Audiocite.net un grand corpus d'enregistrements vocaux de lecture en français - Conférences TALN RECITAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2024

Audiocite.net un grand corpus d'enregistrements vocaux de lecture en français

Résumé

L’arrivée de l’apprentissage auto-supervisé dans le domaine du traitement automatique de la parole a permis l’utilisation de grands corpus non étiquetés pour obtenir des modèles pré-appris utilisés comme encodeurs des signaux de parole pour de nombreuses tâches. Toutefois, l’application de ces méthodes de SSL sur des langues telles que le français s’est montrée difficile due à la quantité limitée de corpus de parole du français publiquement accessible. C’est dans cet objectif que nous présentons le corpus Audiocite.net comprenant 6682 heures d’enregistrements de lecture par 130 locuteurs et locutrices. Ce corpus est construit à partir de livres audio provenant du site audiocite.net. En plus de décrire le processus de création et les statistiques obtenues, nous montrons également l’impact de ce corpus sur les modèles du projet LeBenchmark dans leurs versions 14k pour des tâches de traitement automatique de la parole.
Fichier principal
Vignette du fichier
9876.pdf (134.9 Ko) Télécharger le fichier
Origine Fichiers éditeurs autorisés sur une archive ouverte

Dates et versions

hal-04623079 , version 1 (01-07-2024)

Licence

Identifiants

  • HAL Id : hal-04623079 , version 1

Citer

Soline Felice, Solène Evain, Solange Rossato, François Portet. Audiocite.net un grand corpus d'enregistrements vocaux de lecture en français. 35èmes Journées d'Études sur la Parole (JEP 2024) 31ème Conférence sur le Traitement Automatique des Langues Naturelles (TALN 2024) 26ème Rencontre des Étudiants Chercheurs en Informatique pour le Traitement Automatique des Langues (RECITAL 2024), Jul 2024, Toulouse, France. pp.271-280. ⟨hal-04623079⟩

Relations

0 Consultations
0 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More