Китайсько-англійський політичний перекладацький корпус (англ. The Chinese/English Political Interpreting Corpus — CEPIC) — відкритий лінгвістичний паралельний корпус, який складається з транскрибованих та перекладених політичних промов китайською (кантонською та путунхуа), англійською мовами. Станом на 2022 рік корпус має обсяг у понад 6 млн токенів, тексти розмічені за граматичними категоріями слів, а також анотовані відповідно до просодичних та паралінгвістичних особливостей вимови дикторів. За словами розробників, корпус CEPIC створений для професійних письмових та усних перекладачів, особливо тих фахівців, які працюють з політичним дискурсом.

Загальна інформація

Корпус створено із текстів, що являють собою транскрибовані промови політичних діячів з Гонконгу, Пекіна, Вашингтона та Лондона, а також відповідні їх переклади. Усі тексти зібрані з матеріалів, що охоплюють 1997-2017 роки (на момент публікації). Охоплено як переклад з китайської на англійську, так і навпаки – з англійської на китайську. Основною тематикою політичних промов є читання державних доповідей, обговорення порядку денного, питання та відповіді на пресконференціях, парламентські дебати, та обговорення на двосторонніх зустрічах, які проводились на річній основі. Деякі промови перекладені письмово, а деякі синхронно і потім внесені в корпус з урахуванням всіх паралінгвістичних особливостей. Зокрема, промови з Гонконгу були перекладені з кантонської на літературну китайську (путунхуа) та англійську, а промови з Пекіна — з китайської на англійську. Інші два підрозділи текстів, тобто політичний дискурс з Вашингтона та Лондона, здебільшого включає промови англійською, проведені у схожих умовах (Які можна вважати монолінгвальним зразком для перекладів англійською).

Структура корпусу Китайсько-англійський політичний перекладацький корпус складається з паралельно відображених транскрибованих мовленнєвих сегментів англійською, кантонською та путунхуа. Надана таблиця демонструє кількість слововживань (токенів) за кожною мовою. +Табл. 1 Розподіл за мовою викладуМовні підрозділиСлововживанняКитайська (Кантонська та путунхуа)2,578,911 1,072,368

1,506,541Англійська3,815,083Всього6,393,994 Корпус включає 16 підкорпусів, що розподілені за мовою та видом політичного дискурсу, який представлений тими чи іншими текстами. +Табл. 2 Розподіл текстів за типомПершоджерела текстівСлововживання1Політичні звернення влади Гонконгу1,290,7742Пресконференції гонконгських політиків326,1943Фінансові промови (Гонконг)1,167,5304Пресконференції на тему фінансів (Гонконг)419,2365Доповіді про роботу уряду КНР782,7946Пресконференції урядовців КНР448,1117Доповіді президента США275,0188Пресконференції президента США266,6399Фінансові промови (США)73,11510Пресконференції урядовців США328,85011Виступи в парламенті Великобританії31,00612Дебати парламентарів Великобританії53,94113Фінансові промови (Великобританія)469,45214Фінансові дебати (Великобританія)376,72115Двосторонні зустрічі політиків КНР та США70,13816Двосторонні зустрічі політиків КНР та Великобританії14,473Всього6,393,994

Анотація Корпус СЕРІС розмічено за частинами мови (POS tagging) за допомогою автоматизованої системи Stanford CoreNLP 3.9.2. Англійськомовна розмітка також базується на праці «Part-of-Speech Tagging Guidelines for the Penn Treebank Project», а обидва різновиди китайської мови, представлені в корпусі, на «Part-Of-Speech Tagging Guide-lines for the Penn Chinese Treebank». Був задіяний напівавтоматичний принцип розмітки, а щоб підвищити рівень точності машинної анотації, тестові дані перевірялися вручну відповідно до підкатегорій, і такі тексти складають приблизно 30% корпусу. Процес задокументовано Джун Пен.

Розподіл текстів у корпусі

«Raw» — тексти промов та їх переклади, отримані з офіційних вебсайтів.

«Annotated» — переглянуті або нещодавно додані, транскрибовані промови та їх синхронні переклади, що базуються на аудіо або відео джерелах, отриманих з державних або журналістських архівів.

