Vaani
Vaani est un dataset multimodal multilingue représentatif de la diversité linguistique indienne. Il contient des heures d’enregistrements audio spontanés accompagnés d’images et de transcriptions couvrant 86 langues, collectés auprès de plus de 112 000 locuteurs dans 120 districts. Ce dataset est conçu pour améliorer les technologies IA inclusives et multilingues.
Environ 21 500 heures d’audio, 835 heures de transcriptions textuelles, 210 000 images, formats audio, texte et images variés
CC-BY 4.0
Description
Le dataset Vaani contient une vaste collection d’enregistrements audio spontanés en 86 langues indiennes, accompagnés d’images et de transcriptions textuelles. Ces données représentent la diversité culturelle, linguistique, et géographique de l’Inde, issues de plus de 112 000 locuteurs.
À quoi sert ce dataset ?
- Entraîner des modèles de reconnaissance vocale multilingue
- Développer des systèmes IA multimodaux combinant audio, texte et image
- Favoriser la recherche en traitement automatique des langues indiennes
Peut-on l’enrichir ou l’améliorer ?
Oui, le dataset peut être enrichi par des transcriptions additionnelles, annotations linguistiques, ou extensions à plus de langues et dialectes. L’amélioration des métadonnées et du nettoyage des données audio est aussi possible.
🔎 En résumé
🧠 Recommandé pour
- Chercheurs en speech-to-text
- IA multimodale
- Linguistes computationnels
🔧 Outils compatibles
- Kaldi
- Hugging Face
- ESPnet
- PyTorch
- TensorFlow
💡 Astuce
Exploitez les transcriptions existantes pour entraîner des modèles ASR adaptés aux langues indiennes.
Questions fréquemment posées
Quelles langues sont couvertes par le dataset Vaani ?
Le dataset couvre 86 langues indiennes avec une large diversité géographique et démographique.
Est-ce que toutes les données audio sont transcrites ?
Non, environ 835 heures sont transcrites, le reste est audio brut.
Puis-je utiliser ce dataset pour un projet commercial ?
Oui, sous licence CC-BY 4.0, avec attribution obligatoire.
