臺灣言語平臺
資訊技術的部份移去https://g0v.hackpad.com/f4rSgcFTIzz
計劃目錄
- http://hackfoldr.org/tai5-uan5_gian5-gi2_phing5-thai5/
相關專案
動機
- 母語工作者需要一個編輯、分享平臺
- 母語資料散亂一地
- 做研究時不能公開，做完又沒地方公開
目的
- 提供母語研究者一個編輯平臺
- 全部線上處理
- 自由選擇是否公開
提供功能
- 語料收集
- 每個人可加自己找到的語料
- 可以讓人公開fb塗鴨牆、母語社團資料
- 眾人資料庫語料修改
- 綁ＦＢ帳號crowdsourcing，
- 拿出語句給每個人修改，並給每個人參與分數，類似plunker的karma
- 資訊技術
- 語言分類、語料對齊
- 語言模型、斷詞、翻譯
- 語音辨識、語音合成
- 個人語料編輯
- 上傳語音、線上切音/聽打
- http://otranscribe.com/
- https://www.ldc.upenn.edu/language-resources/tools/xtrans
weston我想這是叫做 Gamificaiton，如果真的要做的話可以做到很高度遊戲化。
收集資料形式
- 母語文字檔
- 母語語音轉寫文字檔
- 變調後的文字檔，同化異化等等作用後文字檔
- 待討論
- 母語語音轉寫文字檔有很多形式
- 只有變調
- 有變調+同化作用
- 母語聲音檔
資料庫內對應
- 收集資料形式1~3項和華語語料兩兩對應
- 母語聲音和母語文字對照
- 母語語音轉寫文字檔和母語文字對照
- 母語語音轉寫文字檔和母語聲音對照
- 華語文字和母語文字對照
- 華語文字和母語聲音對照
- 例如一般電視、廣播字幕和聲音對照
- 收集資料形式第1~3項混外來語
- 混外來語(華語、英語)的文字檔
- 像是ＴＧＢ通訊、ＦＢ資訊
- 混外來語(華語、英語)的語音轉寫文字檔
- 像是民視連續劇(華語閩南語混雜)
- 混外來語(華語、英語)的聲音檔
- 像是民視連續劇(華語閩南語混雜)
個人語料編輯做法
- 上傳語音、文字
- 聽打工具
- 有頻譜
- 標文本
- 多語者
- 可參考xtrans
實作
- 框架/函式庫
- django
- 綁ＦＢ帳號
- 子計劃
- 臺語言語工具
- 台語好像沒有文字。如何處理呢?
- 臺語言語資料庫
不好意思因為兵役隔了有點久才回。漢字和音標預計以教育部的規範為主，http://twblg.dict.edu.tw/holodict_new/index.html
版權處理
- 無開放的資料
- 文字檔
- 語句打散，沒有上下文即沒有版權
- 聲音檔
- 不公開，做為內部資訊技術訓練語料