Jump to content

Gesproken corpora

From Clarin K-Centre
This page is a translated version of the page Spoken corpora and the translation is 100% complete.
Other languages:

Gesproken corpora zijn corpora die bestaan uit gesproken data of materiaal dat gebaseerd is op gesproken data.

Boarnsterhim Corpus (BHC) (Momenteel niet beschikbaar)

Het Boarnsterhim Corpus bestaat uit 250 uur spraak in zowel West-Fries als Nederlands door dezelfde groep tweetalige sprekers. Het corpus bevat originele opnamen uit 1982-1984 en een replicerend onderzoek 35 jaar later. De dataverzameling omvat de spraak van vier generaties en combineert paneldata en trenddata. ##Dit corpus is tijdelijk niet beschikbaar omdat er aanpassingen noodzakelijk zijn. Voor meer informatie hierover kunt u contact opnemen met Hans van de Velde (HvandeVelde@fryske-akademy.nl) of met Wilbert Heeringa, de datamanager van de FA (wheeringa@fryske-akademy.nl).##

  • 42.6 MB
  • versie 1.0 (2020)
  • dataset van 1982-1984 + replicatie 35 jaar later
  • Downloadpagina

COPAS: Corpus Pathologische en Normale Spraak

Het Corpus Pathologische en Normale Spraak (COPAS) bevat opnames van de DIA (Dutch Intelligibility Assessment). Daarnaast bevat het ook voorgelezen tekstpassages, afzonderlijke zinnen en spontane spraak van een deel van de sprekers. Het corpus bevat opnames van bijna 200 Vlaamse pathologische sprekers (= sprekers met een hoorbare stoornis) en 122 Vlaamse controlesprekers. De nodige annotaties werden voorzien.

Corpus Gesproken Nederlands

Het Corpus Gesproken Nederlands (CGN) is een verzameling van 900 uur (bijna 9 miljoen woorden) hedendaagse Nederlandse spraak, afkomstig van Vlamingen en Nederlanders.

De spraakfragmenten (spontaan en voorbereid) zijn opgelijnd met diverse transcripties (o.a. orthografisch, fonetisch) en annotaties (syntactisch, POS-tags). Metadata, lexica, frequentielijsten en de corpusexploratiesoftware Corex behoren ook tot het CGN.

IFA Spoken Language Corpus

Het IFA Spoken Language Corpus is een gratis (GPL) database van handmatig gesegmenteerde gesproken Nederlands op foneemniveau. Het is samengesteld met pasklare software en gesproken Nederlands afkomstig van 8 sprekers met een verscheidenheid aan spreekstijlen. Voor een totaal van 50.000 woorden (41 minuten/spreker), duurde het vergaren en voorbereiden van spraak ongeveer drie weken per spreker.

JASMIN-spraakcorpus

Het JASMIN-spraakcorpus is een verzameling Nederlandse spraak van jongeren, anderstaligen en senioren, woonachtig in Vlaanderen en Nederland. De spraakopnames bestaan uit voorgelezen teksten en mens-machinedialogen, en zijn verrijkt met verschillende annotatielagen. Het JASMIN-spraakcorpus is een aanvulling op het Corpus Gesproken Nederlands (CGN).

SABeD -- Spoken Academic Belgian Dutch

Het Spoken Academic Belgian Dutch Corpus (SABeD) bestaat uit 200 colleges gegeven op Vlaamse hogescholen en universiteiten. De eerste 25 en de laatste 5 minuten van elk college werden getranscribeerd met behulp van een ASR-systeem dat is afgestemd op Belgisch-Nederlands. Vervolgens werd de spraak manueel opgedeeld in afzonderlijke uitingen (utterance segmentation) en werden de transcripties manueel geverifieerd. De resulterende teksten werden geanalyseerd door de Frog language analyser.

AUTONOMATA-namencorpus

Het AUTONOMATA-namencorpus is een database van in totaal circa 5.000 voorgelezen voornamen, achternamen, straatnamen, plaatsnamen en controlewoorden. Het corpus bestaat uit een Nederlands en een Vlaams deel.

AUTONOMATA-POI-corpus

Het AUTONOMATA-POI-corpus is een database van 800 voorgelezen points of interest (POI's) uit Nederland en België, bestaande uit namen van restaurants, hotels, campings, cafés etc. Het corpus bevat opnames van 80 sprekers met verschillende taalachtergronden, in totaal 16.000 geluidsbestanden. Daarnaast kregen sprekers de mogelijkheid om meerdere pogingen voor een POI op te nemen, wat heeft geresulteerd in 5.677 extra geluidsbestanden. Alle uitingen zijn handmatig fonetisch getranscribeerd.

Children's Oral Reading Corpus (CHOREC)

Het CHOREC-corpus bevat opgenomen, getranscribeerde en geannoteerde voorgelezen spraak (42 GB of 130 uur) van 400 Nederlandssprekende basisschoolkinderen met of zonder leesproblemen. Analyses van inter- en intra-annotatorovereenkomst zijn uitgevoerd om de consistentie waarmee leesfouten zijn gedetecteerd te onderzoeken. Orthografische en fonetische transcripties zijn gemaakt, en leesfouten en leesstrategieën zijn gelabeld.

BLISS Dialogue Summaries

Deze dataset bestaat uit Nederlandse opnamen van deelnemers die praten met het BLISS-dialoogsysteem over hun alledaagse bezigheden en hun favoriete activiteiten. Het corpus bestaat uit 55 opnames met een gemiddelde duur van 2 minuten en 34 seconden.

The Ernestus Corpus of Spontaneous Dutch

Het Ernestus Corpus of Spontaneous Dutch bevat opnames van hoge kwaliteit van 10 gesprekken, elk 90 minuten lang, tussen vrienden of directe collega's. Het corpus is opgenomen tussen de herfst van 1995 en de lente van 1996 in het Instituut voor Fonetiek van de Universiteit van Amsterdam. Professionele transcribenten hebben met de hand een orthografische transcriptie van het corpus gemaakt, terwijl een fonemische transcriptie automatisch is gemaakt.


Gesproken Corpus van de zuidelijk-Nederlandse dialecten (GCND)

Het GCND, een geparseerd, gesproken corpus van Zuid-Nederlandse Dialecten is een taalkundig geannoteerd corpus gebaseerd op bestaande dialectopnames uit de jaren 1960 en 1970: Stemmen uit het verleden, aangevuld met bestaande opnames van het Meertens Instituut en een aantal nieuwe opnameshe. Het corpus biedt audio-uitgelijnde transcripties in twee lagen, één dichter bij het dialect en één dichter bij het Standaardnederlands, beide zijn ge-POS-tagd en syntactisch getagd. Het corpus is bedoeld om grootschalig onderzoek naar syntactische bijzonderheden van de Zuid-Nederlandse dialecten te vergemakkelijken.

Retrieved from "https://kdutch.ivdnt.org/mediawiki/index.php?title=Spoken_corpora/nl&oldid=10977"