Corpus format 語料格式
以下規範適用於所有採取線性標註方式的語料。
本庫語料無明確的分詞標準。不一定因連讀音變分詞，因爲音變可能發生於一個詞組的內部。如「生肉柱」（榕拼：sang²¹-nyk⁵³-tiu²⁴²，長痤瘡）於本庫可能拆爲生與肉柱。
分詞不是強制的。
半形、全形標點符號原則上皆可使用，但被本文檔指定爲其他用途的標點符號則避免使用。
本庫純文本語料收錄於.xml、.tsv文檔，而"（半形引號）是該類文檔的製表符。故避免衝突，若需使用引號，請使用《GB/T 15834—2011》下的“與”。
省略號…用於成份殘缺處，跟在前一語詞之後。
填寫來源信息時，可能會遇到含有&的URL要填寫。而這會導致文件格式上的一些衝突。需要將它轉換爲URL Escape Codes——%26。下表供參考。
| Character | URL Escape Codes | String Literal Escape Code |
|---|---|---|
| SPACE | %20 | $20 |
< |
%3C | $3C |
> |
%3E | $3E |
# |
%23 | $23 |
% |
%25 | $25 |
+ |
%2B | $2B |
{ |
%7B | $7B |
} |
%7D | $7D |
| |
%7C | $7C |
\ |
%5C | $5C |
^ |
%5E | $5E |
~ |
%7E | $7E |
[ |
%5B | $5B |
] |
%5D | $5D |
‘ |
%60 | $60 |
; |
%3B | $3B |
/ |
%2F | $2F |
? |
%3F | $3F |
: |
%3A | $3A |
@ |
%40 | $40 |
= |
%3D | $3D |
& |
%26 | $26 |
$ |
%24 | $24 |
有時錄音或手跡裏有字詞無法辨別，則以？（全形問號）代之。
有時接到某詞，雖云知音知義，唯不知如何寫作漢字，則以□（虛缺號）代之。
口頭表達與書寫相較，前者更具隨意性，而後者則有自覺性。具體到閩東語的現狀，則口頭表達在語法與邏輯上較爲隨意，表意未必精準，且更能體現土話的真實樣貌；而書寫則更易受到漢語共通書面語的影響。
然而經由口頭表達出來的內容未必皆是土話，公共廣播、宣講、主持等正式場合的閩東語，可能也會體現出書面語的特徵。而網絡聊天室裏用戶打出的閩東語文字，則也會體現出口頭表達的特徵。
閩東語使用者在讀官話白話文的報章文字時，對其內容的轉述可能又呈現出一種「三及第」的面貌，這種對內容的接收與轉述過程很類似日本人對漢文的「訓讀」。一些用漢字寫就的文本，如古詩、古文、口號等，甚至可能被閩東語使用者憑字直接讀，類似日本人對漢傳佛經的「音讀」。
鑒於本庫所收閩東語語料來源之複雜，本庫的線性標註語料設有property字段，用以判斷語料的性質。設言文性質如下：
-
spoken：口頭 -
idiom：謠諺 -
written：文字 -
essay：文章 -
poem：詩歌 -
translated：翻譯 -
formal：正式
判斷流程如下：
- 語料爲正式場合的發言（這種發言很可能是由官話譯出的，但是不糾結於此），包括公告、通知，標
formal；若非， - 語料爲根據非閩東語口語文本讀出或譯出所得，無論是逐字讀出還是部分地以固有語訓譯，標
translated；若非， - 語料來自某人自覺創作的（即便語言多麼流暢自然的）詩歌、歌詞等，標
poem；若非， - 語料來自某人自覺創作的（即便語言多麼流暢自然的）文章、書信等，標
essay；若非， - 語料來自某人自覺的創作，如（即便語言多麼流暢自然的）作品中摘錄的句子、電子聊天打字等，標
written；若非， - 語料意圖對民間流傳的歌謠、俗語、諺語、歇後語、話頭等進行忠實的文字紀錄的，標
idiom， - 語料意圖對所聽到的口頭表達進行忠實的文字紀錄的，標
spoken。
本庫純文本語料推薦使用.xml格式（.xsd檔案、使用文檔）記錄，這是因爲該格式文檔能夠更靈活地分詞、標註。
可以藉助一些開發環境編輯.xml文檔，如XMLSpy 2005（中文教程）。
.xml文檔的規範參見plaintext/cdo-plaintext-corpus-document.xsd與plaintext/document。
本庫有一部分純文本語料，是以.tsv格式記錄的。推薦將它們逐步轉換爲.xml格式，不強制。
先看一段示例語料。
絲瓜<lan=cmn> 吓<m=啊><y=a53>. 絲瓜<lan=cmn> 汝<m=你><y=ny33> 是偍<m=是不是><y=sie21-nei55> 告<m=叫><y=goo213>, 閩侯<y=ming21-au242> 伊<m=他><y=i55> 是偍<m=是不是><y=sei21-nei55> 告<m=叫><y=goo213> 𢯽<y=ceo213>? 吓<m=啊><y=a213>. 福州<y=huk21-ziu55>, 我<y=nguai33> 福州<y=huk21-ziu55> 這邊<y=zi21-mieng55> 告<m=叫><y=goo213> 𢯽<y=coo213>. 吓<m=啊><y=a213>. 食<m=喫><y=sieh5> 其<m=的><y=li53> 嘻<m=那個><y=ia33> 絲瓜<lan=cmn> 吓<m=啊><y=a53>.
