口譯語料庫的編碼與標記:以SIDB為例

輔仁大學(臺灣) 楊承淑

口譯語料庫的編碼與標記:以SIDB為例

輔仁大學(臺灣) 楊承淑

關于口譯語料庫的建置與研究，迄今以名古屋大學1999-2003年之間開發(fā)的英日/日英同步口譯語料庫(SIDB，Simultaneous Interpretation Data Base)為最大，約達100萬字。該研究團隊在此基礎上，進行了一系列檢證口譯產(chǎn)出特征的量化研究。本研究首先將針對SIDB口譯語料庫加以評估，并分析其編碼與標記之功能及特征。其次，亦將評述前述口譯語料庫所展開的研究成果，以厘清該語料庫之定位及效益。借此，期能將現(xiàn)行語料之編碼與標記具有之優(yōu)勢及其應避免之劣勢，提出客觀描述與評估。

SIDB評估；SIDB科研成果；同傳研究面向；案例分析

一、前言

關于口譯語料庫的建置與研究，迄今以名古屋大學1999-2003年之間開發(fā)的英日/日英同步口譯語料庫(SIDB，Simultaneous Interpretation Data Base)為最大，約達182小時(聽寫成100萬字)。該研究團隊在此基礎上，自2001-2006年進行了一系列檢證口譯產(chǎn)出特征的量化研究。

本研究將從其建庫到研究成果產(chǎn)出的10年期間，針對該研究團隊的學術活動，分析其成員屬性、主題分布、經(jīng)費運用、學術成果、主要特色等，作為今后口譯語料庫大規(guī)模建置及研究開展上的借鑒。

其次，在掌握前述信息的基礎下，將以SIDB語料庫的編碼與標記，進一步描述其建置架構并評估其優(yōu)勢與特色，并與其研究產(chǎn)出之間的關系提出評估報告。

二、SIDB描述

該團隊核心成員松原茂樹(2001:86)的研究報告指出該語料庫是源于名古屋大學“統(tǒng)合音響情報研究據(jù)點”(CIAIR，Center for Integrated A-coustic Information Research)武田一哉教授(Kazuya Takeda)于1999-2003年執(zhí)行文部省COE(Center of Excellence)計劃所衍生的一項研究①總計劃由板倉文忠教授以“多元音響信號の統(tǒng)合的理解”為題任總主持人，武田教授所執(zhí)行的僅是其中四個子計劃之一。該子計劃5年共獲8億2260萬日元(約1000萬美元)科研直接經(jīng)費。1999年:2億6千萬，2000年:1億8千萬，2001年1億7千萬，2002年1億900萬，2003年1億2393萬日元。。其龐大的科研經(jīng)費主要是投入多元音響信號的綜合理解之用，包括汽車行進間的話語辨識及過濾噪聲等研究。

前述研究團隊為了追求口譯自動化的目標，因而于1998-1999年開始著手雙語同傳語料庫的建置準備。當時他們所嘗試的是一種“漸進式的英日口語翻譯手法”(松原茂樹等1998，1999)，亦即順著小句的詞序，采取順句驅動的方式產(chǎn)出譯語。然而，他們認為唯有從職業(yè)譯員獲取真實的口譯語料，才能為自動化的口譯產(chǎn)出找到最佳范本，以利系統(tǒng)的設計與運作。以下是SIDB語料庫的概要:

表1 SIDB語料庫概要

該語料庫的建置除了以支持自然語言處理、認知科學、認知語言學、口譯研究、口譯教學、外語教學等多功能用途為其目標之外，最大的夢想是追求口譯的自動產(chǎn)出。甚至，包括在電話、車內(nèi)等伴隨雜音的環(huán)境下，得以自動產(chǎn)生優(yōu)質的口譯?；诖耍麄冊谠撜Z料庫的語音標記及時間信息上，格外要求精細的記載。而這也是該研究主旨——“多元音響信號的綜合理解”的落實與詮釋。

三、SIDB的編碼與標記

SIDB語料庫的語料分成獨白與對話兩種類型。前者由職業(yè)譯員擔任口譯，并由真人進入玻璃錄音室，讓譯員在可看到并聽到源語講者的情況下進行同傳。而對話語料則采取面對面與仿真電話的非面對面形式，譯員口譯時可以聽到兩位對話者的話語內(nèi)容，以掌握完整的語境。收錄情況如下:

圖1 語料收錄情況

在編碼方面，研究團隊針對收錄語料時的背景數(shù)據(jù)、語料特征、說話者與譯員及其話語媒介等信息分別加以編碼。主要可分類為:背景環(huán)境、語料特征、話語講者、話語界面。詳見表2:

