Données
Les modèles de Lectura apprennent sur deux sortes de données : des données écrites (lexique, textes annotés) et de la parole enregistrée. Cette page présente leurs catégories et leurs sources.
Le lexique
LeXiK, notre lexique du français, est compilé à partir de sources libres, corrigé et enrichi : prononciation, syllabes, alignement des lettres et des sons. Il fournit aux modèles leurs données d’entraînement de base pour la phonétique. Le dictionnaire WiKiLeXiK y ajoute des données ouvertes : le Wiktionnaire (par l’extraction Kaikki) et Wikidata. Les sources et leurs licences sont détaillées sur LecturaLexique.
Les textes annotés
L’analyse grammaticale s’appuie sur des corpus annotés publics, dont les corpus français du projet Universal Dependencies.
La parole
Les voix de la génération actuelle ont été entraînées sur des corpus de parole publics, dont SIWIS. La génération suivante, en préparation, rassemble des corpus publics de parole lue et spontanée, en français et en anglais : Common Voice, Multilingual LibriSpeech, VoxPopuli, SUMM-RE, LibriTTS-R ou VCTK, par exemple.
Chaque corpus est rangé avec sa provenance et sa licence. Nous le préparons avec nos propres outils : transcription phonétique, alignement du texte sur l’audio, filtrage des passages mal transcrits. Nos corpus d’entraînement sont proposés sur devis ; ce qu’ils peuvent contenir, l’audio en particulier, dépend des licences de leurs sources.
Ce que Lectura produit
Les données produites par Lectura (le lexique LeXiK, les corpus d’entraînement, les corpus de syllabes et de mots) sont présentées dans Ressources et sur LecturaLexique. Pour un besoin de données particulier, voir le service de préparation des données ou nous contacter.