可見空格分詞。還能看見詞後有綴各類括號。以下介紹本庫.tsv語料的基本格式。
分詞同前述，如「生肉柱」（榕拼：sang²¹ nyk⁵³ tiu²⁴²，長痤瘡）於本庫可能拆爲生 肉柱。
分好的詞用 （半形空格）隔開。
由於閩東語世界幾無現成的數位化文本可用（除了閩東語維基項目），故此語料的收集，幾乎依賴手錄。這便不需要考慮自動化的分詞方案，而爲隨手按空格分詞似乎隨之成爲了優解。
組成句子的語詞擁有各自的性質。使用語料符號 v2.0標記其性質。
語料符號緊跟在分好的詞之後，並與後方其他語詞以分好的空格相隔。如：
攖<m=放><y=eing55><g=ĕng>
如果句料有以半形空格（ ）分詞，則標點符號不要緊跟於前一個字詞，而是同樣與前一個字詞空一半形空格。
半形、全形標點符號原則上皆可使用，但被本文檔指定爲其他用途的標點符號則避免使用。
本庫純文本語料收錄於.tsv文檔時，會有"（半形引號）作爲該類文檔的製表符。故避免衝突，若需使用引號，請使用《GB/T 15834—2011》下的“與”。
省略號用於成份殘缺處，跟在前一語詞之後。如：
請 趁 …
「趁」（teing²¹³，從）後需要跟上動作的出發點，以組成一個完整的介賓短語。顯然，引用的語料成份殘缺。其實這是從一段錄音裏截取出來的片段，故不完整乃爾。
有時錄音或手跡裏有字詞無法辨別，則以？（全形問號）代之。如：
在 伊 ？ 講.
一段連江話語料裏出現了聽起來像普通話「jiàng」的詞。整理語料者無法辨別，就暫以？代替。？視爲一個語詞，參與分詞，並不像其他標點符號需要有所貼附。
有時接到某詞，雖云知音知義，唯不知如何寫作漢字，則以□（虛缺號）代之。如：
在 伊 □□<m=怎麼><y=zia53-o213> 講.
現在聰明的整理者明白了此詞的音義，可以作出相對規範的標記了。唯獨漢字寫法不明，故暫以□代替。□亦視爲一個語詞，參與分詞，不像其他標點符號需要有所貼附。
本庫的.tsv文檔，包括sentences.tsv與/plaintext目錄下的.tsv文檔，具備以下欄位：
-
Mindong：閩東語漢字的句子，帶有標註，部分有分詞。 -
Mandarin Trans.：句子的普通話翻譯，部分有分詞。 -
English Trans.：句子的英語翻譯。 -
Speaker ID：講話者編號，見speakers.csv。 -
ISO 639-6：語言的ISO代碼，參見中文維基學院的列表。 -
Provider：資料提供者。 -
Year：記錄年份，填入半角阿拉伯數字。 -
Month：記錄月份，填入半角阿拉伯數字，無前置0。 -
Day：記錄日期，填入半角阿拉伯數字，無前置0。 -
HH:MM:SS (UTC+8)：記錄時間（UTC+8時區），如01:05:03。 -
Source：資料來源，格式用中國國家標準GB/T 7714-2015。 -
Copyright：版權信息。 -
Tag：標籤；見categories_yngdieng.tsv，使用文檔中的ThirdCategory或SecondCategory作爲語料標籤；如已有標籤不夠用，提出issue。 -
Note：備註，在單單有句料則不足以明瞭情況之場合，補充說明句料的情感、用途等。 -
Property：言文性質，見前述。 -
Path to Original File：本庫原始文件的路徑；僅適用於sentences.tsv，因本庫所有文字語料都將以句爲單位彙總一份於sentences.tsv，而後續之標註與修正也應彙總更新至sentences.tsv。
本庫使用ELAN對有聲語料分層標註。前文的標註，都集中於一層；而接落來介紹的標註，則是以一條有聲語料的選定時間段爲基本單位，分出多個不同屬性的標註層次。
以下是該軟件的影片教程：
創建標註，需要將待標註錄音、待標註影片（如果有）、分層模板加入工作區。
模板在\sentences目錄下。
進入軟件主界面後，先保存此新建文件。文件名同待標註多媒體文件。
新建標註文件後，會看見模板預設的多個層。以下分類介紹層。
-
word：詞彙。若待標註音頻僅含有一兩句話，則以語彙爲單位在此層轉寫文本。 -
character：音節。在已填寫word的情況下，可填寫此層，去進行以音節爲單位的精細轉寫。如果對應內容是祗含有一個音節的詞彙，則填寫於word層，不填寫於此層。 -
sentence：語句。若待標註音頻含有多句話，則先以語句爲單位在此層轉寫文本。 -
faulty fixing：正誤，以詞彙爲單位。語料中可能含有語病。不對轉寫文本直接正誤，但是可以在此層標註正確表達。 -
faulty fixing yp.：正音，以音節爲單位。語料中可能含有誤讀。不對注音直接正誤，但是可以在此層標註正確讀音。
-
yngping：榕拼，以詞彙爲單位。如有標註讀音，默認填寫此層。 -
yngping by char.：榕拼，以音節爲單位。在已填寫yngping的情況下，可填寫此層，去進行以音節爲單位的精細標註。 -
gáu-huôi lò̤-mā-cê：教會羅馬字，以詞彙爲單位。非必須。
-
cmn trans. by word：詞彙華語對譯。 -
cmn trans. by char.：音節華語對譯。 -
cmn trans. by sentence：語句華語對譯。
-
language：語言。填寫對應內容的ISO 639-6代碼。
本標註規範版本號爲0.3。
| 版本號 | 備註 |
|---|---|
| 0.1 | 增加線性標註規範 |
| 0.1.1 | 增加分層標註規範 |
| 0.2 | 增加分詞、標點、言文性質等規範 |
| 0.3 | 當前頁面 |