Audio conversationnel en langue
Parole spontanée, multi-locuteurs et chevauchée, dans des langues sans corpus commercial sous licence — issue d'archives libérées comme de collecte sur commande.
Deux sources alimentent cette ligne, et un acheteur peut prendre l'une ou l'autre. L'archive libérée issue des émissions de parole et des programmes d'antenne ouverte, sur des stations anglophones comme francophones : matière existante, qui avance au rythme d'un audit de droits. Et la captation sur commande au micro-cravate — négociation de marché, transmission d'un savoir-faire en atelier, conversation domestique — qui avance au rythme d'un cahier des charges.
Les lots produits sur commande sont livrés à canaux séparés, transcrits, avec des métadonnées de locuteur complètes, en pidgin nigérian et en anglais nigérian, l'alternance codique conservée dans la transcription plutôt qu'effacée. Le consentement couvre explicitement l'entraînement commercial de modèles, génératifs compris, et se sous-licencie.
La conversation naturelle à plusieurs locuteurs, avec chevauchements et interruptions réels, est l'exigence la plus difficile de toutes les données vocales, et celle que la collecte scriptée ne sait pas reproduire. Les corpus ouverts de cette région sont très majoritairement de la parole sollicitée à un locuteur, parce que c'est ce qu'une consigne produit. C'est aussi, ici, la matière même de toute une tradition radiophonique — d'où le fait que la ligne archives et celle-ci sont le même argument pris par deux bouts.
Spécification
- Format
- WAV, PCM 16 bits, 48 kHz
- Canaux
- Séparés sur la captation sur commande ; séparés lorsque la source d'archive le permet, mixage documenté sinon
- Métadonnées
- Identification des locuteurs, diarisation, taux de chevauchement, alternance codique, accent et conditions acoustiques
- Transcriptions
- JSON, horodatées, attribuées par locuteur, alternance codique conservée
- Langues
- Pidgin nigérian, anglais nigérian, yorouba, haoussa, igbo, lingala, français, wolof, twi
- Consentement
- Consentement du locuteur nommant l'entraînement commercial et les modèles génératifs ; la voix-image traitée séparément
Autres lignes de production
Archives africaines libérées — radio, télévision, cinéma
Des décennies de radio, de télévision et de cinéma en langue, dormant dans des fonds qui n'ont jamais été contractés pour l'apprentissage automatique, sur un marché qu'aucun agrégateur ne travaille.
Captation égocentrée et en conditions réelles
Vidéo à la première personne, casque ou torse, produite sur commande dans des milieux de travail que l'on ne peut capter nulle part ailleurs.
Captation instrumentée et multi-capteurs
Le haut de gamme de la donnée incarnée — captation multi-caméras du travail manuel, instrumentée en effort, montée face à un cahier des charges financé.
Documents d'entreprise et d'exploitation
Archives d'entreprise, contrats, correspondance, formulaires, manuels techniques et imprimés — la couche documentaire dont les modèles d'extraction et de compréhension de documents sont privés hors d'Europe et d'Amérique du Nord.
Données immobilières et transactionnelles
Annonces, évaluations, historiques de titres et actes de transaction issus d'agences, de promoteurs et de géomètres-experts — la couche structurée sous l'immobilier urbain africain, qu'aucun jeu de données ne décrit aujourd'hui.
Données institutionnelles et financières anonymisées
Données de transaction, de relevé et de grand livre fournies par l'institution qui les détient, anonymisées avant de quitter ses murs, et licenciées pour l'entraînement de modèles sous convention de partage de données.