美劇字幕英漢平行語(yǔ)料庫(kù)的建設(shè)

竇智

（北方民族大學(xué)，銀川 750021）

1 引言

自20世紀(jì)80年代以來(lái)，美劇在中國(guó)大陸傳播發(fā)展已有38年。美劇在我國(guó)從小眾獨(dú)享到網(wǎng)絡(luò)熱播，正邁向全民化。學(xué)生是美劇的受眾群體之一，通過(guò)尋找美劇中的話(huà)題與外國(guó)人進(jìn)行跨文化的交流；觀看美劇不僅給人帶來(lái)視聽(tīng)享受，而且相比教材文本，可以學(xué)到最新實(shí)用的詞匯用法及口語(yǔ)表達(dá)；借助美劇可以了解美國(guó)的政治、歷史、文化、社會(huì)和美國(guó)人的日常生活等知識(shí)。語(yǔ)言是不斷更新發(fā)展的，綜上，美劇是學(xué)習(xí)英語(yǔ)最鮮活生動(dòng)的資料。然而由于網(wǎng)絡(luò)傳播中的美劇作品不帶有中文字幕，這就催生了一批字幕翻譯員，盡管翻譯出了美劇臺(tái)詞的主要意思，但翻譯質(zhì)量難免良莠不齊。這就引出了對(duì)翻譯規(guī)范、譯者風(fēng)格和翻譯策略等翻譯學(xué)的研究，美劇語(yǔ)料庫(kù)的建設(shè)是千呼萬(wàn)喚始出來(lái)。因此，建設(shè)一個(gè)美劇字幕翻譯英漢語(yǔ)料庫(kù)可為后來(lái)的影視翻譯研究提供平臺(tái)基礎(chǔ)[1]。

語(yǔ)料庫(kù)是以計(jì)算機(jī)為載體承載語(yǔ)言知識(shí)的基礎(chǔ)資源；存放的是實(shí)際使用中真實(shí)出現(xiàn)過(guò)的語(yǔ)言材料。這些真實(shí)語(yǔ)料要經(jīng)過(guò)加工處理，才會(huì)成為有研究?jī)r(jià)值的資源。語(yǔ)料庫(kù)憑借電子計(jì)算機(jī)操作系統(tǒng)和相關(guān)語(yǔ)料庫(kù)軟件，對(duì)所收集語(yǔ)料進(jìn)行賦碼和標(biāo)注處理，實(shí)現(xiàn)語(yǔ)料的自動(dòng)存儲(chǔ)、檢索和統(tǒng)計(jì)（胡開(kāi)寶2011）。雙語(yǔ)平行語(yǔ)料庫(kù)可以使兩種或兩種以上的語(yǔ)言對(duì)比，具備微觀研究和宏觀研究結(jié)合的優(yōu)勢(shì)。語(yǔ)料庫(kù)尤其是平行語(yǔ)料庫(kù)作為一種研究工具，在語(yǔ)言學(xué)研究，尤其是翻譯學(xué)、自然語(yǔ)言處理以及機(jī)器翻譯等研究領(lǐng)域起著越來(lái)越不可替代的作用[2]。

2 美劇字幕平行語(yǔ)料庫(kù)的整體設(shè)計(jì)思路

2.1 設(shè)計(jì)目的

近年來(lái)英語(yǔ)國(guó)家的影視作品對(duì)英語(yǔ)學(xué)習(xí)者產(chǎn)生了影響，尤其臺(tái)詞的模仿在語(yǔ)言交流中隨處耳聞。迄今為止，國(guó)內(nèi)尚無(wú)該領(lǐng)域建成可用的美劇字幕語(yǔ)料庫(kù)。在選擇語(yǔ)料庫(kù)類(lèi)型時(shí)，根據(jù)研究需要，選擇能匹配美劇字幕翻譯的雙語(yǔ)平行語(yǔ)料庫(kù)。王克非（2004a）指出平行語(yǔ)料是由源語(yǔ)文本及其平行對(duì)應(yīng)的譯語(yǔ)文本構(gòu)成的雙語(yǔ)語(yǔ)料庫(kù)。與其他語(yǔ)料庫(kù)相比，平行語(yǔ)料庫(kù)的優(yōu)勢(shì)在于能自動(dòng)呈現(xiàn)兩種或兩種以上的語(yǔ)句對(duì)應(yīng)關(guān)系。建設(shè)美劇字幕庫(kù)的目的是為了后續(xù)在此平臺(tái)的基礎(chǔ)上進(jìn)行研究：①翻譯語(yǔ)言特征和規(guī)范研究；②美劇的口語(yǔ)俚語(yǔ)研究；③美國(guó)社會(huì)文化的反映；④譯者風(fēng)格和翻譯教學(xué)等研究。因此，本項(xiàng)目組自建一個(gè)小型的美劇字幕翻譯英漢雙語(yǔ)平行語(yǔ)料庫(kù)，以填補(bǔ)該領(lǐng)域的空白[3]。

