A versão 3.2 do corpus audios-lingala-annotatees é a versão de referência do projeto. Conta 18 767 segmentos de áudio e 58,13 horas de fala, provenientes de 210 gravações de origem: emissões das rádios rurais parceiras e Voice-a-thon Saúde.
O que muda face às versões anteriores
- Reconstrução (V2): cada segmento é reextraído da gravação de origem e conservado sem perdas, com uma impressão digital do áudio.
- Desduplicação (V3): os áudios ingeridos várias vezes sob identificadores diferentes são desduplicados. As partições de treino, validação e teste são feitas sobre essa impressão digital: nenhum áudio é partilhado entre elas.
- Harmonização (V3.1 e depois V3.2): as transcrições recebem uma versão harmonizada segundo a convenção de escrita Maloba. A transcrição de origem é conservada ao lado.
Porquê partições sem fuga
As medidas anteriores de reconhecimento de voz eram feitas num conjunto de teste que partilhava áudios com o treino. A nova medição no teste V3.2 (1 797 segmentos, 19 gravações nunca vistas) dá uma taxa de palavras erradas de 44,17 % para o Whisper afinado. É o número que publicamos a partir de agora.
Acesso
O corpus contém vozes humanas. É publicado sob licença NOODL-1.0 com acesso controlado: cada pedido é examinado, e o utilizador compromete-se a não procurar identificar os locutores nem clonar a sua voz.
Por Equipa Maloba, a 29 de setembro de 2026.