Datensatz

Tunesisches Derja — Sprachkorpus

Aufnahmen bezahlter Muttersprachler des tunesischen Derja, jede mit einer Transkription in arabischer Schrift, die ein Mensch erstellt oder korrigiert hat. Gebaut für das Training und die Bewertung von Spracherkennung auf einem Dialekt, bei dem veröffentlichte Modelle in 30–50 % der Fälle danebenliegen.

Datenblatt
Audioformat
M4A, AAC 192 kbit/s, 44,1 kHz, mono. WAV auf Anfrage.
Transkription
UTF-8, arabische Schrift, von Menschen erstellt oder korrigiert
Sprachen
ar-TN live; ar-DZ, ar-LY, ar-MA und vier Tamazight-Varietäten auf Auftrag
Regionale Abdeckung
24 kartierte Regionen in Tunesien, 21 Dialektzonen in vier Ländern
Lieferung
JSON-, JSONL- oder CSV-Manifest samt Audiodateien, mit Wasserzeichen
Lizenz
Kommerziell, Evaluierung und White Label — je Projekt vereinbart

So sieht ein gelieferter Datensatz aus

Das sind die tatsächlichen Spalten unserer Export-Ansicht, kein vorgeschlagenes Schema. Sie wissen vor der ersten Mail, ob die Felder in Ihre Trainingsstrecke passen.

Felder je Datensatz
  • id
  • audio_url
  • text
  • duration_seconds
  • quality_score
  • country_code
  • language_code
  • submitted_at
  • region
  • gender
  • age
  • tier
Beispielzeile
{
  "id": "sub_8f3a1c07",
  "audio_url": "audio/tn/2026/08/rec_8f3a1c07.m4a",
  "text": "اليوم الحال باهي برشة، نمشيو نقعدو في القهوة",
  "duration_seconds": 6.4,
  "quality_score": 0.94,
  "country_code": "TN",
  "language_code": "ar-TN",
  "submitted_at": "2026-08-19T09:41:22Z",
  "region": "Sfax",
  "gender": "f",
  "age": "25-34",
  "tier": 3
}

Struktur ist echt, Werte sind illustrativ. Vollständiges Musterpaket mit Audio und Manifest auf Anfrage, kostenlos.

Woher die Daten kommen

Jede Aufnahme entsteht in unserer eigenen App durch einen registrierten, bezahlten Contributor — nie gescrapt, nie zugekauft. Der Korrekturschritt ist das, was das Material trainierenswert macht: Ein Maschinenentwurf ist kein Label, eine menschliche Korrektur schon.

Wie sich das zu frei verfügbaren Korpora verhält
Dokumentierte Einwilligung

Jeder Contributor willigt je Aufnahme ein, mit Zeitstempel protokolliert. Der Einwilligungsnachweis geht mit der Lieferung mit und hält einer Prüfung stand.

Bezahlte Muttersprachler

Kein Scraping, keine Crowdsourcing-Reste. Die Contributor verdienen das 1,6- bis 2,6-Fache des gesetzlichen Stunden-Mindestlohns ihres Landes für geprüfte Arbeit.

Region im Datensatz

Jeder Datensatz trägt die Region, in der er entstanden ist, abgeglichen mit dem hinterlegten Standort — die Dialektzone ist eine Tatsache, keine Annahme.

Lieferung mit Wasserzeichen

Jeder Export ist mit Wasserzeichen versehen und im Download nachverfolgt. Ein abgeflossenes Korpus lässt sich der Lizenz zuordnen, unter der es das Haus verlassen hat.

Verfügbarkeit

Erste Lieferungen ab Q3 2026 — die Produktion in Tunesien läuft.

Nennen Sie Sprache, Themenbereiche, Regionen und Umfang. Sie erhalten ein Musterpaket und ein Angebot — die Erhebung wird auf Ihre Vorgabe geplant.

Diesen Datensatz anfragen →Wie wir prüfen
Die anderen Datensätze
Annotationsdatensatz

Labels für Stimmung, Dialektklasse, Absicht, Thema und Sprachmischung, im Konsens mehrerer Bearbeiter.

Transliterationspaare

Derselbe Satz in arabischer Schrift und in Arabizi, von derselben Stimme.