ggfox00000/stt-atthack-test

---
license: cc-by-nc-sa-4.0
task_categories:
- automatic-speech-recognition
language:
- fr
size_categories:
- 10K<n<100K
pretty_name: ATTHack French — test split
tags:
- atthack
- french
- asr
- speech
- expressive-speech
- acted-speech
annotations_creators:
- expert-generated
source_datasets:
- extended|atthack
dataset_info:
features:
- name: id
dtype: string
- name: speaker_id
dtype: string
- name: axis
dtype: string
- name: sentence_id
dtype: string
- name: version
dtype: string
- name: transcript
dtype: string
- name: duration_sec
dtype: float32
- name: audio
dtype: audio
splits:
- name: test
num_examples: 36634
configs:
- config_name: default
data_files:
- split: test
path: data/test-*.parquet
---

# ATTHack — French test split

Split test du corpus **ATTHack** (IRCAM / OpenSLR 88) — corpus expressif
français, parole actée multi-axes (émotions, attitudes). Empaqueté en
Parquet shardé avec audio **FLAC 16 kHz mono** (resamplé depuis le 44.1 kHz
original pour cohérence avec Whisper / Canary).

## Contenu

- **36634** utterances
- Audio : **FLAC 16 kHz mono PCM_16** (resamplé depuis 44.1 kHz upstream)
- Langue : **français (fr)**
- Licence : **CC-BY-NC-SA-4.0** (héritée de ATTHack / OpenSLR 88)
- Durée totale : **27.12 h**

## Colonnes

| Colonne | Type | Description |
|---------|------|-------------|
| `audio` | Audio | dict `{path, array, sampling_rate}` — décodé auto |
| `id` | string | ID complet : `{speaker}_{axis}_{sentence}_{version}` |
| `speaker_id` | string | locuteur (ex `F01`, `M03`) |
| `axis` | string | axe expressif (ex `a1`, `a2`, …) |
| `sentence_id` | string | ID phrase (ex `s001`) |
| `version` | string | version d'enregistrement (ex `v01`) |
| `transcript` | string | transcription FR (référence WER) |
| `duration_sec` | float32 | durée en secondes |

## Utilisation

```python
from datasets import load_dataset

ds = load_dataset("ggfox00000/stt-atthack-test", split="test")
print(ds)
print(ds[0]["transcript"], ds[0]["speaker_id"], ds[0]["axis"])
print(ds[0]["audio"]["sampling_rate"], ds[0]["audio"]["array"].shape)
```

## Source

- ATTHack — IRCAM, https://www.openslr.org/88/
- Corpus expressif français acted speech, multi-locuteurs / multi-attitudes

## Licence

**CC-BY-NC-SA-4.0** (héritée de ATTHack upstream / OpenSLR 88) — usage non
commercial, partage à l'identique.

## Note format

Audio downsamplé 44.1 kHz → 16 kHz mono via `soxr.resample` (qualité HQ)
pour homogénéiser avec FLEURS / MLS / MediaSpeech (tous 16 kHz mono Whisper-
compatible). Les transcriptions et IDs sont préservés tels quels.