Actas da - Xunta de Galicia

— 154 —
Carmen García Mateo
Vogatel pertence á empresa Telefónica I+D, e foi recollida en 1996 pola
Universidade de Vigo. As súas características principais son:
• Gravacións de aproximadamente 7000 falantes (homes, mulleres e nenos).
• As gravacións transcribíronse a nivel ortográfico con información adicional
sobre a identidade do locutor, ruído, efectos paralingüísticos.
• A base de datos presenta material diferenciado para adestramento e para
avaliación.
Ó ser unha base de datos privada non está dispoñible para a comunidade
científica, nin para os desenvolvedores de aplicacións.
SpeechDat Gal atópase en fase final de captura e etiquetaxe. Constará de
1000 locutores repartidos de forma equilibrada entre sexo, idades, e procedencia
xeográfica. A anotación é ortográfica, seguindo as normas de etiquetaxe publicadas
polo consorcio SpeechDat.
A principal diferencia con Vogatel é que os locutores foron recrutados e non
escollidos ó chou, polo que estes locutores len un material prefixado. Coidáronse
aspectos tales como o nivel sociocultural dos informantes, potenciándose a
gravación de falantes do medio urbano e con certa formación académica, xa que
se estima que é este o grupo ó que se axusta en maior medida o perfil de usuarios
de teleservicios automáticos.
Aténdese tamén á representación das grandes áreas dialectais do galego, seleccionando
informantes procedentes de diferentes zonas. Ademais, contrólase a
procedencia e o lugar de residencia dos informantes.
Un aspecto que se ten tamén en conta é cál é a lingua materna e cál a lingua
habitual dos informantes. Así contrólase que haxa unha representación maioritaria
de 'bos' falantes, aínda que tamén se contempla certa presencia de falantes
cun menor dominio do galego, tendo en conta que en Galicia existe unha situación
de dúas linguas en contacto que provoca frecuentes interferencias. Estes
requisitos fixeron que o recrutamento de locutores sexa unha tarefa difícil.
Non só son necesarias bases orais para o desenvolvemento de recoñecedores
de fala, senón tamén grandes córpora de texto dos que extrae-las frecuencias das
cadeas de palabras. Para o idioma galego non existe na actualidade ningún corpus
de texto adecuado para adestrar modelos de linguaxe estatísticos, polo que
tivemos que pór en marcha un proxecto de captura de texto. Para iso desenvolveuse
un motor de busca en Internet que de forma automática recolle texto
xornalístico, clasificándoo en distintos tipos segundo o contido.
2.2. Probas de recoñecemento automático
Omaterial deseñado en SpeechDat Galego contén 740 semifonemas, polo
que cobre o 86.5% dos semifonemas posibles. A estas alturas atópase etiquetado
o 20%, e chegouse ó 80.2% de cobertura. A continuación móstranse as presta-