NOTSOFAR-1 : Dataset de transcription de réunions à longue distance sur appareil unique, publié par Microsoft en 2025, conçu pour évaluer la transcription de réunions à longue distance et promouvoir le développement des technologies de séparation et de transcription de la parole à longue distance sur un seul appareil.

Ce dataset contient des enregistrements de réunions réels, couvrant diverses salles de réunion, nombres de locuteurs, configurations de microphones et environnements acoustiques, afin de faciliter la recherche sur l'acquisition de la parole à longue distance, le traitement des paroles superposées de plusieurs locuteurs et la transcription de réunions. Le code du système de référence est également fourni officiellement, intégrant la séparation continue de la parole (CSS), la reconnaissance automatique de la parole (ASR) basée sur Whisper et le module de diarisation de locuteurs basé sur NeMo, permettant aux chercheurs d'exécuter les flux d'inférence et d'évaluer les performances des modèles.

Composition du dataset

• Ensemble de développement (Dev-set) : contient des données d'enregistrements de réunions mono-canal (Single-Channel) et multi-canaux (Multi-Channel). Le nombre de sessions mono-canal est de 177, et le nombre de sessions multi-canaux est de 106.
• Division en sous-ensembles : en fonction des scénarios de réunion et des conditions de bruit, les données sont divisées en plusieurs sous-ensembles, notamment les réunions naturelles (#NaturalMeeting), les chevauchements de débats (#DebateOverlaps), les tours de parole sans chevauchement (#TurnsNoOverlap), le bruit transitoire élevé (#TransientNoise=high) et la parole près du tableau blanc (#TalkNearWhiteboard), etc.
• Code du système de référence : fournit du code de référence Python complet, incluant la séparation continue de la parole, l'ASR basée sur Whisper et le module de diarisation de locuteurs basé sur NeMo.
• Métriques d'évaluation : le tcpWER avec attribution du locuteur est principalement utilisé pour le classement, tandis que le tcORC-WER sert de métrique d'analyse auxiliaire.
• Données d'entraînement : outre l'ensemble de développement, un ensemble d'entraînement simulé (Simulated Training Set) est également fourni, contenant environ 1 000 heures ou 200 heures de données simulées, destiné à l'entraînement et au réglage fin des modèles.