Deux corpus audio transcrits de langues rares (japhug et na) normalisés en vue d'expériences en traitement du signal - HAL Accéder directement au contenu
Communication dans un congrès Année : 2021

Two very-low-resource language speech corpora for experiments in NLP: Japhug and Na

Deux corpus audio transcrits de langues rares (japhug et na) normalisés en vue d'expériences en traitement du signal

Résumé

Two audio corpora of minority languages of China (Japhug and Na), with transcriptions, are proposed as reference data sets for experiments in Natural Language Processing. The data, collected and transcribed in the course of immersion fieldwork, amount to a total of 1,907 minutes in Japhug and 209 minutes in Na. By making them available in an easily accessible and usable form, we hope to facilitate the development and deployment of state-of-the-art NLP tools for the full range of human languages. We present a tool for assembling datasets from the Pangloss Collection (an open archive) in a way that ensures full reproducibility of experiments conducted on these data.
Deux corpus audio transcrits de langues « rares » (langues minoritaires de Chine : japhug et na) sont proposés comme corpus de référence pour des expériences en traitement automatique des langues. Les données, collectées et transcrites au fil d'enquêtes de terrain en immersion, s'élèvent à un total de 1907 minutes d'audio transcrit en japhug et de 209 minutes en na. Nous décrivons les traitements effectués pour les mettre à disposition sous une forme aisément accessible et utilisable, et présentons un outil qui permet d'assembler divers jeux de données de la collection Pangloss (archive ouverte de langues rares) en assurant la reproductibilité des expériences menées sur ces données.
Fichier principal
Vignette du fichier
LIFT_corpus_versionnes_final.pdf ( 80.95 Ko ) Télécharger
LIFT_corpus_versionnes_poster.pdf ( 12.02 Mo ) Télécharger
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

halshs-03475436, version 1 (10-12-2021)

Licence

Paternité - Pas d'utilisation commerciale - Partage selon les Conditions Initiales - CC BY 4.0

Identifiants

  • HAL Id : halshs-03475436 , version 1

Citer

Benjamin Galliot, Guillaume Wisniewski, Séverine Guillaume, Laurent Besacier, Guillaume Jacques, et al.. Deux corpus audio transcrits de langues rares (japhug et na) normalisés en vue d'expériences en traitement du signal. Journées scientifiques du Groupement de recherche "Linguistique informatique, formelle et de terrain" (GDR LIFT), Dec 2021, Grenoble, France. ⟨halshs-03475436⟩
176 Consultations
75 Téléchargements
Dernière date de mise à jour le 16/06/2024
comment ces indicateurs sont-ils produits

Partager

Gmail Facebook Twitter LinkedIn Plus