Transcription pour la recherche linguistique et les corpus

Produisez des transcriptions de premier jet pour le terrain, les entretiens et les corpus en 100 langues, avec début et fin de chaque mot et tours de parole en JSON à convertir pour vos outils d’annotation.

Obtenir une clé API Démarrage rapide Langues prises en charge

Dernière mise à jour: · Markdown

Pourquoi les chercheurs l’utilisent

  • 100 codes de langue, dont des langues peu dotées comme le yiddish (yi), l’amharique (am), le swahili (sw), le yoruba (yo), le maori (mi) et l’hawaïen (haw). Voir la liste complète.
  • Début et fin de chaque mot pour les travaux d’alignement.
  • Étiquettes de locuteur (include_diarization) pour les tours d’un entretien, ou étiquettes par canal pour les enregistrements multi-micros.
  • Traduction de la transcription vers une langue de travail avec les modèles Oracle, pour les équipes qui ne lisent pas toutes la langue source.

Une requête pour un entretien

{
  "audio_url": "https://example.org/corpus/session-014.wav",
  "model": "oracle",
  "language": "yi",
  "word_timestamps": true,
  "include_diarization": true,
  "num_speakers": 2,
  "output_format": "json"
}

Le résultat JSON contient segments[] avec start, end, speaker, text et words[]. La conversion vers ELAN, Praat TextGrid ou CSV est un court script de votre côté ; l’API n’exporte pas ces formats directement.

Vérifier avant d’analyser

  • Une transcription automatique est un premier jet. Prévoyez une correction humaine pour tout ce que vous publiez ou annotez.
  • La précision varie selon la langue, le dialecte, la qualité d’enregistrement et le domaine, et elle est plus faible pour les langues peu dotées en audio d’entraînement. Mesurez le taux d’erreur sur les mots sur un échantillon de votre corpus avant de tout transcrire.
  • Indiquez language explicitement pour les enregistrements qui alternent les langues ; la détection automatique choisit une langue par fichier.
  • Normalisez l’orthographe (diacritiques, conventions) des deux côtés avant de calculer des taux d’erreur.

Budget

Un corpus de 100 heures coûte 48 US$ avec base ou 144 US$ avec oracle, facturé à la seconde. Les équipes de recherche qui ont besoin d’une facture ou de conditions de volume peuvent contacter KolWrite Enterprise.

Questions et réponses

KolWrite exporte-t-il des fichiers Praat ou ELAN ?

Non. Il renvoie du JSON avec les temps des segments et des mots, facile à convertir en TextGrid, EAF ou CSV.

Peut-on se fier aux transcriptions de langues peu dotées ?

Traitez-les comme des brouillons. Testez un échantillon, mesurez les taux d’erreur et prévoyez une relecture.

Mon audio de recherche sert-il à entraîner des modèles ?

KolWrite indique sur sa page des modèles que l’audio envoyé via l’API ne sert pas à entraîner ses modèles.

Pages associées