Données linguistiques IA

Parole, transcription et évaluation
pour prestataires linguistiques et équipes IA

Collecte de parole, validation de transcription et évaluation en langues asiatiques et en code-switching, sur demande.

Commencer par un lot pilote gratuit →
Par où commencer
Un lot pilote à votre spécification, avant tout engagement
1 · Vous envoyez la spécification

Paire de langues, scénario, format, et ce qu’est pour vous une bonne transcription. Une page suffit pour démarrer.

2 · Nous enregistrons et validons un petit lot

Des bilingues naturels dans votre registre, vérifiés aux points de bascule et contre votre convention de transcription avant de vous parvenir.

3 · Vous vérifiez et décidez

Si le lot passe votre relecture, la chaîne de production tourne sur la même spécification. Sinon, vous n’avez rien dépensé.

Cadrer un lot pilote →
Ce que nous faisons
Ce que nous faisons,
et à quel volume
Translia est une société de données linguistiques et de localisation certifiée ISO 17100 et ISO 18587, basée à Pékin et Hong Kong, spécialisée dans les données vocales en langues asiatiques et l'audio de code-switching pour l'entraînement IA. Nous construisons des données d'entraînement et d'évaluation avec des locuteurs natifs vérifiés, en équipes locales menées par un chef d’équipe, pour les langues et scénarios que les fournisseurs généralistes trouvent difficiles à sourcer.
7variantes de langues en production continue
Hebdocadence de lots, facturé à l'heure-effort
Fixeséquipes par langue
ISOprocessus certifiés 17100 / 18587
Services
Quatre lignes de données pour les équipes modèles

Collecte de parole

Parole scriptée et spontanée, conversations à deux locuteurs et enregistrements dialectaux. Sourcing géré de locuteurs avec spécifications techniques strictes (taux d'échantillonnage, configuration de canaux, environnement d'enregistrement et démographie) validées par lot.

Audio de code-switching

Sept locales de code-switching en production aujourd'hui, sept autres prêtes à activer. Le code-switching naturel est difficile à sourcer via les plateformes de crowdsourcing généralistes.

Transcription & validation

Transcription et QA de validation multilingues sur des délais par lot et directives définies par le client — le point de contrôle qualité entre l'audio brut et des données d'entraînement utilisables.

Évaluation MT & LLM

Adéquation, fluidité, classement et LQA par des évaluateurs natifs — jugement humain sur la sortie du modèle, appliqué de façon cohérente et à grande échelle entre langues.

Comment tourne la production
Un pipeline qui survit aux échéances hebdomadaires
Chaque lot suit les mêmes cinq étapes.
1 · Intake

Import de lot, contrôle d'alignement audio-référence, confirmation du périmètre — les écarts sont signalés avant le début.

2 · Affectation

Une équipe de langue fixe prend les tâches sur notre plateforme de tâches, et le contexte se transmet d'un lot à l'autre.

3 · Production

Travail guidé par directives avec journalisation de l'effort par fichier — capacité prévisible, fichiers problématiques repérés tôt.

4 · QA

Relecture en deuxième passe contre un guide de variantes écrit, amendé après chaque cycle de correction.

5 · Livraison

Export avec rapport d'effort et journal des corrections, pour que le même problème ne revienne pas.

Couverture linguistique
zh-CN Mandarin simplifié zh-TW Mandarin de Taïwan yue-HK Cantonais ko-KR Coréen ja-JP Japonais tl-PH Tagalog tr-TR Turc + des équipes locales sur chaque marché, chacune avec un chef d’équipe

Ce que chaque locale a livré : capacité en langues asiatiques. Vous nous référencez comme fournisseur ? Notes pour les responsables fournisseurs.

Couverture code-switching
Quatorze locales de code-switching,
dont sept en production aujourd'hui

La reconnaissance vocale peine encore sur la parole code-switchée, et les locuteurs qui alternent naturellement sont difficiles à trouver en filtrant une foule sur la langue maternelle. Translia opère des équipes de locuteurs natifs sur sept locales de code-switching en production aujourd'hui, avec sept autres prêtes à activer, chacune avec consentement et provenance documentés par contributeur.

