Documentation des corpus

Corpus de mots illustrés

mots.csv / mots.json   929 fiches (une par mot illustré)
mots-outils.csv        135 mots-outils (sans image)
images/appli/          929 images, style simple et vectoriel (applications)
images/gouache/        929 images, style gouache (livres)
images/realiste/       929 images, style réaliste
defauts-connus.csv     images dont un défaut est connu
README.md, LICENCE.txt

Chaque image s'appelle <id>.png, l'id de la fiche (sans accent ni espace : elephant, ver-de-terre).

Champ	Contenu	Exemple
id	identifiant, nom des images	`chat`
mot	le mot	`chat`
article, genre, nombre	article défini, m/f, s/p	`le`, `m`, `s`
nature	nom, verbe, adjectif…	`nom`
themes	thèmes (animaux, nourriture, maison…)	`animaux`
ipa	transcription phonétique (API)	`ʃa`
syllabes_ecrites	découpage écrit : le e final forme une syllabe avec la consonne qui le précède (po-mme)	`chat`
syllabes_orales	découpage oral	`chat`
nb_syllabes, structure	nombre de syllabes, structure (C = consonne, V = voyelle)	`1`, `CV`
graphemes	alignement des graphies sur les phonèmes ; un phonème vide marque une lettre muette	`ch:ʃ\|a:a\|t:`

Dans le CSV, les syllabes sont séparées par -, les thèmes par , et les graphèmes par |. Le JSON contient les mêmes données sous forme de listes. La phonétique, les syllabes et l'alignement sont produits par NLP-FR, l'analyseur de Lectura, puis relus. Toutes les images sont générées par intelligence artificielle (FLUX.2 [klein] 4B, licence Apache 2.0).

Corpus de syllabes

data/syllabes.csv           4 946 syllabes
data/syllabes_liaison.csv   1 474 syllabes qui n'apparaissent qu'en liaison (/zɑ̃/ dans « les enfants »)
data/phonemes.csv           les phonèmes du français, puis les unités écrites d'un bloc (oi = /wa/, x = /ks/)
data/pedagogique.csv        1 269 sons et syllabes d'apprentissage, leçon par leçon
data/composants.csv         570 composants (attaques, noyaux, codas)
audio/siwis/                un son WAV par prononciation (22 050 Hz, 16 bits, mono)
README.md, LICENCE.txt

Quand une case contient plusieurs valeurs, elles sont séparées par ;, dans le même ordre d'une colonne à l'autre.

syllabes.csv et syllabes_liaison.csv donnent pour chaque syllabe sa transcription phonétique (syllabe_ipa, ex. de), ses graphies possibles de la plus fréquente à la moins fréquente (graphies, ex. des;dé;der;dée), son fichier son (son, ex. s0007.wav) et une graphie simple pour l'affichage (pseudo_ortho, ex. des). Une graphie comprend les lettres muettes de la syllabe (fants dans enfants).

`pedagogique.csv`
Colonne	Contenu	Exemple
ortho	le son ou la syllabe écrite	`gea`
phone	prononciation(s)	`ʒa`
sons	fichier(s) de `audio/siwis/`	`s0412.wav`
lecon	étape de la progression	`24`
dans_le_manuel	`oui` si la syllabe figure dans le manuel Lectura	`oui`

Chaque son est synthétisé seul, depuis sa phonétique, avec la voix siwis du synthétiseur vocal de Lectura, entraînée sur la SIWIS French Speech Synthesis Database (CC BY 4.0).