🎙️ Analyse de Données Langagières et Vocaux (Projet GSON)

🎯 Résultats clés

(Détail de l'analyse : GSON.pdf)

Étude de 3 vocaux du corpus Les Vocaux (projet ORALIDIA), réalisée en binôme :

• Humain vs automatique : sur ces 3 vocaux, Whisper fournit des transcriptions globalement stables, propres et syntaxiquement cohérentes.
• Lissage de l'oral : Whisper tend à normaliser la parole spontanée en gommant les hésitations (« euh »), les tics de langage et les amorces de mots interrompus.
• Erreurs critiques : le modèle produit parfois des « hallucinations » (mots ou phrases inventés), omet des mots réellement prononcés et ne gère pas les bips d'anonymisation. Une relecture humaine reste indispensable.

---

📝 Contexte du projet

Module « Data Sciences et Langage » de la Graduate School Orléans Numérique (GSON), Master 2 Mathématiques Appliquées et Statistiques, Université d'Orléans (2025-2026). Objectif : relier science des données et analyse linguistique en comparant une segmentation manuelle sous Praat et une segmentation automatique avec Whisper.

1. Constitution du corpus : 3 vocaux contrastés de Les Vocaux (version 0.0.2).
2. Segmentation manuelle : écoute, harmonisation en binôme et découpage selon les unités syntaxiques et prosodiques.
3. Évaluation de Whisper : identification des écarts, omissions, hallucinations et traitement des tics de langage.

🛠️ Outils et technologies

• Outils : Praat (analyse acoustique et segmentation), Whisper [modèle et version utilisés non précisée]
• Méthodes : traitement automatique du langage, transcription comparative, analyse qualitative
• Données : corpus Les Vocaux (projet ORALIDIA)

📂 Contenu du dépôt

• 📄 GSON.pdf : rapport final.

⚠️ Données : les fichiers audio ne sont pas inclus, pour des raisons de confidentialité et de respect des consentements.

---

⚠️ Limites et pistes d'amélioration

Limites

• Échantillon de seulement 3 vocaux : les conclusions ne se généralisent pas.
• Analyse surtout qualitative.
• Dépôt limité au rapport : pas de code ni de données.

Pistes d'amélioration : élargir le corpus, mesurer un taux d'erreur de mots (WER) entre transcription manuelle et Whisper

---

🇬🇧 English version

🎙️ Linguistic and Voice Data Analysis (GSON Project)

🎯 Key results

(Full analysis: GSON.pdf)

Study of 3 voice messages from the Les Vocaux corpus (ORALIDIA project), done in pairs:

• Human vs automatic: on these 3 messages, Whisper gives overall stable, clean and syntactically coherent transcriptions.
• Smoothing of speech: Whisper tends to normalize spontaneous speech by erasing hesitations ("uh"), verbal tics and cut-off words.
• Critical errors: the model sometimes "hallucinates" (invented words or phrases), omits spoken words and misses anonymization beeps. Human proofreading remains essential.

📝 Project context

"Data Sciences and Language" module, Graduate School Orléans Numérique (GSON), 2nd year Master's in Applied Mathematics and Statistics, University of Orléans (2025-2026). Goal: bridge data science and linguistic analysis by comparing manual segmentation in Praat with automatic segmentation using Whisper.

🛠️ Tools

• Tools: Praat, Whisper [model and version non specified]
• Methods: natural language processing, comparative transcription, qualitative analysis
• Data: Les Vocaux corpus (ORALIDIA project)

📂 Repository content

• 📄 GSON.pdf: final report.

⚠️ Data: audio files are not included, for confidentiality and consent reasons.

⚠️ Limitations and improvements

Limitations

• Only 3 voice messages: conclusions do not generalize.
• Mostly qualitative analysis.
• The repository only contains the report: no code or data.

Possible improvements: larger corpus, word error rate (WER) between manual transcription and Whisper