C-ORAL-ROM: Datos esenciales

Longitud del texto

En la sección informal:

• Textos cortos: al menos 64 textos de unas 1500 palabras cada uno. Hasta un 20% de esta parte puede estar constituida por textos de diferentes longituides.
  
  
• Textos largos: de 8 a 10 textos de unas 4500 palabras cada uno.

En la sección informal, la longitud del texto se define según las siguientes reglas:

• Para Formal en contexto natural: 2 ó 3 muestras para cada dominio de una media de 3000 palabras.
  
  
• Para Medios de comunicación: 2 ó 3 muestras por cada dominio. Una media de 3000 palabras. Sólo muestras breves para Partes meteorológicos y Noticias.
  
  
• Para Teléfono: longitud del texto no definida (preferentemente 1500 palabras de límite máximo, sin límite mínimo). El dominio de las llamadas a servicios telefónicos y/o interacciones humano-máquina deben contener 10,000 palabras. Este campo no está representado en el corpus portugués.

Recuento de palabras

El recuento general de C-Oral-Rom (Moneglia y Cresti, 2005) segmenta las palabras por los espacios en blanco (así, "por ejemplo" constaría de dos palabras). Sin embargo, el recuento que se ofrece en esta web considera la palabra como "unidad léxica", independientemente de si está formada por una sola palabra o si es una locución, fórmula o multipalabra. En este caso, "por ejemplo" y "es decir" se cuentan como una única palabra. De esta forma, el número de palabras que aquí ofrecemos es necesariamente menor. A efectos de realizar estudios cuantitativos y comparativos entre C-Oral-Rom y otros corpus, es preciso tener en cuenta el modo como se ha realizado el recuento de palabras en cada banco de datos, de manera que los recuentos puedan ser comparables.

Diseño del corpus

La matriz del diseño del corpus ha sido aproximada en la recogida de cada lengua, como se muestra en la siguiente tabla:

			Requisitos	Italiano	Francés	Español	Portugués
Sección	Contexto	Dominio	Palabras	Palabras	Palabras	Palabras	Palabras
INFORMAL			150000	155048	140341	169625	167059
	Familiar-privado		124500	128696	113287	131734	134511
		Monólogo	42000	45213	42436	42718	45939
		Diálogo-Conversación	82500	83483	70851	89016	88572
	Público		25500	26352	27054	37891	32548
		Monólogo	6000	6051	6521	6182	7693
		Diálogo-Conversación	19500	20301	20533	31709	24855
FORMAL			150000	156544	129618	165846	152483
	Contexto natural	[ver la lista abajo]	65000	68324	47862	72573	66151
	Medios de comunicación	[ver la lista abajo]	60000	61638	54176	62809	62018
	Teléfono	[ver la lista abajo]	25000	26582	27580	30464	24314
TOTAL			300000	311592	269959	335471	319542

Calidad acústica

El proyecto C-ORAL-ROM está orientado hacia la recogida de corpus en un ambiente natural, a pesar del hecho de que esto provoca necesariamente una disminución de la calidad acústica del recurso. Además, C-ORAL-ROM ha explotado, en el marco de un nuevo trabajo multilingüe, los ricos contenidos de archivos recopilados durante años de investigación en lengua oral; por lo tanto, la calidad acústica y las condiciones de grabación de las fuentes son variables.

Los requisitos para el formato acústico y los aparatos de grabación son los siguientes:

• Formato: archivos wav mono (Windows PCM), frecuencia de las muestras: 22050Hz, 16 bit.
  
  
• Proceso de grabación y almacenamiento para antiguas grabaciones analógicas: se convierten directamente en archivos wav (20.050 hz 16 bit) mediante una tarjeta de sonido estándar (Sound Blaster live o compatible) con un editor de sonido profesional, Cool Edit 2000 ®.
  
  
• Proceso de grabación y almacenamiento para nuevas grabaciones:
  
  
  1. diálogos: grabación estéreo con DAT o minidisk (44.100Hz) con micrófonos unidireccionales, convertidos en archivos wav mono (Windows PCM, 22050Hz, 16 bit) por medio de un puerto SPDIF de una tarjeta de sonido estándar (Sound Blaster live o compatible) con un editor de sonido profesional.
     
