Données vocales pour les
dialectes d'Afrique du Nord.
Derja Data produit des jeux de données d'entraînement pour la derja, la darija et le tamazight — enregistrés, transcrits et vérifiés sur le terrain par des locuteurs natifs rémunérés. La production est en cours en Tunisie ; l'Algérie, le Maroc et la Libye sont couverts sur demande. Les données sont proposées sous licence pour l'entraînement ASR, LLM et TTS.
Ce que vous pouvez licencier
Cinq gammes de produits issues d'une même chaîne de production — un échantillon précède tout engagement.
Corpus vocaux
Audio, transcription vérifiée manuellement et métadonnées du locuteur, par pays et par dialecte.
par heure validéeJeux de données dérivés
Arabizi, paires de translittération, étiquettes d'annotation, alternance codique — issus des mêmes enregistrements.
par corpusAPI vocale
Reconnaissance vocale adaptée aux dialectes maghrébins, réentraînée en continu sur les corrections vérifiées.
par minuteServices d'annotation
Notre équipe formée, suivie par un score de confiance, annote vos données.
par tâcheCollecte sur mesure
Vous définissez précisément la parole dont vous avez besoin ; nous la produisons sur le terrain.
par campagneChaque livraison comprend l'audio (M4A ; WAV sur demande), des transcriptions vérifiées manuellement accompagnées de manifestes JSON/CSV, les métadonnées de locuteur et de région, la documentation de consentement et des fichiers filigranés.
Catalogue complet →
Comment naît une heure de données
Notre application mobile couvre l'ensemble de la chaîne : enregistrement, ébauche automatique, correction par le locuteur et vérification.
Enregistrer
L'application propose une consigne parmi 6 347 gabarits ; le contributeur s'exprime librement dans son dialecte.
Transcrire
Notre propre modèle vocal établit une ébauche sur nos serveurs. Les données ne quittent jamais notre infrastructure.
Corriger
Le locuteur corrige lui-même sa transcription — lui seul sait ce qu'il a dit. La correction constitue le signal d'entraînement.
Vérifier
Quatre couches de contrôle indépendantes déterminent si l'heure devient un produit livrable.
Chaque correction entraîne également notre modèle d'ébauche interne : chaque heure suivante gagne en rapidité et en cohérence.
Produit dans notre propre application
Chaque heure livrée associe l'audio à une transcription vérifiée par le locuteur lui-même : le modèle propose une ébauche, le locuteur la corrige. Le texte restitue fidèlement ce qui a été dit.
Enregistrement, ébauche automatique, correction par le locuteur, score de qualité et paiement — la chaîne que parcourt chaque heure livrée.
Chaque heure est auditée avant livraison
Quatre couches de contrôle indépendantes séparent un simple enregistrement d'une heure livrée.
Détection automatique d'anomalies
Des contrôles automatiques d'intégrité et de plausibilité s'appliquent à chaque soumission — avant tout examen humain.
Mesure continue de la qualité
Des mesures de précision objectives, que le contributeur ne peut ni consulter ni anticiper, alimentent un score de confiance individuel.
Relecture humaine graduée
Les nouveaux contributeurs sont vérifiés à chaque soumission, les plus expérimentés par échantillonnage ; les relecteurs sont issus du niveau supérieur.
Consensus indépendant
Les cas difficiles sont évalués par plusieurs relecteurs indépendants — seule une concordance des avis les valide.
- —Consentement documenté de chaque locuteur
- —Traçabilité par jeu de données et par modèle
- —Filigrane sur chaque fichier livré
- —Séparation « clean room » : les modèles commerciaux sont entraînés exclusivement sur des données collectées avec un consentement documenté
Des données introuvables en ligne
Les modèles vocaux ne disposent pratiquement d'aucune donnée d'entraînement maghrébine, car il n'existe aucune source publique à exploiter.
Analyse interne d'après la table des langues du rapport technique Whisper (OpenAI, 2022).
Il n'existe ni archive à acquérir ni corpus à moissonner : la derja et la darija sont des langues parlées, nourries d'emprunts au français, à l'italien et au tamazight, que les corpus d'arabe standard ne couvrent pas. Les seules heures utilisables sont celles que l'on produit soi-même — sur le terrain, avec des locuteurs natifs.
C'est précisément notre métier : des contributeurs rémunérés dans quatre pays et, pour chaque heure, une documentation de consentement et de provenance prête pour l'audit.
Où nous collectons
Une même plateforme dans quatre pays — chaque enregistrement porte des métadonnées de région vérifiées par GPS et de zone dialectale.
| Pays | Variété arabe | Tamazight | Régions | Statut |
|---|---|---|---|---|
| Tunisie | Derja tunisienne (ar-TN) | — | 24 gouvernorats · 6 zones dialectales | En production |
| Algérie | Darja algérienne (ar-DZ) | Kabyle | 58 wilayas · 6 zones dialectales | Sur demande |
| Maroc | Darija marocaine (ar-MA) | Tachelhit · Tarifit · Atlas central | 12 régions · 5 zones dialectales | Sur demande |
| Libye | Arabe libyen (ar-LY) | — | 22 districts · 4 zones dialectales | Sur demande |
24 régions cartographiées en Tunisie, 21 zones dialectales, 8 langues — une seule plateforme.
La couverture en détail →
Des données produites par des personnes justement rémunérées — la condition première de leur qualité.
À quoi servent nos données
Partout où un logiciel doit comprendre la langue telle que l'Afrique du Nord la parle réellement.
Assistants vocaux
Interaction naturelle en derja pour les applications, les objets connectés et les serveurs vocaux.
IA de centre d'appels
Transcription, contrôle qualité et analyse en temps réel dans la langue que parlent réellement les agents.
Médias & sous-titrage
Sous-titres dialectaux et archives interrogeables pour le streaming et la télévision dans la région MENA.
Modération de contenu
Les plateformes ne peuvent modérer ce qu'elles ne parviennent pas à transcrire ; les données dialectales comblent cette lacune.
Apprentissage des langues
Des cours destinés aux locuteurs d'origine — une diaspora maghrébine forte de plusieurs millions de personnes en Europe.
Services publics
Services aux citoyens, transcription des appels d'urgence et accessibilité dans les langues réellement parlées.
Dites-nous ce que vous souhaitez entraîner.
Langue, domaine, volume : nous vous répondons avec la disponibilité, un jeu d'échantillons et un devis. Une collecte sur mesure démarre en général en quelques semaines.