TEI笔记:语音转录

TEI(Text Encoding Initiative,文本编码倡议)用于编码数字形式的文本全文。最新版P5的指导文件对诗歌、剧本、语音转录、词典、手稿(含古籍)5类文本的使用各有一章详加说明。
总体上,TEI对文本进行的编码较少深入到文本内容。对于口语材料的转录,“8 Transcriptions of Speech”说明不是面向语言学家的(如分析话语、语音等),主要是揭示社会交互过程
TEI可以客观转录整个语音过程,包括讲话过程中的停顿、改变语音语调,受干扰、其他背景声音,不同讲话者的插话、同时讲话,讲话过程中展示的书写文字,视频中的身势(如眼神、手势)等。上述非文本信息可以简单表示此种情况的存在,也可以精确表达。当然,语音资料文档本身的信息也能记录。
感觉TEI的标记功能很强大,适合记录演讲、访谈、讨论等富含文字内容的影音资料。
一、专用元素
话语<u>,停顿<pause>,声音<vocal>(不一定是说话声),身势<kinesic>,事件<incident>(影响话语),书写文字<writing>(说话过程中展示),转换<shift>(说话方式变化),同步与重叠(多种表示方式同时说话)。
属性:归属者@who,类型@type、@subtype,时间@start、@end、@dur
1、例(p.262):对话
<u who=”#mar”>you
never <pause/> take this cat for show and tell
<pause/> meow meow</u>【停顿。可说明停顿时间如:<pause dur=”PT20S”/>】
<u who=”#ros”>yeah well I dont want to</u>
<incident>【声音影响谈话】
<desc>toy cat has bell in tail which continues to make a tinkling sound</desc>
</incident>
<vocal who=”#mar”>【学一声猫叫】
<desc>meows</desc>
</vocal>
<u who=”#ros”>because it is so old</u>
<u who=”#mar”>how <choice>【发音有误】
<orig>bout</orig>
<reg>about</reg>
</choice>
<emph>your</emph> cat <pause/>yours is <emph>new</emph>【强调,未具体说明】
<kinesic>【身势】
<desc>shows Father the cat</desc>
</kinesic>
</u>
<!– … –>
<listPerson>【参与者清单】
<person xml:id=”mar”>
<!– … –>
</person>
<person xml:id=”ros”>
<!– … –>
</person>
<person xml:id=”fat”>
<!– … –>
</person>
</listPerson
2、例(p.265):显示书写文字
<u who=”#a”>look at this</u>
<writing who=”#a” type=”newspaper”
gradual=”false”>Government claims economic problems
<soCalled>over by June</soCalled>
</writing>
<u who=”#a”>what nonsense!</u>
3、例(p.271):同步和重叠
<u who=”#jane”>have you read Vanity Fair</u>
<u trans=”overlap” who=”#stig”>yes</u>【同步】
<u xml:id=”utt1″ who=”#jane”>have you read Vanity <anchor synch=”#utt2
#k1″ xml:id=”a1″/> Fair</u>【第1个人说话,更精确地定义同步位置】
<u xml:id=”utt2″ who=”#stig”>yes</u>【第2个人说话点,第1个人说到Vanity时】
<kinesic xml:id=”k1″ who=”#lou”
iterated=”true”>【第3个人身势点,第1个人说到Vanity时点头】
<desc>nods head vertically</desc>
</kinesic>
4、例(p.272):同步和重叠
传统表达方式:
Tom: I used to smoke – –
Bob: (interrupting) You used to smoke?
Tom: (at the same time) a lot more than this. But I never inhaled the smoke
通常转录方式:
(1) I used to smoke [ a lot more than this ]
(2) …………………………[ you used to smoke ]
(1) but I never inhaled the smoke
TEI方式之用<timeline>精确计时
<timeline origin=”#TS-t01″ unit=”s”>【从15:33:01开始2.5秒】
<when xml:id=”TS-t01″ absolute=”15:33:01Z”/>
<when xml:id=”TS-t02″ interval=”2.5″
since=”#TS-t01″/>
</timeline>
<u who=”#tom”>I used to smoke
<anchor synch=”#TS-t01″/>a lot more than this【同步时段】
<anchor synch=”#TS-t02″/>but I never inhaled the smoke</u>
<u who=”#bob”>
<anchor synch=”#TS-t01″/>You used to smoke<anchor synch=”#TS-t02″/>【同步时段】
</u>
二、转录声音的来源
需要在标头<teiHeader>的文档描述<fileDesc>的来源描述<sourceDesc>部分,说明声音的来源:
1、标头必备内容:来源描述为必备内容
<teiHeader>
  <fileDesc>
    <titleStmt>……</titleStmt>
    <publicationStmt>……</publicationStmt>
    <sourceDesc>……</sourceDesc>
  </fileDesc>
</teiHeader>
2、<sourceDesc>常用元素与属性
(1)<scriptStmt>文字说明,@xml:id标识号
<bibl>书目(及相关元素,如<title><author><date><time><respStmt>)
例(p.258)
<scriptStmt xml:id=”CNN12″>
<bibl>
<author>CNN Network News</author>
<title>News headlines</title>
<date when=”1991-06-12″>12 Jun 91</date>
</bibl>
</scriptStmt>
(2)<recordingStmt>录制说明
<recording>录制事件,@type录制类型(及相关元素<equipment><broadcast>)
@dur 持续时间
例(p.259)
<recordingStmt>
<recording type=”audio” dur=”P30M”>
<respStmt>
<resp>Location recording by</resp>
<name>Sound Services Ltd.</name>
</respStmt>
<equipment>
<p>Multiple close microphones mixed down to stereo Digital
Audio Tape, standard play, 44.1 KHz sampling frequency</p>
</equipment>
<date>12 Jan 1987</date>
</recording>
</recordingStmt>
(3)<transcriptionDesc>转录描述,@ident编码约定标识号,@version编码约定版本号
不同研究社群定义的转录约定(空格、标点、特殊字符等)。
例(p.261)
<transcriptionDesc ident=”HIAT”
version=”2004″/>

