Spoken Portuguese Corpus

View resource name in all available languages

Corpus du portugais parlé

ID:

ELRA-S0345

The Spoken Portuguese corpus was collected among sociolinguistically diverse speakers having Portuguese as mother tongue or as second language. In a total of 86 recordings, the texts exemplify the Portuguese spoken in Portugal (30), in Brazil (20), in the African countries with Portuguese as its official language: Angola, Cape Verde, Guinea-Bissau, Mozambique and Sao Tome and Principe (5 each), in Macao (5), in Goa (3) and in East-Timor (3), corresponding to a total of 8h44m of recording.
The corpus was recorded in a situation of spontaneous oral communication, on different themes of everyday life, with speakers of different ages and social and professional backgrounds.
The recordings cover a period that goes from 1970 to 2001, and approximately 70% of them fall within the nineties. The corpus contains 153,588 tokens.

The corpus consists of audio files in .wav format, aligned transcriptions in XML Exmaralda format and transcriptions in plain text. The plain text files also have automatically assigned POS-tag information. The transcriptions of the corpus are also available in html format. The characters have been encoded in UTF-8.

View resource description in all available languages

Le Corpus du portugais parlé a été collecté auprès de locuteurs variés d’un point de vue socio-linguistique, parlant le portugais en tant que langue maternelle ou deuxième langue. Pour un total de 86 enregistrements, les textes sont représentatifs du portugais parlé au Portugal (30), au Brésil (20), dans les pays africains dont le portugais est la langue officielle: Angola, Cap Vert, Guinée-Bissau, Mozambique et Sao Tome et Principe (5 chacun), à Macao (5), Goa (3) et au Timor oriental (3), correspondant à un total de 8h44m d’enregistrements.
Le corpus a été enregistré en situation de communication orale spontanée, sur différents thèmes de la vie quotidienne, avec des locuteurs d’âges différents et de diverses provenances socio-professionnelles.
Les enregistrements couvrent une période allant de 1970 à 2001, 70% d’entre eux environ ayant été enregistrés dans les années 90. Le corpus comprend 153 588 tokens.

Le corpus est constitué de fichiers audio au format .wav, de transcriptions alignées au format XML Exmaralda, ainsi que de transcriptions en texte intégral. Les fichiers texte intégral ont également des informations en partie du discours associées de façon automatique. Les transcriptions du corpus sont aussi disponibles au format html. Les caractères sont codés en UTF-8.

You don’t have the permission to edit this resource.