![3D"Interfaz](3D"6.Rufino_archivos/image001.jpg")
![3D"Cuadro](3D"6.Rufino_archivos/image002.gif")
Estudio
comparativo de métodos de transcripción para corpus orales: el
caso del español
Comparative study of transcription methods for spo=
ken
corpus: the case of Spanish
Marimar
Université de Montréal, Canadá
Mdm.rufino.morales@umontreal.ca
RESUMEN
Los avances tecnológicos han propulsado la metodología de
investigación en transcripción. Los programas para corpus
lingüísticos basados en modelos estadísticos y de
aprendizaje profundo han mejorado las fases de alineación y
anotación. En cambio, cuando se trata de transcribir el material, la
carga interpretativa y la propia naturaleza de las conversaciones obstaculi=
zan
la automatización del proceso. De esta manera, la transcripció=
;n
de entrevistas destinadas al estudio de la lengua oral se sigue haciendo co=
n un
reproductor y un teclado, y puede convertirse en uno de los aspectos m&aacu=
te;s
largos del procesamiento de datos. Sin embargo, en otros contextos
profesionales, el reconocimiento automático del habla se emplea para
transcribir de forma eficaz gracias a la colaboración
humano-computadora. Las técnicas y estrategias difieren, pero todas
tienen en común que estabilizan las fluctuaciones de las herramientas
informáticas y son más rápidas que otros método=
s.
En este estudio se ha utilizado una de ellas, el rehab=
lado
off-line con las entrevistas del Corpus oral de la lengua
española en Montreal. Se ha medido el tiempo empleado, así co=
mo
la precisión y se ha comparado con el reconocimiento automáti=
co
del habla y con la mecanografía. El rehablado off-line
ha permitido el uso de un programa automático de dictado en su estado
actual como herramienta para potenciar la transcripción de entrevist=
as
en menos tiempo y con menos errores.
Palabras clave: rehablado, =
transcripción,
reconocimiento automático del
habla, programa de dictado=
,
corpus oral
ABSTRACT
Technological advances have propelled the
research methodology in transcription. Language corpus tools based on
statistical models and deep learning have improved the alignment and annota=
tion
phases. However, when it comes to transcribing the material, the
conversation’s interpretive load and nature themselves hinder automat=
ion
of the process. That is why interviews used for studying spoken language are
still transcribed with a player and keyboard, which can constitute one of t=
he
most time-consuming aspects of data processing. In other professional conte=
xts,
automatic speech recognition is used to transcribe effectively through
human-computer collaboration. The techniques and strategies may differ, but
they all stabilize fluctuations in computing tools and are faster than other
methods. In this study, the off-line respeaking
method was used to transcribe the interviews of the Spoken Corpus of the
Spanish Language in Montreal. Transcription times and accuracy were measured
and compared with automatic speech recognition and typing. Off-line respeaking, using automatic speech-to-text software i=
n its
current state, proved to be the fastest and most error-free method for
transcribing interviews.
Keywords:
respeaking, transcription, automatic speech
recognition, speech-to-text software, spoken corpus
1. Introducción
Los avances tecnológico= s de las últimas décadas han propulsado la metodología de investigación en todos los ámbitos. También en lingüística, los corpus orales, herramienta esencial para el es= tudio del lenguaje humano, han aligerado las ineludibles fases previas de recopilación, transcripción y almacenaje de material. Alentad= os por el rendimiento que ofrecen numerosos ingenios de uso diario, no pocos investigadores han sometido las grabaciones de las entrevistas a uno o vari= os programas automáticos de dictado para llevar a cabo su transcripción. La gran oferta de programas para corpus lingüísticos donde se amalgaman transcripción, alineación, anotación (Kreuz y Riordan, 2018), identificación y análisis de patrones fomenta= la expectativa de automatizar la transcripción ortográfica del material.
La Inteligencia Artificial y el aprendizaje profundo han mejorado, de manera insólita, la precisión de aquellos primeros programas de dict= ado que comenzaron a inundar nuestros mercados a principios de los 90. Su aplic= ación en el reconocimiento automático del habla (RAH) propulsó, a finales de 2016, un punto de ruptura: la paridad con el humano (Xiong et al., 2016)<= /span>. En este proceso de reconocimiento automático, basado= en las redes neuronales artificiales, la voz se convierte en texto de forma ca= si instantánea y, sin embargo, intervienen innumerables operaciones de tratamiento del lenguaje natural. Es preciso analizar la señal, procesarla, codificarla, sintetizarla (Li Deng y Yang Liu, 2018). Sin el desarrollo de la microelectrónica (que aumentó la potencia y miniaturización de procesadores y memor= ias) y de la informática (que favoreció la expansión de las técnicas de comunicación y la interconectividad de las redes), nada hubiera sido posible (Mariani, 2002). Casi un siglo de numerosos experimentos e ingentes esfuerzo= s de colaboración internacional separan a los asistentes virtuales como S= iri o Cortana del vocoder, aquel sintetizador de voz creado en los laboratorios de Bell (Dudley, 1958)= y presentado en la Exposición Universal de Nueva York= en 1939.
U=
nos datos
tan prometedores merecen ser aclamados, pero también han de ponerse =
en
perspectiva; de hecho, las transcripciones destinadas al estudio de la leng=
ua
hablada las siguen haciendo los humanos (Durand, 2017)=
. A las numerosas decisiones que hay que tomar durante el pro=
ceso
de transcripción, y que lo alejan de un acto puramente mecáni=
co (Ochs, 1979), se suman las limitaciones propias de esta tecnología=
de
RAH. Por una parte, el entrenar modelos acústicos con aprendizaje
profundo nos proporciona datos falsamente reales (Saon et al., 2017). Por ejemplo, si en el laboratorio 'enseñamos' a un
programa de RAH abasteciéndolo con cuarenta entrevistas semidirigidas
extraídas de un corpus que contiene sesenta, realizadas todas ellas =
por
la misma persona, quien a su vez ha formulado siempre más o menos las
mismas preguntas, probablemente que la transcripción de las veinte
entrevistas restantes con ese mismo programa una vez entrenado, sea excelen=
te.
Por otra, a pesar de que muchos científicos trabajan intensamente pa=
ra
mejorar las tecnologías del habla (Zweigenbaum et al., 2020), ante la conversación espontánea o la
variación, los programas de RAH aún no son estables ADDIN EN.CITE ADDIN
EN.CITE.DATA
Y= , sin embargo, tenemos constancia del uso eficiente y eficaz de la tecnolog&iacut= e;a de RAH y de los programas de dictado automático, para transcribir, en varios contextos profesionales donde, desde hace dos décadas, se han venido desarrollando métodos basados en la colaboración humano-computadora. Las técnicas y estrategias de dictado difieren según el contexto, pero todas tienen en común que estabilizan= las fluctuaciones de las herramientas informáticas empleadas. Nos hemos centrado en el rehablado, que se usa en televisión (Romero-Fresco, 2011)= , por el paralelismo entre la oralidad que está presente en la mayor&iacut= e;a de los escenarios o situaciones de los medios audiovisuales y la que caracteriza los datos que se recopilan para crear un corpus de la lengua hablada. Hemos empleado los programas de dictado con una adaptación = del rehablado, logrando, al igual que en televisió= n, optimizar el proceso de transcripción (Rufino Morales, 2020).Para abordar la cuestión, hemos confrontado el rehablado con los otros métodos de transcripción de corpus orales para la investigación lingüística. Presentamos aquí los resultados de los datos recopilados durante el primer taller de rehablado off-line que se organizó el pasado mes de enero en la Sección de estud= ios hispánicos de la Universidad de Montreal. Se ha comparado el rehablado con el reconocimiento automático del= habla (RAH) y con la mecanografía, en cuanto al tiempo empleado, así como la precisión resultante al transcribir entrevistas del Corpus o= ral de la lengua española en Montreal (COLEM), (Pato dir.). Es un corpus fruto de una serie de entrevistas semidirigidas grabadas en entorno natural, de una hora de duración aproximadamente y estructur= adas en función de un protocolo de encuesta común. El estilo que recoge el COLEM es el conversacional y familiar (habla espontánea). Refleja la situación del español en la Región Metropolitana Montreal, única en el mundo, por el contacto mantenido= con el francés y el inglés, pero también por el contacto de todas las variedades del español, sin que una se imponga sobre las demás. En este contexto se encuentra, además, la mayor concentración de latinoamericanos de todo Canadá (Pato, 2017).
E= ste trabajo forma parte de una investigación cuyo objetivo es describir = el perfil ad hoc del rehablador off-line= para optimizar la transcripción de grabaciones, al menos hasta que l= os programas informáticos de reconocimiento automático del habla permitan cederles el testigo. Primero revisaremos en qué ámbi= tos se transcribe de forma eficaz con ayuda de programas de dictado; comprobare= mos que la investigación cualitativa también ha intentado usarlos= sin llegar a adoptarlos; finalmente, ofreceremos una prueba de que es posible utilizarlos para potenciar la transcripción de corpus orales de la lengua hablada siempre y cuando se empleen las estrategias adecuadas. De seguro, las aproximaciones de este manuscrito retendrán la atención de otros investigadores que trabajan con textos orales.
<= o:p>
<= o:p>
2. Transcripción con un prog= rama de dictado
Convertir la voz a texto es una necesidad presente en todas las épocas y en distintas esferas de la actividad humana, ya sea de forma intralingüística o interlingüística. No obstante, desde el punto de vista diatópico, las herramientas (o la forma de usarlas) difieren. Si opt= amos por un método al alcance de todos, un reproductor y un teclado, nos enfrentaremos al desfase entre la velocidad del habla y la de la escritura. “La velocidad de habla o tempo de elocución es la rapidez con que una persona articula las palabras a lo= largo de su discurso. Para determinar la velocidad, se computa la cantidad de palabras que emite en un periodo de tiempo. El resultado se expresa, generalmente, en palabras por minuto; en español se calcula que una velocidad normal oscila entre las ciento cincuenta y las doscientas palabras por minuto” (AA.VV. 2008).
