Corpus Gesproken Nederlands (CGN)

Het Corpus Gesproken Nederlands (CGN) is een verzameling van 900 uur (bijna 9 miljoen woorden) hedendaagse Nederlandse spraak, afkomstig van Vlamingen en Nederlanders. De spraakfragmenten (spontaan en voorbereid) zijn opgelijnd met diverse transcripties (o.a. orthografisch, fonetisch) en annotaties (syntactisch, POS-tags). Metadata, lexica, frequentielijsten en de corpusexploratiesoftware Corex behoren ook tot het CGN.

Naast het Corpus Gesproken Nederlands zijn de CGN-annotaties ook apart te verkrijgen. Deze annotaties zijn identiek aan het volledige Corpus Gesproken Nederlands, maar dan zonder de geluidsbestanden.

Vanwege de hoeveelheid data kan dit product ook aangevraagd worden op een externe harde schijf. Hier rekent het INT €100,00 verzend- en afhandelingskosten voor.

A collection of about 900 hours spoken standard Dutch from Flanders and the Netherlands.

Productdetails

Aantal uren spraak	900
Dataformaat	Spraakbestanden (wav), annotaties (xml en txt)
Documentatie	Over het Corpus Gesproken Nederlands (pdf)Zoekacties en codes in het CGN (pdf), en de interactieve documentatie (verwijzingen naar de data zijn niet actief).
Eigenaar	Taalunie
Financier	Vlaamse en Nederlandse regering en NWO
Jaar	2014
Opdrachtgever	NWO/NTU
Project	Corpus Gesproken Nederlands
Refereren	Corpus Gesproken Nederlands - CGN (Version 2.0.3) (2014) [Data set]. Available at the Dutch Language Institute: http://hdl.handle.net/10032/tm-a2-k6
Software	Corex
Talen	Nederlands, Vlaams
Toepassing	Onderzoek, testen van spraakherkenners
Webcursus	CGN-webcursus
Versie	2.0.3

Downloaddetails