Tvorba mluveného korpusu

Bc. Jan Vaňáček

Diplomová práce

Speech corpus building

Anotace:

Cílem práce je oblast mluvených korpusů pro menší jazyky (tzv. less-studied languages). Práce se zabývá současným stavem v oblasti budování korpusů pro tyto jazyky z pohledu počítačového zpracování přirozeného jazyka (NLP). Práce se zaměřuje na specifika při tvorbě korpusů s ohledem na práci v méně rozvinutých oblastech. A také na postupy, které mají zaručit získání kvalitních nahrávek, počínaje od různých metod přípravy textu, přes úpravu zvukových nahrávek ve specializovaném softwaru až po přidávání dodatečných vrstev se specifickou anotací. Zmíněné postupy mohou být aplikovatelné i pro velké mluvené korpusy (desítky hodin). V praktické části práce byl vytvořen cvičný mluvený korpus Jigba, který je součástí přiloženého DVD. Korpus byl označkován a integrován do prostředí frameworku NITE NXT. Součástí práce jsou i nově vytvořené softwarové nástroje, které hrály důležitou roli při tvorbě korpusu.

Abstract:

The goal of the thesis is an area of speech corpora for the less-studied languages. The work deals with the current state in building of corpora for these languages from the perspective of natural language processing (NLP). The work focuses on the specifics in creating corpora with regard to work in less developed areas. And it focuses also on some procedures to guarantee the acquisition of high-quality recordings starting from different methods of preparation of text, editing sound recordings in a specialized software up to adding additional high-layers with specific annotations. The used techniques can be applicable to large spoken corpora (tens of hours). In the practical part of the work there was created a training speech corpus Jigba, which is included on DVD. The corpus was tagged and integrated into an environment of the framework NITE NXT. There were also created new software tools which played an important role in the building of the corpus.

Klíčová slova

mluvený korpus, korpus Jigba, Nite XML Toolkit, zvuková technika, záznam zvuku, africké jazyky, Nigérie, překlad bible, speech corpus, corpus Jigba, audio engineering, sound recording, african languages, Nigeria, bible translation

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 19. 12. 2011

Obhajoba závěrečné práce

• Obhajoba proběhla 8. 2. 2012
• Vedoucí: Mgr. Marek Grác, Ph.D.
• Oponent: Mgr. Dana Hlaváčková, Ph.D.

Masarykova univerzita

Fakulta informatiky

Magisterský studijní program / obor:
Aplikovaná informatika / Aplikovaná informatika