La velocidad óptima de producción oral se sitúa entre cie= nto setenta y ciento noventa palabras por minuto (Rodero Antón, 2016)<= /span>, pero el habla espontánea no se ciñe a este ca= non, pudiendo ser más elevada. En cuanto a la velocidad de escritura, alg= uien sin formación teclea entre quince y veinticinco palabras por minuto = (Ainsworth, 1988); la media de una persona experimentada se sitúa entre ochenta y noventa palabras por minuto (Moro Vallina, 2010: 7). Además de esta diferencia entre la velocidad a la que hablamos y la velocidad a la que escribimos, al transcribir una grabación habrá que detenerla, retroceder, volver a ponerla en marcha, escuchar de nuevo, etc.
P= odemos sustituir el teclado por el RAH, lo que además restará subjetividad a la transcripción (Tatham y Morton, 2005: 372)= . Pero entonces, tendremos que enfrentarnos a los errores provocados por las variantes geográficas (Winata et al., 2020)= o sociodemográficas; también habrá que = borrar y reescribir una representación más cercana a la actuaci&oacu= te;n del hablante cada vez que el programa de dictado le haya atribuido una correspondencia que figura en su léxico a palabras fragmentadas, mal pronunciadas, solapadas o inexistentes. De manera que la automatizaci&oacut= e;n del proceso termina siendo más tediosa que la clásica transcripción mecanografiada, sobre todo si sumamos el tiempo que pu= ede tomar aprender las nociones básicas de la herramienta que haya decid= ido emplearse. La comunidad científica es unánime: fuera del laboratorio, la tecnología de RAH aún no está a punto = para convertir con exactitud la voz en texto en situaciones reales, donde, por e= nde, los ruidos y la reverberación afectan a la calidad de la seña= l de voz emitida por el hablante (Lu et al., 2020).
U= na forma de estabilizar los resultados del RAH consiste en utilizar estrategias de repetición que, emulando el modo de corrección privilegiado e= n el diálogo humano-humano (Brinton et al., 1986), pero aplicado a la comunicación humano-computadora, consiguen optimizar la transcripción en tiempo real con ayuda de un programa de dictado. Es lo que acometen los siguientes métodos.
2.1= El rehablado
El rehablado surgió pa=
ra paliar
las limitaciones de la tecnología de RAH a la hora de subtitular en
tiempo real en televisión (Utray Delgado et al., 2015; Lambourne, 2007). El rehablador, instalado en un entorno exento de ruido, =
a la
vez que escucha la emisión a subtitular, la repite o parafrasea
verbalmente a través de un micrófono conectado a un programa =
de dictado,
de manera que genere una transcripción legible de forma
automática. El texto resultante es enviado al codificador de
subtítulos (Brousseau et al., 2003) y la
emisión se hace accesible, para aquellas personas que no pueden
oírla, casi simultáneamente.
La
subtitulación en directo consiste en emitir la transcripción =
del
contenido sonoro de forma simultánea a la difusión de un prog=
rama
audiovisual. Los subtítulos enviados en directo pueden haber sido
preparados con antelación o en tiempo real (ACR/CAB 2012). Deben inc=
luir
además de las palabras, la prosodia (entonación, acento, ritm=
os),
los efectos sonoros, las señales musicales y cualquier otra
información de la banda sonora pertinente, de modo que la lectura de=
los
subtítulos y la escucha del audio proporcionen una comprensión
análoga de dicho programa (Ivarsson, 1992).
Los
subtítulos y la audiodescripción =
son
instrumentos vitales para garantizar el derecho de acceso a la
comunicación audiovisual de todas las personas por igual (ONU, 1994); la
aplicación de dicho principio de igualdad queda asegurada a
través de medidas legales a nivel de cada país. Así, p=
or
ejemplo, desde 1995, el Gobierno de Canadá comenzó instando a=
los
teledifusores tanto de lengua francesa como de lengua inglesa a aumentar el
contenido subtitulado, hasta que en 2007, los obligó a subtitular el
100% de la programación (CRTC, 2007).
Los primeros
subtítulos en directo para televisión se enviaron por teletex=
to;
para su confección, se probaron distintas maneras y también
varios teclados de estenotipia (Hawkins y Robinson, 1979; Tanton, 1979)<=
/span>. Por aquel
entonces, se trataba del método más extendido para transcribi=
r en
tiempo real. Pero la estenotipia necesita una instrucción intensiva =
de
más de dos años. Por otra parte, existen distintos sistemas,
máquinas y programas informáticos con sendos métodos,
difícilmente intercambiables (Manrique Fuero, 2016). Por ejemp=
lo, la
compañía americana Stenograph (ww=
w.stenograph.com)
comercializa varias máquinas de estenotipia: Diamante, Élan Mira, Stentura.
Familiarizarse con un teclado toma mucho tiempo. En Quebec, la formaci&oacu=
te;n
profesional de transcriptores se da en l'École de sténographie judiciaire de
Québec. Los estud=
iantes
deben procurarse una de las dos máquinas sugeridas con la que
podrán aprender el programa Case CATalyst.
Pero al cabo de doscientas setenta horas de clase y noventa más de
prácticas laborales, los diplomados solo habrán utilizado un
teclado y un programa, y difícilmente podrán trabajar con otr=
o.
De manera q=
ue,
para subtitular en directo en televisión, desde el primer momento se
buscaron alternativas más rentables que la estenotipia. Fue as&iacut=
e;
como surgió la idea de usar los programas de RAH potenciados por la
interacción humano-computadora (Damper et al., 1985; McCoy y Shumway, 1979). El &eacut=
e;xito
del rehablado on-line a la hora de subtitular en
directo y en tiempo real en televisión reside en que este mét=
odo
requiere menos personal (un rehablador subtitul=
a un
programa de treinta minutos; dos rehabladores p=
or
turnos hacen accesibles ocho horas continuas de programación).
Además, es una técnica que se domina en poco tiempo, salvando=
la
brecha entre la formación en empresa (de dos a cuatro semanas) y los
módulos y cursos académicos disponibles (hasta seis meses) (Bernabé Caro et al., 2019)=
.
Las ventaja=
s que
ofrece el rehablado on-line a la hora de producir
subtítulos en directo en televisión han extendido su uso a mu=
chos
otros ámbitos. En la actualidad, tanto en universidades, colegios, a=
ctos
públicos, eventos de masas (conferencias, fórums, seminarios),
reuniones, teleconferencias, podcasts, programas de radio, teatros, museos,=
iglesias
(Moores, 2016; Romero-Fresco, 2012), el rehablado on-line proporciona accesibilidad en tiempo=
real
del contenido sonoro emitido en directo, de forma presencial o por internet
(portátil, tableta, teléfono).
Asimismo, m=
uchas
de las subtituladoras que cuentan con la
infraestructura de rehablado on-line aprovechan=
sus
recursos para acelerar la transcripción de programas 'enlatados' o en
diferido (FCC, 2014). Para
transcribir en tiempo real documentos audiovisuales grabados con
antelación se emplean estrategias particulares. El objetivo no es
mejorar la inteligibilidad del enunciado obtenido por el programa de dictado
(que no va a ser leído por los televidentes de forma simultán=
ea),
sino reducir el trabajo de edición posterior de los subtítulo=
s.
Las estrate=
gias
empleadas en el rehablado off-line sirven para
crear un documento lo más cercano posible a su versión
definitiva. Este es el método que estoy usando en mi
investigación, donde he adoptado una nomenclatura que distingue dos
formas de rehablado, según las circunsta=
ncias
en las que se produce la transcripción: on-line y off-line (Lindsay y O'Connell, 1995; Ferber, 1991)=
.
2.2= . La escritura de voz
En otros contextos donde también se requiere la transcripción de un discurso hablado, = como en el campo jurídico y en la administración pública, el primer método eficaz que se empleó para transcribir al mismo tiempo que se produce el discurso oral fue la taquigrafía. De &eacut= e;l derivan la estenotipia y la escritura de voz. Mientras que la taquigrafía (también llamada estenografía) emplea traz= os breves, abreviaturas y caracteres especiales para representar las letras, palabras y frases, la estenotipia utiliza un teclado reducido basado en las sílabas (Núñez Hidalgo= y Ramos Villajos, 2010).
L=
a escritor de voz
(voice writer) no moleste a las otras personas presentes=
en la
reunión –y
para atenuar el ruido ambiente–,
se emplea un silenciador de voz. La idea le vino a Horace Webb, un
transcriptor en el tribunal de Chicago que, en los años 40,
insertó un micrófono en una caja de cigarrillos, y despu&eacu=
te;s
en una lata de café. Amortiguaba el sonido mientras repetía y
grababa lo que oía en el tribunal y conseguía transcribir pal=
abra
por palabra el discurso original. Los escritores de voz adoptaron los progr=
amas
automáticos de dictado y un nuevo método de transcripci&oacut=
e;n,
que se extendió rápidamente en los años 2000. El ofici=
o de
transcriptor oficial (verbatim reporter) en Estados Unidos tiene dos
especializaciones: la estenotipia y la escritura de voz. La escritura de voz
cuenta con dos ramas con formación y acreditación propia: para
transcribir en juzgados (court and re=
al
time reporting) o en televisión (
A= sí como el rehablador, el escritor de voz tambi&ea= cute;n transcribe a partir de grabaciones, ya sea la defensa de un abogado, el veredicto de un juez o un testimonio. Por la naturaleza oficial de la tarea= , el resultado final debe corresponderse palabra por palabra con el discurso original; ahora bien, ese mismo carácter resta espontaneidad a la in= teracción discursiva.
