| Title: | Czech spontaneous speech corpus with structural metadata |
| Other Titles: | Český korpus spontánní řeči s anotací strukturálních metadat |
| Authors: | Kolář, Jáchym Švec, Jan Strassel, Stephanie Walker, Christopher Kozlíková, Dagmar Psutka, Josef |
| Citation: | KOLÁŘ, Jáchym; ŠVEC, Jan; STRASSEL, Stephanie; WALKER, Christopher; KOZLÍKOVÁ, Dagmar; PSUTKA, Josef. Czech spontaneous speech corpus with structural metadata. In: Proceedings of ICSPL 2005: 6th Annual Conference of the International Speech Communication Association 2005, Lisboa, Portugal, 4-8 September 2005. [Baixas]: ISCA, 2005, p. 1165-1168. ISSN 1990-9772. |
| Issue Date: | 2005 |
| Publisher: | ISCA |
| Document type: | článek article |
| URI: | http://www.kky.zcu.cz/cs/publications/KolarJ_2005_Czechspontaneous http://hdl.handle.net/11025/17115 |
| ISSN: | 1990-9772 |
| Keywords: | strukturální metadata;spontánní řeč;neplynulost;výplně |
| Keywords in different language: | structural metadata;spontaneous speech;disfluence;fillers |
| Abstract: | Tento článek popisuje český korpus spontánní řeči skládajícíse z nahrávek rozhlasových diskusních pořadů. Jako první kompletní neanglický MDE korpus byl anotován strukturálními metadaty, která zvyšují čitelnost přepisů člověkem a umožňují i další automatické zpracování. Anotace zahrnuje rozdělení přepisů do syntakticko-sémantických jednotek a identifikace výplní a neplynulostí. Mimo modifikací nutných pouze pro češtinu také navrhujeme některé modifikace nezávislé na jazyku, jako je například limitované prozodické značkování na hranicích syntakticko-sémantických jednotek. |
| Abstract in different language: | This paper describes a Czech spontaneous speech corpus consisting of radio talk show recordings. As the first complete non-English MDE corpus, it has been annotated with structural metadata information beyond the words that is critical to both increasing transcript readability and allowing application of downstream NLP methods. Metadata annotation involves partitioning verbatim transcripts into syntactic/semantic units (SUs) that function to express a complete idea; and identifying fillers and edit disfluencies. Annotation guidelines for English metadata developed by Linguistic Data Consortium were taken as the starting point, with changes applied to accommodate specific phenomena of Czech. In addition to the necessary language-dependent modifications, we further propose some language-independent modifications including limited prosodic labeling at SU boundaries. Statistics about the structural metadata annotation present in the corpus and inter-annotator agreement numbers are also presented. |
| Rights: | © Jáchym Kolář - Jan Švec - Stephanie Strassel - Christopher Walker - Dagmar KozlÍková - Josef Psutka |
| Appears in Collections: | Články / Articles (KKY) |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| KolarJ_2005_Czechspontaneous.pdf | Plný text | 80,02 kB | Adobe PDF | View/Open |
Please use this identifier to cite or link to this item:
http://hdl.handle.net/11025/17115Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.