Зокрема, анотована частина корпусу була транскрибована та розмічена в такий спосіб, щоб точно передати особливості мовлення дикторів. Коли це було можливо, за основу були взяті як доступні офіційні тексти промов, так і автоматично згенерована транскрибація за допомогою технологій розпізнавання мовлення, щоб пришвидшити процес анотації.

Переведення живого мовлення в текстовий формат є стандартизованим процесом і має на меті якнайбільше точну репрезентацію мовлення спікерів. До того ж усі тексти кантонською були транскрибовані таким чином, щоб охопити якомога більше рис, які губляться в офіційно опублікованих текстах (напр. розмовні частки). Також у корпусі наприкінці кожного фрагмента надано посилання на офіційні тексти та аудіо/відео джерела (фото 2).

Наданий приклад у таблиці 3 демонструє різницю між «голим» текстом та його анотованою версією: +Табл. 3RawAnnotatedSo that is the big difference in our approach and the approach that I think might have

been debated about. (Press Conference of US Budget Speech, 1997-02-06)[er] So [that] that is the big difference [er] in our approach and the approach [er] that [er] I think [er] might have

been debated about. (Press Conference of USBudget Speech,1997-02-06） Як можна помітити, анотація передбачає зазначення різних просодичних та паралінгвістичних рис (напр. слова-паразити, хезитації, самоповтори й т.д.), які можуть бути важливими для вивчення мовлення, а також для усного перекладу.

Основні функції корпусу Платформа, на якій розміщено корпус, пропонує зручний для користування інтерфейс з 3 основними функціями.

Пошук за ключовими словами Користувачі можуть вводити запит англійською, традиційними або спрощеними китайськими ієрогліфами. Корпус оснащений системою лексичних асоціацій, отже, коли літери/ієрогліфи введені в поле для пошуку, суміжні варіанти будуть відображатися нижче від цього поля. +Табл. 2 Приклад параметрів, використаних для пошуку за ключовими словамиПараметрЗначенняСловоinterestingПосада мовцяЧлен парламенту ВеликобританіїЧасові рамки1997-2017ТипАнотоване

Також можна здійснювати пошук за просодичними/паралінгвістичними рисами, якщо перемкнутися на анотовану версію корпусу. Користувачі додатково можуть вказати більш просунуті параметри пошуку: частина мови, місце, ім’я мовця, посада мовця, стать, рідна мова, тип промови, стать перекладача, рідна мова перекладача, вид перекладу, а також часові рамки (доступні матеріали з 1997 по 2017 рік). Результати пошуку можна сортувати за роком, місцем, ім’ям. Результати пошуку можна завантажити файлом для власних потреб.

Словосполучення Користувач може автоматично отримати список 20 слів, що найбільш часто зустрічаються у сполученні із заданим. Діапазон пошуку у цьому випадку складає 7 слів перед та після предмета пошуку.

Якщо користувач клікає на один із варіантів сполучуваності, відображається таблиця конкордансу з відповідним словом.

Розширений пошук за ключовими словами у контексті Користувач може клікнути на ключове слово, щоб отримати розширений контекст його вживання. Це включає інформацію, що відображається на 6 вікнах з одним і тим самим сегментом тексту різними мовами й у всіх можливих його версіях на рівні абзацу.

Відповідники до предмета пошуку, слова «interesting» у першому слововживанні (Фото 5) у перекладах є іменники — ”hing3ceoi3” (трад. 興趣) кантонською та ”xing4qu4” (спрощ. 兴趣) путунхуа, що, власне перекладаються у загальному випадку як «interest». Проте у другому слововживанні (Фото 6) відповідники інші — ”jau5ceoi3” (трад. 有趣) кантонською та ”you3yi4si1” (спрощ. 有意思) путунхуа, що перекладається ідентично, але використовується по відношенні до чогось більш веселого. Ці приклади демонструють різні підходи до перекладу, якими може скористатися фахівець, застосувавши зібрані в корпусі дані. [цифрами у транскрипції позначено тон].

Завдяки цій детальній інформації про контекст, перекладачі можуть легко знайти інформацію про те, як певне слово перекладене англійською та путунхуа/кантонською. Корпус дозволяє вивчати, як слова та їх контекст оброблені у письмовому та усному викладі, або навіть отримати інформацію про різну інтерпретацію самовиправлень у синхронному перекладі.

Примітки