gnakalehacker/coupe-decale-instrumental-v0-1

---

license: CC BY 4.0 language:

• fr
• en
pretty_name: Mandia Coupé-Décalé Instrumental Dataset v0.1 tags:
• audio
• musique
• coupe-decale
• cote-divoire
• african-music
• text-to-music
• music-generation
• music-information-retrieval
• audio-tagging
• bpm
• demucs
• clap

---

Mandia Coupé-Décalé Instrumental Dataset v0.1

Présentation

Mandia Coupé-Décalé Instrumental v0.1 est un dataset de recherche consacré au coupé-décalé ivoirien.

Cette première version publique contient les métadonnées, annotations, manifests et splits construits à partir d’un corpus musical nettoyé et analysé.

Le corpus de travail correspondant représente :

• 236 morceaux uniques retenus
• 1 838 segments instrumentaux
• 15,492 heures de contenu exploitable
• segments d’environ 30 secondes
• captions en français et anglais
• annotations de tempo, énergie, tonalité et caractéristiques rythmiques
• tags sémantiques audio
• splits train / validation / test

Important : les fichiers audio sources et les 1 838 segments audio ne sont pas redistribués dans cette release publique. Cette version publie principalement les annotations et métadonnées associées.

---

Objectif

Le projet vise à documenter et structurer des données musicales autour du coupé-décalé ivoirien afin de faciliter la recherche et l’expérimentation sur :

• la génération musicale ;
• le text-to-music ;
• les modèles audio africains ;
• la classification et le tagging audio ;
• le Music Information Retrieval ;
• la représentation audio ;
• l’analyse des rythmes et caractéristiques du coupé-décalé.

Cette version v0.1 constitue une première base expérimentale et ne prétend pas représenter l’ensemble de l’histoire, des artistes ou des sous-styles du coupé-décalé.

---

Statistiques

Élément	Valeur
Morceaux finaux	236
Segments documentés	1 838
Durée totale	15,492 h
Durée cible d’un segment	~30 s
Captions françaises	1 838
Captions anglaises	1 838
BPM disponible	236 / 236
Tonalité estimée	236 / 236
Artistes identifiés ou candidats	partiel
Format de travail audio	FLAC PCM16

---

Splits

Les données ont été divisées en trois ensembles.

Train

• 186 morceaux
• 1 469 segments
• 12,394 heures

Validation

• 26 morceaux
• 185 segments
• 1,551 heure

Test

• 24 morceaux
• 184 segments
• 1,547 heure

Lorsque l’artiste est identifié, les morceaux d’un même artiste sont regroupés dans un seul split.

Ainsi, aucun artiste connu n’est volontairement partagé entre train, validation et test.

Pour les morceaux dont l’artiste n’a pas encore été identifié avec suffisamment de confiance, l’isolation est garantie au niveau du morceau.

---

Comment les données ont été collectées

Le corpus source a été constitué à partir de plusieurs playlists publiques consacrées au coupé-décalé.

La collecte initiale a produit plusieurs centaines de fichiers musicaux.

Les données ont ensuite été soumises à un pipeline de nettoyage et d’analyse afin de ne conserver que les morceaux exploitables pour cette version du dataset.

La collecte par playlists a permis d’obtenir une diversité importante d’artistes plutôt que de construire le corpus autour de la discographie d’un seul artiste.

---

Pipeline de préparation

Le pipeline de préparation comprend notamment :

1. collecte des sources musicales ;
2. extraction et conversion audio ;
3. sauvegarde et versionnement des fichiers de travail ;
4. séparation voix / instrumental avec Demucs htdemucs ;
5. contrôle d’intégrité audio ;
6. mesure du silence ;
7. détection du clipping ;
8. contrôle des durées et sample rates ;
9. détection des doublons exacts ;
10. détection des quasi-doublons avec Chromaprint ;
11. analyse du contenu musical / parole ;
12. suppression d’interviews détectées et confirmées ;
13. segmentation des instrumentaux ;
14. estimation du BPM ;
15. revue humaine des cas de tempo half-time / double-time ambigus ;
16. estimation de la tonalité et du mode ;
17. calcul de caractéristiques rythmiques et énergétiques ;
18. analyse sémantique audio avec CLAP ;
19. génération de captions structurées en français et en anglais ;
20. création de splits limitant les fuites entre morceaux et artistes connus.

