Mirror SUMM-RE test split (124 tracks ≈ 41h, byte-exact from linagora/SUMM-RE)

README.md

@@ -0,0 +1,167 @@
+---
+license: cc-by-sa-4.0
+task_categories:
+  - automatic-speech-recognition
+  - voice-activity-detection
+language:
+  - fr
+size_categories:
+  - n<1K
+pretty_name: SUMM-RE French — test split
+tags:
+  - summ-re
+  - linagora
+  - french
+  - asr
+  - speech
+  - meetings
+  - conversational
+  - long-form
+  - vad
+annotations_creators:
+  - expert-generated
+source_datasets:
+  - extended|summ-re
+dataset_info:
+  features:
+    - name: meeting_id
+      dtype: string
+    - name: speaker_id
+      dtype: string
+    - name: audio_id
+      dtype: string
+    - name: audio
+      dtype: audio
+    - name: segments
+      list:
+        - name: end
+          dtype: float64
+        - name: start
+          dtype: float64
+        - name: transcript
+          dtype: string
+        - name: words
+          list:
+            - name: end
+              dtype: float64
+            - name: start
+              dtype: float64
+            - name: word
+              dtype: string
+    - name: transcript
+      dtype: string
+  splits:
+    - name: test
+      num_examples: 124
+      num_bytes: 13775584735
+configs:
+  - config_name: default
+    data_files:
+      - split: test
+        path: data/test-*.parquet
+---
+
+# SUMM-RE — French test split (mirror of `linagora/SUMM-RE`)
+
+Mirror **public** du split **`test` de SUMM-RE** (LINAGORA / Aix-Marseille
+LPL), pour benchmark **ASR français conversationnel** (parole de réunion,
+3-4 locuteurs, ~20 min par session).
+
+> ⚠ Ce repo ne contient **que le split test** (124 tracks individuelles =
+> 37 réunions × 3-4 micros). Pour les splits `train` / `dev`, voir le repo
+> upstream `linagora/SUMM-RE`.
+
+## Contenu
+
+- **124** pistes audio individuelles (1 piste = 1 microphone d'un locuteur
+  pour une réunion entière de ~20 min)
+- **37** réunions distinctes (chacune avec 3-4 micros)
+- Audio : **WAV 16 kHz mono PCM_16** embarqué dans parquet (tel que upstream)
+- Annotations : transcription manuelle + alignement forcé au mot
+- Langue : **français (fr)**, parole conversationnelle / réunion
+- Licence : **CC-BY-SA-4.0** (héritée de SUMM-RE upstream)
+- Durée totale : **~41 h** (124 × ~20 min)
+
+## Colonnes
+
+| Colonne | Type | Description |
+|---------|------|-------------|
+| `audio` | Audio | dict `{{path, array, sampling_rate}}` — décodé auto |
+| `meeting_id` | string | ID réunion : `<num><letter>_<scenario><type><loc>` (ex `001a_PARL`) |
+| `speaker_id` | string | identifiant locuteur |
+| `audio_id` | string | `meeting_id + speaker_id` (clé unique) |
+| `transcript` | string | transcription concaténée de tous les segments (ref WER) |
+| `segments` | list[struct] | segments avec `start`, `end`, `transcript`, `words[start,end,word]` |
+
+## Utilisation
+
+### Chargement
+```python
+from datasets import load_dataset
+
+ds = load_dataset("ggfox00000/stt-summre-fr-test", split="test")
+print(ds)
+sample = ds[0]
+print(sample["meeting_id"], sample["speaker_id"])
+print(sample["audio"]["sampling_rate"], sample["audio"]["array"].shape)
+print("segments:", len(sample["segments"]))
+print("first seg:", sample["segments"][0])
+```
+
+### Découpage par segment pour évaluation WER
+SUMM-RE livre **1 ligne par piste audio complète (~20 min)**. Pour comparer
+à un benchmark utterance-level, tu peux soit :
+
+1. **Long-form WER** : passer la track complète à Whisper en mode
+   chunked (`chunk_length_s=30`, `return_timestamps=True`), comparer le
+   résultat au champ `transcript`.
+2. **Utterance-level** : découper par `segments[i].start/end`, transcrire
+   chaque segment isolément, comparer au `segments[i].transcript`.
+
+### Évaluation diarisation
+En fusionnant toutes les tracks d'une même `meeting_id`, tu peux évaluer
+de la diarisation (qui parle quand). Les timestamps `segments[i].start/end`
+servent de RTTM de référence. Voir paper Hunter et al. (2024) §5.
+
+## Pré-traitement
+
+**Aucun.** Les 28 parquets sont transférés bit-à-bit depuis `linagora/SUMM-RE`
+(uniquement les fichiers du split `test`, l'arbo `data/test/test-*.parquet`
+upstream est aplatie en `data/test-*.parquet` pour cohérence avec nos autres
+STT datasets `ggfox00000/stt-*`). Aucun resampling, aucun ré-encodage.
+
+## Source
+
+- Dataset upstream : https://huggingface.co/datasets/linagora/SUMM-RE
+- Paper : Hunter et al. 2024, *"SUMM-RE: A corpus of French meeting-style
+  conversations"* (LREC-COLING 2024)
+- Projet : SUMM-RE (ANR-20-CE23-0017), LINAGORA + Aix-Marseille LPL
+
+## Licence
+
+**CC-BY-SA-4.0** (héritée de SUMM-RE upstream). Toute redistribution doit
+préserver la licence et créditer LINAGORA + le LPL.
+
+## Citation
+
+```bibtex
+@inproceedings{{hunter2024summre,
+  title  = {{SUMM-RE: A Corpus of French Meeting-Style Conversations}},
+  author = {{Hunter, Julie and others}},
+  booktitle = {{Proceedings of LREC-COLING 2024}},
+  year   = {{2024}},
+}}
+```
+
+Pour le pipeline d'alignement Whisper utilisé sur le split `train` (non
+inclus dans ce mirror) :
+
+```bibtex
+@inproceedings{{yamasaki2023transcribing,
+  title  = {{Transcribing And Aligning Conversational Speech: A Hybrid
+            Pipeline Applied To French Conversations}},
+  author = {{Yamasaki, Hugo and others}},
+  booktitle = {{Proceedings of ASRU 2023}},
+  year   = {{2023}},
+}}
+```

