OpenSLR Speech Corpus
OpenSLR propose un corpus audio de haute qualité pour la recherche en reconnaissance vocale. Le jeu SLR32 couvre 4 langues sud-africaines avec des enregistrements multi-locuteurs et des transcriptions associées.
Fichiers `.wav` transcrits + tableaux TSV ; multi-locuteurs ; 4 langues (af, st, tn, xh)
Creative Commons Attribution-ShareAlike 4.0
Description
OpenSLR Speech Corpus est un jeu de données audio multilingue conçu pour les tâches de reconnaissance et synthèse vocale. Il contient des enregistrements de haute qualité dans quatre langues africaines (afrikaans, sesotho, setswana, xhosa), fournis avec des transcriptions précises au format TSV.
À quoi sert ce dataset ?
- Entraîner des modèles de reconnaissance vocale pour langues à faibles ressources.
- Développer des systèmes TTS (synthèse vocale) multilingues.
- Tester et valider des pipelines de traitement audio multilingue.
Peut-on l’enrichir ou l’améliorer ?
Oui. Le corpus peut être complété par des annotations phonétiques, de la segmentation temporelle plus fine, ou de nouvelles langues. Des modèles de normalisation de texte ou des alignements audio/texte plus précis peuvent aussi être appliqués.
🔎 En résumé
🧠 Recommandé pour
- Chercheurs en ASR
- Développeurs TTS
- Linguistes informatiques
🔧 Outils compatibles
- ESPnet
- Whisper
- Kaldi
- Hugging Face Transformers
💡 Astuce
Segmentez les audios selon la ponctuation pour un alignement plus fin lors de l'entraînement.
Questions fréquemment posées
Quelles langues sont couvertes par ce corpus ?
Il couvre quatre langues sud-africaines : afrikaans, sesotho, setswana et xhosa.
Ce dataset est-il adapté pour les débutants en traitement audio ?
Oui, son format structuré et la disponibilité des transcriptions le rendent accessible aux débutants, notamment pour des projets d’ASR simples ou des démonstrations TTS.
Peut-on utiliser ce dataset pour des modèles commerciaux ?
Oui, la licence CC BY-SA 4.0 permet une utilisation commerciale tant que les conditions de partage dans les mêmes termes sont respectées (mention de l’auteur + partage sous licence équivalente).
