁCTICA. A partir de la lectura LLISTERRI, J.; MACHUCA, M. J.; de la MOTA, C.; RIERA, M.; RÍOS, A. (2005): "Corpus orales para el desarrollo de las tecnologías del habla en español", Oralia. Análisis del discurso oral, 8. ota_riera_rios_05_corpus_orales_tecnologias_habla_espa nol.pdf 4

5 Discusión Qué tipo de situaciones de habla cubren? Cuántos hablantes se han grabado en cada caso? Es frecuente el uso de habla espontánea? Están los corpus etiquetados con algún tipo de información? 5

6 Objetivos de los corpus orales Hasta qué punto puede condicionar la función final? Existen características relevantes que son propias de los corpus destinados a las tecnologías del habla? Compara corpus creados con distintos objetivos, por ejemplo: AHUMADA-GAUDI, AMPER, C-ORAL-ROM, CREA y CORDE, CORPES XXI, COSER, MULTEXT, PRESEEA 6

7 Ejemplo. Un proyecto en desarrollo: GLISSANDO Corpus de habla anotado para estudios prosódicos en catalán y español 7

8 Proyecto GLISSANDO Un corpus de habla anotado para estudios prosódicos en catalán y español FFI C03-01/FILO Participantes: Grup de Lingüística Computacional (GLiCom), UPF Grup d Estudis en Prosòdia (GrEP), UAB Grupo de Entornos Computacionales Avanzados-Sistemas de Interacción Multimodal (ECA-SIMM), UV 8

9 Estructura del corpus Lectura de noticias textos de noticias radiofónicas seleccionados en función de su riqueza segmental y prosódica locutores profesionales 4 locutores de radio (2 masculinos y 2 femeninos) 4 actores de doblaje (2 masculinos y 2 femeninos) 4 horas de grabación por lengua (media hora de grabación x 8 locutores) semejante al Boston University Radio News Corpus (Garrido, Aguilar y Escudero, XXXVIII Simposio de la SEL, Madrid, 4 de febrero de 2009) 9

10 Estructura del corpus Diálogos orientados a objetivo Interacciones entre dos locutores orientadas a la consecución de un objetivo Diseño de un recorrido sobre un mapa turístico inspirado en la tarea del mapa (Map Task; Anderson et al., 1991). Información de viajes (aviones, trenes, hoteles) Información en un entorno universitario (estancias Erasmus, requisitos de matriculación) 24 locutores, profesionales y no profesionales, por idioma (12 interacciones x 2 locutores) 6 horas por idioma (1/2 hora cada interacción x 12 interacciones) (Garrido, Aguilar y Escudero, XXXVIII Simposio de la SEL, Madrid, 4 de febrero de 2009) 10

11 Estructura del corpus Diálogos informales Conversaciones informales entre dos personas con un cierto grado de conocimiento Tema inicial, pero con libertad para derivar hacia otros. Posibilidad de reconducir la conversación por parte del controlador Al estilo del Buckeye Corpus 12 locutores, profesionales y no profesionales, por idioma (6 interacciones x 2 locutores) 6 horas por idioma (1 hora cada interacción x 6 interacciones) (Garrido, Aguilar y Escudero, XXXVIII Simposio de la SEL, Madrid, 4 de febrero de 2009) 11

12 Anotación del corpus Niveles de anotación transcripción ortográfica transcripción fonética alineada con la señal de voz segmentación en unidades prosódicas (sílabas, grupos mayores, grupos menores) curva de F0 libre de errores de estimación curva estilizada y anotación fonética en términos de picos y valles representación fonológica tonal (ToBI) (Garrido, Aguilar y Escudero, XXXVIII Simposio de la SEL, Madrid, 4 de febrero de 2009) 12

13 Qué corpus te parecería necesario desarrollar para el futuro? 13