Datasets:

nilc-nlp
/

CATNA-MT

Os dados do CATNA estão originalmente disponíveis em http://tarsila.icmc.usp.br:8080/nurc/catna. O conjunto inclui 5 arquivos divididos em partes e 21 áudios completos. Esses 21 contêm um cabeçalho no início, indicando informações sobre a gravação, o qual não estava presente nos respectivos arquivos TextGrid. A partir de versões anteriores do CATNA, disponibilizadas pelos coordenadores do Projeto TaRSila (https://sites.google.com/view/tarsila-c4ai), foi possível alterar alguns arquivos, por meio da junção de alguns áudios divididos. Em outros casos, esse procedimento não foi possível. Nesses casos, cortes no início dos áudios foram realizados, com o objetivo de remover o cabeçalho e alinhar os dados ao TextGrid correspondente. O presente repositório é uma versão do CATNA nestas condições (merged or trimmed - MT).

Procedimento dos cortes do cabeçalho:

Na primeira tentativa, extraímos a duração total do áudio e subtraímos pela duração total do TextGrid. Entretanto, essa abordagem resultou em um alinhamento insatisfatório entre os arquivos. Diante disso, o seguinte procedimento foi adotado no Praat:

Extração da duração total do áudio (Query > Query time domain > Get total duration);
Visualização do áudio e seleção manual do trecho correspondente ao cabeçalho;
Cópia do valor referente ao cabeçalho;
Obtenção do áudio sem o cabeçalho (Convert > Extract part);
Realização de ajustes sucessivos até alcançar um alinhamento considerado satisfatório entre o áudio e o TextGrid.

Ressalta-se que um TextGrid só é plenamente adequado quando gerado a partir do seu áudio original. Então, os cortes realizados podem apresentar pequenas imprecisões temporais, dependendo do tipo de pesquisa que se quer realizar. Os cortes podem levar a pequenas diferenças numéricas de segundos. Essas diferenças podem ser significativas em estudos em Fonética e Fonologia. Apesar disso, o CATNA-MT não trará prejuízos para a pesquisa pela qual ele foi necessário. A seguir, há links para os áudios completos e os segundos que foram retirados de cada áudio. Isso permite que futuras pesquisas ou outros pesquisadores possam realizar novos cortes dos áudios, criar novos TextGrids ou revisar os que já aqui existem.

Nome	Segundos
SP_D2_055	51.421281
SP_D2_078	50.772571
SP_D2_095	53.699801
SP_D2_109	48.684770
SP_DID_013	67.940044
SP_DID_016	68.053551
SP_DID_017	60.301676
SP_DID_030	46.728012
SP_DID_053	42.256421
SP_DID_121	40.9386196

Arquivos reconstruídos a partir da junção de versões anteriores do CATNA:

SP_D2_012

SP_DID_002

SP_DID_009

SP_DID_011

SP_DID_043

SP_DID_068

SP_DID_070

SP_DID_089

SP_DID_090

SP_DID_111

SP_DID_114

Arquivos que sofreram cortes:

SP_D2_055

SP_D2_078

SP_D2_095

SP_D2_109

SP_DID_013

SP_DID_016

SP_DID_017

SP_DID_030

SP_DID_053

SP_DID_121

Arquivos incompletos (mas sem cortes no meio de unidades entoacionais completas):

SP_D2_008_parte_2

SP_D2_010_parte_1

SP_D2_010_parte_3

SP_D2_023_parte_1

SP_DID_001_parte_2

Patrocínios/Financiamento

Este dataset foi criado com apoio da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - Brasil (CAPES) pela bolsa 88887.920395/2023-00, por meio do Programa de Excelência Acadêmica (PROEX).

CATNA-MT

The CATNA data are originally available at http://tarsila.icmc.usp.br:8080/nurc/catna. The dataset includes 5 files divided into parts and 21 complete audio files. These 21 contain a header at the beginning, indicating information about the recording, which was not present in the corresponding TextGrid files. From earlier versions of CATNA, made available by the TaRSila Project coordinators, it was possible to modify some files by merging split audio parts. In other cases, this procedure was not possible. In these cases, cuts were made at the beginning of the audio files in order to remove the header and align the data with the corresponding TextGrid. The present repository is a version of CATNA under these conditions (merged or trimmed - MT).

Header removal procedure:

In the first attempt, we extracted the total duration of the audio and subtracted the total duration of the TextGrid. However, this approach resulted in unsatisfactory alignment between the files. Therefore, the following procedure was adopted in Praat:

Extraction of the total audio duration (Query > Query time domain > Get total duration);
Visualization of the audio and manual selection of the segment corresponding to the header;
Copying the value corresponding to the header;
Obtaining the audio without the header (Convert > Extract part);
Performing successive adjustments until achieving an alignment considered satisfactory between the audio and the TextGrid. It should be noted that a TextGrid is only fully adequate when generated from its original audio. Thus, the cuts performed may introduce small temporal inaccuracies, depending on the type of research being conducted. These cuts may lead to small numerical differences in seconds. Such differences may be significant in studies in Phonetics and Phonology. Nevertheless, CATNA-MT will not cause harm to the research for which it was required. Below are links to the complete audios and the number of seconds removed from each file. This allows future research or other researchers to perform new cuts on the audios, create new TextGrids, or revise the existing ones.

Name	Seconds
SP_D2_055	51.421281
SP_D2_078	50.772571
SP_D2_095	53.699801
SP_D2_109	48.684770
SP_DID_013	67.940044
SP_DID_016	68.053551
SP_DID_017	60.301676
SP_DID_030	46.728012
SP_DID_053	42.256421
SP_DID_121	40.9386196

Files reconstructed by merging previous versions of CATNA: