NAREČNI Korpus Zila – od posnetka do analize
Darinka VERDONIK
Univerza v Mariboru, Fakulteta za elektrotehniko, računalništvo in informatiko
Avgust 2026
Korpus Zila je trenutno najobsežnejši prosto dostopen korpus kakšnega slovenskega narečja. Vsebuje posnetke ziljskega narečja, ki ga govorijo Slovenci v Ziljski dolini na avstrijskem Koroškem. Obsega 100 ur posnetkov in zapisov in je dostopen prek repozitorija CLARIN.SI. Ob primeru tega korpusa je prikazana pot od posnetka do jezikoslovne analize govornih podatkov s sodobnimi orodji. Delavnica je potekala 26. avgusta 2026 na Fakulteti za elektrotehniko, računalništvo in informatiko Univerze v Mariboru. Lahko si jo ogledate na posnetku ali preberete spodnji zapis vsebine delavnice.
1 Zakaj zbiramo govorne korpuse?
Govorni korpusi imajo več pomembnih vlog. V prvi vrsti omogočajo razvoj govornih tehnologij in s tem vključevanje jezika ter njegovih posameznih različic v digitalno okolje. Če želimo s stroji komunicirati govorno, morajo tehnologije poznati tudi narečni, regionalni in vsakdanji govor, ne samo knjižne slovenščine. Govorni korpusi nam omogočajo tudi raziskovanje jezika v vsej raznolikosti, ki jo srečujemo v različnih regijah. Prav tako ohranjajo vzorce današnjega govora za prihodnje generacije. Govor in narečja so del nesnovne kulturne dediščine, zato z njihovim dokumentiranjem ne ohranjamo samo besed in slovničnih oblik, ampak tudi načine pripovedovanja, lokalne izraze, spomine in znanje skupnosti.
Gradnja obsežnega in široko uporabnega govornega korpusa je zahtevno skupinsko delo. Za zanesljive analize potrebujemo veliko gradiva, pogosto več deset ali več sto ur posnetkov. To pomeni obsežno snemanje na terenu, ročno zapisovanje, preverjanje in pretvarjanje podatkov v računalniško berljivo obliko. Raziskovalec mora zato že na začetku razmisliti, ali je pripravljen vloženi trud deliti tudi z drugimi raziskovalci. V tem primeru je treba vnaprej pripraviti ustrezne pravne podlage in govorcem jasno razložiti, za katere namene se bodo njihovi posnetki uporabljali.
Različnost slovenskega govora je lahko tudi sporazumevalni izziv. Govorca z dveh oddaljenih koncev Slovenije se pogosto težko razumeta, če uporablja vsak svojo domačo govorico. Govorni korpusi nam omogočajo, da pogosteje slišimo, kako različno lahko zveni slovenščina, in tako izboljšujemo svojo zmožnost medsebojnega razumevanja.
Ziljsko narečje je lep primer jezikovne ustvarjalnosti in raznovrstnosti. Kaže, v kako različne smeri se lahko razvije isti jezik. V nadaljevanju vidimo zapis kratkega odseka iz Korpusa Zila, v katerem pripovedovalka pripoveduje lokalno basen.
Je buə nabart prad dovgamə, dovgamə liətamə, kə sa pər nas šə tə dobrə pa tə hudə dušə za vidatə blə. V tistah časah sa sə vəčbart na goərah, pər Zilə bəl pər patokə pa na Ogə čudnə rečə zgadilə. Tota basən z Zilšči dalinə paviə ad teə.
2 Od terenskega posnetka do javnega govornega korpusa
Pot od zvočnega posnetka do široko uporabne raziskovalne baze lahko predstavimo v šestih korakih. Prvi trije koraki potekajo predvsem na terenu, drugi trije pa v raziskovalnem laboratoriju.
Najprej je potrebna privolitev govorca. Pripravljene moramo imeti pravne podlage, v katerih že vnaprej določimo, ali in pod katerimi pogoji bo mogoče gradivo deliti. Govorci morajo biti seznanjeni z namenom snemanja, načini nadaljnje uporabe ter svojimi pravicami.
