口语对话语音语料库CADCC和其语音研讨.pdfVIP

口语对话语音语料库CADCC和其语音研究· 李爱军，殷活纲，王茂抹徐波啊宗成庆矿 中田社会科学院语言研究所，Ⅲ中国科学院自动化研究所 摘要 口语对话和朗读语麓的差别表现在句法、剐语言学现象、音段和韵律等许多方面，这给 Annotated 口语对话的标注带来新的课题．本文介绍自然口语对话语音语料库CADCC(Chinese andConvvrsation Dialoguo Corpus)和其文字转写，音段以及韵律标注．CADCC包括两个子 库：电话对话库setl和口语对话语篇库set2．其标注内容包括篇章话题、话轮、韵律和音段 的标注．音段标注采用SAMPA—C标注系统，韵律标注采用C-ToBI标注系统． 本文还报告了标注结果，如篇章话题的长度，口语话轮出现的模式，插入和叠接现象， 韵律结构和朗读语篇的差异等等． 1自然口语库CADCC 语篇(discourse)包括朗读语篇和自然口语语篇，又可以分成独白和对话两种形式。不同 形式的语篇具有不同的特性，比如参与的人数、涉及的话题、话轮顺序和话轮长度等等。 我们已经建立了朗读语篇库ASCCD和独自的自然口语CASS，并且进行了语音学标注 【2】．口语对话语篇库CADCC是我们今年开始收集和标注的，我们希望它对言语工程和语音 研究会有较大的贡献。CADCC包括两个子库，其中SET 1是电话对话库，SET2是正常通道 对话库。表1给出了CADCC的详细信息。SET 2中的对话双方是同事或同学．有共同的爱好 或话题．谈话内容不限．也就是语篇话题可以自由转换。其中有8位发音人曾经参加朗读语 篇ASCCD的录音．这样做的目的是为了详细对比朗读和自然口语的各种差异．录音在普通办 公室或宿舍进行，对话者身别无线话筒，无线录音设备放置在另外的房间，这样保证了对话 双方完全进入自然谈话状态。每一对发音人的谈话时间在1个小时左右。 2音字转写 所有的声音都进行了汉字转写，特别将口语的副语言学和非语言学现象按照表2的符号 进行转写例l：B：我傻OVB：我印度人A：LALAOV； 例2：A：LEMO嗅LEM09；B：那个就是DS一一DSm子的事儿。 2．1语篇话题 为了进行对话交际中声学语音学分析【8】，我们在文字转写中标记了语篇话题(非句子话 题)转换的位置。语篇话题的组织呈现非线性形式。即一个语篇话题可以被另外一个中断， 然后在一定的位置重新开始． 本研究得到田家。973”和中田杜会科学院重大项目基金支持． 317 表3中给出了每对发音人语篇话题数(子话题除外)和时长分布。不考虑语速等个人特性 的话，图l给出了不同长度情况下的语篇话题数分布情况．语篇话题的平均长度是185．96秒． 表4是语篇话题出现的累计频率．80％的话题短于4．5分钟，90％话题短于5-6分钟。 2．2非语言学和副语言学现象 表5是非语言学和副语言学现象统计结果．黑体是出现率较高的现象。可以看到两个子 库中出现最多的是感叹词和语气词．如“啊、呀、哇、吗、呢、吧”等．很多感叹词只起填 充停顿Cfilled paine)的功能． 2．3话轮转换 话轮交替机制是话语分析的一个重要课题。我们在CADCC中发现了各种话轮交替机制。 图2中左边一列是考察AB两个话轮出现模式图，右边一列是考察话轮ABA出现模式图。表 6是考察两个子库的话轮出现情况．在SET l中总共有3256个话轮．其中315个是有叠接 ／3256)．SET2中有叠接的话轮占10．6％(9862／18608)】． 可见，电话库的覆盖现象比会话库要多．可能是因为人们在打电话时交流的信息相对集 中，可能为了省一些电话