Follow-up Study of Dialects of Finnish

Suomeksi

Current versions of this resource:
Follow-up Study of Dialects of Finnish, downloadable version
icon-info-circle Metadata and license
icon-exclamation-triangle PRIV: This resource contains personal data, see license.
icon-quote-right Attribution instructions
Apply for access rights

This version will soon be available for download.
Follow-up Study of Dialects of Finnish
icon-info-circle Metadata and license
icon-exclamation-triangle PRIV: This resource contains personal data, see license.
icon-quote-right Attribution instructions


Since the LAT platform was taken out of use in late 2020, this version is no longer available. However, the same content will be available for download (see above).
Look for other versions of this resource

Resource contents

The follow-up study of Finnish dialects was started in 1989. It is a sociolinguistic and dialectological longitudinal study which is carried out in cooperation with the universities. The goal of the project has been to study the development of regional dialects in real time in 10 rural municipalities at the interval of 10 years. The municipalities chosen represent the traditional main dialect groups of Finnish. In each town, altogether 15 speakers have been used as informants. The external variables used in the study include age and sex: in each town, speakers of three generations have been studied (O = old, M = middle-aged, Y = young), both men and women. The data have been collected by using the traditional dialect interview method, and the study has focused on phonological and morphological features. Reports of ten sub-studies and a final report of the first round have been completed.

The second round of the project was started in 1999 and completed in 2007. Eight of the sub-studies have been completed, one of them as a form of the dissertation (Kurki 2005). During the second round, other types of data collected in addition to interviews. The part of the sub-studies focus on other than traditional sociolinguistic variables.

Further details about the content and the terms and conditions regarding the different corpus versions are available in the corresponding metadata records.



Last updated: 30.8.2023

This page has a persistent identifier: http://urn.fi/urn:nbn:fi:lb-2023082101

Samples of Spoken Finnish

Suomeksi

 

Latest versions:  
The Helsinki Korp Version of Samples of Spoken Finnish
icon-info-circle Metadata and license
icon-quote-right Tämän version viittausohje
Select the corpus in Korp icon-question-circle
Samples of Spoken Finnish, VRT Version
icon-info-circle Metadata and license
icon-quote-right Attribution instructions
Download the resource
Samples of Spoken Finnish, Downloadable Version (includes audio recordings and annotations)
icon-info-circle Metadata and license
icon-quote-right Attribution instructions
Download the resource
The Helsinki LAT Version of Samples of Spoken Finnish (PHASED OUT IN DECEMBER 2020)
icon-info-circle Metadata and license
icon-quote-right Attribution instructions
(discontinued; downloadable version available)
Search for all versions of this recourse in META-SHARE  
Creative Commons -käyttölupa Samples of Spoken Finnish – Suomen kielen näytteitä, by The Institute of the Languages of Finland, is licensed under Creative Commons 4.0 International (CC BY 4.0) .

Changes

PLEASE NOTE: The downloadable version of this data set was re-packaged on 31.01.2023, because some information was found to have been missing in the former download packages.
The following data were added:

  • Four preface texts (’saate’) from individual books in the original printed series ”Suomen kielen näytteitä”, in PDF format
  • PDF files with general information for each of the 50 municipalities
  • wav audio files for the municipalities 9-14

Detailed list of the added files

Content and structure

The corpus Samples of Spoken Finnish (SKN corpus) is based on the series of dialect books of the same name published by the Institute for the Languages of Finland between 1978 and 2000 (see Samples of Spoken Finnish). 50 books were published in total, each containing about two hours of dialect transcriptions. The municipalities selected for the series represent a comprehensive range of dialect areas. The material was mainly taken from the recordings of the Finnish Audio Recordings Archive. From the original SKN series, a data set has been created containing both the recordings and the transcribed text that has been aligned with the audio. The corpus was divided into fifty sections according to municipality and to the previously published dialect books. Two dialect samples are generally available for each section.

The text was manually aligned with the audio in fragments that roughly match sentence or utterance boundaries. The corpus is searchable based on the text, and it is possible to listen to the audio fragments that match the search results.

The SKN corpus contains a total of 696 376 transcribed words, of which 684 977 words have been assigned with a ”normalized” form (”normalized” referring to the corresponding form in Standard Spoken Finnish, as opposed to the original form in the local dialect in question). Note that the ”normalization” is not necessarily unambiguous, even though efforts were made to take into account the meaning of the word in context. A normalized form was not included for incomplete or unclear words. For a description of the principles of the normalization process, see the document yleiskielistys_skn.pdf (in Finnish) under the root folder of the corpus.

Several versions of the data are available (see listing above).

More information on the recordings and annotations

As the original interviews were recorded under varying conditions and the tapes were digitised at a later date, many of the audio recordings in this dataset contain background noise and occasional other disturbances, and the sound quality of the recordings may vary. The audio files in WAV format are single channel (mono) and they were sampled in 16-bit format at 44100 Hz.

The LAT version of the data was phased out in November 2020

The LAT platform of the Language Bank was discontinued at the end of year 2020. Although the Samples of Spoken Finnish resource can no longer be accessed through the LAT interface, all the content previously available on LAT is available for download. The annotated speech samples can be accessed on a local computer using tools such as ELAN and Praat.

Content of the annotation files in EAF format

Each audio recording of the original material corresponds to an annotation file in EAF format (e.g. SKN01a_Suomussalmi.eaf). Once you have downloaded the EAF file and the corresponding audio file on your local computer (see the downloadable version of the data), they can be opened for editing with ELAN. In case ELAN does not automatically find the media file (the wav audio) linked to the EAF in the directory where you placed it on your computer, you can locate the wav file manually. As soon as you save the EAF file again, the associated audio file will be found on the same computer the next time you use it.

