Trabajo de Campo - Huave

Ombeayiüts — San Mateo del Mar Huave (huv)

Un corpus de audio anotado de la región de San Mateo del Mar, Oaxaca, una lengua de comunidades originarias de México. El corpus contiene monólogos y dialogos de la comunidad de San Mateo del Mar. Contiene un archivo tsv con transcripciones, traducciones y etiquetas POS dependiendo de la fuente de datos. Esto es, algunas transcripciones tienen traducción y algunas etiquetas. Tambien contiene un conjunto de monologos no etiquetados.

Para más información consultar el repositorio del analizador morfológico en: https://github.com/apertium/apertium-huv/ o el artículo "Towards a finite-state morphological analyser for San Mateo Huave".

Idioma

El huave es una lengua aislada hablada en la costa del estado de Oaxaca, México. Específicamente, la variante de San Mateo del Mar es referida por sus hablantes como ombeayiüts (que significa 'nuestra lengua'). Es una lengua aglutinante con una morfología moderadamente compleja, que utiliza tanto prefijos como sufijos. A diferencia de muchas lenguas indígenas de México, en San Mateo del Mar el idioma sigue siendo ampliamente hablado tanto por adultos como por niños, aunque se observan inicios de desplazamiento lingüístico. Según datos del Instituto Nacional de Estadística, Geografía e Información, INEGI de 2020, la población de hablantes mayores de tres años en San Mateo del Mar era de 14,034.

Variantes

El huave se habla en cuatro municipios principales: San Mateo del Mar, Santa María del Mar, San Francisco del Mar y San Dionisio del Mar. Existen dos agrupaciones lingüísticas principales:

• Huave occidental: Incluye las variantes habladas en San Mateo del Mar y Santa María del Mar.

• Huave oriental: Incluye las variantes habladas en San Francisco del Mar y San Dionisio del Mar. Este conjunto de datos y el trabajo descrito se centran en la variante de San Mateo del Mar, que es la que cuenta con el mayor número de hablantes.

Corpus de texto

Este corpus tiene la siguiente estructura de carpetas:

huave_dataset/
├── audios/             # Audios con transcripciones
├── huave_dataset.tsv   # Ids de los audios, ruta y metadatos
└── raw_audios/         # Grabaciones sin transcripción ni cortadas

En total se tienen 18.9 minutos de audios etiquetados y transcritos. De audios crudos se tienen 1175 minutos (~19.5 horas) y en total el corpus cuenta con 1194 minutos (~19.9 horas).

Sistema de escritura

El huave ha tenido varias propuestas ortográficas. Históricamente, destaca la ortografía utilizada en la traducción del Nuevo Testamento y el diccionario de Stairs y Stairs (1981), la cual seguía convenciones basadas en el español (por ejemplo, usando 'qui' y 'cua' para /ki/ y /kwa/).

Sin embargo, textos más recientes producidos por los propios hablantes utilizan una ortografía práctica que reemplaza esas convenciones por k y kw (por ejemplo, mikiej y kwane en lugar de miquiej y cuane). Los recursos modernos suelen adoptar esta ortografía reciente propuesta y usada por los hablantes.

Tabla de símbolos

El sistema utiliza el alfabeto latino. Basado en la descripción fonológica y ortográfica del documento, los caracteres relevantes incluyen:

• Vocales: a, e, i, o, u, ü. Las vocales pueden ser largas (a veces representadas con vocales dobles o diacríticos en análisis fonológico).

• Consonantes: b, ch, d, g, gw, j, k, kw, l, m, n, p, r, rr, s, t, ts, w, x, y.

• Notas: La 'j' representa la aspiración /h/. Existen contracciones y morfología compleja que pueden afectar la escritura de las palabras.

Muestra

A continuación se muestran cinco oraciones seleccionadas aleatoriamente del corpus.

al mohkom tingal mahaw 
ap'ür mahaw t'ül ap'üng nawa:k mipük' s'iül
ajkuw monxey kiaj nendokoj
ike ngomijier nop pet
ajküw peats ngomarangüüch con os

Agradecimientos

Autores de la ficha técnica

• Samuel Herrera Castro

Criterios de citación

Si utiliza la información lingüística o las herramientas derivadas de este trabajo, por favor cite el artículo original:

@inproceedings{tyers-castro-2023-towards,
    title = "Towards a finite-state morphological analyser for San Mateo Huave",
    author = "Tyers, Francis M.  and
      Castro, Samuel Herrera",
    editor = "Harrigan, Atticus  and
      Chaudhary, Aditi  and
      Rijhwani, Shruti  and
      Moeller, Sarah  and
      Arppe, Antti  and
      Palmer, Alexis  and
      Henke, Ryan  and
      Rosenblum, Daisy",
    booktitle = "Proceedings of the Sixth Workshop on the Use of Computational Methods in the Study of Endangered Languages",
    m mar,
    year = "2023",
    address = "Remote",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2023.computel-1.5/",
    pages = "30--37"
}

Licencia

Este conjunto de datos se publica bajo la licencia Creative Commons Zero (CC-0). Al descargar estos datos usted acepta no determinar la identidad de los hablantes en el conjunto de datos.