ggfox00000/stt-summre-fr-test

SUMM-RE — French test split (mirror of linagora/SUMM-RE)

Mirror public du split test de SUMM-RE (LINAGORA / Aix-Marseille LPL), pour benchmark ASR français conversationnel (parole de réunion, 3-4 locuteurs, ~20 min par session).

⚠ Ce repo ne contient que le split test (124 tracks individuelles = 37 réunions × 3-4 micros). Pour les splits train / dev, voir le repo upstream linagora/SUMM-RE.

Contenu

• 124 pistes audio individuelles (1 piste = 1 microphone d'un locuteur pour une réunion entière de ~20 min)
• 37 réunions distinctes (chacune avec 3-4 micros)
• Audio : WAV 16 kHz mono PCM_16 embarqué dans parquet (tel que upstream)
• Annotations : transcription manuelle + alignement forcé au mot
• Langue : français (fr), parole conversationnelle / réunion
• Licence : CC-BY-SA-4.0 (héritée de SUMM-RE upstream)
• Durée totale : ~41 h (124 × ~20 min)

Colonnes

Colonne	Type	Description
audio	Audio	dict {{path, array, sampling_rate}} — décodé auto
meeting_id	string	ID réunion : <num><letter>_<scenario><type><loc> (ex 001a_PARL)
speaker_id	string	identifiant locuteur
audio_id	string	meeting_id + speaker_id (clé unique)
transcript	string	transcription concaténée de tous les segments (ref WER)
segments	list[struct]	segments avec start, end, transcript, words[start,end,word]

Utilisation

Chargement

from datasets import load_dataset

ds = load_dataset("ggfox00000/stt-summre-fr-test", split="test")
print(ds)
sample = ds[0]
print(sample["meeting_id"], sample["speaker_id"])
print(sample["audio"]["sampling_rate"], sample["audio"]["array"].shape)
print("segments:", len(sample["segments"]))
print("first seg:", sample["segments"][0])

Découpage par segment pour évaluation WER

SUMM-RE livre 1 ligne par piste audio complète (~20 min). Pour comparer à un benchmark utterance-level, tu peux soit :

1. Long-form WER : passer la track complète à Whisper en mode chunked (chunk_length_s=30, return_timestamps=True), comparer le résultat au champ transcript.
2. Utterance-level : découper par segments[i].start/end, transcrire chaque segment isolément, comparer au segments[i].transcript.

Évaluation diarisation

En fusionnant toutes les tracks d'une même meeting_id, tu peux évaluer de la diarisation (qui parle quand). Les timestamps segments[i].start/end servent de RTTM de référence. Voir paper Hunter et al. (2024) §5.

Pré-traitement

Aucun. Les 28 parquets sont transférés bit-à-bit depuis linagora/SUMM-RE (uniquement les fichiers du split test, l'arbo data/test/test-*.parquet upstream est aplatie en data/test-*.parquet pour cohérence avec nos autres STT datasets ggfox00000/stt-*). Aucun resampling, aucun ré-encodage.

Source

• Dataset upstream : https://huggingface.co/datasets/linagora/SUMM-RE
• Paper : Hunter et al. 2024, "SUMM-RE: A corpus of French meeting-style conversations" (LREC-COLING 2024)
• Projet : SUMM-RE (ANR-20-CE23-0017), LINAGORA + Aix-Marseille LPL

Licence

CC-BY-SA-4.0 (héritée de SUMM-RE upstream). Toute redistribution doit préserver la licence et créditer LINAGORA + le LPL.

Citation

@inproceedings{{hunter2024summre,
  title  = {{SUMM-RE: A Corpus of French Meeting-Style Conversations}},
  author = {{Hunter, Julie and others}},
  booktitle = {{Proceedings of LREC-COLING 2024}},
  year   = {{2024}},
}}

Pour le pipeline d'alignement Whisper utilisé sur le split train (non inclus dans ce mirror) :

@inproceedings{{yamasaki2023transcribing,
  title  = {{Transcribing And Aligning Conversational Speech: A Hybrid
            Pipeline Applied To French Conversations}},
  author = {{Yamasaki, Hugo and others}},
  booktitle = {{Proceedings of ASRU 2023}},
  year   = {{2023}},
}}