Avant de commander des données de parole code-switchée, quelqu’un pose toujours la question raisonnable : ne peut-on pas simplement utiliser ce qui est déjà public ?
La réponse dépend presque entièrement de la paire de langues dont vous avez besoin, et la répartition est bien plus déséquilibrée qu’on ne l’imagine.
« Existe-t-il des données publiques » est la mauvaise question. La bonne : « existe-t-il des données publiques pour ma paire, dans mon registre, enregistrées comme mes utilisateurs parlent réellement » — et c'est précisément sur ces trois qualificatifs que les corpus disponibles s'épuisent.
La recherche se concentre sur trois paires
Une revue systématique de 2025 sur la reconnaissance vocale end-to-end du code-switching a parcouru la littérature évaluée par les pairs en relevant les langues couvertes par chaque article. Son constat sur la concentration est net : trois paires représentent environ 76 % de tous les articles — mandarin-anglais, hindi-anglais et arabe-anglais.
Le mandarin-anglais à lui seul en couvre environ 55 %. L’hindi-anglais environ 11 %, le bengali-anglais environ 3 %.
Cela compte parce que l’attention de la recherche et la disponibilité des données avancent ensemble : les paires étudiées sont celles qui disposent de corpus, et les corpus se construisent là où la recherche se concentre.
Pour le mandarin-anglais, les données sont réellement là
Le tableau des jeux de données publics de la revue montre une vraie profondeur sur cette seule paire :
| Corpus | Année | Type de parole | Heures |
|---|---|---|---|
| ASRU 2019 | 2020 | Lue | 740 |
| TALCS | 2022 | Spontanée | 587 |
| SEAME | 2010 | Spontanée | 192 |
| ASCEND | 2022 | Spontanée | 10,6 |
Des centaines d’heures de mandarin-anglais spontané constituent une ressource réelle. Si c’est votre paire, le public peut porter un jeu d’évaluation, et peut-être davantage.
Deux détails méritent cependant d’être lus de près.
Le corpus le plus utilisé date de 2010. SEAME est le jeu de données le plus fréquemment employé dans la littérature examinée, présent dans environ 24 % des articles. Il a été publié en 2010. De la parole enregistrée en 2010 ne contient ni les noms de produits, ni les emprunts, ni le vocabulaire d’interface qu’un produit vocal de 2026 doit reconnaître — et ces termes insérés sont exactement là où la reconnaissance du code-switching échoue.
Le plus gros corpus est de la parole lue. ASRU 2019 est la plus grande entrée du tableau avec 740 heures, et il s’agit de lecture, non de parole spontanée. Taille et utilité ne sont pas ici la même variable.
Ailleurs, les chiffres s’effondrent
Hors de ces trois paires — et hors du mandarin-anglais à l’intérieur de celles-ci — le tableau change du tout au tout.
Selon le décompte de la revue, l’arabe est la langue la mieux servie après le mandarin : elle identifie huit jeux de données arabes de code-switching, plus que pour toute autre langue, pour la plupart conçus expressément pour cette recherche. Leurs volumes :
| Corpus | Paire | Heures |
|---|---|---|
| TunSwitch CS | arabe-français | 163,6 |
| Mixat | arabe émirati-anglais | 15 |
| QASR.CS | arabe-anglais | 12 |
| ZAEBUC-Spoken | arabe-anglais | 12 |
| ESCWA-CS | arabe-anglais | 2,8 |
| HAC | arabe-anglais | 2 |
Ailleurs : frison-néerlandais (FAME) 14 heures, allemand 3,4 heures, espagnol 35,7 heures. Un corpus multilingue de feuilletons sud-africains totalise 14,3 heures, dont environ 3,6 relèvent effectivement du code-switching.
Deux à quinze heures, c’est un jeu d’évaluation. De quoi mesurer un système, pas de quoi en adapter un.
Le jeu multilingue le plus large ne contient aucun code-switching spontané
L’objection évidente est CS-FLEURS, présenté à Interspeech 2025, qui couvre 113 paires code-switchées sur 52 langues — bien au-delà de tout le reste. Trois cents heures.
