Korpus neformální mluvené češtiny s víceúrovňovým přepisem: ORTOFON

Korpus ORTOFON zachycuje spontánní mluvený jazyk používaný v neformálních situacích mezi mluvčími, kteří se znají. Navazuje svou koncepcí sběru dat na korpusy neformální mluvené češtiny řady ORAL. Nahrávky jsou přepisovány ve dvou stopách – ortografické a fonetické. Společně s korpusem DIALEKT se jedná o první dva mluvené korpusy češtiny, které disponují víceúrovňovým přepisem. Podobně jako v korpusu ORAL2013 pocházejí mluvčí z celé České republiky a jsou o nich shromažďovány vybrané sociologické informace. Korpus je lemmatizován a morfologicky značkován. Přepis je propojen se zvukovou stopou a v korpusovém rozhraní KonText si lze zvukový záznam přehrát.

Korpus ORTOFON umožňuje zkoumat různé aspekty mluveného jazyka, tj. lexikon, morfologii, syntax, pragmatiku, výstavbu dialogu. Korpus není primárně určen pro dialektologický¹⁾ či fonetický výzkum, ale přesto zjednodušený fonetický přepis umožňuje ověřit existenci výslovnostních či regionálních variant nebo jevů souvisejících s výslovností.

Korpus ORTOFON spolu se spojeným korpusem ORAL uživatelům umožňuje zkoumání neformální mluvené češtiny v dosud nejrozsáhlejším komplexu dat z období let 2002–2020.

Korpus zachycuje výhradně neformální, spontánní a přirozené situace. Materiál byl sbírán v souladu s kritérii platnými pro korpusy řady ORAL:

• fyzická přítomnost všech mluvčích na jednom místě (výjimkou jsou telefonní rozhovory na hlasitý odposlech, příp. komunikace přes Skype nebo Zoom, kdy jsou zaznamenáváni všichni zúčastnění mluvčí po celou dobu rozhovoru);
• dialogičnost promluv (rozhovor dvou nebo více mluvčích);
• vzájemný blízký vztah mluvčích;
• nepřipravenost, spontánnost projevu;
• neveřejná a neoficiální komunikační situace.

Vzhledem k tomu, že byla ručně zpracovávána fonetická stopa v přepisu, byl kladen vyšší důraz na kvalitu nahrávek. O situaci i mluvčích byly zaznamenány vybrané sociologické údaje. Nahrávky zachycují dospělé rodilé mluvčí českého jazyka pocházející ze všech částí České republiky. Maximální možné míry autenticity jednotlivých nahrávek bylo dosaženo tak, že mluvčí většinou nebyli o nahrávání informováni předem, ale až po jeho skončení. Všichni nahraní mluvčí souhlasili s použitím nahrávek pro účely ČNK.

Struktury a strukturní atributu korpusu ORTOFON jsou popsány na zvláštní stránce.

Korpus ORTOFON 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.

Korpusy ORAL v1, ORTOFON v1 a v2 a DIALEKT v1 a v2 jsou označkované původní morfologickou značkou (ve verzi bez značení kategorie vidu). Podrobné informace k anotaci těchto dříve zveřejněných korpusů jsou uvedeny na zvláštní stránce.

• Víceúrovňový přepis: Korpus ORAL obsahuje jednu rovinu přepisu, která se snaží zachytit variabilitu mluveného jazyka běžným pravopisem a bez použití speciálních znaků. Přepis nahrávek je v korpusu ORTOFON realizován na dvou rovinách: ortografické a fonetické. Ortografická rovina slouží primárně k porozumění nahranému rozhovoru a orientaci v něm, zatímco fonetická rovina zachycuje skutečnou realizaci vyřčeného pomocí upraveného fonetického přepisu. Tyto dvě roviny doprovází ještě metajazyková, která zachycuje doprovodné zvuky produkované mluvčími (např. smích, kašel) nebo přítomné v okolí s možností ovlivnit rozhovor (např. zvonění telefonu může vést k přerušení dialogu). Více viz transkripční zásady.
• Pauzová interpunkce založená na délce pauz: Část korpusu ORAL, konkrétně ORAL2013 a ORAL-Z, obsahuje pauzovou interpunkci založenou na intuitivním rozlišení kratších a delších pauz podle tempa mluvy konkrétního mluvčího. V korpusu ORTOFON jsou rozlišovány tři druhy pauz podle časového kritéria: předěly (méně než 120 ms), pauzy (120 ms – 2 s), dlouhé pauzy (delší než 2 s).
• Plná vyváženost korpusu: V korpusu ORTOFON v1 je každá kombinace čtyř sociolingvistických proměnných prezentována jako stejně velká skupina, srov. ORAL2013.
• Pestré zastoupení mluvčích z celé České republiky: Vymezení jednotlivých nářečních oblastí vychází z nářečního členění používaného v Českém jazykovém atlase, hranice oblastí však byly zpřesněny (viz mapa nářečních oblastí). Při sběru dat bylo dbáno na variabilitu mluvčích i obcí, z nichž pocházejí.
• Rozšíření segmentu k poslechu: Segment odděleného transkriptu může být dlouhý až 25 slov, což zlepšuje možnosti poslechu zvukového segmentu.
• Jiný způsob značení překryvů: Překryvy jsou v traskriptu značeny hranatými závorkami, nejsou oddělovány ve zvuku, aby bylo možné je lépe poslouchat, srov. ORAL2013. V korpusovém manažeru KonTextu jsou zobrazeny jako strukturní atributy.
• Dostupnost audia: Celý korpus ORTOFON je propojen se zvukem, takže je možné si vyhledanou konkordanci poslechnout (u korpusu ORAL jenom části ORAL-Z a ORAL2013).
• Nové metainformace: Byl rozšířen soubor metainformací sbíraných k celé nahrávce i jednotlivým mluvčím. Více viz přehled strukturních atributů.