2.3= . El dictado médico
Numerosas actividades en el ámbito de la salud requieren transcripción (Pollard et al. 2013)= . Hasta el giro tecnológico de los 90, los médi= cos y especialistas que necesitaban transcribir se lo encargaban a taquígr= afos o administrativos. Desde entonces, cada vez más profesionales han ido integrando los programas de dictado, ya sea para elaborar la historia digit= al del paciente (Johnson et al., 2014), redactar un informe en radiología, endocrinolog&iacu= te;a, psiquiatría o en patología quirúrgica, entre otros.
P=
or lo
general, los médicos que recurren al dictado envían el texto
generado a un administrativo para su revisión, antes de darle el vis=
to
bueno final. Pero en otros casos, el propio médico edita su
transcripción generada con el programa de RAH. Sea cual sea el
método empleado, la revisión es sumamente importante <=
!--[if supportFields]> ADDIN EN.CITE
<EndNote><Cite><Author>Zhou</Author><Year>201=
8</Year><RecNum>1218</RecNum><DisplayText>(Zhou
et al. 2018)</DisplayText><record><rec-number>1218</re=
c-number><foreign-keys><key
app=3D"EN" db-id=3D"05s0pt552f5zt5er9znxv0ryp9d22prfr0rv&quo=
t;
timestamp=3D"1589482512">1218</key></foreign-keys>=
<ref-type
name=3D"Journal Article">17</ref-type><contributors&g=
t;<authors><author>Zhou,
Li</author><author>Blackley, Suzanne V.</author><autho=
r>Kowalski,
Leigh</author><author>Doan,
Raymond</author><author>Acker, Warren
W.</author><author>Landman, Adam
B.</author><author>Kontrient,
Evgeni</author><author>Mack, David</author><author>=
Meteer,
Marie</author><author>Bates, David W.</author><author&=
gt;Goss,
Foster
R.</author></authors></contributors><titles><tit=
le>Analysis
of Errors in Dictated Clinical Documents Assisted by Speech Recognition
Software and Professional Transcriptionists</title><secondary-titl=
e>JAMA
Network Open</secondary-title></titles><periodical><fu=
ll-title>JAMA
Network
Open</full-title></periodical><pages>e180530-e180543</=
pages><volume>1</volume><number>3</number><da=
tes><year>2018</year></dates><isbn>2574-3805<=
/isbn><urls></urls><electronic-resource-num>10.1001/ja=
manetworkopen.2018.0530</electronic-resource-num><access-date>5=
/14/2020</access-date></record></Cite></EndNote>
E= studios recientes centrados en la tipología de los errores durante el uso de aplicaciones de reconocimiento automático del habla en el campo médico confirman que: i) los mayores errores se producen en las conversaciones casuales (Chiu et al., 2018); ii) los resultados mejoran considerablemente con programas de vocabulario especializado y si se aprove= chan bien los atajos (shortcuts) que ofrece el programa (Edwards et al., 2017) y iii) la precisión aumen= ta con una metodología estandarizada (Blackley et al., 2019).
Y=
, sin
embargo, el uso de estrategias para mejorar los resultados de los programas=
de
dictado no parece haber pasado de iniciativas aisladas. MacLean,
Meyer et al. (2004: 115) emplearon “an or=
al transcriptionist to act as an intermediary”
en la transcripción de entrevistas con Dragon NaturallySpeaking. El
método leasen and repeat se usó en un experimento en la
universidad de Auckland para entrenar a sus participantes a servirse de Dragon<=
span
lang=3Des-419> y a repetir verbalmente las grabaciones (Park y Zeanah 2005)<=
/span>. Sirvió de inspiración, primero, para la
técnica de transcripción vocal o Voic=
e
Transcription Technique
(VTT) (Matheson, 2007) y, posteriormente, para otra llamada
3. La transcripción en la investigación lingüística y cualitativa
La revisión de las acta= s de eventos internacionales como los organizados por la Eu= ropean Language Ressources= Association (www.elra.info) o la International Speech Comunication Association (www.isca-speech.org), nos confirma que la transcripción de la lengua hablada, larga y costosa, es más difícil cuanto más detallado sea el nivel de transcripci&oacu= te;n (Adolphs y Knight, 2010) y que los grandes corpus se siguen transcribiendo de forma m= anual (Niemants, 2018; Gadet et al= ., 2012) o se completan de forma manual (www.isip.piconepress.com). Transcribir una hora = de entrevista puede tomar entre cuatro y sesenta h= oras = (Markle et al., 2011). Como en los demás contextos donde se requiere una transcripción of= f-line, también aquí se han puesto a prueba los programas de dictado = para acelerar la tarea de transcripción de las grabaciones, laboriosa y l= enta per se. Necesitan ser más rápidos que las otras formas de transcribir al alcance; pero también, en su adopción como herramienta, juegan un papel decisivo la precisión de los resultados obtenidos.
A= unque la investigación cualitativa se ha ocupado más de la metodología para producir una transcripción que de la mecánica empleada durante el proceso, varios investigadores han estudiado el uso de programas de dictado para transcribir datos grabados de forma automática. Los resultados obtenidos contenían tantos errores que nadie ha llegado a considerar el RAH como una alternativa seria= a la transcripción manual. Argumentan que, dependiendo de la velocidad= a la que la persona escriba, el tiempo de aprendizaje y entrenamiento del pro= grama no compensa, a menos que se explore un método de optimización= de las herramientas informáticas (Evers, 2011)<= !--[if supportFields]>. En este sentido, dos trabajos han retenido nuestra atención.
= Tilley investigó el principio de co-construcción de la transcripción a través de la experiencia de personas contrata= das en universidades canadienses para transcribir grabaciones académicas= (2003). Reportó que uno de los transcriptores utilizaba un programa de RAH y documentó cómo este se fue habilitando, sob= re la marcha, con estrategias para mejorar la precisión. Según <= span class=3DSpellE>Tilley, el transcriptor reproducía, sin saberl= o, el efecto fantasma (ghosting) que hab&iacut= e;an acuñado Frogg y Wig= htman (2000).
P= or su parte, Johnson dictó una entrevista mientras la iba escuchando, lueg= o de haber entrenado el programa MacSpeech= Dictate (2011). El dictado de la entrevista (17:38 minutos) le tomó = treinta minutos cincuenta y seis segundos, ya que había disminuido la veloci= dad para lograr repetir todo el contenido de la grabación. La transcripción obtenida tenía 96,4% de precisión y necesitó veintinueve minutos para corregirla. Después llevó a cabo la transcripción de la misma entrevista de forma manual, es decir, escuchando y tecleando al ordenador. Le tomó trein= ta y nueve minutos y siete segundos, y obtuvo 98% de precisión. Necesitó menos de doce minutos para corregirla. Concluyó que = los programas de dictado no son más rápidos ni más precisos que el método manual. La validez de la prueba puede cuestionarse (en= tre otras cosas porque cuando tecleó la entrevista ya la había oído al menos tres veces), pero también apoya nuestro postula= do: no habrá optimización del RAH si no se emplean las estrategias adecuadas durante la repetición.
L=
o mismo
ocurre con otros experimentos que se han llevado a cabo para medir el poten=
cial
de los programas de dictado utilizados de forma automática o potenci=
ados
con distintas técnicas de repetición a la hora de transcribir
grabaciones off-line. Comparan transcripciones obtenidas, entre otra=
s,
de forma manual (mecanografía y/o estenotipia) con transcripciones
obtenidas con la técnica de leasen
and repeat (Johnson, 2011; Matheson, 20=
07; Park
y Zeanah, 2005) o
con rehablado on-line (Matamala et al., 2017;
D’Arcangelo y Cellini, 2013).
Ninguna de las técnicas de dictado empleadas ofrece una neta ventaja=
con
respecto a los demás métodos de transcripción.<=
/p>
T=
eniendo en
cuenta que la transcripción de entrevistas para la investigaci&oacut=
e;n,
basada en la literalidad (Davidson 2009), debe cumplir con unos requisitos, reflejados en un protocol=
o,
dependiendo del uso que se le vaya a dar, hemos optado por aplicar nuestras
propias estrategias. Fuera de los trabajos que estamos realizando, no tenem=
os
constancia de ningún otro que mida estrategias específicas de=
rehablado para optimizar la transcripción o=
ff-line
del habla espontánea con fines lingüísticos. 4. Metodología Los datos que analizo proviene=
n del
primer taller de rehablado off-line para
transcribir corpus orales de la lengua hablada organizado en la Universidad=
de
Montreal. Se trata de una actividad vinculada al proyecto El español=
en
Montreal y el COLEM (CERAS-2014-15-159D) que, por estar dirigida a estudiantes de
segundo y tercer ciclo de la Sección de estudios hispánicos, =
nos
garantizaba el nivel de lengua necesario a la hora de transcribir y revisar
entrevistas con las variaciones diatópicas expresadas por los
hispanohablantes de la Región metropolitana de Montreal. L=
os diez
participantes (siete hombres y tres mujeres) estaban familiarizados con los
corpus orales de la lengua, pero ninguno había =
rehablado
antes. En este trabajo, se emplean los datos de los seis que completaron to=
das
las actividades. Se organizaron dos jornadas completas. De la primera se han
extraído los datos sobre la mecanografía. Se ha medido tanto =
la
cantidad como la calidad de la transcripción obtenida por cada
participante durante treinta minutos: primero, al revisar una entrevista rehablada por un profesional;
segundo, al mecanografiar la continuación de la entrevista. Somos
conscientes de la ventaja que puede suponer, en el momento de mecanografiar=
, el
haber tenido ya contacto con parte de la entrevista re=
hablada,
pero en nuestra elección primó mantener el nivel de lengua. Se
utilizó una entrevista del COLEM realizada en 2018 con un informante
procedente de Moca, República Dominicana de treinta y siete añ=
;os
y treinta y tres en Montreal (E32) (60:54 minutos). Al inicio del taller, se
dedicó un tiempo para que los participantes se familiarizaran con las
pautas de transcripción del COLEM y con los atajos de teclado del
reproductor multimedia. Seguidamente se les suministró un texto (E32=
b)
correspondiente a la primera parte de la entrevista E32 (29:50 minutos)
Con objeto de obtener datos precisos sobr= e el rehablado, en el segundo día, proporcionamos la grabación de una entrevista distinta del COLEM a cada participante. Debían rehablarla y editar la transcripción resultante, luego de una iniciación a las principales estrategias del rehablado off-li= ne. Aparecen aquí los datos de los dos primeros participantes que completaron la tarea. L1 rehabló parte d= e una entrevista realizada en 2019 con una informante de Santiago de Chile de cuarenta y siete años, y nueve en Montreal (E5) (30:27 minutos). L2 = rehabló la entrevista completa realizada en 20= 19 con un informante de La Estrella, Chiriquí, Panamá, de cincuenta y ocho años, y treinta en Montreal (E27) (72:32 minutos).