En production aujourd'hui

Cantonais–anglais (Hong Kong) · Mandarin–anglais (Chine continentale) · Mandarin de Taïwan–anglais · Japonais–anglais · Coréen–anglais · Tagalog–anglais (Taglish) · Turc–anglais

Prêtes à activer

Hindi–anglais (Hinglish) · Malais–anglais · Tamoul–anglais · Indonésien–anglais · Thaï–anglais · Vietnamien–anglais · Arabe du Golfe–anglais

Pourquoi Translia
Équipes locales,
consentement documenté

Un partenaire responsable

Une seule société responsable. Contributeurs sourcés et vérifiés, conformité stricte aux specs, confirmation qualité par lot.

Des variantes que d'autres ne trouvent pas

Cantonais de Hong Kong, mandarin de Taïwan, mandarin simplifié et variantes régionales — plus coréen, japonais, philippin, turc et un ensemble croissant. Les variantes que les généralistes traitent comme des cas limites sont notre cœur.

Équipes locales, capacité élastique

Des équipes locales sur chaque marché, chacune menée par un chef d’équipe, donnent un socle stable où le contexte s'accumule et absorbent les pics hebdomadaires sans recommencer l'onboarding. Une plateforme en self-service gère répartition, livraison et suivi QA.

Consentement & provenance

Consentement documenté par contributeur et provenance suivie par lot : origine et licence auditables.

Certifié & contrôlé

Certifié ISO 17100 et ISO 18587, avec une relecture structurée intégrée à la livraison plutôt qu'ajoutée après coup.

D'entreprise à entreprise

Nous accompagnons de grands fournisseurs de plateformes IA et de plus grandes sociétés de données comme partenaire de production sous-traité, d'entreprise à entreprise.

Agents vocaux
Vous construisez un agent vocal pour des appelants qui changent de langue en pleine phrase ?

Les agents vocaux de centres de contact à Hong Kong, Taïwan, Singapour, en Malaisie et aux Philippines prennent des appels qui commencent dans une langue et finissent dans une autre. Les benchmarks publiés sur le code-switching rapportent des taux d’erreur plusieurs fois supérieurs à la référence monolingue, et les erreurs se concentrent aux points de bascule (le nom de produit, le nombre, l’emprunt au milieu de la phrase) là où se trouve précisément la valeur d’un appel. Aucun paramètre de configuration ne corrige une distribution que le modèle n’a jamais vue.

Mesurer au point de bascule

Un jeu d’évaluation construit à partir de vos propres scénarios d’appel, noté aux points de bascule plutôt qu’en moyenne par phrase, montre ce que l’agent rate réellement avant de vous engager sur un moteur ou un fine-tuning.

Adapter avec de l’alternance naturelle

Des données d’adaptation enregistrées par des personnes qui mélangent les deux langues au quotidien, dans votre registre (appels support, lignes de rendez-vous, confirmations de commande) sans script.

Un consentement qui couvre l’entraînement

Le consentement de chaque contributeur couvre l’usage commercial en entraînement d’IA, avec provenance par lot, pour que les données entrent dans un modèle de production sans lacune documentaire.

Sept locales en production (cantonais, mandarin, mandarin de Taïwan, japonais, coréen, tagalog et turc, chacun avec l’anglais) et sept autres prêtes à activer. Commencez par un lot pilote cadré sur votre scénario d’appel.

Ce que cela coûte
Pourquoi cela ne se facture pas comme de l'audio crowdsourcé

Les acheteurs de données vocales arrivent généralement avec un tarif horaire issu des prestataires de collecte généralistes. Ce chiffre facture du temps d'enregistrement, et il suppose que les contributeurs se trouvent en filtrant un vivier sur la langue maternelle déclarée.

Pourquoi ce filtre échoue ici

Filtrer sur « locuteur natif du cantonais » renvoie des gens qui parlent cantonais, mais pas forcément des gens qui passent du cantonais à l'anglais comme le font vos appelants. Ils lisent le script. Ils prononcent les mots anglais avec soin et en entier. Ce qui arrive, c'est de l'audio monolingue contenant des emprunts, précisément le cas que la reconnaissance vocale généraliste traite déjà. Le comportement d'alternance que vous achetiez (où tombe la bascule, sa densité, ce qui arrive à la syllabe qui la précède) n'y est pas, et ne se récupère pas en post-production.