The EAF annotation files of this corpus contain several annotation layers or tiers. One tier contains the transcripts of the utterances, ”sentences” or similar passages uttered by the speaker in question, and another tier contains the roughly ”normalized” editions of the transcribed passages. The alignment of the transcripts and the audio was intended to facilitate searching, browsing and listening. The alignment is not completely accurate, and not all pauses have been marked. In addition to the tiers of transcribed speech, the annotation file also contains tiers of word tokens, where the original and the roughly normalized forms of individual words were aligned with each other. Please note that the individual word tokens were not aligned with the audio, but they were only intended to facilitate more complex content searches in ELAN.

TextGrid files corresponding to EAF files are also available and can be used with Praat. The TextGrid file must be opened and viewed together with the corresponding WAV audio file in Praat (since the audio file is not automatically opened with the annotation file in Praat, unlike ELAN).

The alignment of the audio and the text was originally done by importing XML-formatted documents with the help of a Praat script into TextGrid-formatted annotation files, which were then converted into the EAF format by another Praat script.

In ELAN, a ”Linguistic type” was defined for each annotation layer in the EAF files, which allows the user to define focused searches that would only match, e.g., those tiers that contain the normalized word forms. For technical reasons, hierarchical relationships between annotation layers and linguistic types were not originally defined for the SKN corpus files. Thus, if you wish to edit the annotations in ELAN, please note that the annotation tiers are independent from each other, i.e. if you move annotations of the type ”normalised word”, or their boundaries, for example, the changes will not automatically be reflected in the corresponding units in the other tiers. It might sometimes be easier to use Praat for making the changes to the TextGrid annotation files, since it is possible in Praat to move co-located annotation boundaries in sync. Alternatively, you can first manually create a hierarchy between the annotation tiers in your ELAN corpus version by creating new versions of the linguistic types (Type: Add linguistic type…) and then by using the command Tier: Change parent of tier… in ELAN.

Searching based on annotations

It is possible to search the transcripts of the corpus via the Korp service.

Searches can also be performed in ELAN, where you can make use of the different types of annotation tiers, in addition to the transcribed text. The annotation tier types ”original sentence” and ”original word” represent the original transcript, and ”normalised sentence” and ”normalised word” represent the preliminary normalized translations of these. The standardized form of some sentences is also accompanied by additional notes, which are described in the ”note for normalised word” layer.

The annotation layers related to the interviewer’s speech are indicated as ”interviewer”. All other layers relate to the speech of either the interviewees or other people present at the time of the recording.

Resource creators

The original audio material was edited by Sakari Pietarila. The original transcripts have been published in dialect books, the prefaces of which are attached to the corresponding sections of the corpus as PDF documents. The text and audio were aligned at Kotus by My Sjöholm, Pauliina Liuska and Olli Miettinen. The normalization of the transcripts was performed by Maria Vilkuna, Pauliina Liuska and Pinja Ruponen at Kotus. The audio recordings and the annotation files were converted for the LAT system by Mietta Lennes.

 


This resource group page has a Persistent Identifier: http://urn.fi/urn:nbn:fi:lb-2023012601

The TV Corpus (Mark Davies, english-corpora.org) – Kielipankki version

This resource contains a copy of the original TV corpus, provided by Mark Davies on 4th June 2021 via the corpus service at https://www.english-corpora.org. The corpus contains 325 million words of data in 75,000 TV episodes from 1950 to 2018. The TV scripts come from several different English-speaking countries (US, UK, 4 other dialects), which allows to compare very informal language in these countries. The corpus is related to many other corpora of English, formerly known as the ”BYU Corpora”.

More information on Mark Davies’ corpora at Kielipankki.

Latest versions/subcorpora:
The TV Corpus (Mark Davies, english-corpora.org) – Kielipankki version, source
icon-info-circle Metadata and license
icon-quote-right Attribution instructions
The corpus will be available soon
Search for all versions in META-SHARE

Of this language corpus different versions/subcorpora are (or might be in the future) published in the Language Bank of Finland. The versions are available through the Language Bank Download Service and/or through the Korp concordance tool. The links to the different versions can be found from the list above.

Detailed information on the content of each version, user rights and licenses can be found from it’s specific metadata record in META-SHARE.

This resource group page has a Persistent Identifier: http://urn.fi/urn:nbn:fi:lb-2022112415

Corpus of American Soap Operas (Mark Davies, english-corpora.org) – Kielipankki version

This resource contains a copy of the original Corpus of American Soap Operas (SOAP), provided by Mark Davies on 4th June 2021 via the corpus service at https://www.english-corpora.org. The corpus contains 100 million words of data from 22,000 transcripts from American soap operas from the years 2001-2012, and it serves as a great resource to look at very informal language. The corpus is related to many other corpora of English, formerly known as the ”BYU Corpora”.

More information on Mark Davies’ corpora at Kielipankki.

Latest versions/subcorpora:
Corpus of American Soap Operas (Mark Davies, english-corpora.org) – Kielipankki version, source
icon-info-circle Metadata and license
icon-quote-right Attribution instructions
The corpus will be available soon
Search for all versions in META-SHARE

Of this language corpus different versions/subcorpora are (or might be in the future) published in the Language Bank of Finland. The versions are available through the Language Bank Download Service and/or through the Korp concordance tool. The links to the different versions can be found from the list above.

Detailed information on the content of each version, user rights and licenses can be found from it’s specific metadata record in META-SHARE.

This resource group page has a Persistent Identifier: http://urn.fi/urn:nbn:fi:lb-2022112410

The Movie Corpus (Mark Davies, english-corpora.org) – Kielipankki version

This resource contains a copy of the original Movie Corpus, provided by Mark Davies on 4th June 2021 via the corpus service at https://www.english-corpora.org. The corpus contains 200 million words from about 25,000 movies from the years 1930-2018. The movie scripts come from several different English-speaking countries and include English from the US, UK and 4 other dialects. The corpus is related to many other corpora of English, formerly known as the ”BYU Corpora”.

More information on Mark Davies’ downloadable corpora at Kielipankki.