     
  2. conversaciones con más de dos participantes: grabación mono con DAT o minidiskcon microófono omni-direccional convertida en archivos wav mono mediante un puerto SPDIF de una tarjeta de sonido estándar (Sound Blaster live o compatible) con nun editor de sonido profesional.

Los archivos de habla de la base de datos acústica se definen en una escala de calidad (grabación, volumen, solapamiento de voz y ruido). La escala de calidad se extiende desde el nivel más alto de claridad de la señal de voz hasta los niveles más bajos de calidad acústica.

1. Grabaciones digitales con DAT o minidisk y micrófonos unidireccionales o grabaciones analógicas de alta calidad.
   
   
2. Grabaciones digitales con respuesta de micrófono más pobre o grabaciones analógicas con:
   
   
   • Buena respuesta de micrófono
   • Bajo ruido de fondo
   • Bajo porcentaje de enunciados solapados
   • Cálculo de la F0 posible en la mayoría de los archivos
   
   
   
3. Grabaciones analógicas de baja calidad con:
   
   
   • Respuesta de micrófono pobre
   • Ruido de fondo
   • Porcetaje medio de enunciados solapados
   • Cálculo de la F0 posible en muchas partes de los archivos

La calidad se evalúa espectrográficamente. Las seciones en las que el análisis de la F0 no es significante se excluyen del muestreo. La calidad acústica de cada grabación y los datos más relevantes sobre las condiciones de grabacióm se incluyen siempre en los metadatos de cada texto.

Archivos de habla y etiquetas

Para cada sesión de grabación de habla espontánea, se incluye lo siguiente en las carpetas del corpus multimedia.

1. Archivos de habla: archivos .WAV descomprimidos (Windows PCM: 22,050 hz; 16 bit).
2. Transcripciones en formaro CHAT, enriquecidas con la anotación de rupturas prosódicas terminales y no terminalesy la información sobre el alineamiento, en archivos TXT.
3. Los archivos de alineamiento sonido-texto: archivos XML en formato WIN PITCH CORPUS.
4. DTD del formato de alineamiento WinPitchCorpus.

Los archivos de habla y de transcripción están en correspondencia de uno a uno. A continuación se presenta la tabla general del corpus multimedia C-ORAL-ROM:

	archivos wav	GB	Duración	Enunciados	Palabras en archivos txt
Francés	206	3,77	26.21.43	19546	256271
Italiano	204	5,19	36.16.10	40402	311592
Portugués	152	4,43	29.43.42	38855	317920
Español	210	4,56	31.06.00	35588	335471

Para cada sesión, se porporcionan también los siguientes archivos:

1. La transcripción de cada sesión en formato CHAT en archivos .TXT (sin la información de alineamiento).
2. La trasncripción de C-ORAL-ROM para cada sesión en archivos .XML.
3. DTD para el formato C-ORAL-ROM .XML.
4. Metadatos en formato CHAT.
5. Metadatos en formato IMDI.
6. La transcripción de C-ORAL-ROM de cada sesión con anotación de categorías y lemas para cada forma en archivos .TXT.
7. Etiquetario adoptado en archivos .TXT.
8. Listas de frecuencias de lemas y formas en archivos .TXT.
9. Medidas de los valores linguisticos grabados en cada tetxo: en los archivos Excel "measurements_language.xls".
10. Diagramas que presentan la tendencia observada en relación a los parámetros de variación textual estándar a lo largo de los nodos estructurales del corpus, en el archivo Excel "Multilingual graphics.xls".

