WavePulse Radio Raw Transcripts

WavePulse Radio Raw Transcripts est un immense dataset contenant des transcriptions segmentées de flux radio en direct issues de 396 stations américaines, couvrant débats, actualités et émissions politiques.

Télécharger le dataset

Taille

Plus de 250 millions de segments textuels issus de 750 000+ heures de radio, fichiers Parquet par État et mois

Licence

Apache 2.0

Description

‍

Ce dataset comprend plus de 250 millions de segments textuels issus de transcriptions automatiques par WhisperX de 750 000+ heures d’enregistrements radio en direct à travers les États-Unis. Les fichiers sont organisés en Parquet par État et par mois.

‍

À quoi sert ce dataset ?

‍

Entraîner et évaluer des modèles NLP sur de vastes données textuelles issues de la parole
Analyser des débats politiques et émissions radiophoniques avec segmentation fine
Améliorer la diarisation, la reconnaissance vocale et la compréhension du langage oral

‍

Peut-on l’enrichir ou l’améliorer ?

‍

Oui, le dataset peut être complété par des annotations manuelles, par des résumés, ou étendu à d’autres langues et périodes. Des corrections ou filtrages supplémentaires peuvent améliorer la qualité pour certaines applications.

‍

🔎 En résumé

Critère	Évaluation
🧩 Facilité d’utilisation	⭐⭐⭐✩✩ (Format parquet robuste mais nécessite ressources conséquentes)
🧼 Besoin de nettoyage	⭐⭐⭐✩✩ (Modéré : transcription automatique avec erreurs possibles)
🏷️ Richesse des annotations	⭐⭐⭐⭐✩ (Transcriptions segmentées et diarisation automatisée)
📜 Licence commerciale	✅ Oui (Apache 2.0)
👨‍💻 Idéal pour les débutants	⚠️ Moyennement – mieux avec expérience traitement de données audio-textuelles
🔁 Réutilisable en fine-tuning	✅ Parfait pour entraînement de modèles NLP sur texte oral
🌍 Diversité culturelle	🌐 Large diversité dialectale et thématique grâce à 396 stations sur tout le territoire US