Sa composition est ce qui décide s’il résout votre problème :
| Sous-ensemble | Paires | Origine de la parole |
|---|---|---|
| Read-Test | 14 | Voix réelles lisant des phrases générées |
| XTTS-Train | 16 | Synthèse vocale générative |
| XTTS-Test1 | 16 | Synthèse vocale générative |
| XTTS-Test2 | 60 | Synthèse vocale générative |
| MMS-Test | 45 | Synthèse vocale concaténative |
Lue ou synthétique de bout en bout. L’ampleur est réelle et le jeu est une contribution authentique à un domaine qui manquait cruellement de couverture au-delà de trois paires — mais aucune de ces 113 paires n’est l’enregistrement de quelqu’un pratiquant réellement le code-switching en conversation.
Le domaine le dit lui-même
Ce n’est pas une critique extérieure. L’article ASCEND nomme le problème dès son ouverture :
Malgré la nature spontanée du code-switching dans la langue parlée conversationnelle, la plupart des travaux existants collectent des données de code-switching à partir de parole lue plutôt que spontanée.
La distinction pèse ici plus que dans la plupart des tâches vocales. L’endroit où un locuteur bascule est dicté par le contexte conversationnel : ce que l’autre vient de dire, quel concept n’a pas d’équivalent confortable dans la langue de base, si un terme vient du travail ou de l’école. Un lecteur qui suit un script bascule là où le script l’indique. La position, la densité et l’hésitation autour de la bascule diffèrent toutes — et ce sont précisément les signaux que le modèle doit apprendre.
Les corpus publics peuvent généralement fournir un jeu d'évaluation, et pour le mandarin-anglais davantage. Ils fournissent rarement des données d'adaptation, car celles-ci doivent correspondre à votre scénario, votre registre et votre variété de marché — et un corpus public a été construit pour ceux de quelqu'un d'autre.
Que faire de tout cela avant de commander
Confrontez d’abord votre paire à cette liste. Si vous construisez pour le cantonais-anglais, le tagalog-anglais, le thaï-anglais, le vietnamien-anglais ou le coréen-anglais, la réponse honnête est qu’il n’existe presque rien de public — et un prestataire qui affirme le contraire mérite d’être interrogé de près.
Séparez la question de l’évaluation de celle de l’entraînement. Exigences différentes, réponses différentes. Un corpus public de dix heures peut faire un excellent banc d’essai tout en étant inutile pour l’adaptation. Trancher les deux d’un coup est la façon dont on finit sans ni l’un ni l’autre.
Faites correspondre l’époque et le registre, pas seulement la langue. Un corpus de 2010 et un produit de 2026 divergent sur le vocabulaire. Un corpus lu et une ligne de support réelle divergent sur l’endroit où tombent les bascules. Aucun de ces écarts n’apparaît dans un chiffre d’heures.
Sachez ce que vous achetez quand vous achetez du synthétique. La parole code-switchée générée est utile pour l’augmentation et pour la couverture, et la communauté de recherche l’emploie exactement à ces fins. Elle hérite du comportement aux frontières de bascule du modèle qui l’a produite — c’est-à-dire du comportement que vous cherchiez à mesurer.
Sources
- Agro, Kulkarni, Kadaoui, Talat et Aldarmaki, Code-Switching in End-to-End Automatic Speech Recognition: A Systematic Literature Review, arXiv:2507.07741 — chiffres de concentration et tableau des jeux de données.
- Lovenia, Cahyawijaya, Winata et al., ASCEND: A Spontaneous Chinese-English Dataset for Code-switching in Multi-turn Conversation, LREC 2022, arXiv:2112.06223. Citation traduite par nos soins.
- Yan, Hamed, Shimizu et al., CS-FLEURS: A Massively Multilingual and Code-Switched Speech Dataset, Interspeech 2025, arXiv:2509.14161.
Sur les raisons pour lesquelles ces données doivent être enregistrées plutôt que collectées ou générées, et sur ce que contient une spécification de production, voir données vocales code-switching : la frontière que l’IA multilingue ne peut pas contourner. Notre travail de données linguistiques pour les équipes IA couvre la collecte et la validation de parole code-switchée sur les paires de langues asiatiques, avec consentement et provenance documentés par contributeur et par lot. Si vous cadrez une paire et voulez une réponse directe sur ce qui existe, commencez ici.