口译语料库的编码与标记：以SIDB为例

      关于口译语料库的建置与研究，迄今以名古屋大学1999-2003年之间开发的英日/日英同步口译语料库（SIDB，Simultaneous Interpretation Data Base）为最大，约达182小时（听写成100万字）。该研究团队在此基础上，自2001-2006年进行了一系列检证口译产出特征的量化研究。

      本研究将从其建库到研究成果产出的10年期间，针对该研究团队的学术活动，分析其成员属性、主题分布、经费运用、学术成果、主要特色等，作为今后口译语料库大规模建置及研究开展上的借鉴。

      其次，在掌握前述信息的基础下，将以SIDB语料库的编码与标记，进一步描述其建置架构并评估其优势与特色，并与其研究产出之间的关系提出评估报告。

      二、SIDB描述

      该团队核心成员松原茂树（2001：86）的研究报告指出该语料库是源于名古屋大学“统合音响情报研究据点”（CIAIR，Center for Integrated Acoustic Information Research）武田一哉教授（Kazuya Takeda）于1999-2003年执行文部省COE（Center of Excellence）计划所衍生的一项研究①。其庞大的科研经费主要是投入多元音响信号的综合理解之用，包括汽车行进间的话语辨识及过滤噪声等研究。

      前述研究团队为了追求口译自动化的目标，因而于1998-1999年开始着手双语同传语料库的建置准备。当时他们所尝试的是一种“渐进式的英日口语翻译手法”（松原茂树等1998，1999），亦即顺着小句的词序，采取顺句驱动的方式产出译语。然而，他们认为唯有从职业译员获取真实的口译语料，才能为自动化的口译产出找到最佳范本，以利系统的设计与运作。以下是SIDB语料库的概要：

      

      该语料库的建置除了以支持自然语言处理、认知科学、认知语言学、口译研究、口译教学、外语教学等多功能用途为其目标之外，最大的梦想是追求口译的自动产出。甚至，包括在电话、车内等伴随杂音的环境下，得以自动产生优质的口译。基于此，他们在该语料库的语音标记及时间信息上，格外要求精细的记载。而这也是该研究主旨——“多元音响信号的综合理解”的落实与诠释。

      三、SIDB的编码与标记

      SIDB语料库的语料分成独白与对话两种类型。前者由职业译员担任口译，并由真人进入玻璃录音室，让译员在可看到并听到源语讲者的情况下进行同传。而对话语料则采取面对面与仿真电话的非面对面形式，译员口译时可以听到两位对话者的话语内容，以掌握完整的语境。收录情况如下：

      

      在编码方面，研究团队针对收录语料时的背景数据、语料特征、说话者与译员及其话语媒介等信息分别加以编码。主要可分类为：背景环境、语料特征、话语讲者、话语界面。详见表2：

      

      该语料的标记采取的是自动化语料标记（tagging）方式，可分话语篇章标记、时间信息标记、话语语流标记。以下，将针对各项标记的定义、目的、功能、特征等提出详细描述。

      所谓“话语篇章标记”，指的是该语料的语音听写方式。该团队采取的是日本国立国语研究所制订的“日语口语语料库（CSJ）”基准。也就是说，以200msec以上的停顿为其切分（segment）依据，并将此视为一个话语单位（松原茂树等2001：92）。而这样做的目的是为了找出一个明确客观的分割信息依据，同时也可借此确定话语的基本单位。如此，就可以写出程序，并透过程序去自动撷取及分割话语信息，而停顿两秒以上即形成一个可客观辨识的话语标志（discourse marker），有助研究人员据此探究口译产出时的认知意义并加以分类。

      由于日语有汉字与假名混杂的现象，故除了第1行是纪录话语的时间序列，第2行是源语的听写文字，第3行则是语音标记（以片假名标示前一行语音的加工程序）。而英语则只有两行——时间序列与源语文字，而无语音标记。详参以下表示时间信息的标记图标（图2、图3）：

      

      

      在“时间信息标记”方面，包含前述水平纪录的时间序列与源语文字形成水平走向（图4）及垂直方向的时间序列纪录（图5）。