Posnetek zajamemo v kakovostnem nestisnjenem formatu, kot je WAV. Ob snemanju zberemo tudi metapodatke. Sem sodijo osnovne demografske lastnosti govorcev, na primer spol, starost in izobrazba, ter podatki, ki pomagajo interpretirati register oziroma narečje. Zabeležimo tudi okoliščine snemanja: kdaj in kje je potekalo, s kakšnim namenom, o čem je bilo govora, s kakšno opremo, v kakšnem prostoru in podobno.
Naslednji korak je zapisovanje govora. Transkripcija močno razširi možnosti nadaljnje uporabe in analize posnetkov. Pri narečnem in vsakdanjem pogovornem govoru je natančna transkripcija še vedno pretežno ročna. Samodejna orodja za takšne različice slovenščine še niso dovolj zanesljiva, da bi olajšala ročno delo.
Pred javno objavo je nujna tudi anonimizacija. Iz podatkov odstranimo imena, priimke in druge neposredne osebne podatke. Pozorni moramo biti tudi na širše kontekstne informacije, iz katerih bi bilo mogoče prepoznati posameznika. Občutljivi deli se zakrijejo v posnetku in v transkripciji.
Na koncu je potrebna validacija celotnega gradiva: preverimo zapise, povezave med datotekami in metapodatke ter vse skupaj pretvorimo v računalniško berljive formate, praviloma temelječe na XML. Tako pripravljene posnetke, transkripcije in metapodatke je mogoče dolgoročno hraniti, izmenjevati in obdelovati z različnimi programskimi orodji. V slovenskem prostoru je osrednje mesto za objavo takšnih jezikovnih virov repozitorij CLARIN.SI. Drugi raziskovalci lahko v njem poiščejo gradivo, ki jih zanima, ga prenesejo na svoj računalnik in nadalje obdelujejo za raziskovalne ali izobraževalne potrebe.
3 Korpus Zila
Korpus Zila je za slovenski prostor zelo obsežen narečni korpus. Vsebuje približno 100 ur posnetega govora v 206 posnetkih. V njem sodeluje 74 govorcev: 64 govorcev ziljskega narečja in dodatnih deset oseb, ki so bile večinoma v vlogi sogovorcev oziroma izvajalcev intervjujev. Starostni razpon govorcev je zelo širok, od 13 do 95 let, mediana starosti pa je približno 70 let. Po spolu je korpus uravnotežen: vključenih je 37 govork in 37 govorcev.
Večino gradiva sestavljajo zasebni, vsakdanji pogovori o domačem okolju, življenju in spominih. Približno petina posnetkov izvira iz arhivov različnih medijev, kjer so bili že prej shranjeni intervjuji ali predstavitve slovenske lokalne skupnosti na avstrijskem Koroškem. Govorci pripovedujejo predvsem o osebnih spominih, običajih in ritualih, kmečkem delu, ljudskih pripovedih, dogodkih iz lokalne zgodovine ter o družinskih, vaških in skupnostnih povezavah. Korpus je zato poleg jezikovnega vira tudi dragocen kulturni dokument o življenju skupnosti, ki govori ziljsko narečje.
Celoten korpus je bil transkribiran ročno. Uporabljen je razširjeni ortografski zapis, ki temelji na običajnih črkah, dopolnjujejo pa ga nekateri posebni znaki za značilnosti ziljskega narečja. Polglasnik je zapisan z znakom ə, značilni dvoglasniki z zaporedji, kot so iə, uə, eə in oə, uporabljen pa je tudi znak ḵ za poseben grleni glas. Govor je zapisan dobesedno, zato so ohranjeni tudi mašila, oklevanja, ponovitve in samopopravki. Transkripcija je časovno poravnana z zvokom, kar pomeni, da je vsak zapisani odsek povezan z ustreznim mestom v posnetku.
