GlobalPhone Hausa

View resource name in all available languages

GlobalPhone haoussa

ID:

ELRA-S0347

The GlobalPhone corpus developed in collaboration with the Karlsruhe Institute of Technology (KIT) was designed to provide read speech data for the development and evaluation of large continuous speech recognition systems in the most widespread languages of the world, and to provide a uniform, multilingual speech and text database for language independent and language adaptive speech recognition as well as for language identification tasks.

The entire GlobalPhone corpus enables the acquisition of acoustic-phonetic knowledge of the following 20 spoken languages: Arabic (ELRA-S0192), Bulgarian (ELRA-S0319), Chinese-Mandarin (ELRA-S0193), Chinese-Shanghai (ELRA-S0194), Croatian (ELRA-S0195), Czech (ELRA-S0196), French (ELRA-S0197), German (ELRA-S0198), Hausa (ELRA-S0347), Japanese (ELRA-S0199), Korean (ELRA-S0200), Polish (ELRA-S0320), Portuguese (Brazilian) (ELRA-S0201), Russian (ELRA-S0202), Spanish (Latin America) (ELRA-S0203), Swedish (ELRA-S0204), Tamil (ELRA-S0205), Thai (ELRA-S0321), Turkish (ELRA-S0206), Vietnamese (ELRA-S0322).

In each language about 100 native speakers were asked to read 100 sentences each. The read texts were selected from national newspapers available via Internet to provide a large vocabulary (up to 65,000 words). The read articles cover national and international political news as well as economic news. The speech is available in 16bit, 16kHz mono quality, recorded with a close-speaking microphone (Sennheiser 440-6) and same recording equipment for all languages. The transcriptions are internally validated and supplemented by special markers for spontaneous effects like stuttering, false starts, and non-verbal effects like laughing and hesitations. Speaker information like age, gender, occupation, etc. as well as information about the recording setup complements the database. The entire GlobalPhone corpus contains over 450 hours of speech spoken by more than 1900 native adult speakers.

Hausa is a member of the Chadic language family, and belongs together with the Semitic and Cushitic languages to the Afroasiatic language family. With over 25 million speakers, it is widely spoken in West Africa. The collection of the Hausa speech and text corpus followed the GlobalPhone collection standards. First, a large text corpus was built by crawling websites that cover main Hausa newspaper sources. The crawled websites are listed below:
http://hausa.cri.cn
http://www.bbc.co.uk/hausa
http://www.dw-world.de/hausa
http://www.hausa.rfi.fr
http://www.voanews.com/hausa/news

After cleaning and normalization, these texts were used to build language models and to select prompts for the speech data recordings. All texts are encoded in Boko, which is a Latin-based alphabet that was imposed by the British colonial administration in the 1930s as Hausa’s modern official orthography. Boko consists of 22 characters of the English alphabet plus five special characters.

For the Hausa GlobalPhone collection, native speakers of Hausa were asked to read the prompted sentences. The entire collection took place in 5 different locations in Cameroon. In total, the corpus contains 7,895 utterances spoken by 33 male and 69 female speakers in the age range of 16 to 60 years. The speech data contains a variety of accents: Maroua, Douala, Yaoundé, Bafoussam, Ngaoundéré, and Nigeria. The accents are documented in the speaker information files. All speech data was recorded in different environmental conditions, with some slightly noisy parts. The recording time, number of utterances, and spoken word tokens together with the division of the Hausa GlobalPhone database into the training, development, and evaluation set are listed in the table below.
<table border="0" width="100%" cellspacing="0" cellpadding="2" class="infoBoxContents">
<tr align=center><td>Set</td><td>Male</td><td>Female</td><td>#utterances</td><td>#tokens</td><td>Duration</td></tr>
<tr align=center><td>Training</td><td>24</td><td>58</td><td>5,863</td><td>40k</td><td>6 hrs 36 min</td></tr>
<tr align=center><td>Development</td><td>4</td><td>6</td><td>1,021</td><td>6k</td><td>1 hrs 02 min</td></tr>
<tr align=center><td>Evaluation</td><td>5</td><td>5</td><td>1,011</td><td>6k</td><td>1 hrs 06 min</td></tr>
<tr align=center><td>Total</td><td>33</td><td>69</td><td>7,895</td><td>52k</td><td>8 hrs 44 min</td></tr>
</table>

View resource description in all available languages

Le corpus GlobalPhone, développé avec la collaboration du Karlsruhe Institute of Technology (KIT), a été conçu afin de fournir des données de parole lue pour le développement et l’évaluation de systèmes de reconnaissance de la parole continue à large vocabulaire dans les langues les plus répandues dans le monde, l’objectif étant de fournir une base de données audio et textuelles uniforme et multilingue pour la reconnaissance de la parole indépendante de la langue et adaptable à la langue, ainsi que pour des tâches d’identification de la langue.

