Leopold-Rony/maloba-lingala-dataset

'Golden dataset FR-Lingala construit à partir de vidéos YouTube # Maloba — Dataset Français ↔ Lingala Un dataset ouvert de phrases français ↔ lingala, construit à partir de transcriptions manuelles de vidéos YouTube, avec une attention particulière portée au lingala parlé à **Brazzaville et Pointe-Noire** (Congo-Brazzaville), une variante sous-représentée dans les ressources NLP existantes. ## Objectif La plupart des ressources open-source disponibles pour le lingala (Hugging Face, Masakhane) sont construites autour du lingala de Kinshasa, ou proviennent de textes journalistiques/religieux qui ne reflètent pas la langue parlée au quotidien. **Maloba** vise à combler ce manque en constituant un *Golden Dataset* : chaque paire de phrases est transcrite et validée manuellement, avec le contexte d'usage (courant, familier, soutenu, argot...). Ce dataset est pensé comme un bien commun pour la communauté de développeurs et chercheurs congolais et africains : traduction automatique, reconnaissance vocale (Speech-to-Text), synthèse vocale (Text-to-Speech). ## Contenu du dataset Chaque ligne correspond à une phrase extraite d'une vidéo, avec les colonnes suivantes : | Colonne | Description | |---|---| | `ID` | Identifiant unique de la phrase (ex: `MALOBA-001`) | | `Français` | Phrase source en français | | `Lingala` | Traduction telle qu'entendue dans la vidéo (peut inclure des variantes) | | `Lien Source` | URL de la vidéo YouTube d'origine | | `Horodatage` | Plage de temps où la phrase est prononcée, format `MM:SS - MM:SS` | | `Contexte / Nuance` | Tags de registre (`[Courant]`, `[Familier]`, `[Soutenu]`, `[Argot]`, `[Emprunt Français]`, `[Emprunt Portugais]`, `[Grammaire]`...) et notes explicatives | ## État d'avancement - **564 phrases** transcrites à ce jour - **32 vidéos sources** différentes - Couverture actuelle : salutations, vie quotidienne, nombres, anatomie, famille, couleurs, expressions familières/argot, vocabulaire automobile, santé, insectes *(Mets à jour ces chiffres à chaque export important.)* ## Structure d …