LC-STAR Catalan phonetic lexicon

View resource name in all available languages

Lexique phonétique LC-STAR catalan

ID:

ELRA-S0207

The LC-STAR Catalan phonetic lexicon was created within the scope of the LC-STAR project (IST 2001-32216) which was sponsored by the European Commission and the Spanish Government.

Production was performed at the Technologies and Applications of Language and Speech Center (TALP) of the Universitat Politècnica de Catalunya (UPC) (Spain). The owner of the database is UPC.

The lexicon comprises more than 100,000 words, distributed over three categories:

- a set of 53,225 common word entries. This set is extracted from a corpus of more than 20 million words distributed over 6 different domains (sports/games, news, finance, culture/entertainment, consumer information, personal communications). This was done with the aim of reaching a target for each domain of at least 95% self coverage. In addition to extracting word lists from the corpus, a list of closed set (function) word classes are included in the final word list.

- a set of 45,306 proper names (including person names, family names, cities, streets, companies and brand names) divided into 3 domains. Multiple word names such as New_York are kept together in all three domains, and they count as one entry. The 3 domains consist of first and last names (21,868 different entries), place names (8,279 different entries), and organisations (16,004 different entries).

- and a list of 7,498 special application words translated from English terms defined by the LC-STAR consortium. This list contains: numbers, letters, abbreviations and specific vocabulary for applications controlled by voice (information retrieval, controlling of consumer devices, etc.).

The lexicon is provided in XML format and includes phonetic transcriptions in SAMPA. The database is stored on 1 CD.

View resource description in all available languages

Le lexique phonétique LC-STAR catalan a été créé dans le cadre du projet LC-STAR (IST 2001-32216), financé par la Commission européenne et le gouvernement espagnol.

Le lexique a été produit au Centre de technologies et d’applications de la langue et de la parole (TALP) de l’Universitat Politècnica de Catalunya (UPC) (Espagnol), qui en est également le propriétaire.

Le lexique comprend plus de 100 000 mots répartis en trois catégories :

- Un ensemble de 53 225 mots communs. Cet ensemble a été extrait d’un corpus de plus de 20 millions de mots répartis en 6 domaines différents (sports/jeux, actualités, finances, culture/amusement, information consommateur, communications personnelles), avec pour objectif d’atteindre pour chaque domaine au moins 95% de couverture. En plus des listes de mots extraites du corpus, une liste de classes de mots en ensemble fermé (fonctions) est incluse dans la liste de mots finale.

- Un ensemble de 45 306 noms propres (noms de personnes, noms de familles, villes, rues, sociétés, noms de marque) divisée en 3 domaines. Les noms comportant des mots multiples, tels que New_York, ont été conservés dans chacun des 3 domaines et comptent ainsi pour une seule entrée. Les 3 domaines sont : prénoms et noms de familles (21 868 entrées différentes), noms de lieux (8 279 entrées différentes), et organisations (16 004 entrées différentes).

- Une liste de 7 498 mots d’application traduits à partir de termes anglais tels que définis par le consortium LC-STAR. Cette liste comprend des nombres, des lettres, des abréviations et du vocabulaire spécifique aux applications contrôlées par la voix (recherche d’information, contrôle des appareils de consommation, etc.).

Le lexique est fourni au format XML et inclut des transcriptions phonétiques en SAMPA. La base de données est stockée sur 1 CD.

You don’t have the permission to edit this resource.