Zurück zur Projektseite

Kritik, Anregungen und weitere Seiten zu Korpora gesprochener Sprache werden gerne entgegengenommen! E-mail: franks@sfs.nphil.uni-tuebingen.de

Korpora gesprochener Sprache - Spoken Corpora

• Alle aufgeführten Korpora enthalten Sounddateien.
• Alle Sounddateien sind nach jeweils verschiedenen Kriterien annotiert.
  (Im Hinblick auf die jeweilige Forschungsausrichtung)
• Schwerpunkt der Forschung ist das phonetische Interesse.
• Nur ein Korpus bietet die Möglichkeit, u.a. auch semantische Forschungen durchzuführen.
• Für fast alle Korpora muß man eine Lizenz erwerben.
• Korpora liegen zu folgenden Sprachen vor
  (deutsch, englisch, schwedisch, französisch, katalanisch, italienisch, gälisch, amerikanisch-englisch, russisch)

1) Deutschland

• Bayerisches Archiv für Sprachsignale

  • - gesprochenes Deutsch (gelesen, spontane Sprache, Dialekt)
  • - nicht alle frei zugänglich (Lizenzgebühren z.T.DM 8000,-)
  • - hauptsächlich phonetische Annotation

2) Schweden

• Daten aus dem Forschungsprojekt VaCoS

  • - 10 Sprecher je 10 Minuten spontane Sprache (Monologe)
  • - Voraussetzung ist das Softwarepaket Xwaves
  • - Sprachsignal ist segmental, ortographisch prosodisch und nach Silbenclustern annotiert

• The Swedish spoken language corpus at Göteborg University

  • - Sprecher: 1 - 33
  • - Topics: z.B. Diskussionen, Gerichtsgespräche, formales Treffen, Hotel, etc.
  • - Überblick

3) Groß Britannien

• British National Corpus (BNC)

  • - a 100 million word collection of samples of written and spoken language
  • - speziell ausgewiesen als Datenbank für linguistische, u.a. semantische Analysen

• The Articulatory Database Registry (England)

• [A] EUR-ACCOR

  • - Sprachen: katalanisch, englisch, französisch, deutsch, irisch, gälisch, italienisch, schwedisch
    
  • - Sprecher: 5-10 pro Sprache, jeweils 10 Aufnahmen des Materials
    
  • - Inhalt: - 1.Nonsense items:
    
  • Vowels /i,a,u/ in isolation VCV sequences, where C= /p,tb,t,d,k,s,z,n,l,S,T/ and the sequences /kl,st/; V = /i,a,u/.
    
  • - 2.Real words:
    
  • These match the nonsense sequences above as closely as possible. eg. Nonsense item /iti/ is matched by the english word "meaty".
    
  • - 3.Sentences:
    
  • A set of 14 short sentences designed to illustrate the main connected speech processes in the language (eg. assimilations, weak forms ..). In some languages, items from the real word corpus appear in the sentences.
    

• [B] MOCHA-TIMIT

  • - 1.Sentences:
    
  • A set of 460 sentences designed to include the main connected speech processes in English (eg. assimilations, weak forms ..). Orthography
    
  • Subjects: 2 speakers, 1 male and 1 female are currently available but another 38 are planned to be completed by May 2001. The subjects have a variety of accents of English.
    

• The TRAINS Spoken Dialogue Corpus

  • - Korpus besteht aus Gesprächen (aufgabenorientiert)
  • - Korpora sind nach Gesprächskriterien annotiert

• The Bergen Corpus of London Teenage Language COLT

  • - Teenager im Alter zwischen 13 und 17 Jahren
  • - Korpora orthographisch transkribiert und Wortklassen Tagging

4) USA

• The Linguistic Data Consortium

  • - Corpora zu American English (bestehend aus Wörtern)
    
  • - Corpora zur Sprecheridentifikation (Wörter, Sätze, Reiseinformationen)
    
  • - Lizenzgebühren
    

5) Russisch

• Datenbank zum Russischen

  • - akustische Datenbank des Russischen
    
  • - Wortlisten
    
  • - 4 Sprecher: jeweils 1 männlich / weiblich aus Moskau / St. Petersburg
    
  • - Hier geht's los
    

Zurück zur Projektseite