Características del corpus español

TABLA C-ORAL-ROM
Informal
Tipo	Sub-tipo	Código	Palabras	Tiempo (s)	Enunciados	Turnos dialógicos
familiar/privado	conversación	efamcv01.xml	1656	555	335	232
familiar/privado	conversación	efamcv02.xml	1554	434	257	139
familiar/privado	conversación	efamcv03.xml	1588	495	395	268
familiar/privado	conversación	efamcv04.xml	1572	475	227	124
familiar/privado	conversación	efamcv05.xml	1528	409	257	145
familiar/privado	conversación	efamcv06.xml	1496	381	224	135
familiar/privado	conversación	efamcv07.xml	1593	370	263	185
familiar/privado	conversación	efamcv08.xml	1636	482	308	197
familiar/privado	conversación	efamcv09.xml	1542	497	298	182
familiar/privado	conversación	efamcv10.xml	1568	384	242	117
familiar/privado	conversación	efamcv11.xml	1553	458	237	143
familiar/privado	conversación	efamcv12.xml	1555	385	212	130
familiar/privado	conversación	efamcv13.xml	1549	501	248	162
familiar/privado	conversación	efamcv14.xml	1568	389	277	182
familiar/privado	conversación	efamcv15.xml	1537	424	223	156
familiar/privado	diálogo	efamdl01.xml	1534	391	241	141
familiar/privado	diálogo	efamdl02.xml	1548	350	241	147
familiar/privado	diálogo	efamdl03.xml	1589	428	241	138
familiar/privado	diálogo	efamdl04.xml	1509	478	196	116
familiar/privado	diálogo	efamdl05.xml	1592	519	224	112
familiar/privado	diálogo	efamdl06.xml	1563	500	335	214
familiar/privado	diálogo	efamdl07.xml	1551	550	244	87
familiar/privado	diálogo	efamdl08.xml	1531	394	230	93
familiar/privado	diálogo	efamdl09.xml	1556	438	204	95
familiar/privado	diálogo	efamdl10.xml	1570	397	206	99
familiar/privado	diálogo	efamdl11.xml	1507	475	290	149
familiar/privado	diálogo	efamdl12.xml	1539	519	344	153
familiar/privado	diálogo	efamdl13.xml	1556	435	217	128
familiar/privado	diálogo	efamdl14.xml	1537	564	287	162
familiar/privado	diálogo	efamdl15.xml	1548	488	145	65
familiar/privado	diálogo	efamdl16.xml	1432	455	178	84
familiar/privado	diálogo	efamdl17.xml	1535	472	228	83
familiar/privado	diálogo	efamdl18.xml	1570	376	168	85
familiar/privado	diálogo	efamdl19.xml	1523	383	195	110
familiar/privado	diálogo	efamdl20.xml	1538	481	299	164
familiar/privado	diálogo	efamdl21.xml	1574	506	284	176
familiar/privado	diálogo	efamdl22.xml	1574	344	225	158
familiar/privado	diálogo	efamdl23.xml	806	262	133	74
familiar/privado	diálogo	efamdl24.xml	1498	449	232	143
familiar/privado	diálogo	efamdl25.xml	1585	449	252	139
familiar/privado	diálogo	efamdl26.xml	1564	590	272	174
familiar/privado	diálogo	efamdl27.xml	1565	604	269	157
familiar/privado	diálogo	efamdl28.xml	1502	443	229	127
familiar/privado	diálogo	efamdl29.xml	1553	435	173	94
familiar/privado	diálogo	efamdl30.xml	1642	462	243	81
familiar/privado	diálogo	efamdl31.xml	1536	342	166	96
familiar/privado	diálogo	efamdl32.xml	1522	416	210	151
familiar/privado	diálogo	efamdl33.xml	1621	431	294	226
familiar/privado	diálogo	efamdl34.xml	1484	400	173	122
familiar/privado	diálogo	efamdl35.xml	1531	453	315	169
familiar/privado	diálogo	efamdl36.xml	936	287	96	41
familiar/privado	diálogo	efamdl37.xml	1517	350	245	149
familiar/privado	diálogo	efamdl38.xml	1525	596	224	139
familiar/privado	diálogo	efamdl39.xml	1525	447	264	151
familiar/privado	diálogo	efamdl40.xml	1556	358	256	163
