{ "builder_name": "generator", "citation": "", "config_name": "default", "dataset_name": "generator", "dataset_size": 887082, "description": "---\nlanguage:\n- fr\nlicense: cc-by-4.0\ntask_categories:\n- automatic-speech-recognition\ntags:\n- audio\n- speech\n- automatic-speech-recognition\n- nemo\n- media\n- broadcast\npretty_name: A Multi-Domain Pseudo-Labeled ASR Corpus\nsize_categories:\n- 10K L'annotation a \u00e9t\u00e9 r\u00e9alis\u00e9e via une m\u00e9thodologie semi-supervis\u00e9e de type **Teacher-Student** (ou Pseudo-Labeling par consensus). Le pipeline int\u00e8gre une transcription initiale par **Mistral Voxtral 3B**, un alignement temporel par **CTC-Segmentation**, et une \u00e9tape de validation crois\u00e9e par **NVIDIA Canary**. Cette approche vise \u00e0 minimiser le taux d'erreur sur les mots (WER) et \u00e0 garantir une segmentation pr\u00e9cise, incluant la ponctuation et la casse.
Ce dataset est destin\u00e9 \u00e0 la **recherche** sur la robustesse des mod\u00e8les ASR face \u00e0 la variabilit\u00e9 des locuteurs, aux chevauchements de parole (overlap) et aux environnements bruit\u00e9s.
\n\n* **Langue :** fr\n* **Volume Total :** 97.03 heures\n* **Nombre de segments :** 78023\n* **Date de cr\u00e9ation :** 2026-01-30\n## Statistiques du Corpus\n### Statistiques par Split\n\n| Split | Nombre de segments | Dur\u00e9e (Heures) | Dur\u00e9e Moyenne (s) |\n| :--- | :--- | :--- | :--- |\n| Train | 70218 | 87.43 h | 4.48 s |\n| Validation | 3906 | 4.84 h | 4.46 s |\n| Test | 3899 | 4.76 h | 4.40 s |\n\n### Statistiques par Domaine\n\n| Domaine | Nombre de segments | Dur\u00e9e (Heures) |\n| :--- | :--- | :--- |\n| Info | 13061 | 17.77 h |\n| Societe | 16310 | 22.98 h |\n| Divertissements | 23634 | 23.15 h |\n| Documentaires | 11813 | 16.36 h |\n| Sports | 13205 | 16.78 h |\n\n\n\n## Alphabet et Normalisation\n```\n['0-9', 'A-Z', 'a-z',' ', '!', '%', '&', \"'\", '+', ',', '-', '.', ':', '?', '\u00c0', '\u00c2', '\u00c7', '\u00c9', '\u00ca', '\u00e0', '\u00e2', '\u00e7', '\u00e8', '\u00e9', '\u00ea', '\u00eb', '\u00ee', '\u00ef', '\u00f4', '\u00f9', '\u00fb', '\u00fc', '\u0153']\n```\n\n## M\u00e9thodologie de Construction \n\nLa g\u00e9n\u00e9ration du dataset repose sur un pipeline de traitement s\u00e9quentiel utilisant le framework NVIDIA NeMo Speech Data Processor (SDP). L'objectif est d'automatiser la curation de donn\u00e9es massives tout en maintenant un taux de confiance \u00e9lev\u00e9 sur les transcriptions\n\n### 1. Segmentation Initiale (VAD)\nLe flux audio brut est segment\u00e9 via l'algorithme inaSpeechSegmenter.\n\n* **Configuration** : Moteur smn (Speech/Music/Noise).\n* **Filtrage** : Extraction exclusive des segments classifi\u00e9s comme parole (speech), avec distinction de genre (male/female) pour l'analyse d\u00e9mographique ult\u00e9rieure.\n\n### 2. Transcription \"Teacher\" (Inf\u00e9rence LLM)\nChaque segment audio est transcrit par le mod\u00e8le de fondation Mistral **Voxtral-Mini-3B-2507**.\n* **Strat\u00e9gie de Prompting** : Injection d'instructions syst\u00e8me pour forcer la transcription litt\u00e9rale.\n* **Context Biasing (NER)** : Extraction pr\u00e9alable des Entit\u00e9s Nomm\u00e9es (PER, LOC, ORG) via m\u00e9tadonn\u00e9es pour r\u00e9duire les hallucinations orthographiques sur les noms propres.\n\n### 3. Alignement Forc\u00e9 et Raffinement Temporel\nLes transcriptions brutes sont r\u00e9align\u00e9es avec l'audio via CTC-Segmentation sur un mod\u00e8le acoustique stt_fr_conformer_ctc_large.\n\n* **Objectif** : Corriger les fronti\u00e8res temporelles impr\u00e9cises issues de la VAD.\n* **Optimisation** : Recherche par grille sur des fen\u00eatres contextuelles de 8s, 12s et 16s pour maximiser le score de confiance CTC.