Le travail, c'est donc le recrutement

Nous recrutons sur la manière dont les gens parlent réellement au quotidien, dans le registre et le scénario dont vous avez besoin. Cette étape de sélection est la partie coûteuse de la chaîne, et c'est elle qui décide si l'audio est exploitable. L'enregistrement est la moitié bon marché.

Mesuré sur une chaîne en production

Sur un programme de plusieurs mois couvrant des dizaines de lots dans sept directions linguistiques asiatiques pour un grand programme d'IA mondial, chaque lot sur un délai court, avec une échéance interne six heures avant celle du client pour laisser place à la relecture. La sélection reposait sur une alternance démontrée ; dès le deuxième mois, le temps par tâche est passé sous la moitié de celui du premier mois pour la plupart des langues.

C'est là l'argument du prix : une heure d'enregistrement coûte peu, et une heure avec le mauvais locuteur coûte le lot entier.

En production
À quoi ressemble la ligne en pratique

Code-switching, du pilote à l'échelle en semaines

Passage d'un programme d'enregistrement de code-switching cantonais-anglais du pilote à des centaines de scripts en trois semaines pour un grand programme d'IA mondial — lots acceptés, qualité confirmée.

Validation de transcription en continu

Exploitation d'une ligne de validation de transcription multilingue en continu sur des dizaines de variantes, avec livraisons hebdomadaires dans la chaîne d'approvisionnement de données d'un grand fournisseur de plateforme IA.

Conversationnel à deux voix, réglé à l'entrée

Des centaines de scripts d'appels de service cantonais-anglais à deux locuteurs, enregistrés localement sur pistes séparées. Le premier lot est revenu avec des reprises : la diaphonie du casque avait enregistré chaque locuteur dans le canal de l'autre, et les deux pistes ne démarraient pas ensemble. Le correctif est passé dans la spécification : un décompte de synchronisation en tête de chaque prise, une règle d'écoute intra-auriculaire et de niveau, et une vérification des pistes fusionnées avant livraison. Les lots suivants sont passés du premier coup.

Les programmes clients sont confidentiels. Ceci décrit le travail, pas les parties impliquées.

Conçu pour l'ère de la réglementation

La provenance d'abord, par conception

La réglementation de l'IA transforme la documentation des données en exigence d'achat. Sous les obligations de transparence de l'AI Act de l'UE, les fournisseurs de systèmes d'IA doivent de plus en plus montrer d'où viennent leurs données d'entraînement et à quelles conditions. Chaque contributeur donne un consentement documenté, chaque lot a ses propres registres, et les métadonnées de livraison sont prêtes pour un audit.

Spécifications en un coup d'œil
Produit selon la spec,
documenté selon la spec

Translia livre des jeux de données de parole en langues asiatiques et de code-switching selon la spécification client : échantillonnage 16–48 kHz en WAV ou FLAC, mono ou double canal séparé, registres du lu au conversationnel, composition des locuteurs équilibrée par genre, tranche d'âge et accent régional. Chaque lot inclut un QA technique par lot, des métadonnées prêtes à l'ingestion, et des registres documentés de consentement et de provenance adaptés aux exigences de documentation de la réglementation IA.

Audio & format

16–48 kHz WAV/FLAC · mono ou double canal séparé · lu, semi-dirigé ou conversationnel · environnements calmes et bruités selon la spec.

Locuteurs & couverture

Locuteurs natifs équilibrés par genre et tranche d'âge · prononciation régionale contrôlée · paires de code-switching dont cantonais–anglais et mandarin–anglais.

QA & métadonnées

QA technique par lot · ID locuteur, ID lot, étiquettes d'environnement et de canal · validation de transcription en seconde couche.

Questions fréquentes
Données linguistiques IA,
en clair

Quelles langues couvrez-vous pour les données IA ?

Les langues asiatiques et leurs variantes (cantonais de Hong Kong, mandarin de Taïwan, mandarin simplifié et autres variantes chinoises) aux côtés du coréen, japonais, philippin, turc et d'un ensemble croissant. Nous traitons aussi le code-switching (cantonais-anglais, mandarin-anglais).

Disposez-vous de jeux de données existants, licenciables immédiatement ?