Latest versions/subcorpora:
The Movie Corpus (Mark Davies, english-corpora.org) – Kielipankki version, source
icon-info-circle Metadata and license
icon-quote-right Attribution instructions
Download the corpus
Search for all versions in META-SHARE

Of this language corpus different versions/subcorpora are (or might be in the future) published in the Language Bank of Finland. The versions are available through the Language Bank Download Service and/or through the Korp concordance tool. The links to the different versions can be found from the list above.

Detailed information on the content of each version, user rights and licenses can be found from it’s specific metadata record in META-SHARE.

This resource group page has a Persistent Identifier: http://urn.fi/urn:nbn:fi:lb-2022112305

Lahjoita puhetta (puhelahjat): Aineistot yrityksille ja ei-akateemisille organisaatioille

In English

Oletko tutkija? Lahjoita puhetta -aineistot akateemiseen tutkimuskäyttöön löytyvät toiselta sivulta.

 

Huom. Aineistopakettien sisältökuvaukset ja kokotiedot perustuvat alustavaan arvioon ja niitä voidaan tarvittaessa tarkentaa.

Tästä aineistosta tarjotaan yritysten ja ei-akateemisten organisaatioiden käyttöön seuraavat paketit:
Lahjoita puhetta -aineisto: Näyte
icon-info-circle Kuvailutiedot
Ilmainen näyte, joka sisältää 40 satunnaisesti valittua äänitiedostoa, niiden litteraatit raakatekstinä ja kohdistustiedostoina sekä käytettävissä olevat äänitteisiin ja puhujiin liittyvät taustatiedot. Äänitteiden yhteenlaskettu kesto on noin 35 minuuttia.
icon-quote-right Tämän version viittausohje
Hinta: Maksuton näyte

Hanki käyttöoikeus

Lataa aineisto
Lahjoita puhetta: Valikoitu aineisto
icon-info-circle Kuvailutiedot
Tämä kokoelma sisältää viisi eri osa-aineistoa, jotka on poimittu Aalto-yliopistossa erityisesti automaattisen puheentunnistuksen kehitys-, opetus- ja testausvaiheita varten. Äänitteiden yhteenlaskettu kesto on noin 131 tuntia.
icon-quote-right Tämän version viittausohje
Hinta: 1000 €

Hanki käyttöoikeus

Lataa aineisto
Lahjoita puhetta: Annotoitu aineisto
icon-info-circle Kuvailutiedot
Tämä kokoelma sisältää koko aineiston versioon 1 kuuluvat litteroidut äänitteet, litteraatit raakatekstinä ja kohdistustiedostoina sekä äänitteisiin ja puhujiin liittyvät taustatiedot. Äänitteiden yhteenlaskettu kesto on noin 1600 tuntia.
icon-quote-right Tämän version viittausohje
Hinta: 5000 €

Hanki käyttöoikeus

Lataa aineisto
Lahjoita puhetta: Koko aineisto (versio 1)
icon-info-circle Kuvailutiedot
Kokoelmassa on mukana kaikki aineiston versioon 1 kuuluvat litteroidut ja litteroimattomat äänitteet, litteraatit raakatekstinä ja kohdistustiedostoina sekä äänitteisiin ja puhujiin liittyvät taustatiedot. Äänitteiden yhteenlaskettu kesto on noin 3200 tuntia.
icon-quote-right Tämän version viittausohje
Hinta: 10.000 €

Hanki käyttöoikeus

Lataa aineisto

Aineiston sisältö

Lahjoita puhetta -aineisto eli Puhelahjat on koostettu 16.6.2020 alkaneessa Vaken, Ylen ja Helsingin yliopiston toteuttamassa Lahjoita puhetta -kampanjassa, jossa kuka tahansa ainakin hieman suomea osaava on voinut helppokäyttöisen selain- tai mobiilisovelluksen kautta lahjoittaa omaa puhettaan. Aineisto on siinä mielessä ainutlaatuinen, että se on alusta alkaen kerätty mahdollisimman läpinäkyvästi sekä tutkijoiden että yritysten rajoitettuun käyttöön siten, että puheen lahjoittajien tietosuojasta pyritään huolehtimaan aineiston koko elinkaaren ajan.

Aineistosta on saatavilla erilaisia paketteja Kielipankin latauspalvelussa, josta luvan saaneet tutkijat, yritykset ja ei-akateemiset organisaatiot pääsevät niitä käyttämään. Kielipankin palvelut on lähtökohtaisesti suunnattu vain tutkijoille. Yrityksille ja ei-akateemisille organisaatioille aineiston käyttö on näyteaineistoa lukuunottamatta maksullista. Lisätietoja saa osoitteesta lahjoita-puhetta@helsinki.fi.

Kuinka aineistoa pääsee käyttämään? Ohjeet yrityksille

Huom. Ohjeita päivitetään edelleen.

Puhelahjat-aineiston käyttöehtojen mukaisesti käyttöoikeuksia voidaan myöntää myös yrityksille tai ei-akateemisille organisaatioille. Kunkin ei-akateemisen käyttäjätahon kanssa tehdään kirjallinen sopimus halutun aineiston käytöstä. Kun sopimuksen mukaiset velvoitteet on suoritettu, pääsy aineistoon voidaan myöntää yrityksen valtuuttamalle edustajalle.

  1. Aineiston käyttämisestä kiinnostuneet yritykset voivat ottaa yhteyttä osoitteeseen lahjoita-puhetta@helsinki.fi.
  2. Yrityksiä koskevien lisenssisopimusten yleisiin ehtoihin voi tutustua täällä.
  3. Ennen maksullisen aineiston hankkimista yritys voi saada veloituksetta pääsyn pieneen näyteaineistoon (”Lahjoita puhetta -aineisto: Näyte”). Myös näyteaineiston käsittelyä koskevat samat käyttöehdot kuin aineiston maksullisia versioita, joten erillinen sopimus tarvitaan.
  4. Kun lisenssisopimus on tehty, yrityksen valtuuttama edustaja voi hakea pääsyä joko näyte- tai varsinaisen aineistoon Kielipankin oikeudet -palvelussa (LBR, Language Bank Rights).
    Palvelu edellyttää hakijan sähköistä tunnistautumista eDuunin välittämällä identiteetillä tai jonkin luottamusverkostoihin kuuluvan akateemisen organisaation myöntämällä käyttäjätunnuksella. Tarvittaessa pääsyhakemuksen tekijä voi luoda itselleen eDuuni-identiteetin, jolla hän voi kirjautua palveluun. Identiteetin vahvistamiseen tarvitaan hakijan omassa käytössä oleva sähköpostiosoite.
    Huom. eDuuni-identiteetin luominen on ilmaista! Yrityksen ei siis tarvitse ostaa muita eDuunin kautta tarjottuja palveluita.
  5. Pääsyhakemuksen yhteydessä yrityksen on ilmoitettava oman hankkeensa julkinen otsikko sekä linkki aineistoon sisältyvien henkilötietojen käsittelyä koskevaan julkiseen tietosuojailmoitukseen. Tiedot julkaistaan Kielipankin verkkosivuilla.
    Ohjeita tietosuojailmoituksen tekemiseen
  6. Sopimuksen mukaisen lisenssimaksun on oltava suoritettuna ennen kuin pääsy maksulliseen aineistoon voidaan myöntää. Maksuohjeet saa osoitteesta lahjoita-puhetta@helsinki.fi.
  7. Kun pääsyhakemus on hyväksytty, hakemuksen tehnyt henkilö saa pääsyn aineistoon sillä käyttäjätunnuksella, jolla hakemus tehtiin.

Viimeksi päivitetty: 20.4.2023

 

Tämän sivun pysyvä tunniste: urn:nbn:fi:lb-2022111628

Lahjoita puhetta -aineistot (puhelahjat) tutkimuskäyttöön

In English

Lahjoita puhetta -aineistot yrityskäyttöön ja ei-akateemisille organisaatioille: katso lisätiedot toiselta sivulta.

Tärkeää tietoa aineiston käyttäjille: Poistopyynnöt

Aineiston versiot:
Lahjoita puhetta -aineisto, versio 1.0
icon-info-circle Kuvailutiedot
icon-info-circle Lisenssi (tutkijoille)

icon-quote-right Tämän version viittausohje
Hae käyttöoikeutta (vain tutkijoille; yhdellä hakemuksella saa pääsyn kaikkiin aineiston versioihin)

+PRIV: Aineisto sisältää henkilötietoja.
Toimita julkinen ilmoitus henkilötietojen käsittelystä

Lataa aineisto
Lahjoita puhetta -aineisto: Näyte
icon-info-circle Kuvailutiedot
icon-info-circle Lisenssi (tutkijoille)
icon-quote-right Tämän version viittausohje

Lataa aineisto
Lahjoita puhetta -aineisto: Opetusdata (100h)
icon-info-circle Kuvailutiedot
icon-info-circle Lisenssi (tutkijoille)
icon-quote-right Tämän version viittausohje

Aineiston latauslinkki tulee tähän
Lahjoita puhetta -aineisto: Testidata (10h)
icon-info-circle Kuvailutiedot
icon-info-circle Lisenssi (tutkijoille)
icon-quote-right Tämän version viittausohje

Aineiston latauslinkki tulee tähän
Lahjoita puhetta -aineisto: Kehitysdata (10h)
icon-info-circle Kuvailutiedot
icon-info-circle Lisenssi (tutkijoille)
icon-quote-right Tämän version viittausohje

Aineiston latauslinkki tulee tähän
Lahjoita puhetta -aineisto: Usean litteroijan testidata (1h)
icon-info-circle Kuvailutiedot
icon-info-circle Lisenssi (tutkijoille)
icon-quote-right Tämän version viittausohje

Aineiston latauslinkki tulee tähän
Lahjoita puhetta -aineisto: Testidata useaan kertaan litteroiduilta puhujilta (10h)
icon-info-circle Kuvailutiedot
icon-info-circle Lisenssi (tutkijoille)
icon-quote-right Tämän version viittausohje

Aineiston latauslinkki tulee tähän
Etsi muut saatavilla olevat versiot

Aineiston sisältö

Lahjoita puhetta -aineisto, lyhytnimeltään Puhelahjat, on koostettu 16.6.2020 alkaneessa Vake Oy:n (sittemmin Ilmastorahasto), Ylen ja Helsingin yliopiston toteuttamassa Lahjoita puhetta -kampanjassa, jossa kuka tahansa suomea osaava henkilö on voinut halutessaan lahjoittaa omaa puhettaan kielentutkimuksen sekä kieliteknologian kehitystyön edistämiseksi. Lahjoitettu puhe on tallennettu helppokäyttöisen selain- tai mobiilisovelluksen kautta.

Kevääseen 2021 mennessä lahjoitetuista puhenäytteistä on rakennettu ääniaineiston ensimmäinen versio, jonka kokonaiskesto on noin 3200 tuntia. Vuonna 2021 näistä äänitteistä litteroitiin käsityönä noin 1600 tuntia ja näin syntyneet tekstimuotoiset litteroinnit kohdistettiin vastaaviin äänitteisiin automaattisilla menetelmillä.

Aineiston ensimmäinen varsinainen versio 1.0 on saatavilla Kielipankin latauspalvelussa, josta luvan saaneet tutkijat ja myöhemmin myös yritykset pääsevät sitä käyttämään. Samaan aineistoon sisältyviä, esimerkiksi automaattisen puheentunnistuksen kehittämistä varten poimittuja osa-aineistoja on lisäksi tarjolla erillisinä paketteina, joiden sisältö ja viittauskäytänteet löytyvät kunkin aineistoversion kuvailutietueesta.

Lahjoita puhetta -aineistokokonaisuutta on tarkoitus myös myöhemmin päivittää ja laajentaa, kun uusia lahjoituksia on kertynyt riittävästi. Uusia versioita tehdään myös sitä mukaa, kun tutkijat tai yritykset jatkavat olemassa olevien äänitteiden litterointia ja muuta annotointia.

Kuinka aineistoa pääsee käyttämään?

Puhelahjat-aineiston käyttäminen on luvanvaraista. Puhelahjat-ryhmän kaikkien osa-aineistojen tutkimuskäyttöä koskee sama lisenssi, johon sisältyy myös aineistokohtaisia tietosuojaehtoja.

Tutkimuskäyttö

  1. Tutkijat voivat hakea aineiston käyttöoikeutta tavanomaisella hakemusmenettelyllä Kielipankin oikeudet -palvelussa (ks. ohjeet).
  2. Tutkijan on syytä jo hakemusvaiheessa huomioida aineistokohtaiset käyttöehdot, ml. tietosuojaehdot, joiden mukaisissa rajoissa tutkimus on voitava toteuttaa myös henkilötietojen käsittelyn osalta, ks. lisenssi (tutkijoille).
  3. Ennen aineiston käsittelyn aloittamista tutkijan on lomakkeella toimitettava Kielipankin julkaistavaksi hankkeensa yleistajuinen otsikko sekä linkki henkilötietojen käsittelyä koskevaan julkiseen tietosuojailmoitukseen.
  4. Luvan saanut tutkija saa samalla hakemuksella pääsyn koko Lahjoita puhetta -aineistoon ja sen eri versioihin ja osa-aineistoihin.

Yrityskäytön ohjeet löytyvät omalta sivultaan.

 


Viimeksi päivitetty: 23.12.2022

 

Tämän sivun pysyvä tunniste: urn:nbn:fi:lb-2022102122

Aalto Finnish Parliament ASR Corpus 2008-2020

This corpus is extracted from the Finnish parliament plenary session transcripts and videos by the
Aalto Speech Recognition group. The original session transcripts and videos are available at the web
portals of the Parliament of Finland (avoindata.eduskunta.fi and verkkolahetys.eduskunta.fi).

The Finnish corpus is split into three parts:
1. 2015-2020 set
2. 2008-2016 set
3. Development and evaluation sets

A non-overlapping combination of the 2008-2016 set and the 2015-2020 set form a training set of size:
– 1 422 318 sample pairs
– 3 130 hours of speech
– 19 356 831 word tokens

The Finland Swedish corpus contains:
– 3889 sample pairs
– 6.4 hours of speech
– 333 483 word tokens

All audio files in this corpus are single-channel wavs with sample rate 16 kHz and 16-bit precision.
The transcript files (.trn) are plain text files.

Latest versions/subcorpora:  
Aalto Finnish Parliament ASR Corpus 2008-2020, version 2
icon-info-circle Metadata and license
icon-quote-right Attribution instructions
Download the resource
Aalto Finland Swedish Parliament ASR Corpus 2015-2020
icon-info-circle Metadata and license
icon-quote-right Attribution instructions
Download the resource
Search for these versions in META-SHARE  

Of this language corpus different versions are (or might be in the future) published in the Language Bank of Finland. The versions are available through the Language Bank Download Service and/or through the Korp concordance tool. The links to the different versions can be found from the list above.

Detailed information on the content of each version, user rights and licenses can be found from it’s specific metadata record in META-SHARE.

This resource group page has a Persistent Identifier: http://urn.fi/urn:nbn:fi:lb-2021081105

Finnish Proverb Collection

The collection includes dialectal proverbs collected from various areas in the 1930s. This is a resource of Kotimaisten kielten keskus, the Institute for the Languages of Finland. For more information please see https://kaino.kotus.fi/korpus/sp/meta/sp_coll_rdf.xml.

This resource contains only a part of the 1.4 million proverbs collected in different regions of Finland. The National Archives of Finland have digitized quite a few of the handwritten cards containing proverbs. The digitized cards are available in jpg format at http://digi.narc.fi/digi/dosearch.ka?sartun=385077.KA

Latest versions/subcorpora:
Proverb Collection, Kielipankki Version
icon-info-circle Metadata and license
icon-quote-right Attribution instructions
Select the corpus in Korp
Search for these versions in META-SHARE

Of this language corpus different versions are (or might be in the future) published in the Language Bank of Finland. The versions are available through the Language Bank Download Service and/or through the Korp concordance tool. The links to the different versions can be found from the list above.

Detailed information on the content of each version, user rights and licenses can be found from it’s specific metadata record in META-SHARE.

This resource group page has a Persistent Identifier: http://urn.fi/urn:nbn:fi:lb-2021081104

The Corpus of Beserman Udmurt, Kielipankki Version

The Corpus of Beserman Udmurt comprises 65 000 tokens. The Beserman dialect of Udmurt is used in daily communication approximately by 2 000 speakers (according to the 2010 census). The Beserman live in the basin of the Cheptsa river in the Republic of Udmurtia and in the Kirov Oblast of the Russian Federation. In the scientific literature Beserman is considered to be a dialect of the Udmurt language which is characterized by an unusual combination of specifically Beserman phenomena (concentrated in vocabulary and phonetics) with certain traits of Northern and Southern Udmurt dialects, mostly morphological and phonological. The dialect remains the main means of everyday communication in Beserman villages, at least for the older generation.

The texts contained in the corpus have been collected in the villages of Shamardan (109 texts of 117), Vortsa (4 of 117), Malaya Yunda (1 of 117) and Zhuvam (3 of 117) in the Republic of Udmurtia in the years 2003-2015. There are 33 informants in total. The texts have been recorded, transcribed and grammatically annotated in the SIL FieldWorks software. The corpus contains narratives, life stories, dialogues, recipes, and recordings of psycholinguistic experiments. Each sentence is provided with interlinear glossing (according to the Leipzig Glossing Rules) and translation. Both the full text version with audio files and the corpus version are available at http://beserman.ru/corpus/search/?interface_language=en

Latest versions/subcorpora:  
The Corpus of Beserman Udmurt, Kielipankki Version
icon-info-circle Metadata and license
icon-quote-right Attribution instructions
Select the corpus in Korp
Search for all versions in META-SHARE  

Of this language corpus different versions/subcorpora are (or might be in the future) published in the Language Bank of Finland. The versions are available through the Language Bank Download Service and/or through the Korp concordance tool. The links to the different versions can be found from the list above.

Detailed information on the content of each version, user rights and licenses can be found from it’s specific metadata record in META-SHARE.

This resource group page has a Persistent Identifier: http://urn.fi/urn:nbn:fi:lb-2021052406

Corpus of Age-related Voice Disguise

This corpus includes normal and age-related disguised speech uttered by 60 native Finnish speakers (31 females and 29 males). The speakers were asked to read the same text fragments several times, in their modal voice and in two disguised voices, first pretending to be an elderly speaker and then pretending to be a child. The texts consisted of the Finnish translations of The Rainbow Passage and The North Wind and the Sun, and two selected English sentences from the TIMIT[1] corpus (SA1, SA2). The corpus includes samples of 78 different sentences per speaker (66 Finnish, 12 English). The speech was recorded simultaneously with a portable recorder with close-talking microphone, and two smartphones applications, yielding a total of 14040 audio files (3 * 4680). The material was recorded in summer 2015 in order to study the effect of voice disguise on automatic speaker recognition.

Data protection policy for this corpus: http://urn.fi/urn:nbn:fi:lb-2018121021

Guidelines for processing corpora containing personal data in the Language Bank of Finland: http://urn.fi/urn:nbn:fi:lb-2020081522

Latest versions/subcorpora:  
Corpus of Age-related Voice Disguise
icon-info-circle Metadata and license
icon-quote-right Attribution instructions
Download the resource
Search for all versions in META-SHARE  

Of this language corpus different versions/subcorpora are (or might be in the future) published in the Language Bank of Finland. The versions are available through the Language Bank Download Service and/or through the Korp concordance tool. The links to the different versions can be found from the list above.

Detailed information on the content of each version, user rights and licenses can be found from it’s specific metadata record in META-SHARE.

This resource group page has a Persistent Identifier: http://urn.fi/urn:nbn:fi:lb-2021052405

ArkiSyn Database of Finnish Conversational Discourse

The Arkisyn corpus contains Finnish everyday conversations which have been morphologically and syntactically annotated. The data comes from the Conversation Analysis Archive at the University of Helsinki and the Finnish language Recording Archive at the University of Turku.

Latest versions/subcorpora:
ArkiSyn Database of Finnish Conversational Discourse, Helsinki Korp Version
icon-info-circle Metadata and license
icon-quote-right Attribution instructions
Select the corpus in Korp
Search for all versions in META-SHARE

Of this language corpus different versions/subcorpora are (or might be in the future) published in the Language Bank of Finland. The versions are available through the Language Bank Download Service and/or through the Korp concordance tool. The links to the different versions can be found from the list above.

Detailed information on the content of each version, user rights and licenses can be found from it’s specific metadata record in META-SHARE.

This resource group page has a Persistent Identifier: http://urn.fi/urn:nbn:fi:lb-2014073026

Aalto University DSP Course Conversation Corpus

 

Aalto University DSP Course Conversation Corpus contains transcribed recordings of Finnish conversations by Digital Signal Processing course students in Aalto University, Finland, from 2013 onwards. The intention has been to use the data to build better models for automatic speech recognition of conversational Finnish.

The corpus includes audio files, handwritten word-level transcripts, and phone-level alignments generated using the Aalto ASR system.

 

Latest versions/subcorpora:  
Aalto University DSP Course Conversation Corpus 2013-2015, Downloadable Version
icon-info-circle Metadata and license
icon-quote-right Attribution instructions
Download the resource
A copy of this version is available in the computing environment. icon-question-circle
Aalto University DSP Course Conversation Corpus 2013-2016, Downloadable Version
icon-info-circle Metadata and license
icon-quote-right Attribution instructions
Download the resource
A copy of this version is available in the computing environment. icon-question-circle
Search for these versions in META-SHARE  

 

Of this language corpus different versions/subcorpora are published in the Language Bank of Finland. The versions are available through the Language Bank Download Service and/or through the Korp concordance tool. The links to the different versions can be found from the list above.

 

Detailed information on the content of each version, user rights and licenses can be found from it’s specific metadata record in META-SHARE.

 

This resource group page has a Persistent Identifier: http://urn.fi/urn:nbn:fi:lb-2015101901

Suomalainen radio- ja tv-korpus

Viimeisimmät versiot: 
Suomalaisen radio- ja tv-korpuksen Helsinki-LAT-versio
(LAT-palvelussa; tämä versio poistuu marraskuussa 2020)
icon-info-circle Kuvailutiedot ja lisenssi
icon-quote-right Tämän version viittausohje
Hae käyttöoikeutta
Avaa aineisto LAT-palvelussa icon-question-circle
Suomalaisen radio- ja tv-korpuksen ladattava versio
icon-info-circle Kuvailutiedot ja lisenssi
icon-quote-rig Tämän version viittausohje
Hae käyttöoikeutta
Lataa aineisto
Etsi muut saatavilla olevat versiot 

Tietoa tämän aineiston LAT-version poistumisesta marraskuussa 2020

Kielipankin LAT-alusta poistuu käytöstä marraskuun 2020 aikana. Sen jälkeen tätä aineistoa ei enää pääse käyttämään LAT-näkymän kautta. Kaikki tähän aineistoon kuuluva LATissa ollut sisältö on kuitenkin saatavilla ladattavassa muodossa. Aineiston tutkimista ja käsittelyä voi siis edelleen jatkaa esimerkiksi ELAN-ohjelmalla.

The Finnish Broadcast Corpus is divided into two main parts: FBC-1 and FBC-2.

The Finnish Broadcast Corpus 1, FBC-1 contains 65 radio and tv recordings broadcast by YLE – the Finnish Broadcasting Company during the year 2003. Parts of the audio and video material have been annotated either manually or automatically in various levels: e.g., utterance (orthographic transcript), word, phone. FBC-1 was compiled under an initiative called Integrated Resources for Speech Technology and Spoken Language Research in Finland, funded by the Academy of Finland. It is CSC’s first multimodal corpus.

Details of the size of FBC-2 are being updated.

The material in the FBC-1 represents four categories:
* Radio monologues
– broadcast telegraph news (24 × 3 minutes, Nov. 2003)
– broadcast lectures of the week (8 × 14 minutes).
* Radio dialogues
– unfinished recordings of the Moninaisuusfoorumi event (5 × 1h).
* TV monologues
– broadcast main news read by Arvi Lind ja Eeva Polttila (15 × 30 minutes, September – November 2003), including the very last news telecast by Arvi Lind on October 15, 2003
* TV dialogues
– broadcast Aamu-TV programs (13 × ca. 12 minutes, 2003).

Formats:
* WAV audio format
* HQ_Pure audio format (44,1–48 KHz) (supported by the Puh-Editor, which is now obsolete)
* HQ_Pure audio format (16 KHz) (supported by the Puh-Editor, which is now obsolete)
* MPEG2 video

Funding Project:
Puheteknologian ja puheentutkimuksen yhteiset resurssit Suomessa, Integrated Resources for Speech Technology and Spoken Language Research in Finland (SA-Puhe)
Funding Type: National Funds
Funder: Academy of Finland
Funding Country: Finland
Project duration: 01/01/2002 – 12/31/2004

Tämän aineistoryhmäsivun PID: http://urn.fi/urn:nbn:fi:lb-201403265

ProGram-aineisto, lumiukko- ja sammakkotarinat

Viimeisimmät versiot: 
ProGram-aineisto, lumiukko- ja sammakkotarinat, ladattava versio
icon-info-circle Kuvailutiedot ja lisenssi
icon-quote-right Tämän version viittausohje
Lataa aineisto
ProGram-aineisto, lumiukko- ja sammakkotarinat
(LAT-palvelussa; tämä versio on poistunut käytöstä joulukuussa 2020)
icon-info-circle Kuvailutiedot ja lisenssi
icon-quote-right Tämän version viittausohje
(ei enää saatavilla; katso latausversio yllä)
Etsi muut saatavilla olevat versiot 

Tietoa tämän aineiston aiemman LAT-version poistumisesta vuoden 2020 lopussa

Kielipankin LAT-alusta on poistunut käytöstä vuoden 2020 lopussa. Tätä aineistoa ei enää pääse käyttämään LAT-näkymän kautta. Kaikki tähän aineistoon kuuluva LATissa ollut sisältö on kuitenkin saatavilla omalle koneelle ladattavana versiona. Aineiston tutkimista ja käsittelyä voi siis edelleen jatkaa esimerkiksi ELAN-ohjelmalla.

Tämän aineistoryhmäsivun PID: http://urn.fi/urn:nbn:fi:lb-2021052506

Reitti A-siipeen -demokorpus

Vapaasti käytettäväksi tarkoitettu näyteaineisto. Sisältää kahdenkeskisen videoidun keskustelun ”Reitti A-siipeen”, jossa selvitetään reittiä tiettyyn Helsingin yliopiston Metsätalossa sijaitsevaan huoneeseen.

Viimeisimmät versiot: 
Reitti A-siipeen -korpuksen Helsinki-Korp-versio
icon-info-circle Kuvailutiedot ja lisenssi
icon-quote-right Tämän version viittausohje
Avaa aineisto Korp-palvelussa icon-question-circle
Reitti A-siipeen -korpuksen ladattava versio
icon-info-circle Kuvailutiedot ja lisenssi
icon-quote-rig Viittausohje
Lataa aineisto
Reitti A-siipeen -korpuksen Helsinki-LAT-versio (LAT-palvelussa; tämä versio on poistunut käytöstä vuonna 2020)
icon-info-circle Kuvailutiedot ja lisenssi
icon-quote-right Tämän version viittausohje
ei enää saatavilla; ks. ladattava versio
Etsi muut saatavilla olevat versiot 

Tietoa tämän aineiston LAT-version poistumisesta marraskuussa 2020

Kielipankin LAT-alusta poistettiin käytöstä vuoden 2020 lopussa. Sen jälkeen tätä aineistoa ei enää pääse käyttämään LAT-näkymän kautta. Kaikki tähän aineistoon kuuluva LATissa ollut sisältö on kuitenkin saatavilla ladattavassa muodossa. Aineiston tutkimista ja käsittelyä voi siis edelleen jatkaa esimerkiksi ELAN– ja Praat-ohjelmilla.

Tämän aineistoryhmäsivun PID: http://urn.fi/urn:nbn:fi:lb-2014101401

Koltansaamen dokumentaatiokorpus (2016)

Viimeisimmät versiot: 
Koltansaamen dokumentaatiokorpus (2016), ladattava versio
icon-info-circle Kuvailutiedot ja lisenssi
icon-quote-right Tämän version viittausohje
Hae käyttöoikeutta
Lataa aineisto (tulossa pian!)
Koltansaamen dokumentaatiokorpus (2016) LAT-palvelussa
on poistunut käytöstä joulukuussa 2020.
icon-info-circle Kuvailutiedot ja lisenssi
icon-quote-right Tämän version viittausohje
(Aineiston LAT-versio ei ole enää saatavilla)
Etsi muut saatavilla olevat versiot 

Tärkeää tietoa tämän aineiston LAT-version poistumisesta marraskuussa 2020

Kielipankin LAT-alusta on poistettu käytöstä joulukuussa 2020. Sen jälkeen tätä aineistoa ei enää voi käyttää LAT-näkymän kautta. Kaikki tähän aineistoon kuuluva LATissa ollut sisältö on kuitenkin tallessa ja korpus on tulossa saataville ladattavassa muodossa samoilla käyttöehdoilla kuin aiemmin. Jatkossa aineistoa voi tutkia ja käsitellä omalla koneella, esimerkiksi Praat– tai ELAN-ohjelmilla.