---

Contrôle qualité

Le corpus initial a été soumis à plusieurs contrôles.

Après nettoyage :

• aucun fichier du corpus final n’a été rejeté pour corruption ;
• les quasi-doublons identifiés ont été exclus du corpus d’entraînement ;
• les contenus identifiés comme interviews ont été retirés ;
• les morceaux présentant certains problèmes techniques ont été isolés du corpus principal ;
• le corpus final utilisé par cette release contient 236 morceaux uniques.

La déduplication acoustique a utilisé Chromaprint afin d’identifier des réuploads ou versions quasi identiques même lorsque les fichiers binaires différaient.

---

BPM et tempo

Le BPM a d’abord été estimé automatiquement.

La distribution initiale a révélé certains cas possibles de half-time ou double-time.

Une revue humaine ciblée a ensuite été effectuée sur 15 morceaux ambigus :

• 11 ont utilisé l’interprétation alternative du tempo ;
• 4 ont conservé l’estimation originale.

Le corpus final présente notamment :

• BPM moyen : 130,608
• BPM médian : 129,199
• BPM minimal : 66,256
• BPM maximal : 198,768

Les champs permettent de distinguer :

• l’estimation automatique ;
• l’alternative proposée ;
• le BPM final utilisé ;
• la provenance automatique ou manuelle de la décision.

---

Tonalité et caractéristiques musicales

Le dataset contient également des estimations ou mesures telles que :

• tonalité ;
• mode majeur / mineur ;
• énergie ;
• densité rythmique ;
• taux d’attaques ;
• composante percussive ;
• composante harmonique ;
• caractéristiques spectrales.

Les tonalités sont des estimations algorithmiques et ne doivent pas être considérées comme des annotations humaines certifiées.

---

Analyse sémantique CLAP

Une analyse zero-shot a été réalisée avec CLAP.

Les principaux rapprochements sémantiques du corpus comprennent notamment :

• African dance music ;
• electronic dance music ;
• repetitive dance groove ;
• dance music.

Une seconde passe conservatrice a analysé les scores des labels relativement à leur distribution dans l’ensemble du corpus.

Seuls les signaux instrumentaux particulièrement élevés ont été retenus comme candidats high-confidence.

Dans la version finale :

• 53 morceaux sur 236 disposent d’au moins un tag instrumental considéré comme suffisamment fort par cette méthode.

Ces tags restent cependant des prédictions automatiques et ne sont pas considérés comme des annotations humaines vérifiées.

Les scores CLAP sont des mesures de similarité et non des probabilités calibrées.

---

Captions text-to-music

Chaque segment dispose d’une caption structurée en :

• français ;
• anglais.

Les captions peuvent décrire notamment :

• le genre ;
• le tempo ;
• l’énergie ;
• la densité rythmique ;
• le caractère percussif ;
• la tonalité estimée ;
• certains attributs sémantiques audio lorsqu’ils sont suffisamment fiables.

La première couche de captions est déterministe et construite à partir des métadonnées structurées.

Les enrichissements sémantiques restent clairement identifiés comme automatiques.

---

Structure des données

Les manifests peuvent notamment contenir les champs suivants :

Champ	Type	Description
segment_id	string	Identifiant unique du segment
track_id	string	Identifiant du morceau parent
audio_path	string	Chemin logique du segment dans le corpus de travail
start / start_seconds	float	Début du segment
end / end_seconds	float	Fin du segment
duration	float	Durée du segment
genre	string	Genre musical
bpm_final	float	BPM utilisé après contrôle
bpm_final_source	string	Provenance du BPM
bpm_verified	boolean	Indique une revue humaine ciblée
key_estimated	string	Tonalité estimée
mode_estimated	string	Mode estimé
energy_label	string	Classe d’énergie
segment_energy	float	Énergie normalisée
percussive_ratio	float	Ratio percussif
harmonic_ratio	float	Ratio harmonique
onset_rate	float	Densité d’attaques
caption_fr	string	Description française
caption_en	string	Description anglaise
semantic_style_1	string	Tag sémantique principal
high_confidence_instruments	string	Instruments candidats à forte confiance
split	string	Train, validation ou test

Tous les fichiers ne contiennent pas nécessairement l’ensemble de ces colonnes.

