數位化工作流程說明

 

該計畫的數位化作業，大致依照下列五項步驟進行，依序分別為：一、錄音；二、錄音檔案轉記為文字檔；三、建立詞彙庫；、四、建立自動化系統；五、自動化系統之應用等五個方面，共細分二十三項步驟進行。茲分別介紹如次。

 

閩南語兒童語料數位化工作流程圖如下：

 

 

 

流程圖提供者：

 

國立中正大學 語言學研究所 蔡素娟教授

　

---

<目 錄>

　　

一、 錄音

 

「錄音」部分分為五個步驟進行，分別為「訓練研究助理」、「徵求參與兒童」、「進行錄音」、「錄音剪輯及備份」、「數位化轉錄」。

 

（一） 訓練研究助理：由計畫主持人訓練研究助理。最核心的研究助理有三名。簡述如下：具語言學碩士級背景知識，並以閩南語為母語。透過每星期三到六小時的討論會，訓練助理，瞭解閩南語音韻及書寫系統、閩南語詞彙、句法、語意及詞類標記系統、CHILDES系統及兒童語言習得相關文獻；並熟悉IPA國際音標記音。

 

（二） 徵求說閩南語家庭之兒童：目標選定中正大學附設托兒所、幼稚園及鄰近鄉鎮，徵求來自說閩南語家庭，年齡在一歲至三歲之間的幼兒。陸續共選出14名兒童。

 

(1) 以海報及網路發布廣告；利用幼稚園家長日到場對家長說明，徵求說閩南語家庭的兒童。

 

(2) 排定錄音時間：聯絡家長；並排定錄音時間表

 

（三） 進行錄音

 

(1) 準備錄音器材：錄音器材選擇方便攜帶、機動性強、容量較大、易長期保存語料之錄音器材。下圖左起為迷你光碟片、專業用耳機、專業用麥克風、迷你光碟隨身錄音機。

 

圖一：錄音器材

 

(2) 進行錄音訪談：至兒童家中進行訪談錄音。錄音為週期性，寒暑假亦不間斷。二歲以下者，每週訪談一次；二至三歲者，每兩週訪談一次；三至四歲者，每二至三週訪談一次。每次訪談約1至2小時不等，實際錄音時間40至60分鐘。

 

錄音期間：1997年10月至2000年5月。共錄音431人次，約330小時。訪談方式為：錄下兒童在家長或保姆陪同下，在自己家中的日常對話。錄音的內容除了自然言說，還藉助圖畫簿、故事書、玩具、布偶、剪紙、摺紙或其他遊戲，引發兒童主動說話。

 

（四） 錄音剪輯及備份

 

(1) 錄音剪輯：由助理將錄音光碟中不相關的錄音或太長的空白錄音刪除，將錄音切割為較小段落，在光碟中標記段落編號；於光碟中輸入錄音日期、檔名。每1小時的錄音約需耗時1.5小時剪輯。總工作時間：1.5*330小時=495小時。

 

圖二：進行錄音剪輯 (示範者：謝沛諭)

 

(2) 錄音備份：使用迷你光碟錄音座及迷你光碟隨身錄音機進行迷你光碟備份製作。

 

圖三：進行錄音備份 (示範者：謝沛諭)

 

（五） 數位化轉錄：將迷你光碟錄音檔轉為較不佔空間之MP3格式，以方便儲存。於日後可隨時轉為語音分析所需之格式（如WAV格式）。所使用之轉錄軟體為GoldWave Digital Audio Editor（GoldWave Inc. 研發）。

 

圖四：進行數位化轉錄

　

---

<目 錄>

　

二、 錄音檔轉記為文字檔

 

「轉記」分為四個步驟，依序為：「人工轉記漢字」、「人工斷句」、「人工斷詞」、「人工IPA記音」。

 

（一） 人工轉記漢字：由於閩南語的漢字書寫系統目前並沒有定案，再加上有許多本字無法確定，或者有音無字的情形，因此有必要訂定文字轉記的原則。故在進行文字轉記前，首先需確立閩南語書寫系統，本計畫所參考的辭典主要有四本，依優先順序排列為：《臺灣閩南語辭典》《台灣話大辭典》《廈門方言詞典》《閩南語詞彙》如下圖由左至右。轉記平台為CHILDES兒童語料交換系統。每1小時錄音需要花約10小時不等的時間轉記成文字檔。總工作時間：330*10=3,300小時。

 

圖五：閩南語辭典

 

（二） 人工斷句：由於本語料庫之語料為口語語料。助理需參考言談分析之斷句原則，將自然言談切分成獨立意義句子。

 

（三） 人工斷詞：由於目前無閩南語斷詞標準，故本計畫根據中華民國計算語言學學會所訂定之「資訊處理用中文分詞規範調查研究及草案研擬」，將語句切分為獨立意義、且扮演特定語法功能的字串。

 

（四） 人工IPA記音：採語音轉記 (phonetic transcription) 的方式詳細轉記兒童實際發音。在音段方面，以Unicode IPA符號記音，參考書目為Handbook of the International Phonetic Association (1999)；聲調採用五度標音法。每小時的錄音約需花4.5小時記音。共4.5*330=1485小時。

