FormosanBank的XML格式

FormosanBank使用的XML格式是以Pangloss Collection為基礎的標準化結構，以確保語料庫的一致性並利於計算處理。此格式也提供詳細的語言學標註和後設資料管理，使研究人員、語言愛好者和開發者能易於瀏覽、分析和整合語料。同時，採取統一格式，將促進FormosanBank的透明度以及與其他語言學工具、資源的互通性，使其成為該計畫技術架構下的關鍵組成要素。

基本結構

XML格式遵循層級結構，主要元素的組織方式如下：

<TEXT xml:lang="fr" source="" audio="">
    <S>
        <W>
            <M>
            </M>
        </W>
    </S>
</TEXT>

帶有ID屬性的範例

每個元素都包含唯一的識別符（id），以便引用：

<TEXT xml:lang="ami" id="story1">
    <S id="S1">
        <W id="S1W1">
            <M id="S1W1M1">
            </M>
        </W>
    </S>
</TEXT>

<TEXT>元素

<TEXT>代表整個文檔。<TEXT>是根元素，只能有<S>標籤作為子元素。<TEXT>元素必須包含以下屬性：

  • id：文本的唯一標識符；跨資源中唯一。

  • citation：對原始來源的APA格式引用。關於此XML文本的使用者需附上此引用並同時引用FormosanBank。如果有多個與語料庫（XML檔案）相關的引用，這些引用會以「|」分隔符分隔。

  • BibTeX_citation：對原始來源的BibTeX格式引用。如果有多個與語料庫（XML檔案）相關的引用，這些引用會以「,」分隔符分隔。

  • copyright：版權或授權訊息（例如：CC BY）。

  • xml:lang：語言代碼，使用ISO 639-3標準。

可選屬性可能包括：

  • source：對原始檔案、章節或其他相關細節的描述。如果此檔案包含原始來源的所有內容，則此屬性與citation屬性重複，不會使用。source屬性沒有特定格式；它應包含足夠的訊息，讓使用者能夠將XML中的內容與原始來源對應起來。

  • audio：關聯語音檔案的名稱。如果音檔已進行分段處理（diarization），且無對應整個XML的單一音檔，則此屬性會設置為“diarized”。

  • glottocode：指定特定方言時，則使用Glottolog代碼。

  • dialect：用於標示使用中的臺灣南島語方言名稱。僅在方言名稱對應於42個官方方言之一時才會使用。如需更多資訊，請參見下一單元臺灣南島語方言。

<S>、<W>和<M>元素

  • <S>：代表一個句子或語句；只能是<TEXT>元素的子元素。

  • <W>：代表一個詞彙；只能是<S>元素的子元素。

  • <M>：代表一個語素；只能是<W>元素的子元素。

這三種元素採用（並且需要）的唯一屬性是id屬性。

<FORM>元素

在<S>、<W>和<M>的最低層級中，必須使用<FORM>元素來表示文本內容。<FORM>元素只能作為<S>、<W>和<M>元素的子元素。<FORM>必須出現在階層結構的最低層級，但也可以同時存在於多個層級中：

<S id="S14">
    <FORM>tɐrú kə mənaŋorɐ nə...</FORM>
    <W>
        <FORM>tɐrú</FORM>
    </W>
    <W>
        <FORM>kə</FORM>
    </W>
    <W>
        <FORM>mənaŋorɐ</FORM>
    </W>
</S>

<FORM>元素有一個選擇性的屬性──kindOf，該屬性有兩種使用情境：

  • 用於表示音韻轉寫，此時屬性值為 "phono"。

  • 用於標示具有多種書寫系統的語言所使用的書寫系統，書寫系統列表可在此處查詢。

FormosanBank 的 XML 格式確保了語料的全面呈現，既支持詳細分析，也支持高層次探索。

<AUDIO>元素

<AUDIO>元素將特定音檔片段與XML中的語言元素（如句子、詞彙或語素）連結，確保使用者可以將文本語料與相應的音檔對應起來。

屬性：

  • start與end：當整個 XML 文件與單一大型音訊檔案相關聯時使用。這些屬性表示音檔片段的起始與結束時間（以秒為單位），從檔案的開頭開始計算。

  • file與url：當音檔經過分段處理（即每個元素如句子或詞彙有各自的音檔）時使用。file屬性指定該片段的音檔，url屬性（選擇性）提供觸接該檔案的網絡連結。

使用場景：

  1. 單一大型音訊檔案：當單一音檔涵蓋整個XML文件時（在<TEXT>標籤的 audio屬性中引用），<AUDIO>元素將包括start和end屬性，以指示相關片段的時間範圍。

範例：

<AUDIO start="10.5" end="12.8"/>

  1. 分段音訊檔案：如果每個元素（如句子、單詞等）皆有提供單獨的音檔，則 <TEXT>標籤的audio屬性將設置為"diarized"。在這種情況下，<AUDIO>元素將使用file屬性指示相應的音檔，並可選擇包含url屬性，以提供音檔的網絡連結。

範例：

<AUDIO start="0" end="4.23" file="sentence1_audio.mp3" url="https://example.com/audio/sentence1_audio.mp3"/>

<TRANSL>元素

<TRANSL>元素用於提供語言元素（句子、單詞或語素等）的翻譯。它置放在XML架構的不同層級，以提供適當細緻程度的翻譯。

屬性：

  • xml:lang: 翻譯的語言代碼，使用ISO 639-3標準。

  • kindOf（選擇性）：指定用來生成翻譯的方法或工具，例如中間語言或翻譯軟體（例如：kindOf="DeepL"）。建議在可行時包含軟體版本，以便進行更完整的記錄。

使用指引：

  1. 句子層級翻譯：當放置於<S>元素內時，<TRANSL>標籤提供整個句子或語句的翻譯。

範例：

<S id="S1">
    <FORM>This is a sentence.</FORM>
    <TRANSL xml:lang="en">This is a sentence.</TRANSL>
    <TRANSL xml:lang="fr" kindOf="manual">Ceci est une phrase.</TRANSL>
</S>

  1. 詞彙層級翻譯：當放置於<W>元素內時，<TRANSL>標籤提供該特定詞彙的翻譯。

範例：

<W id="W1">
    <FORM>ʕa</FORM>
    <TRANSL xml:lang="en">I</TRANSL>
</W>

  1. 語素層級翻譯（Leipzig萊比錫註釋）： 對於遵循萊比錫規則的語言學註釋，可在<M>元素內使用<TRANSL>元素提供語素層級的註釋。

範例：

<W>
    <M>
        <FORM>ʕa</FORM>
        <TRANSL xml:lang="en">1SG</TRANSL>
    </M>
</W>

注意：範例中未包含<W>和<M>元素的class或subclass屬性，也未包含 <TRANSL>元素的ver屬性。

Previous貢獻者Next臺灣南島語方言

Last updated