README.md

---
license: cc-by-nc-4.0
task_categories:
  - automatic-speech-recognition
  - voice-activity-detection
language:
  - en
  - zh
  - multilingual
size_categories:
  - n<1K
pretty_name: MSDWild (val = test) — Speaker Diarization in the Wild
tags:
  - speaker-diarization
  - diarization
  - msdwild
  - in-the-wild
  - multimodal
  - rttm
  - audio
annotations_creators:
  - expert-generated
source_datasets:
  - extended|msdwild
dataset_info:
  - config_name: few
    features:
      - name: audio
        dtype: audio
      - name: rttm
        dtype: string
      - name: file_id
        dtype: string
    splits:
      - name: test
        num_examples: 490
  - config_name: many
    features:
      - name: audio
        dtype: audio
      - name: rttm
        dtype: string
      - name: file_id
        dtype: string
    splits:
      - name: test
        num_examples: 177
---

# MSDWild — validation / test split (speaker diarization in the wild)

Copie du split d'évaluation de **MSDWild** (Liu et al., Interspeech 2022), un
corpus de diarisation *in the wild* multimodal construit à partir de vidéos
réelles (talk-shows, interviews, débats…). MSDWild fournit deux sets de
validation utilisés comme **test de facto** par la communauté :

- **few** : 2 à 4 locuteurs par session (490 fichiers) — tâche "classique"
- **many** : 5+ locuteurs par session (177 fichiers) — tâche conversationnelle
  dense, beaucoup plus difficile

Les RTTMs sont ceux distribués officiellement sur le repo upstream. Les audios
sont les WAV officiels (Google Drive, 7.56 GB).

## Contenu

| Sous-split | Fichiers | Profil |
|------------|----------|--------|
| few  | 490 | 2–4 locuteurs, segments courts |
| many | 177 | 5+ locuteurs, densité de tour de parole élevée |

- Audio : **WAV** 16 kHz mono (tels que distribués par MSDWild upstream)
- Annotations : **RTTM** standard pyannote
- Langues : multilingue (principalement anglais et chinois, sources web)
- Licence : **CC-BY-NC-4.0** — recherche uniquement (voir l'accord de licence
  MSDWild upstream)

## Structure

```
dia-MsdWild-test/
├── README.md
├── audio/
│   ├── few/<file_id>.wav     # 490
│   └── many/<file_id>.wav    # 177
└── rttm/
    ├── few/<file_id>.rttm    # 490
    └── many/<file_id>.rttm   # 177
```

Chaque ligne RTTM suit le format standard :
```
SPEAKER <file_id> 1 <start_sec> <duration_sec> <NA> <NA> <speaker_id> <NA> <NA>
```

## Utilisation

### Téléchargement
```python
from huggingface_hub import snapshot_download
root = snapshot_download("ggfox00000/dia-MsdWild-test", repo_type="dataset")
# root/audio/few/*.wav, root/rttm/few/*.rttm, root/audio/many/*.wav, ...
```

### Évaluation DER (pyannote)
```python
from pathlib import Path
from pyannote.audio import Pipeline
from pyannote.metrics.diarization import DiarizationErrorRate
from pyannote.database.util import load_rttm

pipe = Pipeline.from_pretrained("pyannote/speaker-diarization-3.1")

for subset in ("few", "many"):
    metric = DiarizationErrorRate()
    audio_dir = Path(root) / "audio" / subset
    rttm_dir  = Path(root) / "rttm"  / subset
    for wav in sorted(audio_dir.glob("*.wav")):
        hyp = pipe(str(wav))
        ref = next(iter(load_rttm(str(rttm_dir / f"{wav.stem}.rttm")).values()))
        metric(ref, hyp)
    print(f"{subset}: DER = {abs(metric):.3f}")
```

## Source

- MSDWild — Liu et al. 2022
  https://github.com/X-LANCE/MSDWILD
  https://x-lance.github.io/MSDWILD

## Licence

**CC-BY-NC-4.0** — usage **non commercial**, recherche uniquement. Se référer
à l'accord de licence MSDWild upstream
(`MSDWILD_license_agreement.pdf`) avant toute réutilisation.

## Citation

```bibtex
@inproceedings{liu22t_interspeech,
  author    = {Tao Liu and Shuai Fan and Xu Xiang and Hongbo Song and Shaoxiong Lin and Jiaqi Sun and Tianyuan Han and Siyuan Chen and Binwei Yao and Sen Liu and Yifei Wu and Yanmin Qian and Kai Yu},
  title     = {{MSDWild: Multi-modal Speaker Diarization Dataset in the Wild}},
  booktitle = {Interspeech},
  year      = {2022},
  pages     = {1476--1480},
  doi       = {10.21437/Interspeech.2022-10466},
}
```