Ve své první verzi, zveřejněné v roce 2017, byl korpus ORTOFON prvním korpusem, který byl plně vyvážený v rámci všech základních sociolingvistických kategoriích mluvčích (pohlaví, věková skupina, výše dosaženého vzdělání a oblast pobytu v dětství).
Korpus ORTOFON v1 se skládá z 332 nahrávek z let 2012–2017 a obsahuje 1 014 786 textových slov, tj. celkem 1 236 508 pozic; v sondách vystupuje celkem 624 různých mluvčích. Nahrávky byly pořizovány v Čechách, na Moravě i ve Slezsku, jejich celková délka je téměř 103 hodin. Více kvantitativních údajů o složení korpusu je k dispozici na stránce složení korpusu.

Již při sběru dat bylo dbáno na maximální možnou variabilitu mluvčích v rámci všech nářečních oblastí. Materiál byl proto průběžně vyvažován v rámci základních čtyř sociolingvistických kategorií: pohlaví, věk, nejvyšší dosažené vzdělání a nářeční oblast, v níž mluvčí strávil většinu života do svých 15 let. První tři kategorie, tj. pohlaví, věk, vzdělání, byly rozděleny binárně (viz obrázek), čtvrtá kategrie byla rozvržena do deseti skupin, tj. deseti nářečních oblastí. Následující obrázek představuje rozvržení binárních kategorií v rámci jedné nářeční oblasti. Každá oblast by tedy měla obsahovat stejný počet slov od mužů a žen, od osob ve věku 18–34 let a starších 35 let, od osob s nejvyšším dosaženým vzděláním maturitním a vysokoškolským.

Rozvržení binárních sociolingvistických kategorií v jedné nářeční oblasti.

Základní koncepcí byla myšlenka stejného proporčního zastoupení uvedených sociolingvistických kategorií, uplatňovaných při sběru materiálu u všech mluvených korpusů ČNK. S ohledem na cílenou velikost korpusu (1 000 000 slov) byla pro každou kategorii prezentovanou kombinací čtyř proměnných – pohlaví (2) × věk (2) × vzdělání (2) × nářeční oblast pobytu do 15 let (10) – stanovena cílová hranice 12 500 slov. Ve snaze o co největší pestrost mluvčích v rámci každé kategorie byl stanoven minimální limit pět různých mluvčích ²⁾. Cílem tohoto opatření bylo omezit vliv idiolektu.

V roce 2020 byla zveřejněna rozšířená verze korpusu obsahující nahrávky z let 2012–2019. Na rozdíl od první verze není vyvážená, jejím cílem je zpřístupnit co největší množství sebraného materiálu. Sběr neformálních dialogů pokračuje a část staršího materiálu se pro vydání zatím ještě připravuje, ale i tak je nárůst oproti předchozí verzi dvojnásobný. Krom toho korpus obsahuje mnohá drobná vylepšení v konzistentnosti transkripce a v anotaci.

V roce 2024 byla zveřejněna 3. verze korpusu ORTOFON. Obsahuje 110 127 slov a na 697 nahrávkách, pořízených v letech 2012–2020 a čítajících 243 hodin, zachycuje 1 121 mluvčích pocházejících z celé České republiky. Zahrnuje v sobě data i z obou předchozích verzí korpusu. V korpusovém rozhraní KonText je zpřístupněn přepis na ortografické a fonetické rovině i odpovídající zvukový záznam. Pro tuto verzi byla odstraněna řada nekonzistencí v traskripci a provedeno množství oprav.

Korpus ORTOFON v3 je automaticky anotován podle standardu SYN2020, více viz výš.

Děkujeme všem spolupracovníkům, kteří se podíleli na pořízení nahrávek, jejich přepisu a kontrole.

Jmenovitě chceme poděkovat především koordinátorům přepisu: PhDr. Iloně Adámkové, Mgr. Vendule Hálkové, dr. Daně Hlaváčkové, Mgr. Lence Klatovské, Mgr. Anně Marklové, PhDr. Evě Pasáčkové, Mgr. Pavle Smolové, Marice Svojanovské, Mgr. Pavlu Šturmovi, dr. Miloslavu Vondráčkovi a Mgr. Lence Zábojové.