Description

Le corpus ALLIES a été produit dans le cadre du projet européen CHIST-Era ALLIES. Le projet ALLIES a permis de mener une campagne d’évaluation de la diffusion d’informations à travers des systèmes de diarisation temporelle en utilisant des données françaises. Ce projet est une extension des campagnes d’évaluation ESTER, REPERE et ETAPE qui ont été menées pour la langue française dans ce domaine.

Ce corpus est basé sur le matériel utilisé pour les kits d’évaluation ESTER1&2 (incluant 128 fichiers d’EPAC), REPERE et ETAPE ainsi que de nouvelles données collectées depuis 2014 (voir le catalogue ELRA : http://catalogue.elra.info pour les kits respectifs). Le corpus ALLIES a été construit comme une extension des corpus produits précédemment. Il contient des annotations corrigées provenant des matériaux d’évaluation précédents ainsi que de nouvelles données audio avec les transcriptions correspondantes. Les corrections comprennent la correction des noms des locuteurs et la re-segmentation.

Les tâches de segmentation consistent en la segmentation en événements sonores, le suivi des locuteurs et la segmentation des locuteurs, détaillés comme suit :

• Pour la segmentation en événements sonores, la tâche consiste à repérer les parties qui contiennent de la musique (avec ou sans parole) et les parties qui contiennent de la parole (avec ou sans musique).
• La tâche de suivi du locuteur consiste à détecter les parties du document qui correspondent à un locuteur donné.
• La segmentation en locuteurs consiste à segmenter le document en locuteurs et à regrouper les parties parlées par un même locuteur.

 

Contenu

Au total, le corpus ALLIES contient environ 900 heures d’émissions d’actualités, y compris des transcriptions orthographiques, des annotations sur le locuteur et une segmentation.

• 1176 fichiers WAV (environ 500 heures de parole)
• 1176 fichiers TRS (tours de parole et transcriptions orthographiques)
• 1 train/test partition
• Train 545 + 128 files
• DiarTest-SeenShows 181 fichiers avec des émissions déjà présentes dans la partition train
• DiarTest-UnseenShows 286 fichiers avec des émissions non présentes dans la partition train
• FullTest-CleanAnnot 35 fichiers vérifiés manuellement, avec des annotations sur la musique et le bruit.

 
Si vous utilisez ces donnée, merci de citer le papier suivant:
Marie Tahon, Anthony Larcher, Martin Lebourdais, Fethi Bougares, Ana Silnova, Pablo Gimeno. ALLIES: A Speech Corpus for Segmentation, Speaker Diarization Speech Recognition and Speaker Change Detection. In Proc. of LREC-Coling, Torino, Italy, 2024.

 
Lien de téléchargement via le catalogue ELRA :
https://catalog.elra.info/en-us/repository/browse/ELRA-S0486/

 

Annotation additionnelles et études associées

1 – Overlapped speech type and emotion annotations in ALLIES

Description

 

Content

• Show name, start and stop times of 4000 segments
• Split: to which subset belongs the segment (train/test)
• Type of overlap (ovtype)
• Emotion before (emoA) and after (emoB) the overlap segment
• Dominance before (dominance) and after the overlap segment

Si vous utilisez ces données, merci de citer l’article suivant:
Martin Lebourdais, Marie Tahon, Antoine Laurent et Sylvain Meignier. Automatic Speech Interruption Detection: Analysis, Corpus, and System, In Proc. of LREC-COLING, Torino, Italy, 2024. Lien: https://hal.science/hal-04576488

Lien pour télécharger les données: lrec_2024_inter_annotations

Format du fichier CSV :
show,split,start,stop,ovtype1,ovtype2,ovtype3,emoA1,emoA2,emoA3,emoB1,emoB2,emoB3,emoC1,emoC2,emoC3,dominance1,dominance2,dominance3
 

2 – Transition-Relevance Places and Interruptions in ALLIES

Description

 

Content

(X is the ID of the speakers 1 and 2, while Y is the ID of the interval 0,1 or 2)

• fname: File name
• tstart: Timecode (in seconds) of the start of the sample
• tstop: Timecode (in seconds) of the end of the sample
• spkX: Name of speaker X (X=0 or 1)
• n_interval: Total number of intervals (2 or 3)
• durY: Duration (in seconds) of interval Y (Y = first, last or ov) . If the number of intervals is 2, there is no overlapping speech and dur_ov=0
• activity_Y_X: Does speaker X speaks in interval Y ? (True/False)
• term_X_Y: Terminality classification of speaker X in interval Y (Term/NonTerm)
• turntype_X_Y: Turn-Taking classification of speaker X in interval Y
• comment: Comment made by the annotator (in French)
• invalid: Classified as Invalid by the annotator (True/False)

Si vous utilisez ces données, merci de citer l’article suivant :
Rémi Uro, Marie Tahon, Jane Wottawa, David Doukhan, Albert Rillard, Antoine Laurent. Annotation of Transition-Relevance Places and Interruptions for the Description of Turn-Taking in Conversations in French Media Content, In Proc. of LREC-COLING, Torino, Italy, 2024.

Lien pour télécharger les données : lrec_2024_turn_taking_annotations_clean