Maloba

Corpus Audio · Version de référence

audios-lingala-annotatees-v3.2

18 767 segments, 58,13 h, 210 enregistrements sources, transcriptions harmonisées.

Voir sur Hugging Face (nouvelle fenêtre)Tous les corpus

Construction

  • Enregistrements des radios rurales partenaires et du Voice-a-thon Santé, segmentés et transcrits par des annotateurs formés dans Label Studio.
  • Reconstruction (V2) : audio ré-extrait sans perte (FLAC 16 kHz mono), avec une empreinte de l'audio et l'identifiant de l'enregistrement source.
  • Dédoublonnage (V3) sur l'empreinte ; partitions retirées par enregistrement : aucun audio partagé entre train, validation et test.
  • Harmonisation (V3.1, V3.2) des transcriptions selon la convention Maloba ; le texte d'origine est conservé dans sa colonne.

Chiffres

Partitions du corpus V3.2 (source : fiche Hugging Face)
PartitionSegmentsEnregistrements sources
Entraînement15 175172
Validation1 79519
Test1 79719
Total18 767210

Durée totale : 58,13 h. Segments de 0,3 à 25 s, FLAC 16 kHz mono.

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.
04 0978 19512 29216 389Entraînement15 175 segmentsValidation1 795 segmentsTest1 797 segments

Source : Fiche du corpus V3.2 · données

Voir les données du graphique
PartitionSegmentsDétail
Entraînement15 175172 enregistrements · 47,93 h
Validation1 79519 enregistrements · 5,37 h
Test1 79719 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.
0162324486648Avant harmonisation600 motsAprès harmonisation290 mots

Source : Fiche du corpus V3.2

Voir les données du graphique
ÉtatMots écrits de plusieurs façons
Avant harmonisation600
Après harmonisation290

Limites

  • Le test ne compte que 19 enregistrements sources : calculer les intervalles de confiance par enregistrement, non par segment.
  • Parole de terrain, avec bruit et alternance lingala–français ; l'orthographe du lingala n'est pas stabilisée.
  • Le nombre de locuteurs distincts n'est pas établi.

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). MALOBA Lingala speech corpus v3.2 (audios-lingala-annotatees-v3.2). Hugging Face. Licence NOODL-1.0.