---

Fichiers de cette release

La release comprend notamment :

train.jsonl

Manifest du split d’entraînement.

validation.jsonl

Manifest du split de validation.

test.jsonl

Manifest du split de test.

tracks.csv

Métadonnées principales au niveau morceau.

semantic_tags.csv

Résultats consolidés de l’analyse sémantique audio.

dataset_card.json

Description structurée de la release.

checksums.sha256

Empreintes SHA-256 permettant de vérifier l’intégrité des fichiers de la release.

README_RIGHTS.md

Informations spécifiques concernant les droits et la redistribution.

mandia-coupe-decale-instrumental-v0.1.zip

Archive contenant les fichiers publics de cette release.

---

Ce que le dataset public ne contient pas

Cette release ne contient pas les enregistrements musicaux sources.

Elle ne contient pas non plus publiquement les fichiers audio segmentés utilisés dans le pipeline de recherche.

Les chemins audio présents dans certains manifests servent à documenter la structure du corpus de travail et ne garantissent pas que les fichiers audio correspondants soient distribués avec cette release.

---

Droits, licence et redistribution

La licence CC BY 4.0 appliquée à cette release concerne les éléments produits et publiés dans ce dépôt, notamment :

• métadonnées originales ;
• annotations ;
• statistiques ;
• documentation ;
• organisation des manifests.

Cette licence ne doit pas être interprétée comme accordant des droits sur les enregistrements musicaux sources.

Les sources musicales ont été collectées à partir de contenus accessibles publiquement en ligne.

Le fait qu’un contenu soit publiquement accessible ne signifie pas automatiquement qu’il peut être redistribué ou utilisé librement pour tous les usages.

Les fichiers audio ne sont donc pas redistribués dans cette première release publique tant que les droits correspondants n’ont pas été vérifiés.

---

Consentement et éthique

Ce dataset ne contient pas de données personnelles collectées directement auprès de participants dans le cadre d’une étude humaine.

Le corpus concerne des œuvres musicales publiquement accessibles.

Aucun consentement individuel supplémentaire n’a été collecté auprès des artistes ou ayants droit dans le cadre de cette version.

Pour cette raison, la release publique est limitée aux métadonnées, annotations et artefacts de recherche que nous pouvons publier, et n’inclut pas les enregistrements audio sources.

Les utilisateurs du dataset sont responsables de vérifier les droits applicables à leurs usages.

---

Limites

Cette version présente plusieurs limites :

• elle ne couvre pas toute l’histoire du coupé-décalé ;
• certaines générations et certains sous-styles peuvent être sous-représentés ;
• certains artistes ne sont pas encore identifiés ou vérifiés ;
• les tonalités sont estimées automatiquement ;
• la majorité des BPM proviennent d’une estimation automatique ;
• les tags CLAP sont générés automatiquement ;
• les captions ne constituent pas des descriptions humaines indépendantes ;
• la qualité des sources dépend des enregistrements disponibles initialement ;
• cette version contient environ 15,5 heures et doit être considérée comme une première release expérimentale.

De futures versions pourront enrichir :

• le nombre de morceaux ;
• les artistes couverts ;
• les périodes historiques ;
• les sous-styles tels que les formes contemporaines du coupé-décalé ;
• les annotations humaines ;
• les informations de licence ;
• les métadonnées historiques et culturelles.

---

Utilisations recommandées

Le dataset peut servir de base à des expérimentations sur :

• fine-tuning text-to-music ;
• génération musicale ;
• modèles audio spécialisés ;
• classification musicale ;
• tagging audio ;
• Music Information Retrieval ;
• analyse du coupé-décalé ;
• modèles culturels ou musicaux africains ;
• études sur les représentations audio.

---

Citation

Si vous utilisez cette release dans un projet ou une publication, merci de citer :

Mandia Coupé-Décalé Instrumental Dataset v0.1 — Mandia Dataset, 2026.

---

Version

v0.1 — septembre 2026

Première release publique du dataset.