2024年3月19日发(作者：)

口语对话语音语料库ＣＡＤＣＣ和其语音研究·

李爱军，殷活纲，王茂抹徐波啊宗成庆＇矿

中田社会科学院语言研究所，Ⅲ中国科学院自动化研究所

摘要

口语对话和朗读语麓的差别表现在句法、剐语言学现象、音段和韵律等许多方面，这给

口语对话的标注带来新的课题．本文介绍自然口语对话语音语料库ＣＡＤＣＣ（Ｃｈｉｎｅｓｅ

Ａｎｎｏｔａｔｅｄ

Ｃｏｒｐｕｓ）和其文字转写，音段以及韵律标注．ＣＡＤＣＣ包括两个子

库：电话对话库ｓｅｔｌ和口语对话语篇库ｓｅｔ２．其标注内容包括篇章话题、话轮、韵律和音段

Ｄｉａｌｏｇｕｏ

ａｎｄ

Ｃｏｎｖｖｒｓａｔｉｏｎ

的标注．音段标注采用ＳＡＭＰＡ—Ｃ标注系统，韵律标注采用Ｃ－ＴｏＢＩ标注系统．

本文还报告了标注结果，如篇章话题的长度，口语话轮出现的模式，插入和叠接现象，

韵律结构和朗读语篇的差异等等．

１自然口语库ＣＡＤＣＣ

语篇（ｄｉｓｃｏｕｒｓｅ）包括朗读语篇和自然口语语篇，又可以分成独白和对话两种形式。不同

形式的语篇具有不同的特性，比如参与的人数、涉及的话题、话轮顺序和话轮长度等等。

我们已经建立了朗读语篇库ＡＳＣＣＤ和独自的自然口语ＣＡＳＳ，并且进行了语音学标注

【２】．口语对话语篇库ＣＡＤＣＣ是我们今年开始收集和标注的，我们希望它对言语工程和语音

研究会有较大的贡献。ＣＡＤＣＣ包括两个子库，其中ＳＥＴ

１是电话对话库，ＳＥＴ２是正常通道

对话库。表１给出了ＣＡＤＣＣ的详细信息。ＳＥＴ

２中的对话双方是同事或同学．有共同的爱好

或话题．谈话内容不限．也就是语篇话题可以自由转换。其中有８位发音人曾经参加朗读语

篇ＡＳＣＣＤ的录音．这样做的目的是为了详细对比朗读和自然口语的各种差异．录音在普通办

公室或宿舍进行，对话者身别无线话筒，无线录音设备放置在另外的房间，这样保证了对话

双方完全进入自然谈话状态。每一对发音人的谈话时间在１个小时左右。

２音字转写

所有的声音都进行了汉字转写，特别将口语的副语言学和非语言学现象按照表２的符号

进行转写例ｌ：Ｂ：我傻ＯＶ＜Ｂ：我印度人Ａ：ＬＡ＜ＬＡ＞ＯＶ＞；

例２：Ａ：ＬＥ＜ＭＯ＜嗅ＬＥ＞Ｍ０９；Ｂ：那个就是ＤＳ＜一一ＤＳ＞ｍ子的事儿。

２．１语篇话题

为了进行对话交际中声学语音学分析【８】，我们在文字转写中标记了语篇话题（非句子话

题）转换的位置。语篇话题的组织呈现非线性形式。即一个语篇话题可以被另外一个中断，

然后在一定的位置重新开始．

本研究得到田家。９７３”和中田杜会科学院重大项目基金支持．

３１７

表３中给出了每对发音人语篇话题数（子话题除外）和时长分布。不考虑语速等个人特性

的话，图ｌ给出了不同长度情况下的语篇话题数分布情况．语篇话题的平均长度是１８５．９６秒．

表４是语篇话题出现的累计频率．８０％的话题短于４．５分钟，９０％话题短于５－６分钟。

２．２非语言学和副语言学现象

表５是非语言学和副语言学现象统计结果．黑体是出现率较高的现象。可以看到两个子

库中出现最多的是感叹词和语气词．如“啊、呀、哇、吗、呢、吧”等．很多感叹词只起填

充停顿Ｃｆｉｌｌｅｄ

ｐａｉｎｅ）的功能．

２．３话轮转换

话轮交替机制是话语分析的一个重要课题。我们在ＣＡＤＣＣ中发现了各种话轮交替机制。

图２中左边一列是考察ＡＢ两个话轮出现模式图，右边一列是考察话轮ＡＢＡ出现模式图。表

６是考察两个子库的话轮出现情况．在ＳＥＴ

ｌ中总共有３２５６个话轮．其中３１５个是有叠接

（ｏｖｅｒｈ口）的话轮，柏个是插入式叠接的话轮，所以叠接的话轮占总话轮的２０．６％（（２＂３１５＋４０）

可见，电话库的覆盖现象比会话库要多．可能是因为人们在打电话时交流的信息相对集

中，可能为了省一些电话费．说话速度更快．只要听懂对方的主要信息，不等对方把话说完

马上回应。

目前语音识别系统是将这些大量出现的重叠语音视为噪音处理的．也就是说在对话应用

系统中不考虑这种现象．我们发现人与人的对话和人与机器之间的对话存在差异，人不会和

机器抢着说话。

那么对这些有大量的叠接现象的口语研究是否有意义呢？我们认为研究大量出现的重叠

语音，可以解释会话交际中的心理认知机制。交际过程中听者可以不等话者说完一句话．就

去回应话者，这说明听者有“断章取义”的本事．至于研究听者如何得到的这种本事．是个

很有意义的研究课题．从长远的语音研究来看，语音理解是绕不过这个课题的．

自然口语中有大量的音变现象，如增音、减音等，具有音段音变标注的音库对语音识别

的发音建模和音变条件的研究都报重要。同时，对音段的准确真实地标注，也是其他层次标

Ｙ．声韵

我们采用Ｃ－ＴｏＢＩ

２．０标注韵律系统【４，５，６】．它是对朗读和口语都适用的汉语韵律标注规

／３２５６）．ＳＥＴ２中有叠接的话轮占１０．６％（９８６＂２／１８６０８）】．

３．１音段标注

注的基础．标注软件选用Ｐｒａａｔ［７】和ＸＷＡＶＥｓ＋，标注信息包括５层：ＰＹ：拼音层；ｓ

层，用ＳＡＭＰＡ－Ｃ【ｌ】标注声母、韵母和音段和声调音变信息：ＭＩＳ：杂类层，标注副语言学和

非语言学现象．见表３；ＡＣＣ：口音层，标注发音人的口音信息．标注代码可以参考‘中国语

言文字使用情况调查一调查员手册＇中的酱通话、汉语方言代码表；ＳＭ：语句功能层：标注疑

问、祈使、陈述、感叹四种功能语句．表７是两个表音人音段一致性检测结果（时间误差２ｍｓ）。

３．２韵律标注

范．韵律标注一般是分层的。音段切分是韵律标注的基础，所以是必不可少的～层，其他层

次的标注．要依据实际应用的需求和标注的语音特性确定。标注各层是：音段标注层：声调

语调层：标记每个音节的声调变化和全句的语调变化：间断指数层：标记汉语的韵律结构。

３１８