TEI中的书目描述及其他

最近在看TEI(Text Encoding Initiative),这是对文本进行数字化编码、添加机读语义标识的标准。
最新版指南《TEI P5:电子文本编码与交换指南》(3.3.0版,2018.1.31更新),长达1841页:
幸好有台湾出版的中文版,主要内容是轻量版(TEI Lite选录版)手册和完全版指南第2章标头的翻译:
TEI 使用指南:運用TEI處理中文文獻 / 魯‧伯納、麥克‧蘇寶麥昆、馬德偉 著; 謝筱琳、黃韋寧 譯.
看完中文版指南,再以样例为主浏览完全版指南,只了解个大概。
感觉TEI具有相当大的灵活性,很大的努力在于保持文本的原有状态:一是元素标识位置放置自由(随文本而定),二是可以用不同元素表达相同含意(适应不同文本表达);同时根据分析需要,对相同文本可采用侧重、深度各不相同的元素标识。相形之下,编目标准有时不免有削足适履之感。
TEI文件由标头<teiHeader>和文本<text>组成:标头由文件描述(必备)、编码描述、配置描述和修订描述4部分组成;文本由文前、正文(必备)和文后3部分组成。
其中文件描述<fileDesc>(2.2),是完全按照信息源,对书目信息进行客观描述,与书目记录的著录部分很相似。并且TEI的这部分也是参照编目界的标准,特别是ISBD,因为目的是“确保编目记录所需的资讯能够从TEI文件标头中取回复原”(中文版p.227)。<fileDesc>的7个部分与ISBD8大项很接近:
<titleStmt> 题名说明(含责任说明)
<editionStmt> 版本说明
<extent> 数量
<publicationStmt> 出版说明(含发行)
<seriesStmt> 丛编说明
<notesStmt> 附注说明
<sourceDesc> 来源描述(电子文本所依据的来源的书目描述)
另外,正文或文后可能有书目引用和参考文献(3.11),也与书目信息有关,揭示项目与方法接近文后参考文献标准。
试着依据TEI P5指南本身,做一下标头部分的“文件描述”。特点是可以完全按题名页原顺序转录(数量例外),文字间以TEI元素分隔:
<fileDesc>
 <titleStmt>【1题名和责任说明】
  <title type=”main”>TEI P5:</title>【正题名】
  <title type=”sub”>Guidelines for Electronic Text Encoding and Interchange</title>【副题名】
  <respStmt>【责任说明1】
   <resp>by </resp> <orgName>the TEI Consortium</orgName>
   </respStmt>
  <respStmt>【责任说明2】
   <resp>Originally edited by</resp> <persName>C.M. Sperberg-McQueen</persName> and <persName>Lou Burnard</persName> for the <orgName>ACH-ALLC-ACL Text Encoding Initiative</orgName>
   </respStmt>
   <respStmt>【责任说明3】
    <resp>Now entirely revised and expanded under the supervision
of the</resp> <orgName>Technical Council of the TEI Consortium</orgName>
   </respStmt>
 </titleStmt>
 <editionStmt>【2版本说明】
  <respStmt>【版本责任说明】
    <orgName>The TEI Consortium</orgName>
  </respStmt>
   <edition n=”V3.3.0″>Version 3.3.0. Last updated on <date>31st January 2018</date>, revision
f4d8439</edition>【版本】
 </editionStmt>
 <extent>【3数量】
  <measure unit=”MB” quantity=39>39MB</measure>
  <measure unit=”pages” quantity=”1841″>1841 pages</measure>
 </extent>
 <publicationStmt>【4出版说明】
  <publisher>Text Encoding Initiative Consortium</publisher>【出版者】
  <date>2018</date>【出版日期】
 </publicationStmt>
</fileDesc>
文件描述<fileDesc>属于客观描述。在文本<text>部分,文前<front>或文后<back>也可以对题名页等进行描述,此时可以考虑字体、字号、颜色,甚至可以完美揭示排版样式。
同样的内容,如果在正文<body>部分,可以根据文本分析的需要,以不同方式揭示语言文字的内涵。TEI不是规定一种做法,而是提供多种灵活表达。如对于名称,在可以有多种灵活表达方式。专有名称,可以使用通用的<name>,也可以使用更专指的揭示方式,如作为团体名称,以下3种方式专指度相同:
<orgName>【专指元素】
<name type=”org”>【专有名称+type属性】
<rs type=”org”>【通用名称+type属性】
各种缩写,也可根据需要予以说明(或者不做说明)。如机构名the TEI Consortium中含有首字母缩略词TEI,可以表示为:
<name type=”org”>the TEI Consortium</name>
<rs type=”org”>the <abbr type=”acronym”>TEI</abbr> Consortium</rs>
甚至在名称中提供TEI的全拼形式:
<orgName>the
 <choice>
  <abbr type=”acronym”>TEI</abbr> Consortium
  <expan>Text Encoding Initiative</expan>
 </choice> Consortium
</orgName>