表2 SIDB編碼類別與內(nèi)容

該語料的標記采取的是自動化語料標記(tagging)方式，可分話語篇章標記、時間信息標記、話語語流標記。以下，將針對各項標記的定義、目的、功能、特征等提出詳細描述。

所謂“話語篇章標記”，指的是該語料的語音聽寫方式。該團隊采取的是日本國立國語研究所制訂的“日語口語語料庫(CSJ)”基準。也就是說，以200msec以上的停頓為其切分(segment)依據(jù)，并將此視為一個話語單位(松原茂樹等2001: 92)。而這樣做的目的是為了找出一個明確客觀的分割信息依據(jù)，同時也可借此確定話語的基本單位。如此，就可以寫出程序，并透過程序去自動擷取及分割話語信息，而停頓兩秒以上即形成一個可客觀辨識的話語標志(discourse marker)，有助研究人員據(jù)此探究口譯產(chǎn)出時的認知意義并加以分類。

由于日語有漢字與假名混雜的現(xiàn)象，故除了第1行是紀錄話語的時間序列，第2行是源語的聽寫文字，第3行則是語音標記(以片假名標示前一行語音的加工程序)。而英語則只有兩行——時間序列與源語文字，而無語音標記。詳參以下表示時間信息的標記圖標(圖2):

圖2 SIDB英語講者對話內(nèi)容

圖3 SIDB英日語譯員話語內(nèi)容

在“時間信息標記”方面，包含前述水平紀錄的時間序列與源語文字形成水平走向(圖4)及垂直方向的時間序列紀錄。(圖5)

圖4 SIDB時間信息標記(去除其他標記)

SIDB團隊充分運用了他們在時間標記上的信息，在后續(xù)的研究成果中展現(xiàn)了可觀的成績。其研究課題包括:同傳譯員發(fā)聲時點分析、同傳與交傳的時間特征、同傳中的停頓、同傳產(chǎn)出延遲分析、語速變動分析、應答詞的插話時機等。該團隊在時間標記上共提出19篇論文，其中與同傳相關的論文即達14篇?？梢?，同傳研究與時間信息標記之間的關聯(lián)性頗高。

圖5 SIDB對話的時間信息標記

至于“話語語流標記”，主要針對口語表達時的不流暢、語音異常等現(xiàn)象加以標示。例如，發(fā)語詞(F，filler)、不完整詞語(D)、口誤(W)、元音拉長(H)、子音拉長(Q)、元音不確定(FV)、句尾(SB)。最后，在句子結束處加上的標記(PB)，則用于識別及切分之用。詳如表3:

表3 SIDB標記類別與內(nèi)容

針對以上標記，該團隊還研發(fā)了一套可自動對齊(alignment)的支持軟件，以利標記作業(yè)的統(tǒng)一性。其功能包括顯示雙語語料分句對齊、時間標記(含非時間標記的排除)、詞素分析結果等窗口。參見圖4、圖5及下頁圖6、圖7，可知表3中的各類標記都已完整顯于其中。

圖6 SIDB雙語語料對齊視窗

圖7 SIDB詞素分析標記

四、SIDB的研究成果

SIDB語料內(nèi)容配合前述編碼與標記，及對齊與分析等軟件的運作下，該團隊以松原茂樹為核心，自1994-2012年陸續(xù)提出319篇論文①這319篇論文是以松原茂樹列名其中的論文為標的，擷取自日本CiNii學術網(wǎng)。，其中85篇為英文，229篇為日文。主要研究課題包括以下各項，內(nèi)容扼要摘述如下:

以下，包括SIDB各類論文篇數(shù)、同傳研究的分布情況，及其出版高峰期等數(shù)據(jù)，請詳見下頁表5。事實上，SIDB的建置雖是1999-2003年，但顯然關于話語理解、譯法分析等研究，早在1994-1998年就已著手啟動。到了1999-2003年的計劃執(zhí)行時期，此時的研究集中在話語理解、話語分析、譯法分析、語音處理、語料庫設計等課題，亦即語料分析與工具開發(fā)上。

而在2004-2012年之間，研究課題則偏向時間信息、話語分析、文本處理、文本分析、語料庫設計。此時的研究面向，開始以英語或日語的話語/書面的分析與處理(含自動產(chǎn)出)為目標。顯然，可以劃分為三個主要階段。詳見下頁表6。

而另一方面，對于同傳的研究成果及其分布情況，亦令人深感好奇。首先，我們發(fā)現(xiàn)同傳的相關成果，僅分布于1996-2009年，高峰期為2000-2009年。然后，47篇論文中篇數(shù)最多的研究課題是時間信息與語料庫設計，然后則是譯法分析與話語分析。

