Ce qui est déjà ouvert — et ce que cela ne couvre pas.
Tout notre argument tient à ce que cette matière n'existe pas. Cette affirmation ne vaut rien si elle ne résiste pas aux corpus qui, eux, existent. Voici ceux qu'un acheteur apportera au rendez-vous, ce que chacun permet réellement, et ce qu'il ne porte pas. Si l'un d'eux répond à votre besoin, prenez-le : il est gratuit, et nous préférons perdre le travail plutôt que vendre contre un corpus qui résout déjà votre problème.
- 01
Egocentric-100K
Build AI · Hugging Face, 2026
- Volume
- 100 405 heures · 2 010 759 séquences
- Licence
- Apache 2.0 — entraînement commercial autorisé
Ce que c'estCaptation à la première personne du travail manuel en atelier industriel, à un volume qu'aucun programme sur commande n'atteindra. Si votre modèle a besoin d'une chaîne de production, prenez-le : il est gratuit et il est immense.
Ce que cela ne porte pasDes intérieurs industriels suivant un procédé fixe, soit la classe d'environnement déjà la mieux couverte. La fiche du jeu de données ne porte aucun instrument de consentement, aucune trace de rémunération des contributeurs et aucun document de droits par séquence — une licence Apache sur un corpus dit quelque chose du corpus, non des personnes qui s'y trouvent. Aucune couche linguistique.
- 02
EgoStandard
Lightwheel · Hugging Face, 2026
- Volume
- 100 000 heures · plus de 15 000 tâches et scènes
- Licence
- Ouverte
Ce que c'estLe corpus égocentré ouvert annoté le plus large, délibérément étalé sur de nombreux types de tâches.
Ce que cela ne porte pasDe la largeur de tâche plutôt que de la profondeur d'environnement, annotée selon le schéma de Lightwheel et non le vôtre. Les scènes proviennent des marchés où Lightwheel opère déjà ; le travail informel d'Afrique de l'Ouest et centrale n'en fait pas partie.
- 03
Ego4D
Meta AI, 2022
- Volume
- 3 670 heures · 923 participants · 74 lieux
- Licence
- Usage commercial restreint
Ce que c'estLe jeu de référence de la vidéo égocentrée, et le corpus que tout acheteur de ce marché a déjà lu.
Ce que cela ne porte pasSa licence l'exclut d'un entraînement commercial. C'est un étalon, pas un approvisionnement — et il a quatre ans.
- 04
WAXAL
Google avec Makerere, l'université du Ghana et Digital Umuganda — février 2026
- Volume
- Plus de 11 000 heures · ~2 M d'enregistrements · 21 langues
- Licence
- Ouverte
Ce que c'estLa plus vaste collection ouverte de parole africaine jamais réunie : yorouba, haoussa, igbo, lingala et peul, entre autres. C'est un travail solide, et il a déplacé le seuil dans cette région.
Ce que cela ne porte pasEnviron 1 250 heures sont transcrites pour la reconnaissance vocale et une vingtaine d'heures relèvent du studio pour la synthèse. L'essentiel est de la parole sollicitée, à un locuteur, parce que c'est ce qu'une consigne produit. On n'y trouve quasiment pas d'échange spontané à plusieurs locuteurs avec chevauchement, interruption et alternance codique — l'exigence que la collecte scriptée n'atteint pas, et celle pour laquelle notre ligne audio est bâtie.
Les chiffres sont ceux des éditeurs, à jour en septembre 2026.
Ce qui subsiste après comparaison.
La vidéo égocentrée ouverte est abondante et industrielle : des ateliers suivant un procédé fixe, annotés selon le schéma d'un autre, sans instrument de consentement derrière les personnes filmées. La parole africaine ouverte est abondante et sollicitée : des phrases lues, un locuteur à la fois. Ni l'une ni l'autre ne décrit un marché à ciel ouvert en pleine heure de vente, une réparation en bord de route qui échoue deux fois avant que la méthode ne change, ou quatre personnes négociant en se coupant la parole dans deux langues. C'est exactement ce que nous collectons, et c'est pourquoi le catalogue est étroit à dessein.