puheaineistoissa

Puheaineistoissa tarkoitetaan tallennettua ja transkriptoitua puhetta, jota käytetään kielitieteellisessä ja lähdekoodipohjaisessa tutkimuksessa. Puheaineistot voivat olla suuria ja monipuolisia sekä yhden kielen että useamman kielen kattavia. Ne sisältävät usein sekä spontaania puhetta että puhuttua, siihen liittyvää kontekstia ja eri rekistereistä kerättyä kieltä.

Aineiston keruussa ja transkriptoinnissa kiinnitetään huomiota sekä äänitteiden laadintaan että syntyneiden tekstien rakenteeseen. Keruu voi tapahtua kenttätyönä, haastatteluiden, keskustelujen tai media-aineiston kautta. Monitasoinen annotointi on yleistä: orthografinen tai yleiskielen mukainen transkriptio, fonetinen tai fonologinen merkkaus, osan puheesta sanoitus, morfosyntaktinen merkkaus sekä diskurssi- ja prosodian lyöntiä. Aineistoon liitetään usein aikaleimoja ja puhujien taustatietoja sekä tietoja tallennusolosuhteista ja keruumenetelmistä. Tiedostoformaatit ja työkalut voivat sisältää ELANin, Praatin, TEI- tai CHAT-tyyppisiä merkintöjä sekä puhe- ja tekstidatan yhdistämistä.

Eettiset ja oikeudelliset näkökohdat korostuvat: suostumus, anonymisointi, tekijänoikeus ja käyttöoikeudet sekä mahdolliset lisenssi- ja jakelumrra b. Puheaineistoja kerätään ja jaetaan usein tutkimuskäyttöön CLARIN-verkostojen tai vastaavien infrastruktuurien kautta.

Käyttökohteet ovat moninaiset: syntaksin ja sanastovirtaan tutkailu, virhe- ja variaatiotutkimus, vihjeet prosodian funktion löytämiseen sekä puheentunnistuksen ja puheentekomallien kehittäminen. Haasteina ovat representaatiivisuus, annotointiprosessin johdonmukaisuus ja annotaattori-ristiriitojen hallinta sekä kustannukset.