Le corpus GlobalPhone complet permet l’acquisition d’une connaissance acoustico-phonétique pour les 20 langues parlées suivantes: allemand (ELRA-S0198), arabe (arabe standard moderne) (ELRA-S0192), bulgare (ELRA-S0319), chinois-mandarin (ELRA-S0193), chinois de Shanghai (ELRA-S0194), coréen (ELRA-S0200), croate (ELRA-S0195), espagnol (d’Amérique latine) (ELRA-S0203), français (ELRA-S0197), haoussa (ELRA-S0347), japonais (ELRA-S0199), polonais (ELRA-S0320), portugais (brésilien) (ELRA-S0201), russe (ELRA-S0202), suédois (ELRA-S0204), tamoul (ELRA-S0205), thaï (ELRA-S0321), tchèque (ELRA-S0196), turc (ELRA-S0206) et vietnamien (ELRA-S0322).

Dans chaque langue, on a demandé à environ 100 locuteurs natifs de lire 100 phrases chacun. Les textes lus sont extraits d’articles de journaux nationaux disponibles sur internet afin de fournir un large vocabulaire (jusqu’à 65000 mots). Les articles lus couvrent des actualités politiques nationales et internationales, ainsi que des nouvelles économiques. Les données de parole ont été enregistrées en 16 bit, 16 kHz (qualité mono) avec un micro-casque (Sennheiser 440-6) et le même équipement d’enregistrement pour l’ensemble des langues. Les transcriptions ont été validées en interne et annotées au moyen de balises spéciales pour marquer les effets spontanés, tels que le bégaiement, les faux démarrages, et les effets non verbaux comme le rire et les hésitations. La base contient également des informations sur les locuteurs, telles que l’âge, le genre, la profession, etc. ainsi que des informations sur la mise en place de l’enregistrement. Le corpus GlobalPhone dans son entier comprend plus de 450 heures de parole enregistrées par plus de 1900 locuteurs adultes natifs.

La langue haoussa fait partie de la famille de langues tchadiques et appartient, avec les langues sémitiques et couchitiques, à la famille de langues afro-asiatiques. Avec plus de 25 millions de locuteurs, elle est largement parlée en Afrique de l’Ouest. La collecte de corpus de parole et de texte haoussa a suivi les standards de collecte GlobalPhone. Tout d’abord, un large corpus de textes a été construit en explorant automatiquement des sites web qui couvrent les sources journalistiques principales en hausa. La liste des journaux est la suivante:
http://hausa.cri.cn
http://www.bbc.co.uk/hausa
http://www.dw-world.de/hausa
http://www.hausa.rfi.fr
http://www.voanews.com/hausa/news

Après des tâches de nettoyage et de normalisation, les textes ont été utilisés pour construire des modèles de langage et sélectionner des prompts pour les enregistrements de données de parole. Tous les textes sont codés en boko, qui est un alphabet basé sur le latin qui a été imposée dans les années 1930 par l’administration coloniale britannique en tant qu’orthographe officielle moderne du haoussa. Le boko est constitué de 22 caractères de l’alphabet anglais, ainsi que cinq caractères spéciaux.

On a demandé à des locuteurs de langue maternelle haoussa de lire des phrases d’articles de journaux (prompts). La totalité de la collecte a été réalisée dans 5 lieux différents au Cameroun. Au total, le corpus contient 7895 occurrences enregistrées par 33 locuteurs hommes et 69 locuteurs femmes dont l’âge est compris entre 16 et 60 ans. Les données de paroles contiennent une variété d’accents: Maroua, Douala, Yaoundé, Bafoussam, Ngaoundéré, et Nigéria. Les accents sont documentés dans les fichiers d’information sur les locuteurs. Toutes les données de parole ont été enregistrées avec un micro-casque dans différentes conditions environnementales, parfois légèrement bruitées. Le temps d’enregistrement, le nombre d’occurrences et de tokens de mots prononcés, avec leur répartition dans la base de données GlobalPhone haoussa en fonction des ensembles d’apprentissage, de développement et d’évaluation sont présentés dans le tableau ci-dessous.
<table border="0" width="100%" cellspacing="0" cellpadding="2" class="infoBoxContents">
<tr align=center><td>Ensemble</td><td>Hommes</td><td>Femmes</td><td>#occurrences</td><td>#tokens</td><td>durée</td></tr>
<tr align=center><td>Apprentissage</td><td>24</td><td>58</td><td>5863</td><td>40k</td><td>6 h 36 m</td></tr>
<tr align=center><td>Développement</td><td>4</td><td>6</td><td>1021</td><td>6k</td><td>1 h 02 m</td></tr>
<tr align=center><td>Evaluation</td><td>5</td><td>5</td><td>1011</td><td>6k</td><td>1 h 06 m</td></tr>
<tr align=center><td>Total</td><td>33</td><td>69</td><td>7895</td><td>52k</td><td>8 h 44 m</td></tr>
</table>

You don’t have the permission to edit this resource.