Домашнее задание “Разработка фрагмента учебного корпуса”, часть 2

Для ориентации

Метаданные - в эту таблицу вы уже ранее вписали сведения о ролике и говорящих.
Имя файла с видео и имя файла разметки должны соответствовать латинской метке из таблицы метаданных, например, для метки kalinkin - файл kalinkin.eaf.
Метки говорящих в слоях должны строго соответствовать их меткам в таблице метаданных.
LiveCorpus (капитализация именно такая) - папка в вашем репозитории курса (lingdata), сюда кладем .eaf файл.
Напомним, один из способов создать папку на GitHub - в вашем репозитории GitHub выбрать Add file > Create new file > создать файл с именем LiveCorpus/readme.md> Commit
ELAN по умолчанию сохраняет .eaf файл в кодировке UTF8, не меняйте ее.
Не используйте кириллицу в названиях папок на пути к редактору ELAN, мультимедийным файлам и файлам ELAN.

Задачи этого этапа

сохранить видео вашего интервью на локальный компьютер
разметить в ELAN фрагмент вашего интервью, помещая реплики каждого говорящего в отдельном слое
провести токенизацию – разбить каждый слой реплик на слова
сохранить итоговый .eaf файл и загрузить его в папку LiveCorpus на GitHub

ELAN

1. Настройка проекта

Cоздайте новый проект, подключите к нему видеофайл, сохраните файл разметки, назвав согласно метке
Если вы хотите использовать визуализацию звуковой дорожки в ELAN, переконвертируйте ваше видео в *.wav - файл (с помощью любого онлайн-конвертора, погуглите, например, “mpg to wav online”). В этом случае присоедините сразу видео и аудио к новому проекту.
Импортируйте слои из образца, с которым мы работали на семинаре (.eaf файл): Тип > Импорт…
Создайте слой реплик для каждого говорящего: Слой > Новый…

Установите свойства слоя (для условного говорящего @aaa1988f):  
* Название слоя `text@aaa1988f`  
* Родительский слой - none   
* Тип - utterance  
Обязательно заполните пункты "говорящий" (@aaa1988f) и "разметчик" (ваш никнейм латиницей - например, может совпадать с вашим аккаунтом на GitHub). 

2. Разметка реплик

Расшифруйте 5 минут записи (это минимальная нижняя граница, не рекомендуем расшифровывать более 7 минут, чтобы последующие домашние задания не оказались слишком длинными).

Прослушайте фрагмент, определите приблизительное время начала и конца реплики.
Вставьте реплику в слой, проведя мышкой с зажатой кнопкой от начала до конца отрезка.
Два раза кликните посередине, - и вы сможете вписать расшифровку. Нажмите Enter.
Повторно прослушайте фрагмент, уточните время начала и конца реплики.
Фиксируйте все оговорки, фальстарты и прочие шероховатости спонтанной речи. Вставьте междометия, поддерживающие разговор (ага, ну), слова-паразиты (гм, ммм, эээ), недоговоренные слова (и тут она по… вышла), запинки (гово… сказала) - т. е. все, что вы можете расслышать.

* ALT + потянуть мышкой в середине аннотации -- чтобы подвинуть всю аннотацию влево/вправо  
* ALT + потянуть мышкой на левой/правой границе аннотации -- чтобы подвинуть левую/правую границу  
* ALT + d - удалить реплику (работает также копипейст и контекстное меню по правой кнопке мышки)  
* Двойной клик - редактировать содержание   
* Shift + Space -- проиграть выделенную аннотацию    

Совет 1: не забудьте установить замедленное проигрывание: Регулировка > Скорость… Не забывайте регулярно сохранять файл.
Совет 2: если в Опциях выбрать метод сдвига таймкодов Bulldozer Mode, то при вставке новых реплик реплика справа, на которую вы случайно “наехали” по таймкоду, не будет стираться, а сдвинется вправо.
Совет 3: если вы пишете не очень грамотно, экспортируйте файл с разметкой в текст с разделителями и проверьте его в любом сервисе проверки орфографии. Это сохранит много сил на следующих этапах работы.