P= ara determinar si las variantes del español y la experiencia del rehablador pueden repercutir en los resultados, hemos cotejado los datos obtenidos con L1 y L2 con dos entrevistas rehabladas por un profesional (L0). La entrevista E4 = se realizó en 2019 con un informante procedente de Santiago de Chile de cincuenta años y once en Montreal (106:41 minutos); E26 se hizo en 2= 019 con un informante de la Ciudad de Panamá de cincuenta y un añ= os, y treinta en Montreal (69:20 minutos).
E= n el marco de mi investigación, las entrevistas del COLEM se han transcrito con distintos programas de dictado, y se han comparado las transcripciones automáticas con las rehabladas. Para el presente artículo, las transcripciones se han realizado con el progr= ama Dragon Naturally Speaking = 13, por ser representativo de la media de los programas comparados. Presento los resultados obtenidos de la transcripción automática de las entrevistas para cotejarlos con los otros dos métodos.
T= odas las transcripciones han sido tratadas en el Centre de Rech= erche Informatique de Montr&eacu= te;al con la herramienta Align-text de Kaldi (ka= ldi-asr.org). Se ha medido el índice de precisión, expresa= do en porcentaje, según la fórmula del Nationa= l Institute of Standards and Technology = que alinea cada texto con su correspondiente versión final (T0). El porcentaje de precisión se ha calculado dividiendo la suma de borrad= os (B) (cuando falta algo que figura en el T0), sustituciones (S) (por ejemplo, donde en lugar de adonde) e inserciones (I) (cuando se añade algo qu= e no figura en el T0), por el número de unidades de referencia (N). A su = vez, (N) corresponde a la suma de (B + S + C), siendo (C) las unidades correctas= .
La versión final (T0) hace referencia a una transcripción correg= ida según el protocolo del COLEM; esto es, el T0 corresponde a un texto = que, sea cual sea el método empleado para obtenerlo, antes de ser sometid= o a una lectura final por el director del proyecto, debe ser comparado con su a= udio por un revisor. En este sentido, la revisión de transcripciones de entrevistas puede compararse a la revisión en traducción, ya = que ambas requieren revisión y relectura. La revisión comparada d= el texto meta con el de origen (en nuestro caso, la grabación de la entrevista) es necesaria, entre otras cosas, para comprobar que no ha habido omisiones durante la transferencia (AENOR, 2006)<= !--[if supportFields]>.
P= or otra parte, no existe un conjunto de reglas y criterios universales para estable= cer la calidad de una transcripción, dependerá del propósi= to al que vaya destinada y siempre será una herramienta interpretativa = (Lapadat, 2000). Para esta investigación, el índice de precisión no solo tiene en cuenta caracteres o palabras. Le hemos otorgado el mismo valor a palabras, signos de puntuación y otras convecciones del COLEM que forman parte del protocolo: omisión de to= dos los nombres propios representados con [NP]; identificación del informante con [I:] y del entrevistador con [E:]; inclusión de rasgos suprasegmentales: entonación, ritmo, tono, pausas; elementos paralingüísticos como aplauso, beso y demás recursos cin= éticos audibles; reproducción exacta de las alteraciones morfosintácticas. Se trata de una forma de cuantificar el hecho de q= ue sea cual sea la acción a realizar para corregir, siempre habrá que detener el audio y luego editar el texto= ; en definitiva, siempre supone tiempo.
5. Resultados y análisis
5.1= . La mecanografía frente al re= hablado
Los datos de la Figura 1 compa=
ran la
mecanografía frente al rehablado. Consta=
de
tres bloques. Primero se midió la velocidad a la que cada participan=
te
es capaz de teclear durante un minuto, expresada en número de palabr=
as
por minuto (ppm), y el porcentaje de precisión. Después, a pa=
rtir
de la entrevista E32b, medimos los minutos y el número de palabras
mecanografiados (T5) durante treinta minutos, así como el núm=
ero
de unidades contabilizadas y la precisión. En el tercer bloque figur=
an
los minutos, las palabras, el número de unidades contabilizadas y la
precisión de la transcripción T5, que revisó cada
participante, durante treinta minutos; corresponde a la entrevista E32a
|
|
|
|
|
|
Media |
||
|
Prueba de
mecanografía: ppm |
79 |
64 |
43 |
71 |
71 |
52 |
63,33 |
|
Prueba de
mecanografía: precisión (%) |
99,50 |
92,80 |
99,09 |
97,51 |
95,16 |
89,90 |
95,66 |
|
T5-E32b:
minutos de grabación |
02:07 |
02:02 |
01:38 |
02:30 |
02:32 |
04:09 |
02:29 |
|
T5-E32b:
palabras |
342 |
362 |
250 |
445 |
272 |
608 |
12,66 |
|
T5-E32b:
unidades |
557 |
508 |
393 |
635 |
392 |
1003 |
19,38 |
|
T5-E32b:
precisión (%) |
58,28 |
76,06 |
66,49 |
63,80 |
68,38 |
60,16 |
65,53 |
|
T6-E32a: m=
inutos
de grabación |
13:46 |
06:23 |
07:47 |
04:52 |
23:35 |
15:46 |
12:01 |
|
T6-E32a:
palabras |
1809 |
1187 |
1387 |
980 |
4355 |
2643 |
68,67 |
|
T6-E32a:
unidades |
2735 |
1756 |
2059 |
1434 |
6394 |
3939 |
101,76 |
|
T6-E32a:
precisión (%) |
78,54 |
80,15 |
78,19 |
73,40 |
81,73 |
79,61 |
78,60 |
Figura 1. <=
/span>Prueba de mecanografía /
transcripción mecanografiada (T5-E32b) / transcripción rehablada (T6-E32a)
Los participantes teclean una media de 63,33 ppm, cercana a la de un mecanógrafo experimentado (Moro Vallina, 2010)<= /span>. Sin embargo, al mecanografiar la entrevista E32, obtienen u= na media de 12,66 ppm. Esta diferencia puede explicarse, en primer lugar, porq= ue en las pruebas de mecanografía como 10fastfingers.com, las palabras = se suceden separadas por espacios, sin ningún otro signo de puntuación ni mayúsculas; además, a la hora de mecanografiar la entrevista hay que considerar el tiempo empleado en manipu= lar el audio y el tempo del habla. Con la entrevista rehab= lada los participantes no necesitan teclear cada palabra; el número de palabras revisadas asciende a una media de 68,67 ppm.
Me= canografiando la entrevista E32b durante treinta minutos, los participantes solo avanzan = una media de 2:29 minutos; mientras que, en el mismo tiempo, con la entrevista = E32a rehablada ¾que además contiene ya una revisión¾, la media de transcripción obtenida asciende a 12:01 minutos. Esto es, aun añadiendo el tiempo de re= hablado, que equivale a 1X1 (un minuto de grabación se r= ehabla en un minuto), esta forma de transcribir sigue siendo más ráp= ida. Podríamos deducir que para obtener la transcripción completa = de la entrevista E32 (60:54 minutos) mecanografiándola se necesitarían unas trece horas, mientras que a partir del rehablado, la media sería de menos de tres hor= as. Aun sumando el tiempo empleado al rehablarla, la transcripción T6 tomó menos tiempo que la mecanografiada; per= o, además, es más precisa.
Po= rque si la rapidez a la que obtengamos la transcripción de la entrevista cuenta= , la calidad de su contenido es primordial. En el ámbito del COLEM, para = que una transcripción sea de calidad, además de ser fiel al contenido, tendrá que responder rigurosamente al estándar de = su protocolo de transcripción. Por eso, aunque durante la prueba de mecanografía se midió la precisión, la media, que solo cuenta palabras, no nos sirve. Nos fijaremos en los porcentajes de precisión de las columnas 7 y 11, resultantes de la comparació= ;n de las transcripciones mecanografiadas (T5) y rehablad= as (T6) con sus correspondientes T0. Estos porcentajes sí representan un baremo de calidad porque al comparar unidades en lugar palabras tendr&aacut= e;n en cuenta todos los elementos que debe reflejar la transcripción del COLEM.
La precisión media al mecanografiar fue de 65,53%, inferior a la de la = transcripción rehablada: 78,60%. He aquí algunos ejemp= los de los errores y cómo se han contabilizado: (I) por inserción, (= S) por sustitución.
|
T0 |
T5
/ T6 |
||
|
Para identifi=
car
entrevistador se emplea la etiqueta [E:] seguida de
tabulador (sin espacio) |
|
|
|
|
Para identifi=
car al
informante se emplea la etiqueta [I:] seguida de
tabulador (sin espacio) |
|
|
|
|
Todos los nom=
bres
propios se sustituyen por [NP] |
|
|
|
|
[RISAS] [SOLAPAMIENTO=
] [EXPIRACI&Oac=
ute;N] [RUIDO] |
|
|
|
|
La aspiraci&o=
acute;n
de vocales y consonantes no se representa: trabajadores<= o:p> |
|
|
|
|
Representaci&=
oacute;n
completa de palabras cortadas: conserv- llega- |
|
|
|
Figura 2. Errores de format=
o en
las transcripciones
L= os errores se han detectado en ambas versiones, pero en mayor proporción en la mecanografiada; por tanto, la automatización del proceso reduce la parcialidad y la fuerte carga interpretativa inherentes a la transcripción.
