Corpus de lengua oral en español

Esta página ha dejado de actualizarse

CORLEC, Corpus Oral de Referencia de la Lengua Española Contemporánea

Contenidos

• Transcripción ortográfica de grabaciones de lengua oral (1991-1992).
• 1.100.000 palabras.
• Textos administrativos, científicos, conversacionales o familiares, educativos, humanísticos, instrucciones de megafonía, jurídicos, lúdicos (concursos), políticos y periodísticos: debates, deportes, documentales, entrevistas, noticiario, publicitarios, religiosos y técnicos.
• Porcentaje de representatividad en función del tipo de texto:
• Administrativos y políticos - 5.6 %.
• Científicos - 3.3 %.
• Conversacionales o familiares - 24.5 %.
• Educativos - 5.3 %.
• Humanísticos - 5.6 %.
• Instrucciones (megafonía) - 0.6 %.
• Jurídicos - 3.2 %.
• Lúdicos (concursos, etc.) - 5.6 %.
• Periodísticos:
• Debates - 8.5 %.
• Deportes - 5.3 %.
• Documentales - 2.6 %.
• Entrevistas - 15.6 %.
• Noticiario - 6.6 %.
• Publicitarios - 2.8 %.
• Religiosos . 1.1 %.
• Técnicos - 3.9 %.

CORLEC, Corpus Oral de Referencia de la Lengua Española Contemporánea. (s. f.). Madrid: Laboratorio de Lingüística Informática, Universidad Autónoma de Madrid. Consultado en http://www.lllf.uam.es/ESP/Info Corlec.html

Fenómenos codificados

• Palabras cortadas.
• Reconstrucción de segmentos omitidos por el hablante.
• Vacilaciones.
• Elementos fáticos (afirmación, duda, interrogación, negación).
• Ruidos (ruidos solapados en la conversación; risas, aplausos, música).
• Onomatopeyas.
• Identificación de los hablantes.
• Simultaneidad de turno de palabras.
• Silencio.
• Siglas.
• Palabras extranjeras.
• Texto leído.
• Errores de producción del hablante.
• Dificultades de transcripción.
• Texto no transcrito.
• Borrado involuntario.
• Interrupción de la grabación.

CORLEC, Corpus Oral de Referencia de la Lengua Española Contemporánea. (s. f.). Madrid: Laboratorio de Lingüística Informática, Universidad Autónoma de Madrid. Consultado en http://www.lllf.uam.es/ESP/Info Corlec.html

Información contenida en la cabecera

• Número de la cinta donde se encuentra el texto grabado.
• Posición del texto en la cinta.
• Fecha.
• Procedencia del texto.
• Autor de la transcripción.
• Tipo de texto transcrito.
• Temas tratados.
• Identificación de los hablantes que intervienen.
• Edad, sexo y profesión del los hablantes.

CORLEC, Corpus Oral de Referencia de la Lengua Española Contemporánea. (s. f.). Madrid: Laboratorio de Lingüística Informática, Universidad Autónoma de Madrid. Consultado en http://www.lllf.uam.es/ESP/Info Corlec.html

Referencias

Disponibilidad:

Macrocorpus de la norma lingüística culta de las principales ciudades del mundo hispánico

Contenidos

• Transliteración de ochenta y cuatro horas de grabación.
• Muestras paralelas de doce ciudades hispánicas: México, Caracas, Santiago de Chile, Santafé de Bogotá, Buenos Aires, Lima, San Juan de Puerto Rico, La Paz, San José de Costa Rica, Madrid, Sevilla y Las Palmas de Gran Canaria.
• Catorce entrevistas individuales de aproximadamente media hora con intervención del encuestador para cada ciudad.
• Muestras distribuidas por generación y por sexo.

Formato de los textos y estándares de codificación

• Textos en Microsoft Word.
• Textos en ASCII.
• Textos codificados según el sistema del Corpus de Referencia del Español Actual (CREA) de la Real Academia Española.