 

圖六：完成Unicode IPA記音之文字檔

　

---

<目 錄>

　

　

三、建立詞彙庫

 

錄音以人工轉記為文字很費人力，因此最終目標還是要建立自動化系統。而自動化系統的建立需要詞彙庫作基礎。「建立詞彙庫」依序分為三個步驟進行：「建立新詞清單」、「人工標記拼音」、「人工標記詞類」。

 

（一） 建立新詞清單：以轉記好之文字檔中之所有詞彙建立清單，經由人工確認詞彙清單中的漢字與詞典是否一致。

 

（二） 人工標記拼音：根據教育部於民國八十七年所公佈之「閩南語羅馬拼音第二式」人工標記詞彙清單中的漢字之拼音。

 

圖七：人工標記拼音

 

（三） 人工標記詞類：參考中央研究院詞庫小組「詞類標記原則」以及CANCORP: The Hong Kong Cantonese Child Language Corpus, Lee and Wong (1998)、台灣閩南語動詞分類研究 曹逢甫 (1996) 等相關文獻。採用中研院詞庫小組的詞類標記，但是僅限於46個簡化標記，以避免詞類劃分過細時產生主觀強制性的歸類。

 

圖八：人工標記詞類

　

---

<目 錄>

　　

四、 建立自動化系統

 

「建立自動化系統」以上述詞彙庫為基礎。分為三個部分：「發展自動斷詞與拼音程式」、「發展漢字檢查程式」、「發展自動詞類標記程式」。

 

（一） 發展自動斷詞與拼音程式：將輸入之句子或整個文字檔案，根據本計畫修訂「資訊處理用中文分詞規範調查研究及草案研擬」所撰寫之「閩南語斷詞原則」及詞彙庫之詞項，根據長詞優先之準則，與詞彙庫比較。若所輸入之漢字與詞彙庫一致，則以黑色呈現，並在其後標注拼音；若所輸入之漢字尚未建立於在詞彙庫，則以藍色呈現。此程式除了斷詞及標注拼音之外，還可以將新詞納入詞彙庫。

 

圖九：自動斷詞與拼音程式

　

（二） 發展漢字檢查程式：目的為求漢字與詞彙庫所列之標準之一致。搜尋之方式有三：一為輸入閩南語羅馬拼音、二為輸入可能之漢字、三為輸入國語之相對詞；透過此三種任一，皆能擷取出詞彙庫中含有該詞之詞條。但若該詞未建立於詞彙庫中，查詢後則不顯示。

 

圖十：漢字檢查程式

 

（三） 發展自動詞類標記程式：以人工標記詞類之文字檔作為基礎，發展自動詞類標記程式。將輸入之句子（已完成斷詞工作），自詞彙庫中擷取出其詞類標記；當該詞有多個詞類標記時，程式則以頻率最高之標記為優先考量並標記之。若該詞在詞彙庫中未標記詞類，則以三個問號（???）呈現。

 

圖十一：自動詞類標記程式

　

---

<目 錄>

　　

五、 自動化系統之應用

 

（一）執行自動斷詞與拼音程式：將語句切割成詞，並標注拼音。

 

（二）執行漢字檢查程式：檢查漢字與詞彙庫所列之標準是否一致

 

（三）執行自動詞類標記程式：標記詞類。

 

（四）人工檢查：檢查程式輸出檔，如詞有不止一個詞類，則檢查其自動標記是否正確。

　

---

<目 錄>

　

　

六、 網站的建立及維護

 

（一）網站架構及內容之編纂：計畫主持人與研究助理討論網站內容及所呈現之介面。網站內容包含語料庫簡介、資料庫、使用手冊、相關程式以及相關網站之連結。

 

（二）網站之建立及維護：為語料庫建立專門網站，以供世界各地學者研究之用。完成最後檢測之後，網站將開放給外界瀏覽。

 

圖十二：網站首頁

 

※ 製作單位：數位典藏國家型科技計畫—內容發展分項計畫

 

國立中正大學語言學研究所—台灣兒童語料庫計畫

 

※ 文字撰寫：數位典藏國家型科技計畫—內容發展分項計畫

 

語言主題小組助理 賴佳旻

 

國立中正大學語言學研究所台灣兒童語料庫計畫 助理 謝沛諭

 

※ 圖片拍攝：數位典藏國家型科技計畫—內容發展分項計畫

 

語言主題小組助理 賴佳旻、林淑惠、陳秀華

 

※ 圖文編輯：數位典藏國家型科技計畫—內容發展分項計畫

 

語言主題小組助理 賴佳旻、陳美智、陳秀華

 

※ 感謝國立中正大學語言學研究所—【台灣兒童語料庫】之計畫主持人 蔡素娟教授、前任助理黃婷鈺小姐、劉慧娟小姐及現任助理謝沛諭小姐撥冗指教及協助拍攝與提供資料，特別致謝。

 

---

<目 錄>

　

  全文下載 (936.9 KB, 1,207 hits)

評分：