Por último, la observación combinada de tiempo y precisión no permite pensar= que exista correlación entre la velocidad y la calidad. L5, fue quien más avanzó (23:35 minutos); pero también fue quien obt= uvo la mayor precisión (81,73%). Con el siguiente mejor porcentaje (80,1= 5%), L2 solo avanzó 6:23 minutos.
5.2= . El RAH frente al rehablado (experto / principiante)
En la figura 3 se comparan transcripciones obtenidas con el RAH (T1) con transcripciones rehabladas (T2). Se han medido los índices de precisión de cuatro entrevistas realizadas a dos chilenos (E4 y E5) y dos panameños (E26 y E27). El rehablado = de E4 (Chile) y E26 (Panamá) los hizo un experto (L0). L1 rehabló la entrevista E5 (Chile) y L2 rehabló la= E27 (Panamá); para ambos fue su primer rehablado. Las ocho transcripciones se han obtenido con el programa de dictado Drag= on NaturallySpeaking 13.
|
Identificación |
Transcripción |
Precisión |
Duración |
|
T1-E4 |
RAH |
12,24% |
106:41:00 |
|
T2-E4 |
L0 (experto) |
87,75% |
106:41:00 |
|
T1-E5 |
RAH |
36,93% |
90:59:00 |
|
T2-E5 |
L1 |
62,10% |
30:27:00 |
|
T1-E26 |
RAH |
25,54% |
69:20:00 |
|
T2-E26 |
L0 (experto) |
74,46% |
69:20:00 |
|
T1-E27 |
RAH |
5,53% |
72:32:00 |
|
T2-E27 |
L2 |
67,77% |
72:32:00 |
Figura 3. Transcripción
automática / Transcripción rehablada
N= inguna de las transcripciones automáticas (T1) consigue la paridad con el huma= no (Xiong et al. 2016). La precisión de todas las transcripciones automáticas está por debajo de las rehab= ladas (T2), confirmándose dos premisas iniciales: por una parte, para transcribir la lengua hablada, el RAH aún no permite la completa automatización del proceso con un programa de dictado automát= ico (Ravanelli et al. 2018); por otra, el rehablado mejora los resultados del RA= H de los programas de los programas de dictado (Utray Delgado et al. 2015; Romero-Fresco 2011; Lambourne 2007).
L= os errores léxicos reflejan cómo afecta la variación del español en los resultados: inserciones (I), borrados (B), sustitucio= nes (S) y equivalencias correctas (C). En los siguientes ejemplos aparece la palabra tal y como se pronuncia en el texto de origen que es la grabación (T0) con su correspondiente representación en la transcripción T1 (RAH) y T2 (rehablado).=
|
T1 |
T2 |
|
|
amerindiez<=
span
style=3D'mso-bookmark:_Hlk44238374'> |
abrir indios (S) + (I) |
(B) |
|
citación |
situaci&oacut=
e;n
(S) |
citació=
;n (C) |
|
outsourcing |
(B) |
outsourcing (C) |
|
intalando |
instalando (S) |
instalando (S) |
|
candenciosa=
|
(B) |
ambiciosa (S) |
|
quartier |
catión (S) |
cartilla (S)<= o:p> |
|
marché |
marche (S) |
marche (S) |
|
incribían |
vivía =
(S) |
inscrib&iacut=
e;an
(S) |
|
úneco |
único (S) |
único (S) |
|
tranporte |
transporte (S=
) |
transporte (S=
) |
|
afordable |
(B) |
razonable (S) |
|
contrucción=
|
confusi&oacut=
e;n
(S) |
construcci&oa=
cute;n
(S) |
|
indostanes |
en<=
span
lang=3DEN-CA style=3D'font-size:10.0pt;font-family:"Verdana",sans-serif;
mso-ansi-language:EN-CA'> dos canes (I) + (S) + (I) |
(B) |
|
bombardios |
un (S) |
bombardeos (S) |
|
distes |
tristes (S) |
diste (S) |
|
cargastes |
(B) |
cargas tests (S) + (I) |
|
meritaba |
meditaba (S) |
meditaba (S) |
|
noventicinco |
(B) |
95 (S) |
|
quebecuá |
quebecuá (C) |
quebecuá (C) |
|
folcloro |
(B) |
folclor (S) |
Figura 4. Errores léxicos e=
n las
transcripciones
Ta=
nto el rehablador como el programa de dictado se enfrentan a=
la
variación a nivel léxico y fonológico. Para que el
programa de dictado pueda representar correctamente, en cualquiera de las
transcripciones, una palabra pronunciada en la grabación original ya=
sea
en español, incluyendo sus variantes, como en otro idioma
(también las originadas por contacto), dicha palabra debe figurar en=
el
léxico del programa. Si la variante quebecu&=
aacute;
fue reconocida correctamente tanto en la transcripción
automática (T1) como en la rehablada (T2=
) fue
porque yo la había a&ntil=
de;adido
al léxico del programa de dictado Dragon. Sin embargo,=
las
voces francesas quartier y marchés, que no formaban parte del léxico de Dragon, no podían aparecer en ninguna =
de las
transcripciones; en su lugar, el programa de dictado les atribuyó
equivalencias probables, originando errores (S). Por su parte, el
La experiencia del rehablador ha permitido marcar = el acento prosódico para desambiguar algunos monosílabos (d&eacu= te;, más, tú, él, mí, té, sí, sé= ;), pronombres interrogativos y exclamativos (qué, quién, quiénes, cuál, cuáles, cuánto, cuánta, cuántos, cuántas, cómo), pero, sobre todo, se ha logra= do un mejor reconocimiento ante solapamientos, asentimientos y vacilaciones, m= uy característicos de la conversación. Por ejemplo, en la entrev= ista E4 el entrevistador asiente doscientas veinticuatro veces. Veamos, en la fi= gura 5, un fragmento de la transcripción de la entrevista E24 y el rendimiento de Dragon con la estrategia aplicada por el rehablador cuando el entrevistador asiente. Las líneas en blanco no aparecen en T2, las hemos añadido para ay= udar a la lectura.
|
T0 |
T2-L0 |
|
mejoramiento de lo que es la calidad de
vida. [E:]&nb=
sp; [ASERT]
¡Hum! [I:]&nb= sp; Porque en… en… en Panamá a pesar de que la moneda, ah…<= o:p> [E:]&nb=
sp; [ASERT]
¡Hum! [I:]&nb=
sp; …local
es el balboa… [E:]&nb=
sp; [ASERT]
¡Hum! [I:]&nb=
sp; …a
raíz del… del canal… [E:]&nb=
sp; [ASERT]
¡Hum! [I:]&nb=
sp; …el
balboa, que solamente se… se da en moneda… [E:]&nb=
sp; [ASERT]
¡Hum! [I:]&nb=
sp; …no
se… no existe en papel, tiene el valor… el valor equivalente
monetario al dólar americano. |
mejoramiento de lo que es la calidad de
vida. [E:]&nb=
sp; [I:]&nb=
sp; Porque
en Panamá a pesar de que la moneda [E:]&nb=
sp; [I:]&nb=
sp; Local
es el balboa, [E:]&nb=
sp; [I:]&nb=
sp; A
raíz del, del canal [E:]&nb=
sp; [I:]&nb=
sp; El
balboa que solamente se moneda [E:]&nb=
sp; [I:]&nb=
sp; No
existe en papel, tiene el valor el valor equivalente monetario al
dólar americano. |
Figura 5. Fragmento 1 (E4): estrat=
egias de
rehablado
C=
ada vez
que el entrevistador asiente, el rehablador ha =
optado
por utilizar un atajo verbal que le sirve para que el programa de dictado
identifique al entrevistador seguido de un atajo verbal que le sirve para q=
ue
el programa de dictado identifique al informante. El texto resultante (T2)
aparece con la etiqueta [E:] seguida de tabulador, nueva línea, [I:]=
, tabulador.
Antes de revisar la transcripción (T2), una búsqueda
rápida le permite añadir [ASERT] ¡Hum! en un par de cli=
cs.
A modo de comparación, este operador de asentimiento aparece =
ciento dieciocho veces en la entrevista E5, =
ciento
setenta y ocho en la E26 y doscientas cincuenta y cinco en la E27.
E= n la figura 6 puede verse un ejemplo de las vacilaciones y solapamientos que caracterizan la comunicación oral. De nuevo, las líneas en bl= anco no aparecen en T2, las hemos añadido para ayudar a la lectura.
|
T0 |
T2-L0 |
|
[I:]&nb=
sp; Eh…
es… es que uno de sus… eh… bisabuelos… [E:]&nb=
sp; [ASERT]
Ajá. [I:]&nb=
sp; …había
sido un gran… eh gram-... eh…
gramático… [E:]&nb=
sp; [ASERT]
Ajá. [I:]&nb=
sp; …después
literato. Eh… la familia tenía como un lado de musical y otro
lado por… eh… por la lengua. [E:]&nb=
sp; [ASERT]
¡Hum! [I:]&nb=
sp; ¿Ya? [E:]&nb=
sp; [ASERT]
¡Hum! [I:]&nb=
sp; Y…
y fue muy interesante, eh… porque… eh, eh… en tu
país ocurre una cosa que en mi país no pasa y es que ehR=
30;
eh… ustedes son más abiertos que nosotros. [E:]&nb=
sp; Sí. [I:]&nb=
sp; Ya.