\n\n### 4. Validation Crois\u00e9e (Consensus Filtering)\nPour \u00e9liminer les hallucinations, une seconde transcription est g\u00e9n\u00e9r\u00e9e par le mod\u00e8le NVIDIA Canary.\n* **Crit\u00e8re de S\u00e9lection** : Calcul de la distance d'\u00e9dition (Levenshtein) entre la sortie \"Teacher\" (Voxtral) et la sortie \"Control\" (Canary).\n* **Seuillage** : Seuls les segments pr\u00e9sentant inf\u00e9rieur \u00e0 un seuil d\u00e9fini sont conserv\u00e9s :\n * max WER, %: 75\n * max CER, %: 30\n * max edge CER, %: 60\n * max Word len diff: 0.3\n * max Duration, s: -1\n\n## Description des Domaines Acoustiques\n\nLe corpus couvre cinq domaines distincts, chacun pr\u00e9sentant des caract\u00e9ristiques acoustiques et linguistiques sp\u00e9cifiques, pertinents pour l'\u00e9valuation de la robustesse des mod\u00e8les ASR.\n\n* **Info (Journalisme)** : Parole pr\u00e9par\u00e9e (lue ou semi-improvis\u00e9e), registre formel, d\u00e9bit r\u00e9gulier, environnement studio calme. Vocabulaire ax\u00e9 sur l'actualit\u00e9 politique et internationale.\n\n* **Soci\u00e9t\u00e9 (Investigation)** : M\u00e9lange de voix-off (studio) et d'enregistrements in-situ (terrain). Pr\u00e9sence de bruit environnemental variable, parole spontan\u00e9e lors d'interviews, et dynamique conversationnelle mod\u00e9r\u00e9e.\n\n* **Divertissements (Plateau)** : Parole spontan\u00e9e multi-locuteurs avec chevauchements fr\u00e9quents (overlapping speech). Large gamme dynamique (rires, exclamations, appludissements), d\u00e9bit rapide et registres familiers.\n\n* **Documentaires (Narration)** : Parole lue, prosodie ma\u00eetris\u00e9e, haute qualit\u00e9 audio. Vocabulaire riche et sp\u00e9cialis\u00e9 (histoire, sciences, g\u00e9ographie). Faible bruit de fond concurrentiel sur la parole.\n\n* **Sports (Commentaire en direct)** : Environnement acoustique complexe (bruit de foule, stade). Parole spontan\u00e9e \u00e0 forte charge \u00e9motionnelle, d\u00e9bit tr\u00e8s rapide, variations prosodiques extr\u00eames et jargon technique sp\u00e9cifique.\n\n**\u26a0\ufe0f Avertissement L\u00e9gal** : Les donn\u00e9es audio brutes demeurent la propri\u00e9t\u00e9 intellectuelle exclusive de leurs ayants droit respectifs (**France T\u00e9l\u00e9visions**). Ce corpus est mis \u00e0 disposition strictement \u00e0 des **fins de recherche acad\u00e9mique et scientifique**.\n\n## Structure des Donn\u00e9es\n\nChaque instance du dataset respecte le sch\u00e9ma suivant :\n\n### Champs\n* `audio`: Signal audio (WAV, 16kHz, mono).\n* `text`: Transcription textuelle valid\u00e9e.\n* `duration`: Dur\u00e9e du segment (float, en secondes).\n* `category`: \u00c9tiquette du domaine source (ex: info, societe).\n\n## Citation\n\nPour citer ce travail dans vos publications :\n\n```\n@misc{french_tv_media_dataset_2026,\n title = {French Media Dataset: A Multi-Domain Pseudo-Labeled ASR Corpus},\n author = {Archime},\n year = {2026},\n publisher = {Hugging Face},\n howpublished = {url{[https://huggingface.co/datasets/Archime/french_tv_media_dataset_2026](https://huggingface.co/datasets/Archime/french_tv_media_dataset_2026)}},\n note = {Generated via NeMo SDP pipeline (Voxtral/Canary consensus)}\n}\n```\n\n\n", "download_checksums": {}, "download_size": 0, "features": { "audio": { "sampling_rate": 16000, "_type": "Audio" }, "text": { "dtype": "string", "_type": "Value" }, "category": { "dtype": "string", "_type": "Value" }, "duration": { "dtype": "float64", "_type": "Value" }, "language": { "dtype": "string", "_type": "Value" } }, "homepage": "", "license": "", "size_in_bytes": 887082, "splits": { "train": { "name": "train", "num_bytes": 887082, "num_examples": 3899, "dataset_name": "generator" } }, "version": { "version_str": "0.0.0", "major": 0, "minor": 0, "patch": 0 } }