而同傳的相關研究中，從下頁表7可看出語料庫設計占了1/3，且集中分布于2000-2005年。同樣也占1/3分量的是語料的時間信息所衍生的研究，主要分布于2005-2009年。除此之外的連續(xù)分布則見于譯法分析，在2003-2006年之間。而對照表6可知，時間信息是同傳口譯產(chǎn)出類型的特征研究，同時也是一項貫穿三階段(前置、執(zhí)行、應用)，執(zhí)行期間未曾中斷的骨干內(nèi)容。

表7是研究成果的逐年分布情況:

表4 SIDB研究主題類別

表5 SIDB核心成員1994-2012年研究成果一覽

表6 SIDB各階段研究課題(1994-2012)

表7 SIDB同傳研究課題分布一覽(1996-2009)

然而，表7中較令人意外的是話語分析(僅6篇)，且主要集中在2006年(4篇)。也就是說，同傳的話語分析在SIDB的研究推進過程中，并非持續(xù)研究的主要課題。而事實上，在近20年的研究歷程中，話語分析是成果偏高的面向，但其中的同傳研究比重明顯偏低。此外，另一耐人尋味的現(xiàn)象則是時間信息的研究成果。主要成果是在該計劃執(zhí)行結束之后(1999-2003)，才連續(xù)5年又提出了12篇論文。整體而言，SIDB近20年的研究歷程中，一貫穩(wěn)定產(chǎn)出的研究課題有下列各項:

表8 SIDB連續(xù)穩(wěn)定產(chǎn)出之研究課題

而各項持續(xù)性研究課題的產(chǎn)出高峰期及其重疊期如下圖7。

圖7 SIDB持續(xù)性研究課題的產(chǎn)出時期

從表8與圖7亦可看出，SIDB團隊發(fā)展同傳期間(1999-2003)，正是各項持續(xù)性研究課題的第一個高峰期。然而，在此之后的研究期間，顯然圖7中的四項研究課題的比重日益提升。此外，英/日文書寫文本的自動抽取等加工處理，已然是其重要的核心議題。同時，配合分布于2009-2010年的人工智能與2010與2012年的認知分析，可知發(fā)展自動翻譯系統(tǒng)應是其主要目標。換言之，SIDB的重心已經(jīng)從口譯逐漸轉入筆譯領域了。

五、SIDB編碼與標記及其研究成果

若要探究何以SIDB在建置成為全球最大的同步口譯語料庫之后，其同傳研究卻消逝得如此迅速，其原因與編碼與標記的設計密切相關。

首先，觀察其編碼與標記的內(nèi)容，可知并未反映在其研究成果中。例如，編碼中對于口譯員資歷的分類，并未在其后續(xù)成果中展現(xiàn)資深(3年以上)與資淺(3年以下)譯員的口譯表現(xiàn)有何差異(表2)。

而標記方面，關乎譯員認知表征的口譯錯誤或失誤，如發(fā)語詞(F)、改口(R)、不完整詞語(D)、句中停頓(PS)等重要的口譯表現(xiàn)，也并未在研究中提出相關成果。換言之，對于口譯的譯語內(nèi)容或技巧表現(xiàn)(performance)等，該團隊并未賦予相應的關注。

其實，在擁有前述編碼與標記的情況下，其中與譯語語流相關的譯員認知標記及語音異常標記，以及語料特征與譯員資歷、話語接口等編碼，對于口譯技能與策略的探究，似乎值得進一步加以關注。以口譯技能而言，不同口譯資歷譯員(3年以上或以下)，針對同一語篇的同傳表現(xiàn)，必然是該團隊當初關注的一項焦點，且因而投注的資金與心力也相當可觀。

然而，SIDB自1994-2012年陸續(xù)提出的319篇論文中，卻沒有任何一篇是探討不同資歷譯者技能表現(xiàn)的。這一點，確實令人不解?；蛟S，該團隊并未將語流的遲滯與語音的偏移，視為口譯技能發(fā)展中有意義的標志，才導致該項研究議題產(chǎn)出不彰的結果。

假使這一假設成立的話，只要從資深譯員是否較資淺譯員語流更為順暢、語音偏移更少，即可得知口譯技能發(fā)展程度是否與此相關。就量化研究而言，若要證明其結果，數(shù)據(jù)應如探囊取物，可說易如反掌。

然而，研究團隊所關注的重點，大都圍繞在時間信息的基礎上——包含語速、停頓、源語與譯語的時序落差、發(fā)語詞(F)與聽取效果的關系、日譯英/英譯日與譯語延遲的比較等。

這些成果(共14篇)主要針對語速或停頓對于聽取理解的影響，并提出量化的測定報告(2005年3篇，2006年1篇)。同時，也運用軟件切分語音/文本語料，提出精細的時間測定數(shù)據(jù)(2002年1篇)。如，同傳與交傳的時間效益比較(2003年1篇)、源語與譯語的時序落差(2006年1篇，2007年1篇)、自動推估單詞發(fā)聲時間(2007年1篇，2008年1篇)、日譯英/英譯日與譯語延遲比較(2007年1篇)等。其后的研究成果則集中在譯員的語速變動(2008-2009年3篇)等。