O sea, en Chile… [E:]&nb=
sp; [SOLAPAMIENTO]
No he estado en Chile, pero digamos que sí… sí…
sí es… [ASERT] mhm… [I:]&nb=
sp; [CHASQUIDO]
Y cuando tú llegas a un sector social determinado es casi
impenetrable. [E:]&nb=
sp; [ASERT]
¡Hum! |
[I:]&nb=
sp; Es
que uno de sus… bisabuelos [I:]&nb=
sp; había
sido un gran gran dramático. [I:]&nb=
sp; Después
literato. La familia tenía acumulado de musical y otro lado por [E:]&nb=
sp; [I:]&nb=
sp; Ya [E:]&nb=
sp; [I:]&nb=
sp; Y
y fue muy interesante porque una cosa que mi país no pasa es que ustedes son más abiertos =
que nosotros. [E:]&nb=
sp; [I:]&nb=
sp; Ya [E:]&nb=
sp; Y
agregamos que sí sí [I:]&nb=
sp; [CHASQUIDO]
y cuando tú llegas a un sector social determinado es casi
impenetrable. [E:] |
Figura 6. Fragmento 2 (E4): estrategias de rehablado
A= nte solapamientos y vacilaciones, el rehablador L0 = solo repite lo que está seguro de que le permitirá obtener una sue= rte de documento esqueleto que podrá editar posteriormente rellenando huecos, en lugar de tener que borrar y reescribir.
6. Conclusiones y perspectivas futuras
A la hora de crear un corpus, =
la
transcripción de grabaciones orales puede convertirse en uno de los
aspectos más largos del proceso. Para saber qué método=
al
alcance de todos ofrece más ventajas, he comparado la
mecanografía, el reconocimiento automático del habla y el
C= on las transcripciones rehabladas hemos reducido la parcialidad y la carga interpretativa. No obstante, sea cual sea el método empleado, el trabajo de transcripción, intenso y difícil, origina muchísima variación (Roulston et al. 2003: 657)<= /span>. Por una parte, el traslado intersemi&o= acute;tico que supone la transcripción de la lengua hablada, al ceñirla dentro de las convenciones escritas, nos obliga a seleccionar qué da= tos somos capaces de trasladar. Por otra, por muy detallada y completa que sea = una transcripción, esta siempre habrá pasado por el filtro de la interpretación del transcriptor ADDIN EN.CITE <EndNote><Ci= te><Author>Kvale</Author><Year>1996</Year><Re= cNum>1275</RecNum><DisplayText>(Kvale 1996)</DisplayText><record><rec-number>1275</rec-numbe= r><foreign-keys><key app=3D"EN" db-id=3D"05s0pt552f5zt5er9znxv0ryp9d22prfr0rv&quo= t; timestamp=3D"1592756840">1275</key></foreign-keys>= <ref-type name=3D"Book">6</ref-type><contributors><author= s><author>Kvale, Steinar</author></authors></contributors><titles>&l= t;title>InterViews: An introduction to qualitative research interviewing</title></titles><dates><year>1996</= year></dates><pub-location>Thousand Oaks, CA</pub-location><publisher>Sage</publisher><urls>&= lt;/urls></record></Cite></EndNote>(Kvale 1996) a la vez que, de manera paradójica, el resultado pres= enta varios grados de heterogeneidad.
La cuestión primordial es definir lo que se considera una transcripción correcta; en su ausencia, los datos que obtendremos serán muy dispares. Esto explica que, por un lado, hayamos encontrado investigadores que afirman que quien teclee rápido puede transcribir= una entrevista de una hora entre tres y seis horas (Punch y Oancea 2014; Walfor= d 2001); mientras que, por el otro, hay investigadores que mantienen= que la tarea de mecanografía podría estar más cerca de ses= enta horas por cada hora registrada de datos, dependiendo del tipo de transcripción que se realice (Evers 2011). El nivel de transcripción, esto es, la cantidad de contenido transcrito es la que está al origen de tales diferencias. = El protocolo de transcripción contrarresta la ineludible parcialidad del proceso, minimiza la variabilidad de los resultados, delimita qué de= be reflejar cada transcripción y cómo habrá de hacerlo, a= la vez que sistematiza la carga interpretativa de signos semióticos pro= pios de una conversación (Cook 1995).
H= ay que mencionar la dificultad añadida que supone el hecho de que la representación escrita del discurso oral no es biunívoca. Para ilustrar la complejidad de la tarea, a modo de ejemplo, retomaremos la representación escrita de las unidades léxicas que sirven para construir la interacción. Estos retrocanalizado= res lingüísticos (Bravo Cladera, 2009)= o back channel responses = (Yngve, 1970)<= !--[if supportFields]>, ratifican la receptividad y atención continuada del interlocutor. Tottie (2014) los llama vocalizations y= los define como señales o muestras de respuesta que pueden tener varios significados, como asegurarle a nuestro interlocutor que lo estamos siguien= do sin que haya necesidad de retomar el turno de palabra; también pueden tener varias funciones como expresar vacilación, duda, reparo, asomb= ro, asentimiento, negación, etc. En el discurso se caracterizan por tener muchas variantes fonológicas y suelen acompañarse de respuest= as no verbales (mover la cabeza de delante a atrás o de un lado a otro, encogerse de hombros), las cuales, en la transcripción, se pierden. Tampoco todos tienen una ortografía normalizada, además, están sometidos al fenómeno de la variación ya que en varias lenguas poseen similitudes sonoras con sus propias variantes entonat= ivas y de contenido semántico. Estos retrocanalizado= res lingüísticos aparecen con tal frecuencia en las entrevistas que= han ocasionado mucha inversión de tiempo por parte de transcriptores y revisores. En los corpus, la variación en su representación “dificulta una consulta comparable y, en consecuencia, la descripción de sus usos” (Solís García y León Gómez, 2018: 332). Para nuestra investigación se ha propuesto una etiqueta única acompañada de tres codificaciones: la interjección hum, que e= s la representación más generalizada (Bravo Cladera, 2009)= , mhm., cuando el alargamiento es más consonántico y eh= m cuando el contenido fónico es más vocálico. La etiqueta debe facilitar la automatización del lenguaje y el rehablado, así como la transcripción y = la revisión, dejando el corpus abierto a futuros estudios de otra índole: lingüísticos, de análisis del discurso, de pragmática.
A= modo de reflexión final, señalamos la apremiante necesidad de encontr= ar un sistema que integre todas las herramientas para la elaboración de materiales de estudio de corpus: transcripción, revisión, etiquetado y análisis de datos. Entendemos que la clave está = en una colaboración eficaz humano-computadora. Centrándonos en nuestro objeto de estudio, la transcripción, los creadores de interf= aces contemplan la corrección de errores del RAH desde la perspectiva de = la transcripción asistida por ordenador (Revuelta-Martínez et= al., 2012). Esto es, permitir la intervención del humano en el momento en que el programa está produciendo el reconocimiento automático para corregir, ya sea con teclado, ratón, voz, gestos o atajos, en tiempo real, a imagen de los modelos predictivos usados en traducción asist= ida por ordenador (de Souza et al., 2015). Dentro de este enfoque, el rehablado off-line debería poder usarse para editar los segmentos que contienen m&aacut= e;s errores sobre la marcha (Sperber et al., 2017; Sperb= er et al., 2016). En definitiva, gracias a la combinación de herramientas que hasta ahora= se han empleado de forma aislada se lograrán mejores resultados en menor tiempo y la metodología de transcripción dará un gran = paso adelante.
Agradecimientos
Nuestro agradecimiento a los participantes en el taller de rehablado off-= line, al equipo del CRIM, especialmente a Simon Desrochers, por la colaboración con nuestro pr= oyecto para el análisis de datos y a Enrique Pato por la lectura del manuscrito.
REFERENCIAS BIBLIOGRÁF=
ICAS
AA.VV. (2008). Diccionario de términos clave de ELE.
Diccionario de términos clave de ELE. https://cvc.cervantes.es.
[Consultado el 29 de junio de 2020].
AC=
R/CAB
(2012). Normes universelles du
sous-titrage codé à l’intention des
télédiffuseurs canadiens de langue française. Docu=
ment
révisé en fonction de CRTC 2011-741 et CRTC 2011–741-1.
http://www.cab-acr.ca. [Consultado el 25 de junio de 2020].
Ad=
olphs,
S., Knight, D. (2010). Building a spoken corpus. What are the basics? In: A.
O'keeffe, M. Mccarthy (eds.), The R=
outledge
Handbook of Corpus Linguistics. London: Routledge, 38-52.
AE=
NOR
(2006). Norma Española UNE-EN
15038. Servicios de traducción. Requisitos para la prestación=
del
servicio. Madrid: AENOR.
Ai=
nsworth,
W. A. (1988). Speech recognition by
machine. London, UK: Institution of Electrical Engineers.
Be=
rnabé
Caro, R., Eugeni, C., Masia, V., Oncins, E. (2019). Bridging the gap between
training and profession in real-time intralingual subtitling. Media for All=
8, Stockholms universitet, Stockholm,
17-19 de junio de 2019.
Bl=
ackley,
S. V., Huynh, J., Wang, L., Korach, Z., Zhou, L. (2019). Speech recognition=
for
clinical documentation from 1990 to 2018: a systematic review. Journal of the american medical inform=
atics
association, 26(4). 324–338. doi: 10.1093/jamia/ocy179.
Br=
avo
Cladera, N. (2009). La retrocanalización como una realización=
de
la interacción: algunos usos de mm y mhm en español. In: Actas del II Congreso de Hispanistas y
Lusitanistas Nórdicos: Actas do II Congresso de Hispanistas e
Lusitanistas Nórdicos, Estocolmo, 25-27 de octubre de 2007: Acta
Universitatis Stockholmiensis, Romanica Stockholmiensia 26, 25-42.
