Fixed1it Design

ID:

ELRA-S0062

With a view of supplying SpeechDat family projects with the textual material used in the Italian speech database, CSELT has decided to produce a CD-ROM with all database specifications including the full list of a designed corpus: a set of phonetically rich sentences and a set of application oriented utterances.
The Italian SpeechDat databases (produced in the framework of SpeechDat(M) and SpeechDat(II)) used this textual material.
The SpeechDat common specification totals 40 utterances per call, comprising a mixture of spontaneous and read speech. The purpose of each telephone call was to record the basic structure of the utterances mentioned below. All utterances are read speech unless marked as spontaneous.
The list of utterances is as follows:
- 3 application words;
- 1 sequence of 10 isolated digits;
- 4 connected digits: 1 sheet number (5 digits), 1 telephone number (9-11 digits), 1 credit card number (14-16 digits), 1 PIN code (6 digits);
- 3 dates: 1 spontaneous date (e.g. birthday), 1 prompted date (word style), 1 relative and general date expression;
- 1 word spotting phrase using an application word (embedded);
- 1 isolated digit;
- 3 spelled-out words (letter sequences): 1 spontaneous (e.g. own forename), 1 spelling of directory city name, 1 real/artificial name for coverage;
- 1 money amount in Lire;
- 1 natural number;
- 5 directory assistance names: 1 own forename (spontaneous), 1 city of birth/home town (spontaneous), 1 most frequent city, 1 most frequent company/agency, 1 "forename surname";
- 2 questions, including "Fuzzy" yes/no: 1 predominantly "yes" question, 1 predominantly "no" question;
- 9 phonetically rich sentences;
- 2 time phrases: 1 time of day (spontaneous), 1 time phrase (word style);
- 4 phonetically rich words.
In the case of the Italian fixed network database, four additional items were added to the one designed in the project:
- 1 telephone area code
- 1 money amount in EURO
- 2 "yes/no" questions
For the Italian SpeechDat corpus, the full list of items is supplied in two different files: the first contains the prompted text read by speakers in the supplied sheet and the second file contains the orthographic transcription.
Statistics are supplied for each corpus, which are computed on the repetition of digits, letters or phonemes (diphones and triphones) depending on the corpus type. These statistics are reported in a separate file for each corpus.
A documentation file aiming at describing the entire corpus design is included on the CD-ROM. It also covers the motivations that lead to that particular design.
Finally, a complete lexicon file (in SpeechDat format) is supplied.
The CD-ROM does not contain any recordings.

KEY FEATURES:

Type of resource : Textual material
Domain/Source: Textual material used within the Italian SpeechDat(M) and SpeechDat(II) databases
File format: ASCII; A lexicon in SAMPA is also provided
Distribution media: 1 CD-ROM
Related resources: Italian SpeechDat(M) database (ELRA-S0052 and S0053)

View resource description in all available languages

Dans le but de fournir aux nouveaux projets de la famille SpeechDat un matériel textuel, déjà utilisé dans la base de données orale de l'italien, le CSELT a décidé de produire un CD-ROM comprenant l'ensemble des spécifications de la base de données, avec la liste complète des éléments constituant le corpus : un ensemble de phrases phonétiquement riches et un ensemble de mots de commande, orientés vers des applications.

Les bases de données SpeechDat de l'italien (produites dans le cadre des projets SpeechDat(M) et SpeechDat(II)) ont utilisé ce matériel textuel.

Les spécifications SpeechDat de base comprennent 40 occurrences par appel, incluant un mélange de parole spontanée et lue. L'objectif de chaque appel téléphonique a été d'enregistrer une structure de base des occurrences mentionnées ci-dessous. Toutes les occurrences sont par défaut lues, excepté certaines marquées comme spontanées.

La liste des occurrences est la suivante:

3 mots de commande ;
1 séquence de 10 chiffres isolés ;
4 chiffres connectés : 1 numéro d'identification de la feuille de prompt (5 chiffres), 1 numéro de téléphone (9-11 chiffres), 1 numéro de carte de crédit (14-16 chiffres), 1 code confidentiel (6 chiffres) ;
3 dates : 1 date spontanée (ex : anniversaire), 1 date lue, 1 date générale ;
1 phrase utilisant un mot de commande ;
1 chiffre isolé ;
3 mots épelés (séquences de lettres) : 1 spontané (ex : prénom du locuteur), 1 nom de ville provenant d'un annuaire de renseignements téléphoniques, 1 mot réel/artificiel pour couverture ;
1 montant en lires ;
1 nombre entier naturel ;
5 noms provenant d'un annuaire de renseignements téléphoniques : le prénom du locuteur (spontané), la ville de naissance/d'origine du locuteur (spontané), un nom de ville parmi les plus fréquentes, un nom de compagnie parmi les plus fréquentes, le "prénom nom" du locuteur ;
2 questions incluant des oui/non "vagues": 1 question à prédominance "oui", 1 question à prédominance "non" ;
9 phrases phonétiquement riches ;
2 locutions comportant une notion de temps : 1 jour (spontané), 1 syntagme comportant une notion de temps ;
4 mots phonétiquement riches.
Dans le cas de la base de données sur réseau fixe italien, quatre éléments supplémentaires ont été ajoutés :

1 indicatif téléphonique régional
1 montant en euro
2 questions "oui/non"
Pour le corpus SpeechDat de l'italien, la liste complète des éléments est fournie dans deux fichiers séparés : le premier fichier contient les énoncés lus par les locuteurs et le deuxième contient la transcription orthographique.

Des statistiques sont fournies pour chaque corpus, et sont basées sur la répétition des chiffres, des lettres ou des phonèmes (diphones et triphones) en fonction du type de corpus. Ces statistiques sont présentées dans un fichier séparé pour chaque corpus.

Le CD-ROM contient un fichier de documentation qui décrit le corpus, ainsi que les motivations qui ont mené au choix de celui-ci.

Enfin, un lexique phonétique (au format SpeechDat) est également fourni.

Le CD-ROM ne contient aucun fichier son.

CARACTERISTIQUES:

Type de ressource : Matériel textuel
Domaine/Source : Matériel textuel utilisé dans les bases de données SpeechDat(M) et SpeechDat(II)
Format de fichier : ASCII ; un lexique au format SAMPA est également fourni
Mode de distribution : 1 CD-ROM
Ressources connexes : Base de données SpeechDat(M) de l'italien (ELRA-S0052 et S0053)

You don’t have the permission to edit this resource.
      People who looked at this resource also viewed the following:
      Resources from the same project