Using the Corpus of North American Spoken English to explore regional variation in millions of eɪ diphthongs
Notice bibliographique
Résumé
Increases in the quality of automatic speech recognition (ASR) systems and forced alignment algorithms have opened up new horizons for the study of acoustic properties of naturalistic speech (Coto-Solano et al., 2021). This paper describes the procedures used for the automatic extraction and alignment of audio and ASR transcript excerpts containing eɪ diphthongs from the Corpus of North American Spoken English, a 1.3-billion-word corpus of geolocated ASR transcripts of videos uploaded to YouTube channels of local government entities. In total, more than 2 million eɪ tokens were extracted from naturalistic speech in over 2000 locations in the US and Canada. The pipeline utilizes python code to extract audio segments from the DASH manifest of YouTube videos, then feeds them together with the corresponding transcript excerpt to the Montreal Forced Aligner. Targeted segments are then filtered using functions in Parselmouth, a python port of Praat. Because the underlying corpus is searchable and words are annotated with timing information, the extraction procedure is suitable for retrieving acoustic data from a range of naturalistic speech configurations (for example from discussions of particular topics or in the context of specific utterance types such as questions or replies). The corpus contains a variety of speech genres, making it suitable for studies of geophonetic and sociophonetic variation, and pipelines can be constructed to target specific phenomenona in YouTube videos, depending on the underlying research question.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,005 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».