1　引言

介绍了生成式人工智能技术的发展及其对语言学研究的影响，强调了口语语料库在对比分析人类语言与AI生成语言中的重要性。指出当前语料库存在语体偏向性，口语语料相对不足。阐述了构建高质量口语语料库的必要性，包括其在展示人类自然口语、提供研究数据等方面的作用，以及设计和建设过程中的关键考虑因素和公开透明的重要性。

2　现代汉语口语语料库建设的必要性

讨论了现代汉语口语语料库建设的必要性。汉语研究者重视实证研究，已构建多个汉语口语语料库，如北京语言大学的“北京口语调查”及语料查询系统，社科院的北京地区现场即席话语语料库等，为研究提供了丰富实例。但现有语料库存在诸多问题，如建设年代久远，难以反映当今口语使用情况；大部分不对外开放，资源共享困难。因此，本研究于2018年开始收集汉语母语者自然口语对话，以填补国内外在该领域的空白。

3　语料库设计与口语收集

详细阐述了现代汉语口语语料库的设计与口语收集过程。语料库旨在收集日常自然口语对话，目标人群为18岁及以上中国居民，不限性别、教育程度等。语料库规模定为100万字，虽小但注重质量与代表性，且设计为动态语料库，每年扩充。收集前进行了可行性分析，确定了250个对话、每对话至少20分钟的收集目标。伦理准备方面，制定了知情同意书，确保参与者知情自愿，且录音仅用于研究。招募通过社交媒体进行，参与者提供高质量录音可获报酬。口语收集分两个阶段，2018年采用半访谈形式，2022年起由参与者自行录音，截至2024年收集了来自28个省市的口语对话，共55小时左右。收集过程中，对录音进行检查和筛选，确保音质清晰且对话满足研究要求。

4　口语转写

讨论了现代汉语口语语料库建设中口语转写的关键环节。转写是将动态语音转化为静态文字的过程，具有选择性和主观性。由于完全忠实的全要素转写在实践中面临效率与可行性的挑战，因此需要根据研究目标建立分级转写体系，优先转写核心特征。本研究制定了现代汉语口语语料库的转写规则，采用简单的正字法转写，用标准的通用汉字记录口语特征。针对有音无字的声音，采用汉字和拼音结合的方式转写；对于“他”和“她”的转写，统一用“TA”表示；同时对可能泄露说话人隐私的信息进行匿名化处理。在转写的一致性和可靠性方面，本研究采用人工转写为主的方式，使用InqScribe和Praat工具进行转写和检查修正，以提高转写文本的质量，并通过交叉检查保证转写的一致性和可靠性。

5　语料的处理和发布

讨论了现代汉语口语语料库的处理和发布策略。2018年收集的24万字语料已通过GitHub发布，因其免费且能即时上传新语料，尽管不支持在线检索。后续计划开发语料检索分析软件。2022—2024年的语料将在2025年底上传，目前发布的包括转写生语料、说话人信息和转写体系，且进行了分词和词性标注。

6　结语

总结了现代汉语口语语料库的设计与建设情况，指出其为动态语料库，自2018年起逐年扩充并免费开放部分语料供研究使用，同时建设了现代汉语中介语口语语料库作为对比。但存在隐私保护限制、男女比例失衡、特定年龄段缺失等问题，未来将致力于吸引更多群体参与并完善信息收集，以提升语料库质量。