圖8 時間信息的研究課題及其出版時期

而譯法方面共計8篇。他們提出口譯時的主要套式、信息單位、銜接手法(分割、省略、反復)、順句驅動、句構特征、從屬句譯法、省略手法(省略、壓縮)等。(各年度論文篇數(shù)如圖9所示)

圖9 譯法分析的研究課題及其出版時期

而在話語特征方面共計6篇論文。1996年9月，他們首先提出對話的日語譯語特征為主題變換、分割、倒置、反復、改口(糾正)及發(fā)語詞的高頻現(xiàn)象等。只是，這樣的發(fā)現(xiàn)僅出現(xiàn)于語料庫尚未開始建置的1996年，建置初期(2000年)僅完成一篇對話語料庫分析的論文。而建置完成之后(2006年4篇)，反而并未提出與最初規(guī)劃時足以呼應且有持續(xù)性的研究成果。4篇論文主題分別是:教學應用、發(fā)語詞對聽眾理解的影響、演講的同傳類型、對話翻譯的日語發(fā)言分割。

圖10 話語特征研究及其出版時期

圖11 語料庫研究課題及其出版時期

而占相同比重(14篇)的還有語料庫設計研究，持續(xù)產(chǎn)出于2000-2005年?？梢娕c同步口譯相關的工具開發(fā)，與其科研項目的執(zhí)行是密切相關的。其中主要課題包括語料庫設計與利用和對齊手法及其評估。相對而言，這些都是比較概論性質的論文。不過，他們在此同時也申請了兩項專利。分別是自動抽取摘要和翻譯套式(2004-2005)。

回顧該語料庫的研發(fā)，得之于編碼與標記的研究成果似乎可說偏低。尤其，從總體319篇而言，更是相形見絀。

六、結語:展望今后

從全球首度研發(fā)完成的百萬字口譯語料庫的成果剖析看來，似乎令人不無遺憾。其癥結點在于口譯語料庫并非信息科學產(chǎn)品，其分析與研究若無口譯學界的加入，甚難發(fā)現(xiàn)以口譯為核心的問題意識，亦導致其成果受到局限。

反之，從近幾年的口譯研究課題可知，舉凡口譯技巧、評量、策略、模式、過程研究、專技發(fā)展等，以語料庫為工具所做的分析較之過往的觀察研究，證據(jù)力與解釋性皆可大幅提升，頗值得投入此一領域。此外，SIDB的內(nèi)容是可價購取得的，若與中英、中日等語言組合交互運用，其規(guī)?？梢詳U增達數(shù)倍。而且，該語料精確性極高，值得以更具兼容性的接口重制并加以引介推廣。

松原茂樹等.2001.同時通訳コーパスの設計と構築[J].通訳研究(1):85-102.

松原茂樹等.1998a.漸進的な話し言葉翻訳における翻訳処理単位の検討[A].電気関係學會東海支部連合大會講演論文集[C].

松原茂樹等.1998b.漸進的な機械翻訳のための文法規(guī)則の変換手法[A].言語処理學會第4回年次大會論文集[C]. 500-503.

松原茂樹等.1999a.英日話し言葉翻訳のための漸進的文生成手法[A].情報処理學會[ed.].情報処理學會研究報告[R].NL-132，95-100.

松原茂樹等.1999b.文脈自由文法の変換に基づく漸進的な話し言葉翻訳手法[A].情報処理學會[ed.].第59回情報処理學會全國大會講演論文集(2)[C].357-358.

松原茂樹等.1999c.漸進的構文解析における構文的曖昧性とその解消[A].一般社団法人情報処理學會[ed.].情報処理學會研究報告[R].NL-134，117-122.

遠山仁美，松原茂樹.2004.CIAIR同時通訳データベースの構築と利用(セッション1)『<特集>人間による言語理解·言語処理』.

SIDB.2006.同時通訳データベース·マニュアル獨話/対話[OL].[08-09].http://slp.el.itc.nagoya-u.ac.jp/sidb/.

CiNii.2014.松原茂樹[OL].[10-18].http://ci.nii.ac.jp/nrid/1000020303589.

(責任編輯 侯 健)

H059

A

2095-5723(2014)04-0082-07

2014-09-08

本文系臺灣“國科會”專題研究項目“生手、新手、老手的口譯技能與策略研究”(100-2410-H-030-052-MY2，2011-2013)成果之一。

通訊地址：24205 臺灣新北市 輔仁大學跨文化研究所