The Spoltech Brazilian Portuguese v1.0
General Description
The Spoltech Brazilian Portuguese corpus contains microphone speech from a variety of regions in Brazil with phonetic and orthographic transcriptions. The utterances consist of both read speech (for phonetic coverage) and responses to questions (for spontaneous speech). The corpus contains 480 speakers and 8119 separate utterances. A total of 2579 utterances have been transcribed at the word level (without time alignments), and 5505 utterances have been transcribed at the phoneme level (with time alignments). Protocol design, recording and transcription were performed by the Universidade Federal do Rio Grande do Sul and the Universidade de Caxias do Sul.
Recording Details
The data have been recorded at 44.1 kHz (mono, 16 bit) and stored in RIFF format. The recording was conducted with a direct connection from the microphone to the sound card. The sound card was SoundBlaster-compatible. For the prompted sentences, the sentence was hidden from view when recording began, so that the speaker might utter the sentence more naturally. Verification of the recording quality was performed immediately after each utterance recording; the data-collection software allowed the speaker to re-record utterances in case the recording was not of sufficient quality. The acoustic environment was not controlled, in order to allow for background conditions that would occur in application environments.
Directory Structure
There are directories in top-level called speech, trans, labels, misc, docs. Each speaker has its own directory under these directories and has assigned an identification sequence, consisting of the two letters "BR", a dash, and five digits. The two letters identify the corpus as the Spoltech Brazilian Portuguese corpus, and the five digits uniquely identify the speaker within this corpus. The labels directory contains the time-aligned phonetic transcriptions for this speaker. The trans directory contains the orthographic, non-time-aligned transcriptions for this speaker. The speech directory contains the 44.1 kHz waveforms for this speaker.
Each filename has the following structure:
| CC-NNNNN.TTTTTT.EXT | |
| CC = two-letter corpus name, always "BR" | |
| NNNNN = unique speaker ID, ranging from 00001 to 00480 | |
| TTTTTT = utterance identification | |
| EXT = filename extension |
For example:
This file contains the waveform for speaker 130, who was answering the question "where were you born?" This file is located in the directory speech/BR-00130/.
Table 1. Balanced sentences for Spoltech corpus.
| Sentence | Filename Identification |
| O presidente da República faz advertência ao ministro da justiça. | balsen1 |
| O jovem atacante convenceu fácil na partida contra o México. | balsen2 |
| O Zorro é outro dos filmes muito procurados nas locadoras atualmente. | balsen3 |
| A primeira maior guerra de todas foi entre o bem e o mal, o céu e a terra. | balsen4 |
| É melhor nunca engomar os lençóis azuis debaixo de sol. | balsen5 |
| Eu prefiro ser essa metamorfose ambulante. | balsen6 |
| Do que ter aquela velha opinião formada sobre tudo. | balsen7 |
| Andar a pé é mais barato. | balsen8 |
| No meio do caminho tinha uma pedra. | balsen9 |
| Dizem que alho é bom pra gripe e que paulada de amor não dói. | balsen10 |
| A gente quer mais uma chance. | balsen11 |
| Gosto de ovo frito para comer com arroz. | balsen12 |
| Sol forte queima a pele fácil, fácil. | balsen13 |
| Eu queria biscoito de mel. | balsen14 |
| Os jogadores vitoriosos festejam o resultado. | balsen15 |
| Os trapezistas dão piruetas arriscadas no ar. | balsen16 |
| É necessário paciência de vez em quando. | balsen17 |
| A postura antiética de alguns políticos é inaceitável. | balsen18 |
| Os cantores devem cuidar bem da goela. | balsen19 |
| Quase ninguém foi à reunião, faltou quórum. | balsen20 |
| O orvalho da manhã às vezes é confundido com a chuva. | balsen21 |
Table 2. Prompts for Spoltech corpus.
| Prompt | Filename Identification |
| Conte de 1 até 10. | 1to10 |
| Quantos anos você tem ? | age |
| Diga todos os meses do ano. | allmonth |
| Diga todos os dias da semana. | allweek |
| Quando você nasceu? | birtdate / birthdate |
| Onde você nasceu? | birtplac |
|
Qual estado brasileiro você gostaria de conhecer? Qual o estado em que você nasceu? |
brstate |
| Qual a cidade em que você nasceu? | city |
| Qual a sua cor preferida? | color |
| Qual país você gostaria de conhecer? | country |
| Que dia é hoje? | date |
| Você gostou de responder a esse questionário? | didulike |
| Você estuda? | doustudy |
| Você trabalha? | douwork |
| Qual o nome do seu pai? | fathname |
| Qual o seu prato preferido? | food |
| Qual seu interesse neste evento? | free1 |
| Fale livremente. | free2 |
| Quantos irmãos você tem? | howmany |
| Em que mês você nasceu? | month |
| Que dia do mês é hoje? | monthday |
| Qual o nome da sua mãe? | mothname |
| Diga três dezenas. | numb10 |
| Diga três centenas. | numb100 |
| Em que estação do ano você nasceu? | season |
| Qual é o seu sexo? | sex |
|
Que horas são? Que horas são agora? |
time |
|
Para onde você tem vontade de viajar ? Para onde você gosteria de viajar? |
travel |
| Que dia da semana é hoje? | weekday |
| Qual é a sua profissão? | work |
| Você achou difícil este questionário? | yesno |
| Você tem irmãos? (Sim/Não) | yesno1 |
| Sim/Não | yesno2 |
| Sim/Não | yesno3 |
| Sim/Não | yesno4 |
|
Qual o seu CEP? (digito a dígito) Qual o seu CEP? |
zipcode |