familiar/privado	diálogo	efamdl41.xml	1534	446	289	178
familiar/privado	diálogo	efamdl42.xml	1562	501	242	116
familiar/privado	monólogo	efammn01.xml	4597	2021	490	1
familiar/privado	monólogo	efammn02.xml	4523	1336	315	35
familiar/privado	monólogo	efammn03.xml	4571	1418	440	1
familiar/privado	monólogo	efammn04.xml	4512	1383	231	1
familiar/privado	monólogo	efammn05.xml	3133	1352	401	13
familiar/privado	monólogo	efammn06.xml	3196	1490	288	1
familiar/privado	monólogo	efammn07.xml	4495	1528	276	1
familiar/privado	monólogo	efammn08.xml	4567	1453	350	1
familiar/privado	monólogo	efammn09.xml	3049	1332	51	2
familiar/privado	monólogo	efammn10.xml	4586	1630	293	1
público	conversación	epubcv01.xml	1670	700	406	221
público	conversación	epubcv02.xml	1544	451	309	198
público	diálogo	epubdl01.xml	1616	602	210	116
público	diálogo	epubdl02.xml	1529	466	151	91
público	diálogo	epubdl03.xml	1547	496	149	81
público	diálogo	epubdl04.xml	1499	431	192	140
público	diálogo	epubdl05.xml	1580	473	256	150
público	diálogo	epubdl06.xml	1530	493	249	143
público	diálogo	epubdl07.xml	1555	534	216	133
público	diálogo	epubdl08.xml	1471	470	186	94
público	diálogo	epubdl09.xml	1523	534	167	106
público	diálogo	epubdl10.xml	1553	399	342	234
público	diálogo	epubdl11.xml	1522	390	168	112
público	diálogo	epubdl12.xml	1559	524	245	193
público	diálogo	epubdl13.xml	1551	486	210	175
público	diálogo	epubdl14.xml	1477	450	278	150
público	diálogo	epubdl15.xml	1550	511	185	91
público	diálogo	epubdl16.xml	1538	873	321	159
público	diálogo	epubdl17.xml	1537	480	177	122
público	diálogo	epubdl18.xml	1584	362	188	131
público	monólogo	epubmn01.xml	1522	831	179	1
público	monólogo	epubmn02.xml	4489	1700	110	1
Formal-Contexto natural
Tipo	Sub-tipo	Código	Palabras	Tiempo (s)	Enunciados	Turnos dialógicos
negocios	diálogo	enatbu01.xml	3005	954	353	243
negocios	diálogo	enatbu02.xml	3056	1040	185	91
negocios	monólogo	enatbu03.xml	2973	1407	71	1
conferencia	monólogo	enatco01.xml	2995	1291	156	1
conferencia	monólogo	enatco02.xml	3014	1255	105	1
conferencia	monólogo	enatco03.xml	3135	2135	114	1
conferencia	monólogo	enatco04.xml	3131	1121	136	1
legal	conversación	enatla01.xml	3160	1013	239	106
legal	monólogo	enatla02.xml	3043	1006	106	1
debate político	conversación	enatpd01.xml	2964	997	125	22
debate político	conversación	enatpd02.xml	3091	989	151	15
explicación profesional	monólogo	enatpe01.xml	2996	1042	181	1
explicación profesional	conversación	enatpe02.xml	3095	815	234	102
explicación profesional	conversación	enatpe03.xml	2866	981	268	165
explicación profesional	monólogo	enatpe04.xml	3106	1009	150	1
sermón	monólogo	enatpr01.xml	985	419	69	3
sermón	monólogo	enatpr02.xml	1579	553	62	1
sermón	monólogo	enatpr03.xml	1706	994	92	1
sermón	monólogo	enatpr04.xml	306	164	21	1
sermón	monólogo	enatpr05.xml	600	349	78	1
sermón	monólogo	enatpr06.xml	1648	939	127	1
discurso público	monólogo	enatps01.xml	2993	1145	128	2
discurso público	conversación	enatps02.xml	3124	1035	100	13
docencia	diálogo	enatte01.xml	3124	1082	180	57
docencia	conversación	enatte02.xml	3061	812	310	132
docencia	monólogo	enatte03.xml	3108	1275	163	11
docencia	monólogo	enatte04.xml	3060	1409	239	11
Formal-Media
Género		Código	Palabras	Tiempo (s)	Enunciados	Turnos dialógicos
