Yongning Na for Natural Language Processing: a single-speaker audio corpus with transcriptions

<p><em>(fran&ccedil;ais ci-dessous)</em></p> <p>This archive contains a dataset (audio files and transcriptions) of a minority language, Yongning Na (Glottocode: yong1288; closest iso 639-3 code: nru). The archive contains a subset of the Na corpus of the Pangloss Collection: it is a single-speaker corpus, consisting of all the audio resources transcribed, for the main speaker of this corpus (Ms. LATAMI Dashilame).<br> The corpus is versioned, so that the experiments carried out on these resources (for linguistic research or for Natural Language Processing) are fully reproducible. All relevant information is contained in YAML files (.yml extension; one in French, one in English).<br> The data sub-folder contains the converted and demultiplexed audio files, as well as the annotations associated with each channel of the audio files.<br> The summary files contain, among other things, the list of graphemes used in the language (complex graphemes are particularly important), as well as information on the various resources (audio and annotations), such as their identifiers (DOIs) and links to the original files.<br> From a computational point of view, the list of DOIs of the audios and annotations described in this YAML file is sufficient to generate this corpus at a given time. A corpus like the present one can be viewed as the version, at a given time, of a set of documents in the Pangloss collection: a corpus as it stands at a precise version.</p> <p>Further information is available from&nbsp;<a href="https://gitlab.com/lacito/outilspangloss">https://gitlab.com/lacito/outilspangloss</a></p> <p>---------------</p> <p>Cette archive contient un jeu de donn&eacute;es (audios et transcriptions) d&rsquo;une langue &agrave; tradition orale, le na de Yongning &nbsp;(Glottocode: yong1288; code iso 639-3 le plus proche : nru). L&rsquo;archive contient un sous-ensemble du corpus na de la collection Pangloss : c&rsquo;est un corpus monolocuteur, constitu&eacute; de l&rsquo;int&eacute;gralit&eacute; des ressources audio transcrites pour la locutrice principale de ce corpus (Mme LATAMI Dashilame).<br> Le corpus est versionn&eacute;, de sorte que les exp&eacute;riences men&eacute;es sur ces ressources (pour la linguistique ou pour le Traitement automatique des langues) soient reproductibles de fa&ccedil;on exacte (en pensant bien &agrave; joindre l&rsquo;algorithme : param&egrave;tres, r&eacute;partitions des fichiers dans les diff&eacute;rents ensembles, etc.). Toutes les informations pertinentes se trouvent dans les fichiers YAML (extension .yml ; un en fran&ccedil;ais, un autre en anglais).<br> Le sous-dossier des donn&eacute;es contient d&rsquo;une part les audios convertis et d&eacute;multiplex&eacute;s et d&rsquo;autre part les annotations associ&eacute;es &agrave; chaque canal desdits audios.<br> Les fichiers r&eacute;capitulatifs contiennent notamment la liste des graph&egrave;mes utilis&eacute;s dans cette langue (les graph&egrave;mes complexes sont particuli&egrave;rement importants), ainsi que des informations sur les diff&eacute;rentes ressources (audios et annotations), comme les identifiants (DOI), les liens vers les fichiers originaux, etc.<br> Au plan informatique, la liste des identifiants DOI des audios et annotations d&eacute;crits dans ce fichier YAML suffit pour g&eacute;n&eacute;rer ce corpus &agrave; un instant t. Un corpus comme celui-ci peut &ecirc;tre vu comme la version &agrave; l&rsquo;instant t d&rsquo;un ensemble de documents de la collection Pangloss : un corpus arr&ecirc;t&eacute; &agrave; une version pr&eacute;cise.<br> Pour plus de pr&eacute;cisions :&nbsp;<a href="https://gitlab.com/lacito/outilspangloss">https://gitlab.com/lacito/outilspangloss</a></p>