Maloba

Corpus Fala · Versão de referência

audios-lingala-annotatees-v3.2

18 767 segmentos, 58,13 h, 210 gravações de origem, transcrições harmonizadas.

Ver no Hugging Face (abre numa nova janela)Todos os corpora

Construção

  • Gravações das rádios rurais parceiras e do Voice-a-thon Saúde, segmentadas e transcritas por anotadores formados no Label Studio.
  • Reconstrução (V2): áudio reextraído sem perdas (FLAC 16 kHz mono), com uma impressão digital do áudio e o identificador da gravação de origem.
  • Desduplicação (V3) sobre a impressão digital; partições feitas por gravação: nenhum áudio é partilhado entre treino, validação e teste.
  • Harmonização (V3.1, V3.2) das transcrições segundo a convenção Maloba; o texto de origem é conservado na sua coluna.

Números

Partições do corpus V3.2 (fonte: ficha Hugging Face)
PartiçãoSegmentosGravações de origem
Treino15 175172
Validação1 79519
Teste1 79719
Total18 767210

Duração total: 58,13 h. Segmentos de 0,3 a 25 s, FLAC 16 kHz mono.

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.
04 0978 19512 29216 389Treino15 175 segmentsValidação1 795 segmentsTeste1 797 segments

Fonte : Fiche du corpus V3.2 · dados

Ver os dados do gráfico
PartiçãoSegmentosDetalhe
Treino15 175172 gravações · 47,93 h
Validação1 79519 gravações · 5,37 h
Teste1 79719 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.
0162324486648Antes da harmonização600 motsDepois da harmonização290 mots

Fonte : Fiche du corpus V3.2

Ver os dados do gráfico
EstadoPalavras escritas de várias formas
Antes da harmonização600
Depois da harmonização290

Limites

  • O teste conta apenas 19 gravações de origem: calcular os intervalos de confiança por gravação, não por segmento.
  • Fala de terreno, com ruído e alternância lingala–francês; a ortografia do lingala não está estabilizada.
  • O número de locutores distintos não está estabelecido.

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