Dodane so tudi oznake za premore, smeh, dih, nerazumljive dele in druge zvoke. Posebej pomembne so oznake za tuji jezik. Ker gre za dvojezično območje, govorci pogosto preklapljajo med slovenščino in nemščino – pri posamezni besedi, frazi, delu povedi ali daljšem odseku. Takšni dogodki so označeni in tako omogočajo podrobne analize jezikovnega preklapljanja.
4 Tehnična priprava podatkov in okolje EXMARaLDA
Posnetki za korpus Zila so bili bodisi že zajeti v formatu WAV bodisi vanj pretvorjeni; nekateri arhivski posnetki so bili tudi digitalizirani. Osnovne transkripcije so bile pripravljene v programu Transcriber 1.5.1 in shranjene v formatu TRS. Ker je ta zapis združljiv z okoljem EXMARaLDA, so bile pretvorbe v format EXMARaLDA izvedene avtomatsko. Za transkribiranje bi bilo mogoče uporabiti tudi druga orodja, kot je Praat.
Metapodatki o govorcih in posnetkih so bili najprej urejeni v Excelovih preglednicah, za javno uporabo pa pretvorjeni v format TSV, torej v golo besedilo s podatki, ločenimi s tabulatorji, in uvoženi v datoteke, pripravljene za okolje EXAMRaLDA.
EXMARaLDA je paket orodij, ki podpira različne faze dela z govornimi podatki. Partitur Editor je namenjen zapisovanju in označevanju govora. Ko v njem odpremo posnetek, je zgoraj prikazan zvočni signal, pod njim pa vrstice za posamezne govorce in različne ravni zapisa. Navpične časovne meje povezujejo transkripcijo s točnimi mesti v posnetku. Dodamo lahko poljubno število vrstic. Poleg zapisa govora lahko imamo tako dodatne vrstice za prevod v knjižno slovenščino ali različne vrste jezikoslovnih oznak.
V Partitur Editorju pripravljene in označene datoteke pripravimo za analizo v programu EXAKT. To je konkordančnik oziroma specializirano iskalno orodje za govorne korpuse. V iskalno polje vpišemo znak, besedo, zapisno različico ali oznako, ki nas zanima, program pa vrne zadetke skupaj z levim in desnim sobesedilom. Posamezen zadetek lahko odpremo v širšem kontekstu in poslušamo pripadajoči del posnetka. Rezultate lahko razvrščamo po metapodatkih, jim dodajamo lastne zabeležke ali analitične oznake ter jih na koncu izvozimo za nadaljnjo obdelavo.
5 Iskanje in analiza v konkordančniku EXAKT
Prikazani so štirje različni tipi iskanja. Če nas zanima določen glas, ga lahko poiščemo prek znaka, uporabljenega v zapisu. Primer je lahko znak ḵ, polglasnik ə ali posamezni dvoglasniki. Ker se znak lahko pojavi z malo ali veliko začetnico, zapišemo v iskalnem nizu obe različici v oglatih oklepajih: [ḵḴ]. Ob pregledu dobljenih rezultatov lahko na primer analiziramo, v katerih besedah in na katerih mestih v besedi se iskani glas najpogosteje pojavlja.
Pri iskanju določene besede uporabimo oznaki za besedno mejo. V iskalnem nizu jo zapišemo kot \b pred besedo in za njo. S tem preprečimo, da bi program vrnil tudi primere, v katerih je iskani niz samo del daljše besede. Tudi tukaj je smiselno upoštevati zapis z veliko in malo začetnico. Za besedo ‘kə’ bi bil iskalni niz: \b[Kk]ə\b. Iz zadetkov lahko na primer analiziramo različne vloge te besede. V različnih kontekstih lahko ustreza slovenskim knjižnim veznikom ki, ker, ko in drugim. Program teh vlog ne določi samodejno; pokaže primere, raziskovalec pa jih sam razvrsti na podlagi analize sobesedila in posnetka.
