Construction

Version historique du corpus audio, utilisée pour l'entraînement de Whisper (F02).

Le corpus en graphique

Les trois partitions du corpusLes partitions sont retirées par enregistrement et non par segment : aucun audio n'est partagé entre l'entraînement, la validation et le test. C'est ce qui rend la mesure honnête.

Source : Fiche du corpus V3.2 · données

Voir les données du graphique

Partition	Segments	Détail
Entraînement	15 175	172 enregistrements · 47,93 h
Validation	1 795	19 enregistrements · 5,37 h
Test	1 797	19 enregistrements · 4,83 h

Ce que l'harmonisation a changéAvant harmonisation, 600 mots s'écrivaient de plusieurs façons dans les corpus ; après, 290. Aucune phrase n'est réécrite : seule la graphie majoritaire de ɔ et ɛ est appliquée, et le texte d'origine est conservé.

Source : Fiche du corpus V3.2

Voir les données du graphique

État	Mots écrits de plusieurs façons
Avant harmonisation	600
Après harmonisation	290

Limites

Des audios sont partagés entre train et test : les mesures faites sur cette version sont surestimées. Utiliser la V3.2.

Protection des locuteurs

Le corpus contient des voix humaines. Il ne comporte ni nom ni coordonnée. Il est interdit de chercher à identifier les locuteurs ou de cloner leur voix : c'est une condition d'accès. Pour retirer un enregistrement, écrivez à contact@congo-digital.com. Lire la gouvernance des données.

Citation

Congo Digital Services (2026). audios-lingala-annotatees-v2. Hugging Face.