Non — il n'y a pas de catalogue sur étagère ici, et pour la parole code-switchée en langues asiatiques c'est la réponse honnête. Ce qui détermine si un jeu de données résout votre problème, c'est sa composition : quelle paire de langues, quel registre, quel scénario, et de quand datent les enregistrements. Les corpus code-switchés licenciables se concentrent très fortement sur quelques paires, et une grande part de ce qui existe est de la parole lue ou synthétisée plutôt que des personnes qui alternent réellement en conversation — utile pour mesurer un système, rarement suffisant pour en adapter un (nous avons passé en revue les corpus publics et leurs sources ici). Nous produisons sur spécification, à partir d'un lot pilote calibré sur votre scénario. Si vous cherchez un jeu d'évaluation et qu'un corpus public couvre votre paire, nous vous le dirons.

Comment garantissez-vous provenance et consentement ?

Chaque contributeur travaille sous consentement documenté, avec provenance suivie par contributeur et par lot. Société certifiée ISO 17100 et ISO 18587 : l'origine, la licence et le traitement des données sont auditables.

Pouvez-vous respecter des spécifications techniques strictes ?

Oui. La collecte vocale suit des spécifications strictes (taux d'échantillonnage, configuration des canaux, environnement d'enregistrement, profil démographique des locuteurs et conception des scripts) validées lot par lot avant livraison. Transcription et évaluation suivent les consignes définies par le client, avec QA sur chaque lot.

Travaillez-vous en sous-traitance pour de plus grandes sociétés de données ?

Oui — nous accompagnons de grands fournisseurs de plateformes d'IA et des sociétés de données plus importantes dans une relation d'entreprise à entreprise, en apportant des équipes locales en langues asiatiques et en audio code-switché que les prestataires généralistes ne savent pas sourcer facilement.

En quoi est-ce différent des plateformes de données crowdsourcées ?

Nous travaillons avec des équipes locales de locuteurs natifs, avec une seule société responsable : locuteurs natifs sélectionnés et vérifiés, conformité stricte aux spécifications, consentement et provenance documentés, et confirmation qualité lot par lot. C'est ce qui compte le plus sur les cas difficiles : le code-switching et les variantes asiatiques peu dotées.

Que se passe-t-il quand les références ne correspondent pas à l'audio ?

Chaque lot passe par un contrôle d'alignement à l'intake. Les écarts (fichiers recoupés, scripts révisés) sont signalés avant le début de la production.

Comment facturez-vous et gérez-vous les volumes fluctuants ?

Parole et validation sont généralement facturées à l'heure-effort avec journalisation par fichier ; la collecte est devisée à l'unité livrable. Des équipes locales sur chaque marché, menées par un chef d’équipe, assurent un socle stable et absorbent les pics hebdomadaires sans recommencer l'onboarding.

Votre production de données soutient-elle les exigences de documentation de la réglementation IA, comme l'AI Act de l'UE ?

Oui. Chaque contributeur fournit un consentement documenté ; des registres de sourcing et de lot sont tenus pour chaque livraison ; les métadonnées sont auditables. Nous ne fournissons pas de conseil juridique, mais notre production est conçue pour que les fournisseurs d'IA puissent satisfaire aux obligations de documentation de transparence et de provenance.

À qui appartiennent les droits sur les données livrées ?

Au client commanditaire, selon la structure de licence convenue par projet. Le consentement des locuteurs est recueilli par écrit et couvre l'usage commercial pour l'entraînement d'IA ; nous ne conservons aucun droit de réutilisation sauf accord explicite. La documentation des droits (portée du consentement, usages autorisés, registres de provenance) accompagne chaque livraison.

Quels formats de livraison et métadonnées fournissez-vous ?

Audio en WAV ou FLAC au taux d'échantillonnage convenu, séparation des canaux préservée ; transcriptions et annotations en JSON, TSV ou votre schéma ; métadonnées par élément (ID locuteur, tranche démographique, étiquettes d'environnement et de canal) plus résultats QA par lot, livrés par transfert sécurisé.

Nos propres contenus ou données servent-ils à entraîner des modèles d'IA ?

Seul ce que vous nous commandez de produire constitue des données d'entraînement — jamais vos propres documents. Tout contenu client transmis à des fins de référence, de spécification ou d'évaluation est traité sous nos clauses de confidentialité standard et, lorsqu'un outil d'IA intervient, uniquement via des offres API entreprise configurées avec zéro rétention de données (ZDR) et désactivation de l'entraînement ; aucun matériel client ne passe par des outils d'IA gratuits ou grand public. Les jeux de données livrés sont concédés sous licence au client commanditaire, avec la portée du consentement et les registres de provenance.

