口译多模态语料库建设中音视频数据处理研究

口译多模态语料数据库是指语料由记录口译过程的文本、图片、音频和视频等多种文件组成,并能够通过多模态方式进行加工、检索和统计等操作的语料库。其中,音频和视频语料的采集、加工和检索是语料库建设的重点和难点之一。介绍了国内外多模态语料库建设和研究的现状,并针对音频和视频语料数据的采集、加工和检索进行初步的探索研究。数据加工过程中以满足内容完整性为基本的数据分割依据,对单个数据文件设置容量上限,并对单个数据文件进行基本信息编码,为检索提供条件。