Br=
inton,
B., Fujiki, M., Winkler, E., Loeb, D. F. (1986). Responses to requests for
clarification in linguistically normal and language-impaired children. Journal of Speech & Hearing Disord=
ers,
51(4). 370-378. doi: 10.1044/jshd.5104.370.
Br=
ooks, C.
(2010). Embodied Transcription: A Creative Method for Using Voice-Recogniti=
on
Software. Qualitative Report, 1=
5(5),
pp. 1227-1241.
Br=
ousseau,
J., Beaumont, J.-F., Boulianne, G., Cardinal, P., Chapdelaine, C., Comeau, =
M.,
Osterrath, F., Ouellet, P. (2003). Automated closed-captioning of live TV
broadcast news in French. In: Euros=
peech
2003 Proceedings: 8th European Conference on Speech Communication and Techn=
ology,
INTERSPEECH 2003, Geneva, CICG, 1-4 de septiembre de 2003. Bonn: ISCA,
1245-1248.
Ch=
iu,
C.-C., Tripathi, A., Chou, K., Co, C., Jaitly, N., Jaunzeikare, D., Kannan,=
A.,
Nguyen, P., Sak, H., Sankar, A., Tansuwan, J., Wan, N., Wu, Y., Xuedong, Z.
(2018). Speech recognition for medical conversations. In: 19th International Conference on Acoustics, Speech and Signal
Processing (ICASSP), INTERSPEECH 2018, Hyderabadm, International Conven=
tion
Centre, 2-6 de septiembre de 2018: ISCA, 2972-2976.
Co=
ok, G.
(1995). Theoretical issues: transcribing the untranscribable. In: G. Leech,=
G.
Myers, J. Thomas (eds.), Spoken Eng=
lish
on computer: Transcription, mark-up and application. Harlow, UK: Longma=
n,
35-53.
CR=
TC, C.
d. l. r. e. d. t. c. (2007). Nouvel=
le
politique de sous-titrage codé pour malentendants. 2007-54. Otta=
wa:
Gouvernement du Canada. https://crtc.gc.ca. [Consultado el 20 de junio de
2020].
D&=
#8217;Arcangelo,
R., Cellini, F. (2013). Metodi e tempi di una verbalizzazione-prove tecnich=
e.
In: C. Eugeni, L. Zambelli (eds.). =
Specializzazione
on-line. Numero monografico sul Respeaking(Maggio 2013), pp. 81-95.
http://www.accademia-aliprandi.it.
Da=
mper, R.
I., Lambourne, A. D., Guy, D. P. (1985). Speech input as an adjunct to keyb=
oard
entry in television subtitling. In: B. Shackel (ed.), Human-Computer Interaction-INTERACT'84. Amsterdam: Elsevier,
203-208.
Da=
vidson,
C. (2009). Transcription: Imperatives for Qualitative Research. International Journal of Qualitative M=
ethods,
8(2). 35-52. doi: 10.1177/160940690900800206.
de=
Souza,
J. G., Negri, M., Ricci, E., Turchi, M. (2015). Online multitask learning f=
or
machine translation quality estimation. In: C. Zong, M. Strube (eds.), Proceedings of the 53rd Annual Meeting=
of
the Association for Computational Linguistics and the 7th International Joi=
nt
Conference on Natural Language Processing (Vol. 1: Long papers), IJCNLP
2015, Beijing, China National Convention Center, 26-31 de julio de 2015. Red
Hook, NY: ACL, 219-228.
Du=
dley, H.
(1958). Phonetic Pattern Recognition Vocoder for Narrow‐Band Speech Transmission. The Journal of the Acoustical Society =
of
America, 30(8), pp. 733-739.
Du=
rand, J.
(2017). Corpus Phonology. Oxford Re=
search
Encyclopedia of Linguistics.
Ed=
wards,
E., Salloum, W., Finley, G. P., Fone, J., Cardiff, G., Miller, M., Suenderm=
ann-Oeft,
D. (2017). Medical Speech Recognition: Reaching Parity with Humans. In: A.
Karpov, R. Potapova, I. Mporas (eds.), Speech
and Computer. 19th International Conference, SPECOM 2017 Hatfield, UK,
September 12–16, 2017 Proceedings (Vol. 10458). Cham, CH: Springer
International Publishing, 512-524. doi: 10.1007/978-3-319-66429-3 51.
El
español en Montreal: COLEM (2006). Corpus: Pato, Enrique (dir.).
https://esp-montreal.jimdo.com. [Consultado el 17 de abril de 2020].
El=
vira-García,
W., Roseano, P., Fernández Planas, A., Martínez Celdrá=
n,
E. (2015). Una herramienta para la transcripción prosódica
automática con etiquetas Sp_ToBI en Praat. In: A. Cabedo Nebot (ed.)=
, Perspectivas actuales en el aná=
lisis
fónico del habla: tradición y avances en la fonética
experimental. València: Universitat de València, 455-464.=
Ev=
ers, J.
C. (2011). From the past into the future. How technological developments ch=
ange
our ways of data collection, transcription and analysis. Forum Qualitative Sozialforschung/Forum: Qualitative Social Researc=
h,
12(1). Art. 38.
FC=
C (2014).
Report and Order, Declaratory Rulin=
g, and
Further notice of proposed rulemaking. FCC-14 12A1. Federal Communicati=
ons
Commission. https://www.fcc.gov/. [Consultado el 25 de junio de 2020].
Fe=
rber, R.
(1991). Slip of the tongue or slip of the ear? On the perception and
transcription of naturalistic slips of the tongue. Journal of Psycholinguistic Research, 20(2), pp. 105-122.
Fo=
gg, T.,
Wightman, C. W. (2000). Improving Transcription of Qualitative Research
Interviews with Speech Recognition Technology. Creating Knowledge in the 21=
st
Century: Insights From Multiple Perspectives (American Educational Research
Association Annual Meeting), New
Orleans, LA, 24-26 de abril de 2000.
Ga=
det, F.,
Ludwig, R., Mondada, L., Pfänder, S., Simon, A. C. (2012). Un grand co=
rpus
de français parlé: le CIEL-F. Revue
française de linguistique appliquée, 17(1). 39-54.
Ha=
wkins,
W. R., Robinson, R. N. (1979). The development and use of an electric keybo=
ard
for television subtitling by Palantype. International
Journal of Man-Machine Studies, 11(6), pp. 701-710.
Ho=
dgson,
T., Coiera, E. (2016). Risks and benefits of speech recognition for clinical
documentation: a systematic review. Journal
of the american medical informatics association, 23(e1), pp. 169-179. d=
oi:
10.1093/jamia/ocv152.
Iv=
arsson,
J. (1992). Subtitling for the media=
: A
handbook of an art. Stockholm: Transedit.
Jo=
hnson,
B. E. (2011). The speed and accuracy of voice recognition software-assisted
transcription versus the listen-and-type method: a research note. Qualitative Research, 11(1), pp. 9=
1-97.
doi: 10.1177/1468794110385966.
Jo=
hnson,
M., Lapkin, S., Long, V., Sanchez, P., Suominen, H., Basilakis, J., Dawson,=
L.
(2014). A systematic review of speech recognition technology in health care=
. BMC medical informatics and decision m=
aking,
14(1). doi: 10.1186/1472-6947-14-94.
Kr=
euz, R.
J., Riordan, M. A. (2018). The art of transcription: Systems and methodolog=
ical
issues. In: A. H. Jucker, K. P. Schneider, W. Bublitz (eds.), Methods in Pragmatics (Vol. 10).
Berlin-Boston: The Gruiter Mouton, 1634.
Kv=
ale, S.
(1996). InterViews: An introduction=
to
qualitative research interviewing. Thousand Oaks, CA: Sage.
La=
mbourne,
A. D. (2007). Re-speaking the truth. International
Broadcast Engineer, IBE JULY/AUGUST 2007: 44-46.
La=
padat,
J. C. (2000). Problematizing transcription: Purpose, paradigm and quality. =
International Journal of Social Resear=
ch
Methodology, 3(3), pp. 203-219. doi: 10.1080/13645570050083698.
Li=
Deng,
Yang Liu, ed. (2018). Deep learning=
in
natural language processing. Singapore: Springer Singapore. doi:
10.1007/978-981-10-5209-5.
Li=
ndsay,
J., O'Connell, D. C. (1995). How do transcribers deal with audio recordings=
of
spoken discourse? Journal of
Psycholinguistic Research, 24(2), pp. 101-115.
Lu=
, X.,
Li, S., Fujimoto, M. (2020). Automatic speech recognition. In: Y. Kidawara,=
E.
Sumita, H. Kawai (eds.), Speech-to-=
Speech
Translation. Singapore: Springer Singapore, 21-38. doi:
10.1007/978-981-15-0595-9_2.
Ma=
cLean,
L. M., Meyer, M., Estable, A. (2004). Improving accuracy of transcripts in
qualitative research. Qualitative h=
ealth
research, 14(1), pp. 113-123. doi: 10.1177/1049732303259804.
Ma=
nrique
Fuero, F. (2016). Innovación en técnicas de estenotipia para
subtitulado en directo. In: VIII Co=
ngreso
de Accesibilidad a los Medios Audiovisuales para Personas con Discapacidad<=
/i>,
AMADIS'16, Toledo, Museo del Ejército del Alcázar de Toledo,
27-28 de octubre de 2016. Madrid: Real Patronato sobre Discapacidad, 44-58.=
Ma=
riani,
J., ed. (2002). Analyse, synth&egra=
ve;se
et codage de la parole. Traitement automatique du langage parlé 1
(vol 1). Paris: Hermès Science Publications.
Ma=
rkle, D.