data/test-00000-of-00028.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:66a24b8684965648bd35dc00ef754ae35c3ff1c5d2c02bdfb4c5e0a0c597f735
+size 563896371

data/test-00001-of-00028.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:07f61b0dda52940e407b7594961fc458942ecb668d4b542f362a967d1719b5c4
+size 523086010

data/test-00002-of-00028.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:ba6ceb4c9556d2b17425846f55f367af050d979ed80d73054d99bdb1638a01a6
+size 459001684

data/test-00003-of-00028.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:e747ea1e72878d1dbc7b02b2e34a0422bf64ae0066ffb437cb4a0cc0d7165846
+size 482580189

data/test-00004-of-00028.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:b8840ac610342276cea8982268a1b1a5d258a4b15b5f5402970dd5d732e8d71b
+size 447942878

data/test-00005-of-00028.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:c3e0b877a0e92f4443fbd5d2ba0e65f72eb67fd0410a97178bbcf910aab809c9
+size 557470205

data/test-00006-of-00028.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:25ac428e3cd87da2b499293a0391aa6dd4867379e930a9e323f27ff85fe215da
+size 579387239

data/test-00007-of-00028.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:32a88df973e2e0f08b293b5f7b7150ad6a2f52371e8d1400b69836590f6ace86
+size 621881054

data/test-00008-of-00028.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:f3c71d9ddb154ce3187fbda46e3b0b47e52484eff4b85ce068593c6e0c1fc58d
+size 531195710

data/test-00009-of-00028.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:68ff36ea9f3c3f36b17ca81b1e274e8b15259bd80e0927b14cc3884b47ab0d21
+size 547498778

data/test-00010-of-00028.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:e5647b27537dc68d1a7594ea46ad6404c1953a84adeb3365eb92c820e5ee29cf
+size 526807885

data/test-00011-of-00028.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:2ad86283302a50fa6a7ec499419f2cd1a34d8a3ba8bbf00aff71106630220b88
+size 589598900

data/test-00012-of-00028.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:e2ca56639acd7c4001a7863b701a066dfec76fb1e4e91b0acadd8b4d3c2892b4
+size 366628372

data/test-00013-of-00028.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:39058e97d5d66d6fb123cb7bbb2ceed80724aa6063a165824e95c9d18098a6ee
+size 372575232

data/test-00014-of-00028.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:6e519d2a77d585741d5b55139aed4cfe08e78ee326400ace669954df44d7e79e
+size 429522513

data/test-00015-of-00028.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:1f3d62b262d794ae5deaa1daba2e0b6ab4c9262030a6e6c77cd445dc25799fd4
+size 464383945

data/test-00016-of-00028.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:6077ab0c8b78d8e70b3b8ec743f3d9f4ce4c80e59fa55167c2a59ee008b15dc9
+size 518893068

data/test-00017-of-00028.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:85f1c4887e91b278924da70573f637f1025cc76408035aa018103960760be3d6
+size 357909169

data/test-00018-of-00028.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:216fb990fc052a5aa6e9633385a14716503d07915004b03ca6e673caee12af52
+size 349920433

data/test-00019-of-00028.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:6c35de629ad945a3f2eddedcc55be7d8904939231db558c9cd078280816d381a
+size 405521195

data/test-00020-of-00028.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:b8f00609af2e8fe1d28832c96e8f6702e7d87da667911d6739ebe8ebe1b8812b
+size 383233919

data/test-00021-of-00028.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:850e6c325ebd385ffcd948cadcb54a8285cb340c4e134181ce4fd550042338c3
+size 180686722

data/test-00022-of-00028.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:7ac3817c89e7683af45580e86a781a716d72391139c9e81e28cbabbd8c5b218c
+size 423421100

data/test-00023-of-00028.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:dca890a79f21b7030916798c3160b42390524ab1673627b80b967299227f699b
+size 478910647

data/test-00024-of-00028.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:40b43b0763ddcaa610559a51e4a4d89ac87d2822ba6c367335be4eab556ec1c0
+size 312298534

data/test-00025-of-00028.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:032715fd412cbbde0781815f008717abbf1514c591183cd2bb3b7ce202e1eb4a
+size 317377955

data/test-00026-of-00028.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:e387d2f2fb2eab983650ae6ea4bac4113a339ffcd1158444c2ac1dff7bf193f7
+size 446756284

data/test-00027-of-00028.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:d30f77c06d9b19692c379fead77f73fc709d15e488c8d6e86f674be27214277b
+size 485900035