manuellaines/Yemba_Transcript

Finetuning des modèles multilingues auto supervisés pour la transcription de la parole en langue camerounaise: le Yemba # Fine-tuning de modèles multilingues auto-supervisés pour la transcription de la parole en langue camerounaise : le Yemba ## 📌 Contexte du projet Ce projet s’inscrit dans le cadre du hackathon **Aurore de la Recherche**, organisé à l’**Université de Yaoundé I**. L’objectif principal du hackathon était de promouvoir l’utilisation de l’intelligence artificielle et des méthodes modernes d’apprentissage automatique pour la valorisation des **langues locales camerounaises**, en particulier dans le domaine du traitement automatique de la parole. ## 🎯 Objectif La tâche assignée consistait à réaliser le **fine-tuning d’un modèle multilingue auto-supervisé** pour la **transcription automatique de la parole** en langue **Yemba**, une langue camerounaise peu dotée en ressources numériques. Plus précisément, il s’agissait de : - sélectionner un modèle multilingue adapté à la reconnaissance automatique de la parole (ASR), - l’adapter (fine-tuning) à un jeu de données spécifique au Yemba, - évaluer sa capacité à transcrire correctement la parole en Yemba. ## 📊 Jeu de données Le projet utilise le jeu de données **YembaEGRA**, disponible publiquement sur Mendeley Data : 🔗 **Lien du dataset** : YembaEGRA Ce corpus contient des enregistrements audio annotés en langue Yemba, conçus pour des tâches de reconnaissance et de transcription de la parole. ## 🧠 Modèle utilisé Après plusieurs expérimentations avec différents modèles multilingues, nous avons retenu le modèle **Whisper**, développé par OpenAI. Les raisons de ce choix incluent : - sa robustesse sur des langues peu dotées, - sa capacité à gérer des données multilingues, - ses performances élevées en reconnaissance automatique de la parole, - sa facilité d’adaptation par fine-tuning. ## ⚙️ Méthodologie Le travail présenté dans ce projet comprend : 1. La préparation et le prétraitement du jeu de données YembaEGRA 2. L’adaptation du modèle Whisper au corpus Yemba 3. Le fine-tuning du mo …