3. Токенизация

Создайте дочерний слой words... для каждого слоя text...

Установите свойства слоя (для условного говорящего @aaa1988f):  
* Название слоя `words@aaa1988f`  
* Родительский слой - text@aaa1988f  
* Тип - words  
Обязательно заполните пункты "говорящий" (@aaa1988f) и "разметчик" (ваш никнейм латиницей - например, может совпадать с вашим аккаунтом на GitHub). 

Слой > Разбить слой на слова: укажите родительский и дочерний слой, пробел как разделитель, знаки препинания > Начать
Отредактируйте аннотации, исправив временные границы (приблизительно – здесь точность не так важна) и ошибки автоматического деления на слова.

В выделенной аннотации:
* Аннотация > Разбить... - разобъет посередине на две  
Чтобы разбить в конкретном месте аннотации, в контекстном меню выбрать Разбить аннотацию...
* Аннотация > Объединить со следующей / c предыдущей  

4. Сохраните файл .eaf, залейте на гитхаб

Об особенностях расшифровки записей

Расшифруйте запись так, как вы ее слышите, отражая все оговорки, неправильности, порядок слов, сниженную лексику, если есть. Пример расшифровки в виде текста:

там спрашивают фамилию-то // я сказала / Поликарпова ты с какого года ? // ну / это / ро... родители сказали // 
а / ну да / ну да // эээ //

Расшифровка записывается в стандартной русской орфографии, стандартная пунктуация не ставится, но обозначаются знаками большие и малые паузы, соответствующие примерно точке и запятой в письменной речи. Если говорящий говорит очень долго совсем без пауз, ориентируйтесь на синтаксическую и смысловую структуру, интонацию, чтобы разбить его речь на реплики.

Аббревиатуры записываются обычным образом (ср. ЦСКА).
Неразборчиво. Если текст в том или ином месте не удается разобрать, то используется тег #нрзб# (в решетках, без пробелов, именно эти четыре буквы)
Одновременно. Когда говорят несколько человек одновременно и разобрать ничего не удается, нужно использовать ремарку #одновременно# (в знаках решеток без пробелов). В случаях невербального общения (например, общий гул без ясно вычлененных реплик, смех, хмыканье) допустимо поставить отдельную реплику, например, #смеется#. Увлекаться комментированием всех действий, в том числе заполняющих паузы (“берет сковородку”, “долго глядит в окно”) не нужно. Пожалуйста, не используйте пробелы внутри ремарок.
Что. Что в устной речи стандартно произносится как што, но записывать его нужно в стандартной орфографии (т. е. что). Это относится ко всем другим случаям стандартных расхождений между орфографией и произношением.
Щас. Варианты частиц (сейчас, щас, ща) в расшифровке различаются.
Ммм. Запись междометий как м, мм или ммм мы оставляем на ваше усмотрение, но для растянутого произнесения лучше не использовать более трех одинаковых буквы подряд. Растянутое произнесение гласных в других словах отображать в расшифровке не надо.
Индивидуальные особенности произнесения. Если говорящий имеет акцент, региональные особенности, шепелявит и т. д., то есть его речь системно отличается от литературного стандарта, отражать эти особенности в расшифровке не нужно.
Речевые маски и искажения. Другое дело - если говорящий в отдельных словах изображает “кавказский”, “чукотский” и т. п. акцент или специально искажает слово, тогда попытайтесь это отобразить в расшифровке (например, дэушка или облизьяна).
Особые знаки препинания: используйте !, ? для обозначения восклицательных и вопросительных реплик, а также ... для обозначения обрыва слова.
Кавычки убедительно просим не ставить в разметке, они потом все ломают

Примечание: Мы во многом, но не во всем, ориентируемся на правила расшифровки в Мультимедийном корпусе Национального корпуса русского языка. А вот так выглядит гораздо более сложная разметка в корпусе “Рассказы о сновидениях”.