Lectura

 L'IA au service de la lecture du français
Humanuscrit Humanuscrit Zmaths Zmaths

Corpus de Voix

Disponible

Corpus de parole française avec transcription phonétique IPA, destiné à l’entraînement de modèles TTS et STT. Le corpus fournit les métadonnées (texte, phonétique, durée, locuteur). Les fichiers audio ne sont pas redistribués directement : ils sont récupérables via les sources ouvertes d’origine à l’aide d’un script fourni.

   
Corpus 1 97 012 phrases (SIWIS + M-AILABS) — 7 locuteurs professionnels
Corpus 2 783 339 phrases (Common Voice) — ~20 000 locuteurs bénévoles
Total 880 351 phrases avec transcription IPA alignée
Métadonnées Locuteur, durée, source
Script Téléchargement automatique des fichiers audio depuis les sources

Format des données (JSONL)

Chaque ligne est un objet JSON :

{
  "text": "Patrick's Old Cathedral est maintenant une église paroissiale.",
  "phones": "p a t ʁ i k | ɔ l d | k a t e d ʁ a l | ɛ s t | m ɛ̃ t ə n ɑ̃ | y n | e ɡ l i z | p a ʁ w a s j a l",
  "duration": 7.812,
  "speaker": "cv_ee947622",
  "source": "common_voice",
  "audio_ref": "cv_0000000"
}
Champ Description
text Texte orthographique normalisé
phones Transcription phonétique IPA (phonèmes séparés par espaces, mots par \|)
duration Durée de l’audio en secondes
speaker Identifiant du locuteur
source Source de l’audio (common_voice, mailabs, siwis)
audio_ref Référence pour retrouver le fichier audio d’origine

Corpus 1 : SIWIS + M-AILABS

97 012 phrases issues de livres audio lus par 7 locuteurs professionnels.

Locuteur Source Genre
nadine_eckert_boulet M-AILABS F
ezwa M-AILABS F
siwis_female SIWIS F
bernard M-AILABS M
gilles_g_le_blanc M-AILABS M
zeckou M-AILABS M
sous_les_mers (mix) M-AILABS Mix

Corpus 2 : Common Voice

783 339 phrases lues par ~20 000 locuteurs bénévoles (Common Voice v25.0).

Vocabulaire phonétique

vocab_phones.json contient les 59 tokens utilisés :

  • Phonèmes IPA standard du français
  • Marqueurs de liaison : [z], [t], [n], [ʁ], [p]
  • Élision : [']
  • Enchaînement : [-]
  • Ponctuation : , . ? ! …

Récupération des fichiers audio

Common Voice

  1. Télécharger Common Voice FR depuis commonvoice.mozilla.org
  2. Convertir les MP3 en WAV 16kHz mono
  3. Les audio_ref (cv_XXXXXXX) correspondent aux clips indexés dans l’ordre du fichier validated.tsv

M-AILABS

  1. Télécharger le M-AILABS French Speech Dataset depuis caito.de
  2. Les audio_ref indiquent directement le chemin relatif dans l’archive

SIWIS

  1. Télécharger depuis datashare.ed.ac.uk
  2. Les audio_ref des entrées source siwis référencent les fichiers WAV du corpus

Transcription phonétique

Les transcriptions IPA ont été générées par le pipeline G2P de Lectura (précision ~98,5%) puis vérifiées et corrigées par alignement forcé (MFA).

Sources et licences

  • Common Voice (Mozilla) : CC-0 (domaine public)
  • M-AILABS Speech Dataset : voir licence M-AILABS
  • SIWIS French Speech Synthesis Database : licence académique
  • Transcriptions phonétiques : Lectura (Maxime Carrière)

Obtenir cette ressource

Deux modes d’accès sont disponibles :

  • Lien direct : contactez-nous en précisant la ressource souhaitée, nous vous envoyons un lien de téléchargement personnalisé par email.
  • Via l’API : utilisez l’endpoint GET /download/{resource_id} avec votre clé API. Voir la documentation API.
Nous contacter Détails d'accès