madoss/french_tv_media_dataset_2026

Dataset Card : A Multi-Domain Pseudo-Labeled ASR Corpus

Résumé (Abstract)

Ce corpus présente un jeu de données de reconnaissance automatique de la parole (ASR) en langue française, totalisant 97 heures d'audio annoté. Il est dérivé de flux de diffusion (broadcast) issus de France Télévisions, couvrant une diversité de domaines acoustiques et linguistiques (Information, Société, Divertissement, Documentaire, Sport).
L'annotation a été réalisée via une méthodologie semi-supervisée de type Teacher-Student (ou Pseudo-Labeling par consensus). Le pipeline intègre une transcription initiale par Mistral Voxtral 3B, un alignement temporel par CTC-Segmentation, et une étape de validation croisée par NVIDIA Canary. Cette approche vise à minimiser le taux d'erreur sur les mots (WER) et à garantir une segmentation précise, incluant la ponctuation et la casse.
Ce dataset est destiné à la recherche sur la robustesse des modèles ASR face à la variabilité des locuteurs, aux chevauchements de parole (overlap) et aux environnements bruités.

• Langue : fr
• Volume Total : 97.03 heures
• Nombre de segments : 78023
• Date de création : 2026-01-30

Statistiques du Corpus

Statistiques par Split

Split	Nombre de segments	Durée (Heures)	Durée Moyenne (s)
Train	70218	87.43 h	4.48 s
Validation	3906	4.84 h	4.46 s
Test	3899	4.76 h	4.40 s

Statistiques par Domaine

Domaine	Nombre de segments	Durée (Heures)
Info	13061	17.77 h
Societe	16310	22.98 h
Divertissements	23634	23.15 h
Documentaires	11813	16.36 h
Sports	13205	16.78 h

Alphabet et Normalisation

['0-9', 'A-Z', 'a-z',' ', '!', '%', '&', "'", '+', ',', '-', '.',  ':', '?', 'À', 'Â', 'Ç', 'É', 'Ê', 'à', 'â', 'ç', 'è', 'é', 'ê', 'ë', 'î', 'ï', 'ô', 'ù', 'û', 'ü', 'œ']

Méthodologie de Construction

La génération du dataset repose sur un pipeline de traitement séquentiel utilisant le framework NVIDIA NeMo Speech Data Processor (SDP). L'objectif est d'automatiser la curation de données massives tout en maintenant un taux de confiance élevé sur les transcriptions

1. Segmentation Initiale (VAD)

Le flux audio brut est segmenté via l'algorithme inaSpeechSegmenter.

• Configuration : Moteur smn (Speech/Music/Noise).
• Filtrage : Extraction exclusive des segments classifiés comme parole (speech), avec distinction de genre (male/female) pour l'analyse démographique ultérieure.

2. Transcription "Teacher" (Inférence LLM)

Chaque segment audio est transcrit par le modèle de fondation Mistral Voxtral-Mini-3B-2507.

• Stratégie de Prompting : Injection d'instructions système pour forcer la transcription littérale.
• Context Biasing (NER) : Extraction préalable des Entités Nommées (PER, LOC, ORG) via métadonnées pour réduire les hallucinations orthographiques sur les noms propres.

3. Alignement Forcé et Raffinement Temporel

Les transcriptions brutes sont réalignées avec l'audio via CTC-Segmentation sur un modèle acoustique stt_fr_conformer_ctc_large.

• Objectif : Corriger les frontières temporelles imprécises issues de la VAD.
• Optimisation : Recherche par grille sur des fenêtres contextuelles de 8s, 12s et 16s pour maximiser le score de confiance CTC.

4. Validation Croisée (Consensus Filtering)

Pour éliminer les hallucinations, une seconde transcription est générée par le modèle NVIDIA Canary.

• Critère de Sélection : Calcul de la distance d'édition (Levenshtein) entre la sortie "Teacher" (Voxtral) et la sortie "Control" (Canary).
• Seuillage : Seuls les segments présentant inférieur à un seuil défini sont conservés :
  • max WER, %: 75
  • max CER, %: 30
  • max edge CER, %: 60
  • max Word len diff: 0.3
  • max Duration, s: -1

Description des Domaines Acoustiques

Le corpus couvre cinq domaines distincts, chacun présentant des caractéristiques acoustiques et linguistiques spécifiques, pertinents pour l'évaluation de la robustesse des modèles ASR.

• Info (Journalisme) : Parole préparée (lue ou semi-improvisée), registre formel, débit régulier, environnement studio calme. Vocabulaire axé sur l'actualité politique et internationale.

• Société (Investigation) : Mélange de voix-off (studio) et d'enregistrements in-situ (terrain). Présence de bruit environnemental variable, parole spontanée lors d'interviews, et dynamique conversationnelle modérée.

• Divertissements (Plateau) : Parole spontanée multi-locuteurs avec chevauchements fréquents (overlapping speech). Large gamme dynamique (rires, exclamations, appludissements), débit rapide et registres familiers.

• Documentaires (Narration) : Parole lue, prosodie maîtrisée, haute qualité audio. Vocabulaire riche et spécialisé (histoire, sciences, géographie). Faible bruit de fond concurrentiel sur la parole.

• Sports (Commentaire en direct) : Environnement acoustique complexe (bruit de foule, stade). Parole spontanée à forte charge émotionnelle, débit très rapide, variations prosodiques extrêmes et jargon technique spécifique.

⚠️ Avertissement Légal : Les données audio brutes demeurent la propriété intellectuelle exclusive de leurs ayants droit respectifs (France Télévisions). Ce corpus est mis à disposition strictement à des fins de recherche académique et scientifique.

Structure des Données

Chaque instance du dataset respecte le schéma suivant :

Champs

• audio: Signal audio (WAV, 16kHz, mono).
• text: Transcription textuelle validée.
• duration: Durée du segment (float, en secondes).
• category: Étiquette du domaine source (ex: info, societe).

Citation

Pour citer ce travail dans vos publications :

@misc{french_tv_media_dataset_2026,
  title = {French Media Dataset: A Multi-Domain Pseudo-Labeled ASR Corpus},
  author = {Archime},
  year = {2026},
  publisher = {Hugging Face},
  howpublished = {url{[https://huggingface.co/datasets/Archime/french_tv_media_dataset_2026](https://huggingface.co/datasets/Archime/french_tv_media_dataset_2026)}},
  note = {Generated via NeMo SDP pipeline (Voxtral/Canary consensus)}
}