2018 NISO战略方向:识别未来标准工作的新兴趋势

NISO上月发布《2018 NISO战略方向》
NISO Strategic Directions, 2018 (2018-3-26). ISBN: 978-1-937522-80-3

via NISO 2018 Strategic Directions Document Identifies Emerging Trends for Future Standards Work (2018-4-9)

美国国家信息标准组织(NISO)是美国乃至全世界图情领域标准的引领者。2007年NISO提出《NISO标准框架》The NISO Framework for Understanding Standards, April 2007),作为框架的一部分,成立了直属董事会(NISO Board of Directors)的架构委员会(Architecture Committee),其下设3个专题委员会(Topic Committee),即:发现到传递、内容与馆藏管理、商务信息。经过2016-2017年的公众调查,3个专题委员会于2017年夏改名,从名称变化可以了解相关术语及重点的变化:
(2007-2017年) -> 2017年
(商务信息Business Information) -> 信息政策与分析Information Policy & Analysis (IPA)
(内容与馆藏管理Content & Collections Management) -> 信息创建与保管Information Creation & Curation (ICC) [curation成功取代collection management]
(发现到传递Discovery to Delivery) -> 信息发现与交换Information Discovery & Interchange (IDI) [单向的delivery已成过去时,为双向的interchange取代]
专题委员会改名,但并不影响现有项目,并且项目可以跨委员会,比如语义网活动可能涉及信息创建与保管(词表开发与支持)、信息发现与交换(关联数据行动)。

在新发布的《2018 NISO战略方向》中,3个专题委员会分别提出了各自领域的趋势和新兴议题或工作领域。16页的文件,满满的干货,想要概括内容而不可得。以下仅做些许摘录:

-信息创建和管理(ICC)专题委员会
范围:侧重于有关元数据创建和管理、编目和描述、词汇和本体管理、发布模式和规范、保存和数据管理以及存储库等问题。
趋势和新兴主题:与ICC相关的信息社区中最重要的当前趋势是内容类型的种类增多,由于数字内容的大量增加导致资料的可查找性,购买和访问信息资产的粒度水平提高,转向关联数据书目框架,以及数字保管和保存的难题。

-信息发现和交换(IDI)专题委员会
范围:着重讨论有关数据的发现和交换的问题、以优化信息和资料的发现和使用。具体主题包括发现系统、数据传输、用户体验、Web服务等。
趋势和新兴主题以及一般工作领域:发现开放获取和免费资源,发现的透明度(有开放发现行动指导委员会),发现非传统内容形式(研究数据、教学资料、数字和音像资料),数据质量、发布与交换(关联用户到全文、标识符),系统互操作(使用REST交换JSON编码资源)、认证(单点登录)和API,强化用户体验(关联数据/语义网、相关资源、个性化、可视化、注释)

-信息政策与分析(IPA)专题委员会
范围:重点关注与采访、许可、购买和信息分析有关的管理结构问题。具体领域包括:隐私,许可证表达,在线使用数据,访问管理,馆藏和研究分析和评估,绩效评估以及其他统计数据。
趋势和新兴主题:标识符系统,资源发现与内容管理元数据的无缝集成,出版物粒度变化(替代计量),开放出版和研究共享系统