Атты І халықаралық конференция ЕҢбектері

170 
 
4 
ETU  инфинитив 
GSC 
196 
24  SIMB  безличное 
NSPC  157 
5 
ETK  вспомогательный 
P 
8 
25  SIMY  отрицательное 
NSPC  157 
6 
ETB  вспом., отрицание  P 
8 
26  SIMP  собирательное 
NSPC  157 
7 
KEL  вспом., 
желательный 
GT 
6 
 
 
Частица: 
 
 
8 
ESM  причастие 
GNSPC 
314 
27  KOM  вспомогательное 
имя 
C 
7 
9 
KSE  деепричастие 
G 
2 
28  SHS 
предлог 
- 
1 
 
 
Прилагательное: 
 
 
29  SHZ 
союз 
- 
1 
10  SE 
основное 
P 
8 
30  SHD 
частица 
- 
1 
11  SES 
сравнительное 
P 
8 
 
 
Междометие: 
 
 
12  SEA  превосходное 
P 
8 
31  OSP 
обращение 
- 
1 
 
 
Числительное: 
 
 
32  OSQ 
рассуждение 
- 
1 
13  SN 
количественное 
NSPC 
157 
33  OSO 
восклицание 
- 
1 
14  SNR  порядковое 
NSPC 
157 
 
 
 
 
 
15  SNS  собирательное 
NSPC 
157 
34  ELK 
Звукоподражание  - 
1 
16  SNB  дробное 
NSPC 
157 
35  MOD  Модальное слово  - 
1 
 
 
Числительное: 
 
 
 
 
 
 
 
17  US 
основное 
- 
1 
36  BOS 
Иностранное 
слово 
- 
1 
18  USS  сравнительное 
- 
1 
 
 
 
 
 
19  USA  превосходное 
- 
1 
 
 
Суммарная 
емкость: 
 
3844 
 
5 Речевой корпус 
Многие  современных  систем  обработки  речи  требуют  большое  количество  аудио  и 
текстовых данных для создания акустических и языковых моделей. В зависимости от типы 
приложений  данные  меняются  от  высококачественных  микрофонных  начитанных  записей 
(Garofalo et al., 2007) до разговорной телефонной речи (Godfrey and Holliman, 1997; Canavan 
and  Zipperlen,  1996),  от  непрерывной  речи  (Garofolo  et  al.,  1993)  до  отдельных  слов  и  фраз 
(Leonard  and  Doddington,  1993;  Pitrelli  et  al.,  1995).  В  данной  работе  мы  собрали  более  40 
часов высококачественной микрофонной казахской речи, начитанной 169 носителями языка, 
для задач распознавания непрерывной речи. 
5.1. Текстовые материалы 
Текстовые  материалы  для  озвучивания  были  тщательно  отобраны  из  основной  части 
текстового  корпуса  и  разделены  на  два  раздела:  предложения  и  статьи.  Раздел 
«Предложения»  содержит  более  12000  различных  предложений,  равномерно  и  случайным 
образом извлеченных из пяти стилистических жанров корпуса. Предложения выбраны таким 
образом,  что  они  содержат  более  120  тысяч  наиболее  часто  встречаемых  слов,  которые 
покрывают  95%  всех  текстов  корпуса.  Дополнительно,  предложения  сгруппированы  по 
количеству содержащих слов так, что первая группа содержит шесть слов, вторая  – семь, и 
так  далее  до  длины  предложения  в  15  слов.  Раздел  «Статьи»  содержит  онлайн  новости, 
извлеченные  из  раздела  публицистического  жанра  корпуса.  Каждая  статья  состоит  из  не 
более чем 300 слов.  
Все  материалы  были  разделены  на  непересекающиеся  наборы,  состоящих  из  75 
предложений  и  одной  статьи.  Из  75  предложений  50  представляют  короткие  предложения 
(по 10 предложений из первых пяти групп), а 25 – длинные предложения (по 5 предложений 
из последних пяти групп).  

жүктеу/скачать 8,57 Mb.

Достарыңызбен бөлісу: