GALE Phase 1 Chinese Broadcast News Parallel Text - Part 1（LDC2007T23）是 LDC 于 2007 年面向 DARPA GALE 项目发布的中 - 英平行文本语料，核心为中文广播新闻转写文本及其人工英译对，适配机器翻译（MT）训练与评测，是 GALE Phase 1 中文广播新闻平行文本的首期子库。以下是详细介绍：
基本信息
| 项目 | 详情 |
|---|---|
| 发布机构 | Linguistic Data Consortium（LDC） |
| 发布时间 | 2007 年 6 月 |
| 语种 | 中文（普通话）、英语 |
| 编号 | LDC2007T23 |
| 语料类型 | 中文广播新闻转写文本 + 人工英译平行对 |
| 数据规模 | 约 10 万词级平行句对，覆盖新闻播报、专题报道等广播场景 |
| 核心标注 | 句级对齐、人工翻译质量评分、转写文本时间戳与说话人标注 |
| 数据格式 | UTF - 8 文本、XML 标注文件、句对齐索引表 |
| 适配项目 | DARPA GALE Phase 1，用于 MT 系统训练与基准评测 |
数据内容与结构
- 核心语料
- 源文本：中文广播新闻转写文本，来自 CCTV、凤凰卫视等主流华语媒体，含新闻播报、访谈、专题节目等，保留口语化表达与少量口语现象（如停顿、重复），贴近真实广播场景。
- 平行英译：专业译员完成的人工英译，确保语义准确、表达自然，适配 MT 参考标准。
- 句对齐数据：中 - 英句子级对齐结果，标注句对映射关系，支持 MT 模型训练与对齐任务。
- 标注与元数据
- 翻译标注：含翻译质量评分（如流利度、准确度）、译员 ID、标注时间等，保障数据可靠性。
- 转写元数据：广播节目 ID、频道、时间戳、说话人信息等，便于溯源与场景化应用。
- 索引文件：句对 ID - 文本映射表、语料统计报告，支持快速检索与数据管理。
- 辅助资源
- 标注规范：明确转写、翻译、对齐的流程与标准，统一标注口径。
- 质量报告：标注一致性统计、错误案例分析，为数据使用提供参考。
下载方法：
1、关注LDC语料小助手，回复GALE Phase 1 Chinese Broadcast News Parallel Text - Part 1
NLP语料共享、LDC语料
https://mp.weixin.qq.com/s/8GgZFh9XAr7FYwivQ_ajRg