Korpus monologů: ORATOR

Korpus ORATOR obsahuje monologické projevy pronesené rodilými mluvčími češtiny při příležitostech, o kterých jsou předem informováni a na něž se mohou připravit. Mluvčí má předem daný časově vymezený prostor, ve kterém může a musí vytvářet svůj projev. S tím souvisí větší formálnost, až oficiálnost těchto situací. Data tohoto typu v mluvených korpusech češtiny dosud chyběla.

Transkripční pravidla, způsob propojení se zvukem a většina metadat jsou stejné jako v korpusu ORTOFON. Stejným postupem jako korpus ORTOFON je korpus ORATOR i lemmatizován a morfologicky značkován. Transkripce je jednoúrovňová, ortografická. Korpus není vyvažován podle žádného z kritérií.

Cílem korpusu je představit různé typy monologů, které se v mluveném jazyce objevují a jež jsme schopni zachytit. Nejedná se tedy pouze o přednášky, jak bývá u tohoto typu korpusu obvyklé, ale jsou zahrnuty i velmi krátké monology, jako jsou úvody různých společenských akcí, přípitky, uvítání hostů, vyhlášení výsledků soutěží apod. Mluvčí při nich často reprezentuje určitou instituci, vědní nebo zájmový obor či má jasně vymezenou společenskou roli. Získaný materiál byl rozčleněn do 12 typů situací (viz tabulka Atributy pro korpus ORATOR: údaje k nahrávce na stránce shrnující strukturní atributy dostupné v korpusech ČNK).

Přestože jde o monology, objevují se zde i nahrávky s větším počtem mluvčích. K těm patří především projevy střídajících se mluvčích se vstupy moderátora, který jednotlivé mluvčí uvádí, nebo projevy následující v těsném sledu.

Původními kritérii pro zařazení nahrávky do korpusu bylo, že nesmí jít o čtený projev a že se musí odehrát za přítomnosti publika. To znamená, že nesmí jít o projev připravený pro web, protože u něj není možné zjistit, zda nebyl pořizován opakovaně a dodatečně upravován. Nelze tedy zaručit autentické zachycení monologu za obvyklých podmínek, kdy je mluvčí vystaven určitým očekáváním ze strany publika, je ovlivněn jeho přítomností a zároveň formou příslušné události. Při sběru dat jsme však opakovaně naráželi na fakt, že při určitých příležitostech je (částečně) čtená forma obvyklou součástí monologů, protože jde například o ceremoniály, kde je třeba dodržet formu (např. promoce), nebo dokonce právní závaznost (svatební obřad), součástí přednášky bývají citace, případně je projev tlumočen. Rozhodli jsme se tedy pro komplexnější doplnění obrazu monologů zařadit i malé množství (18 nahrávek) čtených nebo částečně čtených projevů. Ze stejných důvodů jsme vybrali i několik (celkem 9) nahrávek bez přítomnosti publika, zprostředkovaných široké veřejnosti přes internet; jde o přednášky nebo novoroční projevy. Každý z těchto typů tvoří asi 3 % rozsahu celého korpusu.

Nahrávky byly pořizovány na různých místech ČR nebo byly se souhlasem mluvčího staženy z internetu. Kromě výše uvedených 9 případů nahrávky vždy zachycují komunikační situaci za přítomnosti publika a v autentickém prostředí. Korpus není vyvažován ani podle genderu mluvčích, převažují v něm muži.

Struktury a strukturní atributy korpusu ORATOR jsou popsány na zvláštní stránce.

Korpus ORATOR v3 je automaticky anotován, a to novou morfologickou značkou podle standardu SYN2020. Jsou v něm mj. rozpoznány agregáty (např. vidělas, zač), využívá se dvojúrovňové lemmatizace a k dispozici je i slovesná značka (verbtag).

V korpusu jsou označkovány i substandardní varianty a tvary typické pro nářečí a spontánní mluvenou řeč. Zvláštní varianty slov jsou odlišené vlastním sublemmatem (např. poslúchat pod lemmatem poslouchat), zvláštní tvary značkované jen v mluveném korpusu mají na poslední pozici tagu číslo 9 (např. tvar jezdijó má tag VB-P---3P-AAI-9).

Na první pozici tagu (slovní druh) jsou dále použity tyto specifické značky:

Pozn. Anonymizované úseky jsou specifikovány na základní rovině word: NP – příjmení, NJ – křestní jméno, NN – přezdívka, NM – místní jméno, NO – ostatní vlastní jména, NT – poslední dvojčíslí telefonního čísla.

Korpus ORATOR v2 je označkovaný původní morfologickou značkou (ve verzi bez značení kategorie vidu). Podrobné informace k anotaci tohoto dříve zveřejněného korpusu jsou uvedeny na zvláštní stránce.

Tento korpus obsahuje minimum informací o mluvčích, jsou cíleně anonymizováni. Uvádí se pouze gender a pro rozlišení mluvčích jsou kvůli větší formálnosti nahrávek použita náhodná příjmení, ve verzi 1 spojená s číslem (např. Janoušková_1805, Malý_1248), ve verzi 2 pak s rozlišující iniciálou (např. Veselý M., Bittnerová, R.).

Oproti jiným mluveným korpusům uvádí ORATOR navíc následující podrobné informace o nahrávce:

• zaměření projevu (oficiální, popularizační, politické, profesní, vědecké)
• podrobnější zařazení situace do 12 kategorií (ceremoniál, instruktáž, jednání, kázání, prohlídka, přednáška, slavnostní projev, školení, uvedení uměleckého díla nebo umělce, veřejné shromáždění, zahájení a zakončení)
• určení žánrů, které jsou totožné s žánry rozlišovanými v psaných korpusech
• jakému publiku je nahrávka určena (zda jde o veřejnost, nebo menší, profesní či zájmovou skupinu)
• speciální informace: určeno pro děti či čtené

Korpus ORATOR v1 se skládá z 318 nahrávek z let 2005–2019 od 332 mluvčích. Délka nahrávek se pohybuje od 13 sekund po 49 minut. Některé dlouhé přednášky jsou z technických důvodů rozděleny do více částí.

V roce 2020 proběhlo rozšíření korpusu ORATOR na více než dvojnásobnou velikost (více než 1,5 mil. tokenů). Korpus se skládá z 489 nahrávek 468 mluvčích z let 2005-2019. Krom nárůstu velikosti korpusu došlo také k mnoha drobným vylepšením v konzistentnosti transkripce a v anotaci. Korpus ORATOR v2 je označkovaný původní morfologickou značkou (viz výš).

Korpus ORATOR ve své třetí verzi obsahuje stejné nahrávky a přepisy jako druhá verze (tj. přes 1.5 mil. tokenů), jsou však nově anotovány podle standardu SYN2020 (viz výš). Nově je také do korpusu začleněn atribut genfon, který uvádí automaticky generovanou fonetickou podobu slova. Dále byla provedena řada oprav transkripce.

Děkujeme všem, kdo se podíleli na vyhledávání, pořizování, přepisu a kontrole nahrávek. Děkujeme také všem mluvčím, kteří laskavě poskytli svůj souhlas se zařazením svého projevu do tohoto korpusu.