La version 3.2 du corpus audios-lingala-annotatees est la version de référence du projet. Elle compte 18 767 segments audio et 58,13 heures de parole, issues de 210 enregistrements sources : émissions des radios rurales partenaires et Voice-a-thon Santé.
Ce qui change par rapport aux versions précédentes
- Reconstruction (V2) : chaque segment est ré-extrait de l'enregistrement source et conservé sans perte, avec une empreinte de l'audio.
- Déduplication (V3) : les audios ingérés plusieurs fois sous des identifiants différents sont dédoublonnés. Les partitions train, validation et test sont retirées sur cette empreinte : aucun audio n'est partagé entre elles.
- Harmonisation (V3.1 puis V3.2) : les transcriptions reçoivent une version harmonisée selon la convention d'écriture Maloba. La transcription d'origine est conservée à côté.
Pourquoi des partitions sans fuite
Les anciennes mesures de reconnaissance vocale étaient faites sur un jeu de test qui partageait des audios avec l'entraînement. La remesure sur le test V3.2 (1 797 segments, 19 enregistrements jamais vus) donne un taux de mots erronés de 44,17 % pour Whisper affiné. C'est le chiffre que nous publions désormais.
Accès
Le corpus contient des voix humaines. Il est publié sous licence NOODL-1.0 avec un accès contrôlé : chaque demande est examinée, et l'utilisateur s'engage à ne pas chercher à identifier les locuteurs ni à cloner leur voix.
Par Équipe Maloba, le 29 septembre 2026.