CoolFace
Datasetpublic

ggfox00000/dia-ICSIMeetingCorpus-all

ICSI Meeting Corpus — Full Mirror (signals + annotations) Miroir complet du ICSI Meeting Corpus distribué par l'AMI Consortium (Edinburgh). Tous les fichiers sont repris tels quels depuis la distribution upstream, y compris la structure de dossiers. Contenu 75 meetings de discussions scientifiques/techniques réelles (~72 h d'audio) Signals : Signals/<meeting>/<meeting>.interaction.wav — flux audio mixé "interaction" (le mixdown standard utilisé pour les… See the full description on the dataset page: https://huggingface.co/datasets/ggfox00000/dia-ICSIMeetingCorpus-all.

sourceHugging Facecc-by-4.0updated 5mo agoView on Hugging Face
0likes687downloads
Dataset Card

ICSI Meeting Corpus — Full Mirror (signals + annotations)

Miroir complet du ICSI Meeting Corpus distribué par l'AMI Consortium (Edinburgh). Tous les fichiers sont repris tels quels depuis la distribution upstream, y compris la structure de dossiers.

Contenu

  • —75 meetings de discussions scientifiques/techniques réelles (~72 h d'audio)
  • —Signals : Signals/<meeting>/<meeting>.interaction.wav — flux audio mixé "interaction" (le mixdown standard utilisé pour les benchmarks diarisation / ASR distant-mic)
  • —Core annotations (NXT) : ICSI/ — segments, mots, actes de dialogue, qualité de parole, métadonnées speakers au format NXT XML
  • —Core + contributions : ICSIplus/ — tout ce qui est dans ICSI/ plus les annotations tierces (prosodie automatique, ASR automatique, topics auto/Galley/TNO, Bales codings, résumés extractifs, summarization, Wrede hotspots, segmentation par topic, subjectivité, Anno22L, etc.)
  • —MRT originaux : ICSI_original_transcripts/ — 77 transcripts au format MRT historique + documentation HTML
  • —Langue : anglais (US/international — meetings ICSI)
  • —Licence : CC-BY-4.0 (cf CCBY4.0.txt à la racine)

Structure

dia-ICSIMeetingCorpus-all/
├── README.md
├── CCBY4.0.txt
├── icsiBuild-*.manifest.txt
├── Signals/
│   └── <meeting>/<meeting>.interaction.wav          # 75 WAV
├── ICSI/                                            # NXT core v1.0
│   ├── 00README.txt
│   ├── LICENCE.txt
│   ├── ICSI-metadata.xml
│   ├── speakers.xml
│   ├── Segments/<meeting>.<chan>.segs.xml           # 494 fichiers
│   ├── Words/<meeting>.<chan>.words.xml             # 494 fichiers
│   ├── DialogueActs/<meeting>.<chan>.dialogue-acts.xml  # 465 fichiers
│   └── SpeechQuality/
├── ICSIplus/                                        # NXT core + contrib v1.0
│   ├── (mêmes dossiers que ICSI/)
│   └── Contributions/
│       ├── Anno22L/
│       ├── AutomaticProsody/
│       ├── AutomaticSpeechRecognition/
│       ├── AutomaticTopics/
│       ├── BalesCodings/
│       ├── ExtractiveSummaries/
│       ├── GalleyTopics/
│       ├── Summarization/
│       ├── TNOTopics/
│       ├── TopicSegmentation/
│       ├── WredeHotspots/
│       ├── subjectivity/
│       └── README
└── ICSI_original_transcripts/
    ├── doc/
    ├── index.html
    └── transcripts/<meeting>.mrt                    # 77 .mrt

Meetings disponibles (75)

Bdb001, Bed002..Bed006, Bed008..Bed017,
Bmr001..Bmr003, Bmr005..Bmr016, Bmr018..Bmr031,
Bns001..Bns003,
Bro003..Bro005, Bro007..Bro008, Bro010..Bro019, Bro021..Bro028,
Bsr001, Btr001..Btr002, Buw001

Format NXT (exemple Segments)

xml
<?xml version="1.0" encoding="ISO-8859-1"?>
<nite:root nite:id="Bdb001.A.segs" xmlns:nite="http://nite.sourceforge.net/">
  <segment nite:id="Bdb001.segment.11"
           starttime="9.798" endtime="11.268" participant="mn017"
           timing-provenance="segment">
    <nite:child href="Bdb001.A.words.xml#id(Bdb001.vocalsound.3)"/>
  </segment>
  ...
</nite:root>

Pour construire un RTTM standard à partir des segments NXT :

python
from glob import glob
from xml.etree import ElementTree as ET

NS = {"nite": "http://nite.sourceforge.net/"}
for seg_xml in glob("ICSI/Segments/*.segs.xml"):
    root = ET.parse(seg_xml).getroot()
    meeting = root.attrib["{http://nite.sourceforge.net/}id"].split(".")[0]
    for seg in root.findall("segment"):
        spk  = seg.attrib["participant"]
        t0   = float(seg.attrib["starttime"])
        t1   = float(seg.attrib["endtime"])
        print(f"SPEAKER {meeting} 1 {t0:.3f} {t1-t0:.3f} <NA> <NA> {spk} <NA> <NA>")

Utilisation

python
from huggingface_hub import snapshot_download

root = snapshot_download("ggfox00000/dia-ICSIMeetingCorpus-all", repo_type="dataset")
# root/Signals/<meeting>/<meeting>.interaction.wav
# root/ICSI/Segments/<meeting>.<chan>.segs.xml
# root/ICSIplus/Contributions/...

Source

  • —ICSI Meeting Corpus — https://groups.inf.ed.ac.uk/ami/icsi/
  • —Annotations NXT — AMI/ICSI Consortium
  • —Janin et al. 2003, The ICSI Meeting Corpus, ICASSP

Licence

CC-BY-4.0 — voir CCBY4.0.txt. Distribution miroir de la distribution officielle du AMI Consortium pour faciliter l'accès en recherche.

Citation

bibtex
@inproceedings{janin2003icsi,
  author    = {Janin, Adam and Baron, Don and Edwards, Jane and Ellis, Dan and Gelbart, David and Morgan, Nelson and Peskin, Barbara and Pfau, Thilo and Shriberg, Elizabeth and Stolcke, Andreas and Wooters, Chuck},
  title     = {The {ICSI} Meeting Corpus},
  booktitle = {ICASSP},
  year      = {2003},
}