2.2 語(yǔ)料庫(kù)規(guī)模

人們普遍認(rèn)為語(yǔ)料庫(kù)規(guī)模越大，就越有研究語(yǔ)言應(yīng)用的價(jià)值，然而任何語(yǔ)料庫(kù)只代表關(guān)于語(yǔ)言應(yīng)用現(xiàn)狀的小樣本（胡開(kāi)寶2011a）。所以應(yīng)根據(jù)設(shè)計(jì)目的和語(yǔ)料庫(kù)屬性來(lái)確定語(yǔ)料庫(kù)規(guī)模，不可盲目求大。由于處理難度高，平行語(yǔ)料庫(kù)的發(fā)展一直滯后于其他類(lèi)型語(yǔ)料庫(kù)，而且平行語(yǔ)料庫(kù)耗費(fèi)大量時(shí)間和精力，故本項(xiàng)目建設(shè)一個(gè)容納100萬(wàn)詞的小型美劇字幕平行語(yǔ)料庫(kù),以共時(shí)性為主，即主要收集二十世紀(jì)后半葉和二十一世紀(jì)的有影響力的語(yǔ)料，保證語(yǔ)言文本的新鮮和經(jīng)典。

2.3 語(yǔ)料庫(kù)屬性

語(yǔ)料庫(kù)根據(jù)收錄語(yǔ)料內(nèi)容的不同分為四種：異質(zhì)型（Heterogeneous corpus）廣泛收錄各種語(yǔ)料；同質(zhì)型（Homogeneous）只收集同一類(lèi)別的語(yǔ)料；系統(tǒng)型（Systematic）選用的語(yǔ)料有平衡性和系統(tǒng)性，反應(yīng)語(yǔ)言的全貌；專(zhuān)用型（Specialized）是為特定用途而建立的語(yǔ)料。本語(yǔ)料庫(kù)屬于同質(zhì)、專(zhuān)用型，主要抽樣采集幾部當(dāng)代熱播美劇和經(jīng)典影片，對(duì)英語(yǔ)學(xué)習(xí)者有影響的和受同學(xué)們喜聞樂(lè)見(jiàn)的影視字幕，如《紙牌屋》、《權(quán)利的游戲》、《摩登家庭》、《亂世佳人》美劇。

3 美劇語(yǔ)料的采集和處理

采集語(yǔ)料在人人影視、字幕庫(kù)等網(wǎng)站下載字幕文件包，解壓文件包進(jìn)行篩選，留下漢語(yǔ)和英語(yǔ)的簡(jiǎn)寫(xiě)文本。多數(shù)字幕文件的英漢雙語(yǔ)在一個(gè)文件里，需要人工分開(kāi)將英語(yǔ)和漢語(yǔ)另存一個(gè)文本，然后用計(jì)算機(jī)軟件對(duì)語(yǔ)料進(jìn)行去噪和加工。

3.1 語(yǔ)料初加工

選用的文本編輯軟件是Emeditor，其操作便捷，支持多種配置。用此編輯器進(jìn)行文本凈化，清除時(shí)間軸和字體代碼等嘈雜的信息，數(shù)字和不必要的空格以及符號(hào)也清除，之后務(wù)必在篇頭處保留譯者的名字。此操作的輔助功能為計(jì)算機(jī)的搜索和替換功能，使用正則表達(dá)式批量處理，目的是保證英語(yǔ)和漢語(yǔ)的句子匹配對(duì)齊。由于下載的字幕包里漢語(yǔ)部分沒(méi)有標(biāo)點(diǎn)，所以對(duì)著英語(yǔ)部分句對(duì)句的手動(dòng)添加標(biāo)點(diǎn)，這也是平行語(yǔ)料庫(kù)耗時(shí)耗力的原因之一。處理完畢后進(jìn)行語(yǔ)料的初步校對(duì)，清除雜質(zhì)，將無(wú)法匹配的影視劇中出現(xiàn)的專(zhuān)有名詞如場(chǎng)景、地名等刪除，然后將英語(yǔ)和漢語(yǔ)分別存在一個(gè)文件夾里，存儲(chǔ)格式為txt格式，文件名標(biāo)寫(xiě)清晰的美劇名稱(chēng)。

