标签： TEI

TEI笔记：数字化文本的文字转录

TEI（Text Encoding Initiative，文本编码倡议）用于编码数字形式的文本全文，包括转录语音。语音转录方面，除口述文字外，TEI可以精准标记整个语音过程、包括非文本信息。
同样对于文本，除最终文字外，TEI也能标记整个书写过程、记录文稿上的各种修改、加注等痕迹，因而特别适合标识手稿、古籍、批注本等，以及对其数字化图片（数字摹本）的文字转录。TEI可以完美保留第一手资料信息，包括：不同位置的加注，手稿上的更改、更正、错误，书写过程中划线、加符号、重描（字上改写）、掉换顺序等修改痕迹，因损坏、模糊而无法转录情况，不同的笔迹等。当然，页眉、页脚、版式等信息也不会被忽略。
数字化文本的文字转录，古籍有很大需求，会涉及字符集不够大，需要说明竖排版式的问题。最新版P5的指导文件第5章对字符、字形和书写模式有说明（5 Characters, Glyphs, and Writing Modes）。而第11章则详解第一手资料的表示（11 Representation of Primary Sources），特别适用于数字化图片与转录文字对照表示的情况。
零、自造字与竖排本
1、字符：声明字符集中没有字符，以图片形式提供
在标头的<encodingDesc>，用元素<charDecl>声明字符
2、字形：声明已有字符的不同字形（比如避讳字？）
同上，用元素<charDecl>声明，增加新字符
3、书写模式：除从左向右、从上向下的通常书写外的各种其他模式
中文古籍多用从右向左的垂直书写模式，用属性@style说明。以下为日语例（p.203）
<lg xml:lang=”ja”
style=”writing-mode: vertical-rl”>
<l>古池や</l>
<l>蛙</l>
……
</lg>
一、数字摹本的表示
1、第1层元素
摹本<facsimile>、来源文档<sourceDoc>，可以代替或和<text>同用：
<text>转录文本
<facsimile>摹本图片
<sourceDoc>摹本图片+转录文本（嵌入转录法）
<facsimile>+<text>（并列转录法）
2、第2层及以下元素、属性
面<surfaceGrp>、<surface>（二维坐标空间，通常为1个数字化文件）
区域<zone>（面中的二维区域，如：叶中的页，页中的图区域）
坐标值属性：@ulx、@uly左上角x、y，@lrx、@lry右下角x、y
3、例（p.364）：面组
<facsimile>
  <surfaceGrp n=”leaf1″>【面组/第1叶，含2页】
    <surface>
      <graphic url=”page1.png”/>
    </surface>
    <surface>【1面/第2页，有不同精度图片】
      <graphic url=”page2-highRes.png”/>
      <graphic url=”page2-lowRes.png”/>
    </surface>
  </surfaceGrp>
</facsimile>
4、例（p.365）：面坐标
<facsimile>
  <surface ulx=”0″ uly=”0″ lrx=”500″ lry=”321″>
Handschrift.karlsruhe.blb.jpg”/>
  </surface>
</facsimile>
二、转录与摹本结合（数字化图片与文字对照）
例（p.371）：并列转录法
<facsimile>【摹本图片】
  <surface start=”#PB49R”>【以PB49R为标识关联】
    <graphic url=”Bovelles-49r.png”/>
  </surface>
</facsimile>
<text>【转录文字】
  <body>
    <div>
      <!– … –>
      <pb xml:id=”PB49R”/>
      <fw>De Geometrie 49</fw>
      <!– … –>
    </div>
  </body>
</text>
三、转录文字方法
1、更改、更正和错误的文本（手稿常见现象）
选择<choice>（同一文本的交替编码组，嵌套<abbr><expan>、<sic><corr>等）
缩写<abbr>，扩展<expan>
更正<corr>，原文如此<sic>
添加<add>、<addSpan>，删除<del>、<delSpan>，恢复<restore>（嵌套<del>）
替代<subst>、<substJoin>（删除……改为……：嵌套<del><add>）
跳过<gap>（忽略），隔开文字<secl>，空格<space>
多余文字<surplus>，（转录者/编者）补充文字<supplied>
（1）例（p.384）：在原有文字上标注删除
For I hate this <del rend=”strikethrough” hand=”#dhl”>my</del> body, which is so dear
to me …【在my上划删除线，表示删除】
<handNote xml:id=”dhl”>D H Lawrence holograph</handNote>【说明笔迹情况】
（2）例（p.385有手写稿图片）：添加和删除
