Construção

Versão histórica do corpus de fala, usada para o treino do Whisper (F02).

O corpus, em gráfico

As três partições do corpusAs partições são feitas por gravação e não por segmento: nenhum áudio é partilhado entre o treino, a validação e o teste. É isso que torna a medida honesta.

Fonte : Fiche du corpus V3.2 · dados

Ver os dados do gráfico

Partição	Segmentos	Detalhe
Treino	15 175	172 gravações · 47,93 h
Validação	1 795	19 gravações · 5,37 h
Teste	1 797	19 gravações · 4,83 h

O que a harmonização mudouAntes da harmonização, 600 palavras escreviam-se de várias formas nos corpora; depois, 290. Nenhuma frase é reescrita: só a grafia maioritária de ɔ e ɛ é aplicada, e o texto de origem é conservado.

Fonte : Fiche du corpus V3.2

Ver os dados do gráfico

Estado	Palavras escritas de várias formas
Antes da harmonização	600
Depois da harmonização	290

Limites

Há áudios partilhados entre treino e teste: as medidas feitas nesta versão estão sobrestimadas. Usar a V3.2.

Proteção dos falantes

O corpus contém vozes humanas. Não inclui nomes nem contactos. É proibido procurar identificar os locutores ou clonar a sua voz: é uma condição de acesso. Para retirar uma gravação, escreva para contact@congo-digital.com. Ler a governação dos dados.

Citação

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