Dai sottotitoli ai corpora paralleli: un percorso metodologico

Quanto affermato sino a questo punto ha fatto sicuramente emergere l’aspetto della complessità legato alla ricerca linguistica che fa uso di corpora. Ciò che non è ancora emerso sono le peculiarità che un corpus multimediale dovrebbe possedere e i problemi che occorre affrontare nella sua progettazione.
Nonostante l’interpretazione e la traduzione audiovisiva richiedano la creazione di corpora multimediali paralleli allineati di lingua parlata, i progetti di dimensioni apprezzabili per la conduzione di studi che possano realmente definirsi corpus-based sono molto pochi e ancora in fase di sperimentazione (Valentini, 2009). Esistono alcuni esempi, soprattutto nel campo della traduzione simultanea, che non possono tuttavia essere considerati propriamente multimediali. Un esempio è il corpus multilingue EPIC (European Parliament Interpreting corpus) che è stato messo a punto presso il Dipartimento di Studi Interdisciplinari su Traduzione, Lingue e Culture (SITLeC) dell’Università di Bologna. Nel campo del doppiaggio esistono pochi esperimenti che possano, tra l’altro, dirsi interamente compiuti, tra questi, il Pavia corpus of Film Dialogue (Freddi & Pavesi, 2009) e Forlixt 1 (Heiss & Soffritti, 2008).
Per ciò che riguarda i corpora paralleli di sottotitoli e di liste dialoghi di film e serie televisive, ci si trova di fronte a un panorama alquanto variegato. Si tratta di corpora di tipo orale, che non contengono cioè annotazioni e collegamenti al dato multimediale, oppure di corpora di sottotitoli creati non con finalità propriamente traduttologiche in campo multimediale, quanto piuttosto con l’obiettivo di sperimentare procedure automatiche di allineamento di testi (Tiedeman, 2007; Itamar & Itai, 2008) o di sviluppare procedure per la traduzione assistita dal computer da includere all’interno di appositi programmi (Fishel et al., 2012).
Permangono tuttavia numerose difficoltà nella creazione di vere e proprie banchedati di corpora multimediali, in particolar modo di tipo parallelo, la più importante delle quali è quella che l’informazione è organizzata secondo i diversi canali della comunicazione (video, audio e testo) su supporti tecnici che non sempre consentono un’agevole elaborazione in forma automatizzata secondo uno schema uniforme. Per esempio, le versioni doppiate e sottotitolate di un film sono spesso prodotte da società di post-produzione differenti e il semplice allineamento dei dialoghi in parallelo può rappresentare un problema di non facile soluzione. Nel caso del Pavia corpus of Film Dialogue, citato poc'anzi,

“Il corpus è attualmente segmentato in base al turno di parola, corrispondente alla battuta. Ciascuna battuta viene inserita in una cella del database, assieme a informazioni di tipo extralinguistico (film, lingua, regista). Le singole battute sono inoltre allineate alle corrispondenti battute nella versione doppiata. (…) [Esso] è specificamente mirato allo studio della traduzione filmica, delle equivalenze traduttive, della lingua filmica originale (inglese) e doppiata (italiana), della variazione in base al genere, e dei vincoli che influiscono sulla traduzione. (…) Ciononostante (…) al momento, non è stata realizzata una sincronizzazione del materiale trascritto con il corrispondente file video.” (Valentini, 2009: 62).

Da quanto è infatti emerso nei paragrafi precedenti, un conto sono gli strumenti informatici e i linguaggi di marcatura messi a punto per l’analisi di un testo, un conto è invece il bisogno di “agganciare’ in qualche modo questo tipo di informazione ad altro tipo di dato, sempre a scopo d’analisi. Il presupposto teorico su cui si basano gli esperimenti più aggiornati è infatti

(…) che i testi multimediali debbano essere analizzati per ricercare l’effetto di senso complessivo che producono, risultato della coesistenza di tutti i codici in essi presenti, e non semplicemente della loro giustapposizione, per cui si sarebbe potuto procedere con delle analisi separate.” (idem: 65).

Il problema è dunque quello di delineare un percorso metodologico per l’annotazione, l’archiviazione e l’analisi dei sottotitoli che consenta di recuperare il dato multimediale attraverso una chiave di tipo logico che, in questo caso, può essere rappresentata unicamente dai timecodes. Questi ultimi, come già accennato nella prima parte di questo lavoro, rappresentano l’unico elemento in grado di collegare l’informazione audio e video a quella testuale, indipendentemente dai formati in cui è archiviata. La durata complessiva del segmento multi-mediale appartenente a un film o a una sit-com televisiva non dovrebbe subire in effetti grosse variazioni, specie se ci si riferisce a materiale autentico, protetto da copyright. Ovviamente occorre considerare la possibilità che possano esistere differenti versioni di un video in commercio: censurate, integrali, ampliate, destinate a un certo mercato, abusive, ecc.
Nel prossimo capitolo si illustrerà il percorso che può portare dall’identificazione dell’elemento testuale all’analisi strutturata di un piccolo corpus di sottotitoli proprio con lo scopo di evidenziare i diversi passaggi metodologici volti a ottenere una certa organizzazione dell’informazione testuale. Non si procederà comunque alla sua concatenazione con un file video o audio, che è peraltro conservata nel formato originario dei dati tramite i timecodes.