Ista beseda ima lahko zaradi različnih izgovorjav na terenu več zapisnih različic. Če želimo z eno poizvedbo poiskati vse, med različice vpišemo navpičnico, ki pomeni ali. Tako lahko na primer z izrazom buə|bvə|bvo poiščemo več različic oblike pomožnega glagola ‘bilo’. Brez takšne poizvedbe bi z iskanjem samo ene oblike del relevantnih primerov spregledali.
Iščemo lahko tudi po oznakah, dodanih med transkribiranjem. Če želimo raziskovati jezikovno preklapljanje med slovenščino in nemščino, lahko poiščemo oznako [de]. Ker imajo oglati oklepaji v iskalnem nizu poseben pomen, pred njimi dodamo poševnico levo: \[de\]. Tako dobimo vsa označena mesta z nemškim govorom in lahko preverimo, kdaj, kako dolgo in v kakšnem kontekstu govorci preklapljajo med jezikoma.
Seznam zadetkov je šele začetek analize. Za vsak posamezen zadetek lahko preverimo širši kontekst, razvrstimo zadetke po sobesedilu ali poslušamo govor na tem mestu. Pogosto šele s poslušanjem razberemo točen pomen, izgovor, členitev ali poudarek.
Rezultatom lahko dodamo metapodatke, na primer spol in starost govorca, kraj snemanja, tip govorne situacije ali vir posnetka. Po teh podatkih lahko zadetke filtriramo in primerjamo. Dodamo lahko svoj analitični stolpec, v katerega ob posameznih primerih zapisujemo lastne komentarje. Zadetke, ki niso relevantni za raziskovalno vprašanje, pa enostavno odkljukamo. Na koncu urejene rezultate izvozimo v izbranem formatu in jih shranimo na svoj računalnik.
5 Možnosti uporabe Korpusa Zila
Korpus Zila omogoča širok razpon jezikoslovnih analiz, zlasti dialektoloških in sociolingvističnih. Raziskujemo lahko glasovne, besedne in slovnične značilnosti narečja, zapisne in izgovorne različice ter povezanost jezikovnih pojavov z govorci, kraji in govornimi situacijami.
Posnetki in časovno poravnane transkripcije so podlaga za razvoj in vrednotenje sistemov za samodejno razpoznavanje narečnega in regionalnega govora. Če korpus vključimo v spletne konkordančnike, kot sta CLARIN-ova Sketch Engine in KonText, postane lažje dostopen širši javnosti. Uporabljati ga je mogoče pri pouku, za pripravo poslušalnih primerov, pri javnih predstavitvah in za spoznavanje jezikovne raznolikosti.
Takšni viri so zaradi jezika in vsebine tudi kulturni spomin za prihodnje generacije. Govorni korpus ohranja govor ne samo kot zvok, ampak kot urejen vir, v katerem so posnetki povezani s transkripcijami, oznakami in metapodatki.
Javna dostopnost korpusov, kot je narečni korpus Zila, omogoča vsem govorcem slovenščine vpogled v najrazličnejše regionalne podobe slovenščine in razvijanje kompetence boljšega medsebojnega razumevanja. Medsebojne povezanosti namreč ne dosežemo s tem, da zahtevamo, naj ljudje govorijo enako, ampak s tem, da krepimo medsebojno sprejemanje in razumevanje, tudi če govorimo različno.
Zahvala
Korpus Zila je nastal v projektu LINGUA, ki ga sofinancirata Evropski sklad za regionalni razvoj (ESRR) v okviru Interreg programa Slovenija – Avstrija 2021–2027 in dežela Koroška. Validacija in prenos v okolje EXMARaLDA sta bila podprta v projektih, ki jih sofinancira ARIS (GC-0002, J7-4642, P2-0069). Pri izdelavi korpusa so sodelovali Mohorjeva družba in Narodopisni inštitut Urban Jarnik iz Celovca ter Fakulteta za elektrotehniko, računalništvo in informatiko Univerze v Mariboru.
To delo je ponujeno pod licenco Creative Commons: Priznanje avtorstva-Deljenje pod enakimi pogoji 4.0 Mednarodna.
This work is licensed under the Creative Commons Attribution-ShareAlike 4.0 International.