Referencias

Disponibilidad:

Subcorpus Oral del Corpus de Referencia del Español Actual (CREA)

Contenidos

• Los textos orales constituyen el 10 % del CREA y equivalen a unos 9 millones de registros procedentes de más de 1600 documentos.
• Textos procedentes de grabaciones de radio o de televisión transcritos y codificados.
• Textos procedentes de otros corpus orales adaptados a los estándares del CREA:
• Análisis de la Conversación de la Universidad de Alcalá de Henares.
• Macrocorpus de la norma lingüística culta de las principales ciudades del mundo hispánico de la Asociación de Lingüística y Filología de América Latina.
• Caracas-77: Estudio sociolingüístico de Caracas, 1977.
• Caracas-87: Estudio sociolingüístico de Caracas, 1987.
• Corpus de Encuestas en Asunción de Paraguay.
• Corpus oral de la variedad juvenil universitaria del español hablado en Alicante.
• Corpus para el estudio del español hablado en Santiago de Compostela.
• Corpus Sociolingüístico de Mérida-Venezuela.
• UAM: Corpus Oral de Referencia del Español Contemporáneo de la Universidad Autónoma de Madrid.
• Material público procedente de Internet.
• Medio:
• Canal comunicativo:
• Radio.
• Televisión.
• Grabación directa.
• Teléfono.
• Otros.
• Procedencia:
• Grabación.
• Texto previamente transcrito.
• Texto previamente transcrito y codificado.
• Origen:
• España: 50 %.
• Hispanoamérica: 50 %:
• Zona Andina: Venezuela, Colombia, Ecuador, Perú y Bolivia.
• Zona Caribeña: Cuba, Pánama, Puerto Rico, República Dominicana, costas de Venezuela y Colombia y sudeste de Estados Unidos.
• ZonaCentral: Costa Rica y Nicaragua.
• Zona Chilena: Chile.
• Zona Mexicana: Guatemala, Honduras, El Salvador, México y Sudoeste de Estados Unidos.
• Zona Rioplatense: Argentina, Paraguay y Uruguay.
• Época:
• 1975-1979.
• 1980-1984.
• 1985-1989.
• 1990-1994.
• 1995-1999.
• 2000-2004.
• Tipología textual:
• Textos procedentes de grabaciones de radio y de televisión:
• Noticias.
• Reportajes.
• Entrevistas.
• Debates.
• Tertulias.
• Documentales.
• Retransmisiones deportivas.
• Magacines.
• Revistas deportivas.
• Variedades.
• Sorteos y concursos.
• Otros textos: discursos políticos, conversaciones telefónicas, mensajes en contestadores, diálogos informales, etc..
• Grado de formalidad:
• Formalidad = alta, Audiencia = interlocutor, Canal = cara a cara.
• Formalidad = alta, Audiencia = interlocutor, Canal = otro.
• Formalidad = alta, Audiencia = oyente pasivo, Canal = cara a cara.
• Formalidad = alta, Audiencia = oyente pasivo, Canal = otro.
• Formalidad = baja, Audiencia = interlocutor, Canal = cara a cara.
• Formalidad = baja, Audiencia = interlocutor, Canal = otro.
• Formalidad = baja, Audiencia = oyente pasivo, Canal = cara a cara.
• Formalidad = baja, Audiencia = oyente pasivo, Canal = otro.

Formato de los textos y estándares de codificación

• Codificación en SGML (Standard Generalized Markup Language) en una primera etapa y en XML (Extensive Markup Language) en una segunda etapa.
• Codificación según los estándares de la Text Encoding Initiative (TEI) y del Expert Advisory Group on Language Engineeting Standards (EAGLES).
• Transcripción ortográfica correspondiente al nivel II del Network of European Reference Corpora (NERC) y de EAGLES.
• Plantillas y macros para Word que permiten la automatización del proceso de transcripción.
• Alineación entre el texto y la señal sonora en la segunda etapa del CREA.

Fenómenos codificados

• Divisiones en el texto.

• Turnos de palabra de cada hablante y tipo de transición entre turnos.

• Tipo de transición entre turnos y solapamientos entre hablantes.

• Pausas.

• Fenómenos no vocales y no comunicativos.

• Fenómenos no vocales comunicativos.

• Expresiones semiléxicas o no léxicas que comunican algún tipo de estado.

• Discurso directo.

• Texto leído.

• Palabras extranjeras.

• Números.

• Palabras deletreadas.

• Abreviaturas.

• Texto resaltado en la transcripción ortográfica.

• Fragmentos poco claros en la grabación.

• Errores de producción del hablante.

• Palabras fragmentarias o truncadas y repeticiones de palabras.