The O.E.D. is not a dictionary so much as a corpus of precedents <del hand=”#RG”>in the</del>:【未说明删除方式】
current, obsolete, <add hand=”#RG” place=”above”>cant,</add> cataphretic and
nonce-words are all included.【在行上添加文字】
（3）例（p.385）：添加内容后被删除
You quote the <del>
<add hand=”#RG” place=”margin”>Norton</add>【页边添加文字】
</del> O.E.D…
（4）例（p.391, 392） ：不同转录方法：跳过，或者添加
I am dr Sr yr <gap reason=”illegible” quantity=”3″
unit=”word”/>Sydney Smith【因难以辨认，跳过3个词】
I am dr Sr yr <supplied reason=”illegible” resp=”#msm”
source=”#Ry2″>very humble Servt</supplied> Sydney Smith【难以辨认，由责任人msm依据来源Ry2，添加3个词】
2、不同笔迹
笔迹说明<handNote>，笔迹改变<handShift>
3、损坏和猜测
损坏<damageSpan><damage>，模糊<unclear>
补充文字<supplied>，跳过<gap>
4、标记书写过程（文稿上的各种修改痕迹）
修改<mod>（如划线等）
元标记<metamark>（图形或文字符号，与各种修改结合用）
重描<retrace>（在原字上修改）
重做<redo>，撤销<undo>（如删除后恢复）
掉换顺序<listTranspose><transpose>（与<metamark>结合）
四、版式
例（p.411）：定义面
<sourceDoc>
  <surfaceGrp type=”quire” n=”1″>【第1帖】
    <surfaceGrp type=”leaf” n=”1″>【第1叶】
      <surface type=”recto” n=”1r”>【第1页正面】
        <!– … –>
      </surface>
      <surface type=”verso” n=”1v”>【第1页反面】
        <!– … –>
      </surface>
    </surfaceGrp>
  <surfaceGrp type=”leaf” n=”2″>
    <surface type=”recto” n=”2r”>
      <!– … –>
    </surface>
    <surface type=”verso” n=”2v”>
      <!– … –>
    </surface>
  </surfaceGrp>
    <!– other leaves in first quire –>
  </surfaceGrp>
    <!– other quires here –>
</sourceDoc>
五、页眉、页脚等信息
印版工作<fw>（逐页标题、导词、页码等）
<fw type=”head” place=”top-centre”>Poëms.</fw>
<fw type=”pageNum” place=”top-right”>29</fw>
<fw type=”sig” place=”bot-centre”>E3</fw>
<fw type=”catch” place=”bot-right”>TEMPLE</fw>
六、在标头中定义变更和修订的标识（xml:id）
1、TEI标头<profileDesc>之<creation>，记录原文档制作或电子文件修订过程中的变化：
变化<listChange><change>
2、例（p.415）
<profileDesc>
  <creation>
    <listChange ordered=”true”>
      <change xml:id=”ST-1″>First stage, written in ink </change>【第1阶段，墨水笔书写】
      <change xml:id=”ST-2″>Second stage, with revisions written in the author’s hand
using pencil</change>【第2阶段，作者笔迹用铅笔修改】
      <change xml:id=”ST-3″>Fixation of the pencilled revisions together with further
revisions in the author’s hand using ink</change>【修改铅笔修订，作者笔迹用墨水笔修改】
      <change xml:id=”ST-4″>Additions in a different hand, probably at a later
stage</change>【可能在稍后阶段，以不同笔迹添加】
    </listChange>
  </creation>
</profileDesc>
详见最新版P5的指导文件：
参见：