T., West, R. E., Rich, P. J. (2011). Beyond transcription: technology, chan=
ge,
and refinement of method. Forum
Qualitative Sozialforschung/Forum: Qualitative Social Research, 12(3). =
Art.
21.
Ma=
tamala,
A., Romero-Fresco, P., Daniluk, L. (2017). The use of respeaking for the
transcription of non-fictional genres: An exploratory study. inTRAlinea: Online Translation Journal=
,
19. http://www.intralinea.org.
Ma=
theson,
J. L. (2007). The voice transcription technique: Use of voice recognition
software to transcribe digital interview data in qualitative research. The Qualitative Report, 12(4), pp.=
547-560.
Mc=
Coy, E.,
Shumway, R. (1979). Real-time captioning--promise for the future. American Annals of the Deaf, 124(5=
), pp.
681-690.
Mo=
ores, Z.
(2016). Subtitling live events through respeaking-Increasing accessibility =
for
all. Unlimited! International Symposium on Accessible Live Events, University of Antwerp, Antwerp, 2=
9 de
abril de 2016.
Mo=
ro
Vallina, M. (2010). Aplicaciones
ofimáticas. Madrid: Editorial Paraninfo.
Ni=
emants,
N. (2018). Des enregistrements aux corpus : transcription et extractio=
n de
données d’interprétation en milieu médical. Meta, 63(3), pp. 665-694.
N&=
uacute;ñez
Hidalgo, J., Ramos Villajos, E. (2010). Doscientos años de
taquigrafía parlamentaria: de las Cortes de Cádiz a nuestros
días (1810-2010). Revista de=
las
Cortes Generales, (80), pp. 145-179.
NV=
RA, N.
V. R. A. (2008). The Horace Webb history. https://nvra.org. [Consultado el =
2 de
febrero de 2018].
Oc=
hs, E.
(1979). Transcription as theory. In: Elinor Ochs, Bambi Schieffelin (eds.),=
Developmental pragmatics. New York=
, NY:
Academic Press, 43-72.
ON=
U, N. U.
(1994). Normas Uniformes sobre la
igualdad de oportunidades para las personas con discapacidad.
Resolución 48/96. https://www.un.org. [Consultado el 20 de junio de
2020].
Pa=
rk, J.,
Zeanah, A. E. (2005). An evaluation of voice recognition software for use in
interview-based research: A research note. Qualitative
Research, 5(2), pp. 245-251.
Pa=
to, E.
(2017). La realidad lingüística en Canadá y la
situación del español en Montreal. Oltreoceano, 13: 27-37. doi: 10.1400/253045.
Po=
llard,
S. E., Neri, P. M., Wilcox, A. R., Volk, L. A., Williams, D. H., Schiff, G.=
D.,
Ramelson, H. Z., Bates, D. W. (2013). How physicians document outpatient vi=
sit
notes in an electronic health record. International
Journal of Medical Informatics, 82(1). 39-46.
Pu=
nch, K.
F., Oancea, A. (2014). Introduction=
to
research methods in education (2nd edition). SAGE Publishing.
www.sagepublications.com. [Consultado el 23 de junio de 2020].
Ra=
vanelli,
M., Brakel, P., Omologo, M., Bengio, Y. (2018). Light gated recurrent units=
for
speech recognition. IEEE Transactio=
ns on
Emerging Topics in Computational Intelligence, 2(2), pp. 92-102. doi:
10.1109/TETCI.2017.2762739.
Re=
vuelta-Martínez,
A., Rodríguez, L., García-Varea, I. (2012). A computer assist=
ed
speech transcription system. In: F. Segond (ed.), Proceedings of the Demonstrations at the 13th Conference of the
European Chapter of the Association for Computational Linguistics, EACL
2012, Avignon, 23-27 de abril de 2012. Stroudsburg, PA: Association for
Computational Linguistics, 41-45. doi: 10.3115/v1/P15-1.
Re=
vuelta
Domínguez, F. I., Sánchez Gómez, M. C. (2005). El proc=
eso
de transcripción en el marco de la metodología de
investigación cualitativa actual. Enseñanza
& Teaching, 23: 367-386.
Ro=
dero
Antón, E. (2016). Influence of speech rate and information density on
recognition: The moderate dynamic mechanism. Media Psychology, 19(2), pp. 224-242. Consultado el 2016/04/02.
doi: 10.1080/15213269.2014.1002942.
Ro=
mero-Fresco,
P. (2011). Subtitling through speech
recognition: respeaking (1a). Manchester, UK; Kinderhook, NY: St. Jerome
Publishing.
Ro=
mero-Fresco,
P. (2012). Respeaking in translator training curricula, present and future
prospects. The Interpreter and Tran=
slator
Trainer, 6(1), pp. 91-112. doi: 10.1080/13556509.2012.10798831.
Ro=
ulston,
K., DeMarrais, K., Lewis, J. B. (2003). Learning to interview in the social
sciences. Qualitative inquiry, =
9(4),
pp. 643-668.
Ru=
fino
Morales, M. (2020). El rehablado of=
f-line
para optimizar la transcripción de corpus orales en español. =
In:
S. Martínez Martínez (ed.), "Nuevas
tendencias en Traducción e Interpretación". Granada:
Comares, 17-27.
Sa=
on, G.,
Kurata, G., Sercu, T., Audhkhasi, K., Thomas, S., Dimitriadis, D., Cui, X.,
Ramabhadran, B., Picheny, M., Lim, L.-L. (2017). English conversational
telephone speech recognition by humans and machines. arXiv preprint arXiv:1703.02136.
So=
lís
García, I., León Gómez, M. (2018). Hum, operador de la
interacción en español: valor y usos. Círculo de Lingüística Aplicada a la
Comunicación, 74: 323-352.
Sp=
erber,
M., Neubig, G., Nakamura, S., Waibel, A. (2016). Optimizing Computer-Assist=
ed
Transcription Quality with Iterative User Interfaces. In: N. Calzolari, K.
Choukri, T. Declerck, S. Goggi, M. Grobelnik, B. Maegaard, J. Mariani, H. M=
azo,
A. Moreno, J. Odijk, S. Piperidis (eds.), Proceedings
of the 10th International Conference on Language Resources and Evaluation
Conference (LREC 2016), Portoroz, Sl, Grand Hotel Bernardin Conference
Center, 23-28 de mayo de 2016: European Language Resources Association (ELR=
A),
1986-1992.
Sp=
erber,
M., Neubig, G., Niehues, J., Nakamura, S., Waibel, A. (2017). Transcribing
against time. Speech communication<=
/i>,
93: 20-30.
Ta=
nton, N.
E. (1979). UK Teletext-Evolution and Potential. IEEE Transactions on Consumer Electronics, CE-25(3), pp. 246-25=
0.
doi: 10.1109/TCE.1979.273220.
Ta=
tham,
M., Morton, K. (2005). Developments=
in
speech synthesis. Chichester, WS: John Wiley & Sons.
Ti=
lley, S.
A. (2003). “Challenging” research practices: Turning a critical
lens on the work of transcription. =
Qualitative
inquiry, 9(5), pp. 750-773.
To=
ttie, G.
(2014). What does uh-(h) uh mean: American English vocalizations and the
Swedish learner. Functions of Langu=
age,
21(1), pp. 6-29.
Ut=
ray
Delgado, F., García Castillejo, Á., Puente Rodríguez, =
L.,
Carrero Lea, J. M., Pajares, J. L., González, Y., Ruiz-Mezcua, B.,
Sánchez Pena, J. M. (2015). Informe de seguimiento del subtitulado y=
la
audiodescripción en la TDT 2014, Colección
Inclusión y Diversidad. 15. Madrid: Grupo Editorial Cinca.
Wa=
lford,
G. (2001). Doing qualitative educat=
ional research.
A personal guide to research process. London, UK; New York, NY: Bloomsb=
ury
Publishing.
Wi=
nata, G.
I., Cahyawijaya, S., Liu, Z., Lin, Z., Madotto, A., Xu, P., Fung, P. (2020).
Learning fast adaptation on cross-accented speech recognition. arXiv preprint arXiv:2003.01901.
Xi=
ong, W.,
Droppo, J., Huang, X., Seide, F., Seltzer, M., Stolcke, A., Yu, D., Zweig, =
G.
(2016). Achieving human parity in conversational speech recognition. arXiv:1610.05256.
Ya=
dav, D.,
Gupta, M., Chetlur, M., Singh, P. (2018). Automatic annotation of voice for=
um
content for rural users and evaluation of relevance. In: Proceedings of the 1st ACM SIGCAS Conference on Computing and
Sustainable Societies, Menlo Park, CA, 20-22 de junio de 2018. doi:
10.1145/3209811.3209875.
Yn=
gve, V.
(1970). On getting a word in edgewise. In: Papers
from the sixth regional meeting, Chicago Linguistic Society, Chicago, I=
L,
16-18 de abril de 1970: Chicago Linguistic Society, 567-577.
Zh=
ou, L.,
Blackley, S. V., Kowalski, L., Doan, R., Acker, W. W., Landman, A. B.,
Kontrient, E., Mack, D., Meteer, M., Bates, D. W., Goss, F. R. (2018). Anal=
ysis
of Errors in Dictated Clinical Documents Assisted by Speech Recognition
Software and Professional Transcriptionists. JAMA Network Open, 1(3). e180530-e180543. doi:
10.1001/jamanetworkopen.2018.0530.
Zw=
eigenbaum,
P., Gauvain, J.-L., Braffort, A., Filhol, M., Ghannay, S., Grouin, C., Hamo=
n,
T., Illouz, G., Lavergne, T., Ligozat, A.-L. (2020). Le bulletin n°107
– janvier 2020 – IA et Technologies du Langage Humain. Grenoble:
Association française pour l'Intelligence Artificielle (AFIA).
https://afia.asso.fr.
=