ggfox00000/stt-cefc-fr-test

CEFC-Orfeo FR — long-form oral test mirror

Mirror non-officiel du Corpus d'Études du Français Contemporain (CEFC) agrégé par le projet Orfeo (ANR), tel que distribué sur le portail projet-orfeo.fr (release 13).

Long-form : 1 row = 1 fichier audio entier (30-60 min en moyenne). 12 sous-corpus oraux du français contemporain, 303 heures au total, 901 fichiers. Idéal pour bench Whisper / Canary en conditions réelles (chunked decoding, dérive temporelle, multi-locuteurs).

Sous-corpus inclus (colonne subcorpus)

Sous-corpus	Genre	Origine
cfpb	Parlement Bruxelles	CFPB
cfpp	Paris parlé	CFPP2000
clapi	Interactions Lyon	CLAPI
coralrom	Roman européen FR	C-ORAL-ROM
crfp	Référence FR parlé	CRFP
fleuron	Étudiants en mobilité	FLEURON
frenchoralnarrative	Récits oraux	FrenchOralNarrative
ofrom	Oral fribourgeois (Suisse)	OFROM
reunions-de-travail	Réunions pro	—
tcof	Familial / enfants	TCOF
tufs	Apprenants étrangers FR	TUFS
valibel	FR Belgique	VALIBEL

→ Permet analyses de robustesse par variété (régionale, native vs L2, formelle vs spontanée, dyadique vs multi-locuteurs).

Schéma

Champ	Type	Description
audio_id	string	<subcorpus>/<basename> (ex: cfpb/CFPB-1000-5)
subcorpus	string	Une des 12 valeurs ci-dessus
audio	Audio	FLAC 16 kHz mono PCM_16 (resamplé depuis 22050 Hz)
duration_sec	float64	Durée en secondes
transcript	string	Concat de toutes les phrases (# text Orfeo, ordre temporel)
n_segments	int32	Nombre de phrases (# sent_id)
n_speakers	int32	Nombre de locuteurs distincts (col 13 .orfeo)
segments	list	{start, end, text, speaker_id} par phrase

Pré-traitement

• Audio source : WAV mono 22050 Hz PCM_16 (upstream Orfeo).
• Resampling 22050 → 16 000 Hz via soxr.resample(quality="HQ"). Filtre anti-aliasing polyphase de qualité studio. La bande 8-11 kHz coupée est inaudible et hors de la bande utile pour ASR (Whisper/wav2vec2 tournent nativement à 16 kHz, downsampleraient en interne quand même).
• Encodage FLAC PCM_16 mono via soundfile.
• Pas de découpage — fichiers longs préservés entiers.
• Annotations : parsées depuis .orfeo (format CoNLL-U étendu Orfeo, voir guide segmentation projet-orfeo.fr) :
  • chaque phrase # sent_id + # text → 1 segment
  • start = min(BTIMESTAMP), end = max(ETIMESTAMP) des tokens de la phrase
  • speaker_id = locuteur majoritaire (col 13 du .orfeo)

Exemple de chargement

from datasets import load_dataset
ds = load_dataset("ggfox00000/stt-cefc-fr-test", split="test")
print(len(ds), "files")

# Filtrer par sous-corpus
cfpp = ds.filter(lambda r: r["subcorpus"] == "cfpp")
print(len(cfpp), "files dans CFPP (Paris parlé)")

sample = ds[0]
print(sample["audio_id"], sample["subcorpus"],
      sample["duration_sec"]/60, "min,",
      sample["n_segments"], "segments,",
      sample["n_speakers"], "speakers")
print("First segment:", sample["segments"][0])

Source

• Projet : Orfeo (ANR-12-CORP-0005)
• Distribution : cefc-orfeo release 13
• Documentation : documentation/guide_segmentation_orfeo.pdf, guide_pos_orfeo.pdf, guide_dependance_orfeo.pdf
• Liste des corpus source : http://www.projet-orfeo.fr/corpus-source/

Licence

License héritée des sous-corpus source (variable, généralement académique non-commerciale) — voir le projet Orfeo et chaque sous-corpus pour les détails. Usage non-commercial recommandé. Redistribution technique (resampling 22k→16k + FLAC) sans modification des transcriptions.

Citation

@misc{cefc-orfeo,
  title  = {Corpus d'\\'Etudes du Fran\\c{c}ais Contemporain},
  author = {Projet Orfeo (ANR)},
  url    = {http://www.projet-orfeo.fr},
}