淺談少數民族土家語語料庫的構建思路

馬程昕，劉喜球

(1.吉首大學 旅游與管理工程學院，湖南 張家界 427000；2.吉首大學 圖書館，湖南 吉首 416000)

土家族是一個文化色彩豐富的民族，具有自己獨特的民族特色語言——土家語。土家語是目前土家族使用土家語支僅有的兩種語言的統稱，兩種語言分別是畢基語和孟茲語。土家語隸屬于藏緬語族，語支在學術界還未有一個標準的界定，土家語由于獨特的語言風格而沒有本民族文字。土家族的分布決定了土家語的分布，主要在湖南、湖北、貴州、重慶四省交界地帶的武陵山片區，但這些地區土家族人的語言大多數主要以漢語為主，還有部分土家族人兼用著苗語，而只有龍山、永順等縣的小部分土家族人會說土家語。

由于社會教育對土家族的影響、土家族本族勞動力的外流、土家族對自己語言文化的不重視、沒有具體的文字導致傳承比較困難、現代化的發展和漢語的普遍化等因素導致了土家語這種特色的民族語言處于深度瀕危狀態。目前，我國土家語的使用人數逐漸減少，土家語瀕危化也是逐漸成為明顯的社會事實,是不以人的意志為轉移的客觀存在的現象[1]。面對瀕危語言保護中出現的種種問題，國家也出臺了相應的有關保護少數民族語言的政策法規，例如：中共中央辦公廳、國務院辦公廳2017年印發的《關于實施中華優秀傳統文化傳承發展工程的意見》中要求“保護傳承方言文化”，國家民族事務委員會2010年發布的《國家民委關于做好少數民族語言文字管理工作的意見》第15條規定“加強少數民族瀕危語言的搶救、保護工作”，所以就土家語目前的形勢來看，需要研究者加大語言傳承和保護方面的科研力度，這就需要研究者針對土家語構建相應的語料庫，保存好土家族的民族語言，以避免這種沒有文字的少數民族語言得不到很好的保護而消失在歷史的長河中。

1 語料庫簡介

1.1 語料庫的定義及分類

何為語料庫？語料庫是通過所獲取的數據和信息采取定性分析和定量分析的研究方法整合成一個有規律的知識結構。運用語料庫分析手段不但可以有效地把有關數據提取出來,還能使隱藏于大規模文本中的信息浮現出來[2]。語料庫目的是提供一個足夠大的資源，通過整合來自主要語系的語言來促進語言之間的分析[3]。由于研究目的的差異性和獨特性，語料庫又可分為：多語語料庫、單語語料庫、平行語料庫等。語料庫擁有幾項特征：①語料庫所存放的資料是語言在現實生活中真實出現過的語言材料；②語料庫所存放的只是關于語言知識的基礎性資源；③語料庫所存放的真實語料數據需要經過一定的加工處理才能成為可以利用的數據資源。

1.2 語料庫的研究發展

語料庫作為一種對于語言的研究工具,廣泛地運用于語言研究的各方面,如詞典學、翻譯、目錄學等領域。20世紀60年代初,美國布朗大學的兩位語言學家W·N·Francis與H.Kuera為了突破當時語言學界對于語言的相關研究只是紙上談兵的界限,展開了對于語言學實證方面的研究,建成了世界上第一個機讀英語語料庫——布朗語料庫，該語料庫收集了書面語言文本高達100萬冊，為語言學開啟了新的研究歷程。隨著科學技術的不斷發展，計算機設備的條件進一步成熟，軟、硬件技術水平也不斷提高,現代化科技背景下的新型機讀語料庫成為語言理論和詞匯結構研究的重要工具之一。此后經過多年的努力,世界各國研究者對于基于語料庫的語言學研究和建設語料庫等方面都取得了很大成果，語料庫的研究內容也逐漸豐富起來，涉及教學、翻譯、語義、詞典、語法等多個方面。從目前的學術研究來看，以語料庫為基點的方法論和實證研究已經在語言學的領域里有了自己的一席之地，并且正處于一個上升的階段。

2 構建土家語語料庫的意義

2.1 有利于對土家語保護與傳承

構建土家語語料庫能夠更好地保護土家語非物質文化遺產，使面臨瀕危的土家語言能夠得到系統整理，永久地保存。在當今全球化的過程中，由于先進地區的經濟、文化、教育的滲透對于落后地區的影響，出現了土家語使用人數的逐漸減少，土家語使用地域的范圍也逐漸縮小等現象。目前，會講土家語的人少之又少，且大多數是村里老一輩的土家族人，年輕一代的土家族人基本“漢化”，很少有人會說土家語。近年來，我國眾多研究者對于土家語語言瀕危的嚴重性關注度逐漸提高,并且眾多學者以多種多樣的研究形式和方法來記錄和保存土家語這一瀕危語言。在眾多的方法和措施中，建立土家語語料庫是對這種瀕危語言進行保護和搶救的一項重要措施。

