数字人文 – 第 3 页 – 编目精灵III

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。

TEI P5: Guidelines for Electronic Text Encoding and Interchange / by the TEI Consortium

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，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

you

never <pause/> take this cat for show and tell

<pause/> meow meow【停顿。可说明停顿时间如：<pause dur=”PT20S”/>】

yeah well I dont want to

<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>

because it is so old

how <choice>【发音有误】

<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>

<!– … –>

<listPerson>【参与者清单】

<!– … –>

</person>

<!– … –>

</person>

<!– … –>

</person>

</listPerson

2、例（p.265）：显示书写文字

look at this

<writing who=”#a” type=”newspaper”

gradual=”false”>Government claims economic problems

</writing>

what nonsense!

3、例（p.271）：同步和重叠

have you read Vanity Fair

yes【同步】

have you read Vanity <anchor synch=”#utt2

#k1″ xml:id=”a1″/> Fair【第1个人说话，更精确地定义同步位置】

yes【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-t02″ interval=”2.5″

since=”#TS-t01″/>

</timeline>

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

<anchor synch=”#TS-t01″/>You used to smoke<anchor synch=”#TS-t02″/>【同步时段】

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

</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）

<bibl>

<author>CNN Network News</author>

<title>News headlines</title>

</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）

<resp>Location recording by</resp>

<name>Sound Services Ltd.</name>

</respStmt>

Multiple close microphones mixed down to stereo Digital

Audio Tape, standard play, 44.1 KHz sampling frequency

</equipment>

</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：

TEI P5: Guidelines for Electronic Text Encoding and Interchange / by the TEI Consortium

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：

<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=”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

<abbr type=”acronym”>TEI</abbr> Consortium

<expan>Text Encoding Initiative</expan>

</choice> Consortium

</orgName>

“明清妇女著作”数据库初探

今天加拿大麦吉尔大学东亚学系方秀洁（Grace S. Fong）教授来本馆介绍她主持的“明清妇女著作”数据库（MQWW），她的2个学生介绍如何使用该数据库进行相关研究。
为参会做准备，昨晚今晨先探索了一番MQWW网站。以下结合个人使用及会上信息，对MQWW做简单概述。

明清妇女著作 = Ming Qing Women’s Writings
本数据库收录明清时期刊刻的女性诗歌及其他写作。
【合作图书馆】方教授从胡文楷《历代妇女著作考》中著录的4千余种作品起步，寻找明清时期妇女著作。据估计明清时期刊刻作品近5千种、存世约1/4（千余种），大多收藏在各图书馆的古籍部。因此从2003年起方教授与哈佛燕京图书馆合作扫描相关文献，并培训学生进行元数据著录，MQWW网站2005年上线。之后陆续与北京大学图书馆、中山大学图书馆和中国国家图书馆合作扫描文献，最新合作馆是华东师范大学图书馆和香港中文大学图书馆，合计共6所合作图书馆。

【收录数量】著作342部（近存世的1/3）、扫描图像5.5万余页，含诗词5.7万余、文1.8万余。由于收录的是明清时期“刊刻”的作品，因此本库内容范围并不限于明清时代，有少量早至周秦的各时期古代女性作品（比如虞姬有《和垓下歌》5种，据说还有西王母）。目前收录女性5028，还有男性1706——通常是作品集的前言后记、传记、编者评论等相关作者。

【更新与元数据下载利用】每年12月更新，并提供元数据下载（Access格式）。下载数据包括：作品集信息(work, subwork)、单篇信息(poem)、作者信息(poet)、地区 (region)、朝代年号干支(cycle)、胡文楷《历代妇女著作考》收录作品(huwenkai)等，可用于数据挖掘。
方教授提示可结合ArcGIS显示地理分布，利用Gephi或SPSS做社会网络分析，并介绍她的一篇文章，以广东地区的别集为对象，利用Pajek可视化软件，揭示诗集中的序、同刊等展现的社会关系。

【外链】查找到作品或人物后，会提供更多到外部数据库的链接。
对作品，本库提供扫描图像，也提供中國哲學書電子化計劃的全文链接。
对作者，本库提供到哈佛《中国传记数据库》（CBDB）的传记信息链接，点击后在弹出窗口显示。
本库的作者信息收录在CBDB中。由于女性传记在其他来源中少见，因此本库到CBDB的链接大多是本身提供出去的信息。但也有其他来源的，如：丘逢甲（是位男士）。
对链接依据很感兴趣，据说是由CBDB提供的，具体情况不详。刚才查到“虞姬”，发现弹出的是“虞汲”，再看URL：https://cbdb.fas.harvard.edu/cbdbapi/person.php?name=Yu%20ji，不禁哑然。再仔细看，原来CBDB提供了人名拼音相同的一系列ID，于是把所列40多个ID点了一遍，没有找到！再给一个在CBDB没有结果的例子“德宗宮人”，直接告诉你：No result.
据称MQWW提供给CBDB的数据近年没有同步更新（加入CBDB时由人工干预消歧）。不知道为什么CBDB上显示MQWW提供的传记数量是8300，而MQWW本身只有6918（最大ID也仅7614）。

【检索与浏览】提供丰富的查找入口，包括各种途径浏览与检索。常见的人名、书名、关键词之外，还有地名、年代、婚姻……
地名浏览：上层（历史地名）会列出当时的下属地名，比如“江蘇(清)”包括上海及现属上海的县。我很感觉兴趣的是如何做的，包括历史地名对应现地名，可惜方教授说这部分做得很不好……。
年代浏览：提供朝代年号和干支浏览。清单在下载数据库的cycle表中，可以直接利用。
婚姻状态：原以为无非单身已婚。本着所有功能全看一遍的想法点进去，结果大大出乎意料，竟然有数十种（以下未含明显有误的“清”“清末民初”和用“、”分隔的其他2个）：
不明、其他、后、女冠、妃、妃﹐女冠、妓、妓﹐女冠、妓﹐妾、妓﹐妾﹐尼、妓﹐尼、妓﹐正室、妾、妾﹐女冠、妾﹐寡婦、妾﹐尼、婢、婢﹐妾、宮女、宮女﹐女冠、宮女﹐妾、宮女﹐尼、宮女﹐正室、寡婦、尼、未嫁、正室、正室﹐后、正室﹐女冠、正室﹐寡婦、正室﹐寡婦﹐尼、正室﹐尼、皇后、繼室、繼室﹐寡婦、继室、聘妾、聘室、貞女
其中有些是两种甚至三种状态的组合——好奇是先组（预先确定）还是后组（重复字段录入），看了录入单，似乎是后者。