3.2 標(biāo)注和處理

所謂標(biāo)注（也稱(chēng)附碼）把各種表示語(yǔ)言特征的附碼標(biāo)注在相應(yīng)的語(yǔ)言成分上，便于計(jì)算機(jī)識(shí)讀。無(wú)論是計(jì)算機(jī)自動(dòng)還是人工標(biāo)注，都不能削除失誤（余國(guó)良2009a）。標(biāo)注分為詞性標(biāo)注、詞義標(biāo)注、句法標(biāo)注和語(yǔ)篇標(biāo)注，通過(guò)這些加工，語(yǔ)料才變成有利用價(jià)值的研究材料。本項(xiàng)目選用了詞性標(biāo)注，即用詞性符號(hào)標(biāo)記單詞的詞性，如動(dòng)詞，形容詞。

針對(duì)漢語(yǔ)語(yǔ)料，用漢語(yǔ)詞性標(biāo)注工具軟件，該應(yīng)用程序操作便捷，可批量處理文件。打開(kāi)軟件加載漢語(yǔ)文件夾，選擇要處理的文件，點(diǎn)擊開(kāi)始切分標(biāo)注，瞬間得到標(biāo)注成功的漢語(yǔ)語(yǔ)料。針對(duì)英語(yǔ)語(yǔ)料，使用的軟件為T(mén)agAnt，每次只能處理一個(gè)保存為utf-8格式的文檔。點(diǎn)擊input files選擇要處理的英語(yǔ)語(yǔ)料，按start瞬間得到標(biāo)注成功的英語(yǔ)語(yǔ)料。然后打開(kāi)標(biāo)注后的語(yǔ)料，在英漢雙語(yǔ)的句號(hào)、問(wèn)號(hào)和嘆號(hào)處加上＜/seg＞ ＜seg＞分句符號(hào)，可用計(jì)算機(jī)的查找替換功能操作，勾選正則表達(dá)式是批量處理。

4 語(yǔ)料庫(kù)的平行匹配

4.1 語(yǔ)料對(duì)齊和校對(duì)

ParaConc是強(qiáng)大的語(yǔ)言分析軟件，可以處理無(wú)限量的平行語(yǔ)料；可以保存或打印檢索結(jié)果為純文本文件；可以實(shí)現(xiàn)多語(yǔ)言文本的對(duì)齊，熱詞搜索，詞頻統(tǒng)計(jì)等功能。打開(kāi)軟件，首先在菜單里勾選Load Corpus Files,在Parallel Texts欄目里選擇語(yǔ)言種類(lèi)，點(diǎn)擊Add添加文本。最后選擇所需的對(duì)齊格式（Align Format）,點(diǎn)擊Ok。其次在菜單里選擇 View Corpus Alignment,選中文檔點(diǎn)擊Alignment,即可看到文本的平行狀態(tài)。計(jì)算機(jī)對(duì)齊有很大誤差，需要人工校對(duì)每個(gè)句子的匹配，當(dāng)發(fā)現(xiàn)一對(duì)多或者多對(duì)一時(shí)，點(diǎn)擊鼠標(biāo)右鍵進(jìn)行句子的合并或分開(kāi)。當(dāng)發(fā)現(xiàn)句子里有多余符號(hào)或誤差很大時(shí)，返回原語(yǔ)料文本，凈化噪點(diǎn)，即重新操作，直到完美對(duì)齊，以方便檢索。

4.2 語(yǔ)料保存和檢索

語(yǔ)料的保存有兩種方法。一是點(diǎn)擊file菜單里的save workspace as，生成兩個(gè)分別以BIN和PWS為名字后綴的文件。Workspace的兩個(gè)文件不能移動(dòng)位置，會(huì)因?yàn)楦穆窂酱蜷_(kāi)失敗；二是點(diǎn)擊file里的export corpus files，在文件名前加上A-，保存到文件夾中。導(dǎo)入語(yǔ)料后，進(jìn)行語(yǔ)料庫(kù)的搜索功能，打開(kāi)Search菜單，選擇語(yǔ)言類(lèi)型和輸入要找的字符。鼠標(biāo)移到搜索的文檔區(qū)域，點(diǎn)擊右鍵勾選Hot Words,即顯示熱詞。

5 結(jié)語(yǔ)

語(yǔ)料庫(kù)翻譯學(xué)方興未艾，而平行語(yǔ)料庫(kù)是適合翻譯研究的最佳平臺(tái)。建設(shè)平行語(yǔ)料庫(kù)難度較大，步驟多且耗時(shí)耗力，且不能保證完全沒(méi)有誤差。本文將建庫(kù)過(guò)程和方法全部展現(xiàn)出來(lái)，這個(gè)小型美劇字幕英漢平行語(yǔ)料庫(kù)是拋磚引玉之作，期待業(yè)界研發(fā)出更完善的計(jì)算機(jī)軟件，探索出建設(shè)平行語(yǔ)料庫(kù)更便捷的方法。