2.2 有利于研究者提高工作效率

構建土家語語料庫能減輕研究者的勞動強度和給予后來研究者一個研究的基礎，方便后面研究者的后續研究。對語言的研究必須要以事實為依據，且與理論相結合,傳統研究過程中，對于語言材料的采集、整理和加工等工作都是要靠研究者們純手工進行的，這是一項非常耗力耗時的工作。構建土家語語料庫時需要采用計算機技術，研究者們可以把許多機械性的工作交給計算機去完成，從而大大減輕了工作強度，并且也方便后續研究者有效地進行大規模對土家語語言資料的查詢、檢索和統計等，從而提高工作效率。

3 構建土家語語料庫的思路

3.1 進行土家語語料數據的采集

語料采集是語料庫建設的重要環節，既包括內容信息，又包括標題、作者以及數據來源等元數據信息[4]。土家語采集的主要原始資料包括：①關于記錄土家語的紙本文獻；②土家語聲像文獻。土家語沒有本民族的特有的字體，紙本文獻大多數是由漢語所描述土家語的相關文獻，包括土家語的傳統習俗、歷史傳說、民謠詩賦、民間故事等相關資料。土家語的聲像文獻是對土家族人進行語音資料采集所得到的，包括民謠的攝影、民間故事的錄音、傳統習俗和口述歷史的錄像等。對于這些資料的采集，我們在開始進行錄音采訪之前要確定一個明確目的，和時間、人物、地點、工作步驟、人員配置、設備配置，以便于工作過程中提高時間效率和降低采集成本。在搜集紙本文獻時應確立一個相應的范圍，做好人員的分配情況，不同的人員搜集不同的數據庫，進行下鄉作業的人員要提前了解當地的情況，以保證工作的順利進行。在采集語料的過程中也可以利用Editor Tools、Spider Foot等自動化信息收集工具通過年鑒、政府報告、網站等資源中直接采集。

3.2 對語料資源進行整理和翻譯

土家族語言沒有本民族特有的文字，對不同地區采集的資料文獻應該使用統一的文字進行整理，才能夠讓后續研究者使用這些資源時更加的方便。對于聲像文獻的整理，大部分語言研究學者對土家語的標注是利用國際音標進行注音，語音標注可以使用Praat等軟件，對標注信息層層對應，包括漢語直譯、句子漢語意譯等多方位信息進行標注，進而將這些語料資源加工、整理后進行分類，將其分為字、詞、短句、長句、故事等片段進行保存。在翻譯整理的過程中也會遇到很多困難，主要體現在：①土家語語言結構非常不穩，特別是聲音語調方面更不穩定，由于帶著方言特色的原因，不同的土家族人在操用土家語講話的語調方面存在許多差異，這就給后期翻譯和整理工作帶來一定難度；②自然語言單個詞語中一詞多義和同義詞的特征始終存在在自然語言處理(NLP)和信息檢索(IR)領域一直是一個挑戰；③土家語信息文本的數量巨大，翻譯工作任務繁重；④能夠掌握土家語和漢語的雙語人員較少；⑤在進行國際音標標注的時，能夠看懂國際音標基本是田野語言學的人員，這就在學科領域方面有了限制，對專業的要求也非常高。

3.3 構建土家語語料數據庫

語料資源的儲存需要數據庫作為依托，根據土家語語料類型的不同需要建立文本數據庫和語音數據庫。在構建的過程中需要對采集的語料資源類型進行分類處理，將所搜集的描述土家語的相關文獻、記載土家語的相關文獻還有對于語音信息進行記載和翻譯的文本文獻進行整理放入文本數據；將錄音、攝影、錄像等聲像文獻放入語音數據庫。并且對每一份語音資料和文本資料構建好相應的關鍵詞和元數據，包括對語音資料中發音人的具體信息和紙本文獻的題名、作者、日期等進行標注，方便后續查詢和檢索。構建良好的數據庫模式，能夠有效地存儲語料數據和方便各種用戶使用這些語料數據[5]。

圖1 漢土語音轉換系統示意

在構建土家語語料庫時，我們需要對土家語進行一個平行的漢語實時轉換，才有利于研究者們更好地利用這個語料庫。由于土家語沒有文字，構造這個系統也是有一定的難度。其原理就是我們在說漢語時，聲音輸入到語料庫中然后語料庫輸出土家語的發音，或者會說土家語的人在說土家語時，聲音輸入到語料庫中然后語料庫輸出漢語的發音，這個系統的設計非常煩瑣，其原理需要用到人工智能語音識別系統和傳統語料庫平行轉換系統Praat等相結合。語音數據庫的語音標記用的是Praat軟件中的國際少數民族語文研究院(SIL)的標注字體,用的是Sampa符號。在面向非專業人員的界面中,Sampa符號須轉換為IPA符號,而在搜索和查詢等功能中,IPA符號只有轉換為Sampa符號才能在數據庫中順利運行[6](見圖1)。

4 結束語

目前，對于土家語語料庫的研究還處于摸索和發展的階段，想要構建一個較為完整的土家語語料庫還需要更多的土家語方面的研究人員參與，也更需要政府主導和資金支持，只有這樣才能更有利于促進對土家語的保護和搶救，避免這種語言消失在歷史的長河中。