Sur demande, nous divulguons les moteurs utilisés sous NDA et signons votre propre accord de traitement des données (DPA).

Pouvez-vous sourcer des données vocales code-switchées ?

Oui — c'est l'une de nos lignes centrales. Les locuteurs qui alternent naturellement sont difficiles à trouver en filtrant une foule sur la langue maternelle ; nous utilisons des équipes de locuteurs natifs briefées sur le scénario et le registre. Sept locales sont en production aujourd'hui : cantonais–anglais, mandarin–anglais, mandarin de Taïwan–anglais, japonais–anglais, coréen–anglais, tagalog–anglais, turc–anglais ; sept autres sont prêtes à activer : hindi–anglais, malais–anglais, tamoul–anglais, indonésien–anglais, thaï–anglais, vietnamien–anglais et arabe du Golfe–anglais.

Les formats lu, spontané et conversationnel à deux locuteurs sont tous pris en charge, avec consentement et provenance documentés par contributeur. Un lot pilote gratuit permet de vérifier le traitement des points de bascule et la convention de transcription selon votre spécification avant tout engagement.

Notre produit vocal reçoit des appelants qui mélangent deux langues dans une même phrase — comment la reconnaissance vocale peut-elle suivre ?

Traitez-le comme un problème de données. La reconnaissance vocale généraliste se dégrade précisément aux points de bascule (noms de produits imbriqués, nombres, emprunts) parce qu'elle est entraînée sur des corpus monolingues, et aucun paramètre ne compense une distribution que le modèle n'a jamais vue. La voie qui fonctionne : évaluer sur de l'audio code-switché réel issu de vos propres scénarios d'appel, mesuré aux points de bascule plutôt qu'au taux d'erreur moyen par phrase, puis adapter le modèle avec des données enregistrées par de vrais bilingues selon votre scénario et votre registre.

Cette production enregistrée sur spécification est notre métier : lignes de rendez-vous, appels de support client, formats conversationnels, briefés sur votre vocabulaire métier, sur les paires listées ci-dessus.

Comment évaluer un fournisseur de reconnaissance vocale sur le code-switching ?

Trois tests, sans nommer aucune marque. Un : évaluer sur de l'audio code-switché réel de votre locale cible (pas sur le jeu de démonstration du fournisseur) en notant la précision aux points de bascule, pas en moyenne par phrase. Deux : vérifier que les entités nommées et les emprunts survivent — les noms de produits imbriqués dans l'autre langue concentrent la valeur commerciale d'un appel, et c'est là que les modèles les « corrigent » en bruit. Trois : demander avec quelles données le système peut être adapté — un fournisseur incapable de fine-tuner sur de l'audio code-switché naturel a pour plafond sa précision actuelle.

Quel que soit le moteur retenu, ce qui fait la différence, c'est le jeu d'évaluation et les données d'adaptation derrière. Les construire avec de vrais bilingues, sur spécification, c'est la partie que nous fournissons.

Nous construisons un agent vocal pour un centre de contact où les appelants mélangent cantonais et anglais. De quelles données avons-nous besoin, et en quelle quantité ?

Deux jeux. Un jeu d’évaluation d’abord : de vrais appels ou des reconstitutions réalistes de votre scénario, transcrits selon une convention qui marque les points de bascule, pour noter l’agent là où il échoue. Puis des données d’adaptation, si l’évaluation révèle un écart que le moteur ne comble pas seul : des enregistrements par des bilingues naturels dans votre registre et votre vocabulaire. La quantité dépend de l’endroit où sont les erreurs (aux points de bascule, dans le vocabulaire métier, ou dans l’acoustique) et c’est précisément ce qu’un lot pilote révèle. Nous cadrons le pilote sur votre scénario d’appel avant de chiffrer une chaîne de production.

Vous livrez aussi de la traduction automatique ? Le même réseau de linguistes assure la relecture humaine et l'évaluation de traductions IA — post-édition ISO 18587 et LQA, à la demande.

Vous entraînez des modèles qui ont besoin de données asiatiques ?

Donnez-nous les langues, les specs et le volume — nous commençons par un lot pilote.

Commencer par un lot pilote gratuit →