Información contenida en la cabecera

• Título y subtítulo del documento.
• Responsable de la transcripción y codificación del texto.
• Información sobre la edición electrónica del texto.
• Información sobre la extensión del texto.
• Localización del texto en la grabación.
• Procedencia española o hispanoamericana del texto y país de procedencia.
• Descripción de la codificación.
• Clasificación del texto.
• Descripción de los hablantes: código de identificación, nombre, papel, sexo, edad, lengua materna, variante dialectal, origen geográfico, país de procedencia, clase social y nivel de estudios..
• Información sobre la revisión del texto.

Referencias

Disponibilidad:

Corpus de conversación coloquial - Grupo Val.Es.Co

Contenidos

• Transcripción ortográfica de grabaciones de conversaciones coloquiales.
• 46 conversaciones (corpus Val.Es.Co 2.0).
• 90 % de las grabaciones secretas recogidas en entornos reales (corpus Val.Es.Co 2.0)..

Fragmento de audio

Val.Es.Co. (s. f.). Fragmento de audio. Valencia: Val.Es.Co. (Valencia, Español Coloquial), Departamento de Filología Española, Universidad de Valencia. Consultado en http://valesco.es/photos/corpus.mp3

Fenómenos codificados

Val.Es.Co. (s. f.). Fragmento de transcripción siguiendo el sistema Val.Es.Co. Valencia: Val.Es.Co. (Valencia, Español Coloquial), Departamento de Filología Española, Universidad de Valencia. Consultado en http://www.valesco.es/photos/corpus.pdf

Val.Es.Co. (n.d.). Sistema de transcripción. Val.Es.Co., Valencia Español Coloquial. Valencia: Val.Es.Co. (Valencia, Español Coloquial), Departamento de Filología Española, Universidad de Valencia. Retrieved from http://www.uv.es/valesco/sistema.pdf

Referencias

Disponibilidad:

C-ORAL-ROM, Corpus integrado de referencia en lenguas romances

Contenidos

• 300.000 palabras para cada una de las 4 lenguas del corpus.
• Estilos de habla.
• Habla informal: 50 %.
• Habla formal: 35 %.
• Medios de comunicación: 15 %.
• Variación sociolingüística y acústica equivalente en las cuatro lenguas.

Muestras del corpus

Formato de los textos y estándares de codificación

• Codificación en XML (Extensible Markup Language) con posibilidad de conversión a formato .txt mediante macros.
• Alineación entre la señal sonora y la transcripción ortográfica mediante el programa WinPitch.
• Segmentación prosódica en enunciados y etiquetado prosódico en unidades tonales.

Fenómenos codificados

Referencias

Disponibilidad:

PRESEEA, Proyecto para el Estudio Sociolingüístico del Español del España y de América

Contenidos

• Conversaciones grabadas entre el investigador y los informantes seleccionados.
• Selección de los informantes a partir de criterios sociolingüísticos para conseguir una muestra estratificada.
• Entrevistas semi-dirigidas de unos 45 minutos de duración estructuradas en función de un conjunto de módulos:
• Saludos.
• El tiempo.
• Lugar donde vive.
• Familia y amistad.
• Costumbres.
• Peligro de muerte.
• Anécdotas importantes en la vida.
• Deseo de mejora económica.
• Final.

Archivo sonoro de muestra

PRESEEA. (s. f.). Archivo sonoro de muestra. Metodología: Recursos para la transcripciónó. Materiales del proyecto para el estudio sociolingüístco del español de España y de América (PRESEEA). https://preseea.uah.es/sites/default/files/2022-02/MALA_H23_001.mp3

Fenómenos codificados

• Paralenguaje.

• Fragmentos ininteligibles o interrupciones en la grabación.

• Pausas.

• Risa.

• Ruidos.

• Superposición de turnos.

• Palabras cortadas, correcciones y vacilaciones del hablante.

• Valores expresivos y modalidad oracional.

• Estilo directo.

Moreno Fernández, F. (Ed.). (2021). Marcas y etiquetas mínimas obligatorias para materiales de PRESEEA. PRESEEA, Proyecto para el estudio sociolingüístico del español de España y de América; Universidad de Alcalá. https://doi.org/10.37536/PRESEEA.2021.doc2

Referencias

Disponibilidad:

Véase también

Corpus de lengua oral en español