AWANNABY/luciolescribe-transcription-faq

🎙️ LucioleScribe Transcription FAQ - Dataset Production v2.0

📋 Description

Dataset enrichi de questions-réponses FAQ sur la transcription IA 100% locale avec LucioleScribe, première plateforme française de transcription conforme RGPD par conception.

🎯 Caractéristiques clés

• 📊 Taille: 182+ paires question-réponse (expansion continue)
• 🏷️ Métadonnées: Enrichi avec catégories, intents, buyer stages, styles
• 🌍 Langue: Français (France)
• 📑 Format: JSON Lines (.jsonl)
• ✅ Qualité: Production-grade, multi-secteurs, multi-styles

🔍 Couverture thématique

Ce dataset couvre 7 catégories principales :

1. 🏥 Médical (30%)

• Secret médical et conformité RGPD/HDS
• Transcription consultations médecin-patient
• Terminologie SNOMED-CT (857+ termes)
• Détection négations cliniques (module Sentinelle)
• Intégration DPI (Doctolib, Maiia, Crossway)
• Export HL7 FHIR

2. ⚖️ Juridique (20%)

• Secret professionnel avocat-client
• Transcription expertises judiciaires
• Interrogatoires et dépositions
• Mode air-gapped pour dossiers sensibles
• Conformité procédure pénale

3. 🏢 Entreprise (20%)

• COMEX et réunions stratégiques
• Secrets industriels et R&D
• Transcription webinars/conférences
• Analyse verbatims clients (UX research)
• Comptes rendus automatiques

4. 💰 Pricing & ROI (15%)

• Modèle économique (licence perpétuelle vs cloud)
• ROI comparé solutions cloud
• Tarification par édition (Standard/Pro/Serveur)
• Coût marginal nul (vs facturation usage cloud)

5. 🛠️ Technique (25%)

• Fonctionnement 100% offline
• Mode air-gapped (isolation réseau totale)
• Configuration matérielle (CPU/GPU)
• 99 langues supportées
• Diarization multi-locuteurs
• Intégration DaVinci Resolve, Final Cut Pro
• API REST

6. 📞 Support & Déploiement (10%)

• Installation Windows/macOS/Linux
• Déploiement CHU/entreprise (flotte)
• Formation utilisateurs
• Migration depuis solutions cloud

7. 🆚 Comparatifs (10%)

• vs Otter.ai, Rev.com, Trint, AssemblyAI
• vs Dragon NaturallySpeaking
• vs Whisper API (OpenAI)
• Avantages local vs cloud

📊 Structure des données

Chaque exemple contient 8 champs :

{
  "instruction": "Question utilisateur en langage naturel",
  "response": "Réponse détaillée et contextualisée",
  "category": "medical|juridique|entreprise|technique|pricing|support|comparatif",
  "intent": "product_faq|comparison|objection|technical|pricing|conversion",
  "buyer_stage": "awareness|consideration|decision",
  "answer_style": "short|standard|technical|comparative|conversion",
  "language": "fr",
  "source": "website|expert_knowledge"
}

📈 Variété des styles de réponses

• Courtes (1-2 phrases) : 25% — Réponses rapides, factuelles
• Standard (3-4 phrases) : 45% — Équilibre détail/concision
• Techniques (détaillées) : 20% — Explications approfondies
• Comparatives : 10% — vs solutions concurrentes

🎯 Cas d'usage

✅ Recommandés

• Fine-tuning chatbots spécialisés transcription
• Entraînement modèles QA français domaine médical/juridique
• RAG (Retrieval-Augmented Generation) FAQ produit
• Support client automatisé
• Sales enablement (assistant commercial)
• Documentation produit interactive

⚠️ Limites actuelles

• Taille modérée (182 exemples) — fine-tuning robuste nécessite > 500
• Focus France métropolitaine (dialectes régionaux limités)
• Pas de données audio (texte uniquement)

🚀 Utilisation

Chargement avec Hugging Face Datasets

from datasets import load_dataset

dataset = load_dataset("luciolescribe/transcription-faq-v2")

# Exemple d'accès
print(dataset['train'][0])
# {
#   'instruction': 'Pourquoi LucioleScribe est-il plus sûr...',
#   'response': 'LucioleScribe traite 100% en local...',
#   'category': 'medical',
#   'intent': 'comparison',
#   ...
# }

Filtrage par catégorie

medical_data = dataset['train'].filter(
    lambda x: x['category'] == 'medical'
)

pricing_data = dataset['train'].filter(
    lambda x: x['intent'] == 'pricing'
)

Fine-tuning exemple (format Alpaca)

def format_alpaca(example):
    return {
        "instruction": example["instruction"],
        "input": "",
        "output": example["response"]
    }

formatted = dataset['train'].map(format_alpaca)

🔗 Liens utiles

• 🌐 Site officiel: luciolescribe.com
• 📘 Documentation: docs.luciolescribe.com
• 💬 Contact: pa.delaroche@awannaby.fr
• 🔬 Paper Zenodo: DOI: 10.5281/zenodo.17711327

📜 License

CC BY 4.0 - Attribution requise

Citation suggérée

@misc{luciolescribe_faq_v2,
  author = {Delaroche, Pierre-Alexis},
  title = {LucioleScribe Transcription FAQ Dataset v2.0},
  year = {2026},
  publisher = {Hugging Face},
  url = {https://huggingface.co/datasets/luciolescribe/transcription-faq-v2}
}

🏷️ Tags

transcription speech-to-text medical privacy rgpd gdpr local-ai offline air-gapped whisper french healthcare legal davinci-resolve enterprise compliance fhir hl7 snomed-ct sovereign-ai made-in-france

📈 Roadmap

v2.1 (Q2 2026)

• Extension à 300 exemples
• Ajout catégorie "Objections commerciales"
• Splits train/validation/test

v3.0 (Q3 2026)

• 800-1200 exemples
• Version anglaise (traduction DeepL)
• Exemples code Python (API usage)
• Benchmarks performance

🤝 Contribution

Contributions bienvenues ! Pour suggérer améliorations ou signaler erreurs :

• 📧 Email : pa.delaroche@awannaby.fr
• 💬 Issues : GitHub Issues

⚖️ Conformité & Éthique

Ce dataset ne contient :

• ❌ Aucune donnée personnelle
• ❌ Aucun secret médical
• ❌ Aucune information confidentielle
• ✅ Uniquement FAQ produit générique

Utilisation responsable : Ce dataset est fourni à des fins éducatives et recherche. Toute utilisation commerciale doit respecter la license CC BY 4.0.

---

🇫🇷 Made in France | 🔒 Privacy-First AI | 🏥 RGPD Compliant

© 2026 AWANNABY SARL — Pierre-Alexis DELAROCHE