TEI笔记：手写本和印刷古籍的编目

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对手稿的专门章是：10 Manuscript Description，即手稿描述（著录）——基本上就是编目，对文本本身的编码极少。除通常的手稿（手写本、打字本），也适用于印刷古籍——本章中多处提到摇篮本（incunable）。当然和普通文献编目相比（参见：TEI中的书目描述及其他），手稿编目要复杂得多，有不少专指元素。
一、手稿描述<msDesc>嵌套元素
手稿描述<msDesc>一般在标头的<sourceDesc>部分，但对于文集，也可与书目元素一样出现在<listBibl>中。嵌套元素8种：
1手稿标识符<msIdentifier>（+收藏机构信息）
2标题/题名<head>
3手稿内容<msContents>（+子项）
4物理描述<physDesc>（+子项）
5历史<history>（+子项）
6附加信息<additional>（+子项）
7手稿部分<msPart>（原本在物理上分开，现绑在一起、有相同索取号的手稿或手稿部分）
8手稿片断<msFrag>（原本为整体、现分散的手稿片断，由相同或不同机构收藏）
例（p.320）
<msDesc>
  <msIdentifier>【1手稿标识符，嵌套元素见后】
    <settlement>Oxford</settlement>
    <repository>Bodleian Library</repository>【收藏馆】
    <idno>MS. Add. A. 61</idno>
    <altIdentifier type=”SC”>
      <idno>28843</idno>
    </altIdentifier>
  </msIdentifier>
  <msContents>【3内容】
    <p>
    <quote>Hic incipit Bruitus Anglie,</quote> the <title>De origine et gestis
Regum Angliae</title> of Geoffrey of Monmouth (Galfridus Monumetensis): beg.
    <quote>Cum mecum multa & de multis.</quote> In Latin.</p>
  </msContents>
  <physDesc>【4物理描述：材质、尺寸、页码。可以用更多专指元素（p.321例）】
    <p>
    <material>Parchment</material>: written in more than one hand: 7¼ x 5⅜ in., i
+ 55 leaves, in double columns: with a few coloured capitals.</p>
  </physDesc>
  <history>【5历史：最初写作地点、时间；脚注时间；购入情况】
    <p>Written in <origPlace>England</origPlace> in the <origDate>13th
cent.</origDate> On fol. 54v very faint is <quote>Iste liber est fratris
guillelmi de buria de … Roberti ordinis fratrum Pred[icatorum],</quote>
14th cent. (?): <quote>hanauilla</quote> is written at the foot of the page (15th
cent.). Bought from the rev. W. D. Macray on March 17, 1863, for £1 10s.</p>
  </history>
</msDesc>
二、词语层元素（专指元素，可嵌套于不同元素中）
原作日期<origDate>，原作时间<origDate>
支持材料<support>，装订<binding>，材质<material>，实物类型<objectType>
水印<watermark>，印章<stamp>
尺寸<dimensions>（高<height>宽<width>深<depth>，其他尺寸<dim>类型@type）
位置<locus>、<locusGrp>（参引手稿内位置）
名称<name>（及专指如<person>及<persName>等）
导词<catchwords>，签名说明<signatures>，第2叶说明<secFol>
纹章<heraldry>
三、1手稿标识符<msIdentifier>嵌套元素
所在地：国家<country>，地区<region>，定居点<settlement>
收藏机构：机构<institution>（保管单位的上级机构），保管单位<repository>，文库/特藏<collection>
标识号：<idno>， <altIdentifier>
手稿替代名：<msName>
例（p.332）
<msIdentifier>
  <country>USA</country>
  <region>California</region>
  <settlement>San Marino</settlement>
  <repository>Huntington Library</repository>【保管单位】
  <collection>El</collection>
  <idno>26 C 9</idno>【索取号】
  <msName>The Ellesmere Chaucer</msName>
</msIdentifier>
四、3知识内容<msContents>嵌套元素
1、手稿单项<msItem>，结构化手稿单项<msItemStruct>，摘要<summary>
2、<msItem>/<msItemStruct>嵌套元素：
作者、题名（一般书目元素）：<author>，<respStmt>，<title>
卷首<rubric>，开端语<incipit>，结束语<explicit>，文本部分结束<finalRubric>，引语<quote>，版权页<colophon>
亲子关系<filiation>（衍生品：照相、抄本、誉本/影写本/复制本）
附注<note>，装祯附注<decoNote>；参考书目<listBibl>，<bibl>；文本语言<textLang>
例（p.336-337）
<msContents>
  <summary>A collection of Lollard sermons</summary>
  <msItem n=”1″>【第1项】
    <locus>fol. 4r-8r</locus>
    <title>3rd Sunday Before Lent</title>
  </msItem>
  <msItem n=”2″>【第2项】
    <locus>fol. 9r-16v</locus>
    <title>Sexagesima</title>
  </msItem>
</msContents>
五、4物理描述<physDesc>嵌套元素
特别要求：通用元素在前，以下专指元素在后。
实物描述<objectDesc>：支持描述<supportDesc>，支持材料<support>，条件<condition>
数量<extent>：尺寸<dimensions>，高度<height>、宽度<width>，测量<measure>（其他尺寸）
整理<collation>，叶编号<foliation>，版式描述<layoutDesc>：<layout>
手写描述<handDesc><handNote>（不同人字迹，特定手写字体），文字描述<scriptDesc><scriptNote>、打字描述<typeDesc><typeNote>、装祯描述<decoDesc><decoNote>
乐谱<musicNotation>，其他说明<additions>
装订描述<bindingDesc><binding>，印章描述<sealDesc> <seal>，配套资料<accMat>
六、5历史<history>嵌套元素
起源<origin>，流转<provenance>，获得<acquisition>
七、6附加信息<additional>嵌套元素
手稿管理信息<adminInfo>：记录史<recordHist>（+来源<source>、变化<change>），可获得情况<availability>，保管史<custodialHist>（+保管事件<custEvent>）
替代品<surrogates>（+书目信息<bibl>）

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″/>