nilc-nlp/CATNA-MT

---
language:
- pt
task_categories:
- automatic-speech-recognition
- audio-classification
license: cc-by-4.0
pretty_name: CATNA-MT
size_categories:
- n<1K
---

# CATNA-MT
(English version below)

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

SP_DID_044_parte

## Patrocínios/Financiamento
Este dataset foi criado com apoio da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - Brasil (CAPES) pela bolsa 88881.220186/2025-01.

# 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:
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

## Files that underwent trimming:
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

## Incomplete files (with no cuts within complete intonation units):
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

SP_DID_044_parte

Sponsorships/Funding
This dataset was created with support by the Coordination for the Improvement of Higher Education Personnel - Brazil (CAPES) through grant 88881.220186/2025-01.

---
语言：
- 葡萄牙语（pt）
任务类别：
- 自动语音识别
- 音频分类
许可证：CC BY 4.0
数据集名称：CATNA-MT
样本规模：
- 少于1000条
---

# CATNA-MT
CATNA数据集的原始获取地址为http://tarsila.icmc.usp.br:8080/nurc/catna。本数据集包含5个分卷文件与21条完整音频。这21条完整音频的开头均带有一段记录录制相关信息的头部，而对应的TextGrid（TextGrid）文件中并未包含该头部信息。

借助TaRSila项目协调者发布的CATNA早期版本，我们可通过合并拆分的音频片段对部分文件进行修正。其余文件无法采用该合并方案，因此我们对这些音频的开头部分进行了裁剪，以移除头部信息并使音频与对应的TextGrid文件对齐。本仓库即为经过上述处理（合并或裁剪，即MT）的CATNA版本。

## 头部裁剪流程
首次尝试时，我们提取音频总时长并减去TextGrid的总时长，但该方法导致文件间对齐效果不佳。因此，我们在Praat（Praat）软件中采用了如下流程：
1. 提取音频总时长（操作路径：Query > Query time domain > Get total duration）；
2. 可视化音频并手动选中对应头部的片段；
3. 复制头部片段的时长数值；
4. 导出不含头部的音频（操作路径：Convert > Extract part）；
5. 进行多次微调直至音频与TextGrid的对齐效果达到可接受的标准。

需要说明的是，仅当TextGrid文件由其对应的原始音频生成时，才能实现完全适配。因此，本次裁剪操作可能引入细微的时间精度误差，具体误差程度取决于研究场景。裁剪操作可能导致秒级的微小数值差异，该差异在语音学与音系学研究中可能具有显著性。尽管如此，CATNA-MT并不会对其设计支撑的研究造成不利影响。下文列出了各文件对应的完整音频链接以及从每个文件中移除的秒数，以便后续研究人员可重新裁剪音频、生成新的TextGrid文件或修订现有文件。

| 文件名称 | 移除时长（秒） |
|-------------|----------------|
| 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 |

## 通过合并CATNA早期版本重建的文件
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

## 经过裁剪的文件
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

## 不完整文件（完整语调单元内无裁剪操作）
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
SP_DID_044_parte

## 资助信息
本数据集的制作得到了巴西高等教育人员发展协调局（Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - Brasil, CAPES）的资助，资助编号为88881.220186/2025-01。