entrevistas		emedin01.xml	1509	504	108	25
entrevistas		emedin02.xml	1536	505	74	20
entrevistas		emedin03.xml	1590	492	50	21
entrevistas		emedin04.xml	1478	448	88	31
entrevistas		emedin05.xml	1527	449	111	39
meteo		emedmt01.xml	518	152	34	1
meteo		emedmt02.xml	519	161	21	1
meteo		emedmt03.xml	554	178	27	1
noticias		emednw01.xml	1596	483	67	12
noticias		emednw02.xml	1637	512	72	15
noticias		emednw03.xml	1546	473	70	8
noticias		emednw04.xml	1555	458	76	22
noticias		emednw04_1.xml	831	244	34	9
noticias		emednw04_2.xml	732	213	42	13
noticias		emednw05.xml	1535	437	81	25
noticias		emednw05_1.xml	1535	437	73	22
noticias		emednw05_2.xml	1535	437	8	3
noticias		emednw06.xml	1611	554	68	19
noticias		emednw06_1.xml	1611	554	37	8
noticias		emednw06_2.xml	1611	554	31	11
reportajes		emedrp01.xml	1491	503	132	61
reportajes		emedrp01_1.xml	1491	503	107	52
reportajes		emedrp01_2.xml	1491	503	27	9
reportajes		emedrp02.xml	1558	641	164	47
reportajes		emedrp02_1.xml	1558	641	30	8
reportajes		emedrp02_2.xml	1558	641	57	11
reportajes		emedrp02_3.xml	1558	641	18	14
reportajes		emedrp02_4.xml	1558	641	59	14
reportajes		emedrp03.xml	1520	626	80	14
reportajes		emedrp03_1.xml	1520	626	41	7
reportajes		emedrp03_2.xml	1520	626	41	7
reportajes		emedrp04.xml	1526	606	118	37
reportajes		emedrp04_1.xml	1526	606	55	13
reportajes		emedrp04_2.xml	1526	606	14	8
reportajes		emedrp04_3.xml	1526	606	22	9
reportajes		emedrp04_4.xml	1526	606	27	7
reportajes		emedrp05.xml	1512	573	79	21
reportajes		emedrp05_1.xml	1512	573	42	11
reportajes		emedrp05_2.xml	1512	573	37	10
reportajes		emedrp06.xml	1548	704	101	23
reportajes		emedrp06_1.xml	1548	704	42	8
reportajes		emedrp06_2.xml	1548	704	57	15
reportajes		emedrp07.xml	1557	576	91	21
prensa científica		emedsc01.xml	1516	527	104	53
prensa científica		emedsc02.xml	1492	529	124	71
prensa científica		emedsc03.xml	1578	549	176	102
prensa científica		emedsc04.xml	1522	572	103	26
deportes		emedsp01.xml	1540	803	93	1
deportes		emedsp02.xml	1537	375	202	111
deportes		emedsp03.xml	1557	403	133	70
deportes		emedsp04.xml	1587	484	155	79
deportes		emedsp05.xml	1581	638	105	34
deportes		emedsp06.xml	1528	466	154	76
programa de entrevistas		emedts01.xml	1516	399	133	99
programa de entrevistas		emedts02.xml	1499	458	101	65
programa de entrevistas		emedts03.xml	1523	524	75	26
programa de entrevistas		emedts04.xml	1549	515	69	8
programa de entrevistas		emedts05.xml	1484	535	236	158
programa de entrevistas		emedts06.xml	1489	588	95	43
programa de entrevistas		emedts07.xml	1534	475	153	73
programa de entrevistas		emedts08.xml	1555	572	183	95
programa de entrevistas		emedts09.xml	1599	471	87	45
programa de entrevistas		emedts10.xml	1567	541	183	99
programa de entrevistas		emedts11.xml	1527	638	140	93
Formal-Teléfono
Género		Código	Palabras	Tiempo (s)	Enunciados	Turnos dialógicos
teléfono		etelef01.xml	1175	368	269	154
teléfono		etelef02.xml	1135	333	216	152
teléfono		etelef03.xml	719	231	178	119
teléfono		etelef04.xml	73	22	30	17
teléfono		etelef05.xml	89	26	24	22
teléfono		etelef06.xml	1539	394	255	180
teléfono		etelef07.xml	328	119	91	58
teléfono		etelef08.xml	5376	1721	941	567
teléfono		etelef09.xml	1759	509	441	272
teléfono		etelef10.xml	2048	577	407	261
teléfono		etelef11.xml	519	148	96	71