Tämän aineistoryhmäsivun PID: http://urn.fi/urn:nbn:fi:lb-202104203

Kipo-korpus – Suomen viittomakielten kielipoliittinen ohjelma 2010

Viimeisimmät versiot: 
Kipo-korpus (Suomen viittomakielten kielipoliittinen ohjelma 2010), ladattava versio
icon-info-circle Kuvailutiedot ja lisenssi
icon-quote-rig Viittausohje
Lataa aineisto
Etsi muut saatavilla olevat versiot 

Aineiston aikaisempaa LAT-versiota vastaava sisältö löytyy nyt Kielipankin latauspalvelusta

Kielipankin LAT-alusta on poistettu käytöstä vuoden 2020 lopussa, eikä tätä aineistoa enää pääse käyttämään LAT-näkymän kautta. Vastaava sisältö on saatavilla ladattavassa muodossa. Aineiston tutkimista ja käsittelyä voi siis jatkaa esimerkiksi ELAN-ohjelmalla.

Tämän aineistoryhmäsivun PID: http://urn.fi/urn:nbn:fi:lb-2021052504

Pohjoissaamen näytekorpus

Viimeisimmät versiot: 
Pohjoissaamen näytekorpus (vain ladattavana)
icon-info-circle Kuvailutiedot ja lisenssi
icon-quote-right Tämän version viittausohje
Hae käyttöoikeutta
Lataa aineisto
Etsi muut saatavilla olevat versiot 

Tärkeää tietoa tämän aineiston LAT-version poistumisesta marraskuussa 2020

Kielipankin LAT-alusta poistuu käytöstä marraskuun 2020 aikana. Sen jälkeen tätä aineistoa ei enää voi käyttää LAT-näkymän kautta. Kaikki tähän aineistoon kuuluva LATissa ollut sisältö on kuitenkin tallessa ja korpus tuodaan mahdollisimman pian saataville ladattavassa muodossa samoilla käyttöehdoilla kuin aiemmin. Jatkossa aineistoa voi tutkia ja käsitellä omalla koneella, esimerkiksi Praat– tai ELAN-ohjelmilla.

Siirtymävaiheessa joidenkin LATissa olleiden aineistojen saatavuuteen saattaa syntyä tilapäinen katkos vuodenvaihteessa 2020-21. Mikäli tarvitset aineiston nopeasti käyttöösi, ota yhteyttä Kielipankkiin. Pyynnöstä voimme järjestää väliaikaisen latausmahdollisuuden. Kiitos!

Tämän aineistoryhmäsivun PID: http://urn.fi/urn:nbn:fi:lb-2021092403

Murteenseuruukorpus

In English

Viimeisimmät versiot:
Murteenseuruukorpus, ladattava versio
icon-info-circle Kuvailutiedot ja lisenssi
icon-exclamation-triangle PRIV: Aineisto sisältää henkilötietoja, ks. lisenssi.icon-quote-right Tämän version viittausohje
(tulossa saataville)
Murteenseuruukorpus
icon-info-circle Kuvailutiedot ja lisenssi
icon-exclamation-triangle PRIV: Aineisto sisältää henkilötietoja, ks. lisenssi.icon-quote-right Tämän version viittausohje
Tämä LAT-alustaa varten toimitettu versio on poistunut käytöstä marraskuussa 2020. Sama aineisto julkaistaan uudelleen ladattavassa muodossa, ks. yllä.
Etsi muut saatavilla olevat versiot

Aineiston sisältö

Suomen murteiden seurantatutkimus aloitettiin vuonna 1989. Se on sosiolingvistinen ja dialektologinen pitkittäistutkimus, joka toteutetaan yhteistyössä yliopistojen kanssa. Tavoitteena on ollut tutkia alueellisten murteiden kehitystä reaaliaikaisesti 10 maaseutukunnassa 10 vuoden välein. Valitut kunnat edustavat suomen kielen perinteisiä päämurreryhmiä. Kussakin kunnassa informantteina on käytetty yhteensä 15 puhujaa. Tutkimuksessa käytetyt ulkoiset muuttujat ovat ikä ja sukupuoli: kussakin kaupungissa on tutkittu kolmen sukupolven puhujia (O = vanha, M = keski-ikäinen, Y = nuori), sekä miehiä että naisia. Aineisto on kerätty perinteisellä murrehaastattelumenetelmällä, ja tutkimuksessa on keskitytty fonologisiin ja morfologisiin piirteisiin. Kymmenen osatutkimuksen raportit ja ensimmäisen kierroksen loppuraportti ovat valmistuneet.

Hankkeen toinen kierros aloitettiin vuonna 1999 ja saatiin päätökseen vuonna 2007. Osatutkimuksista on valmistunut kahdeksan, joista yksi väitöskirjamuotona (Kurki 2005). Toisella kierroksella kerättiin haastattelujen lisäksi myös muunlaista aineistoa. Osa osatutkimuksista keskittyy muihin kuin perinteisiin sosiolingvistisiin muuttujiin.

Tarkemmat aineistokohtaiset käyttöehdot löytyvät kunkin aineistoversion kuvailutiedoista.


 Viimeksi päivitetty: 30.8.2023

 Tämän sivun PID: http://urn.fi/urn:nbn:fi:lb-202104202

Search the Language Bank Portal:
Tanja Säily
Researcher of the Month: Tanja Säily

 

Upcoming events


Contact

The Language Bank's technical support:
kielipankki (at) csc.fi
tel. +358 9 4572001

Requests related to language resources:
fin-clarin (at) helsinki.fi
tel. +358 29 4129317

More contact information