Merge pull request #110 from lbourdois/main

Add French translation

.github/workflows/build_documentation.yml

@@ -14,7 +14,7 @@ jobs:
  package_name: audio-course
  path_to_docs: audio-transformers-course/chapters/
  additional_args: --not_python_module
- languages: en bn ko es zh-CN ru
+ languages: en bn ko es zh-CN ru fr
  secrets:
  token: ${{ secrets.HUGGINGFACE_PUSH }}
  hf_token: ${{ secrets.HF_DOC_BUILD_PUSH }}

.github/workflows/build_pr_documentation.yml

@@ -17,4 +17,4 @@ jobs:
  package_name: audio-course
  path_to_docs: audio-transformers-course/chapters/
  additional_args: --not_python_module
- languages: en bn ko es zh-CN ru
+ languages: en bn ko es zh-CN ru fr

chapters/fr/_toctree.yml

@@ -0,0 +1,119 @@
+- title: Unité 0. Bienvenue au cours !
+ sections:
+ - local: chapter0/introduction
+ title: Introduction
+ - local: chapter0/get_ready
+ title: Se préparer à suivre le cours
+ - local: chapter0/community
+ title: Rejoindre la communauté
+
+- title: Unité 1. Travailler avec des données audio
+ sections:
+ - local: chapter1/introduction
+ title: Ce que vous allez apprendre
+ - local: chapter1/audio_data
+ title: Introduction aux données audio
+ - local: chapter1/load_and_explore
+ title: Charger et explorer un jeu de données audio
+ - local: chapter1/preprocessing
+ title: Prétraitement des données audio
+ - local: chapter1/streaming
+ title: Streaming de données audio
+ - local: chapter1/quiz
+ title: Quiz
+ quiz: 1
+ - local: chapter1/supplemental_reading
+ title: Lectures et ressources complémentaires
+
+- title: Unité 2. Une introduction en douceur aux applications audio
+ sections:
+ - local: chapter2/introduction
+ title: Tour d'horizon des applications audio
+ - local: chapter2/audio_classification_pipeline
+ title: Classification audio avec un pipeline
+ - local: chapter2/asr_pipeline
+ title: Reconnaissance automatique de la parole avec un pipeline
+ - local: chapter2/hands_on
+ title: Exercice pratique
+
+- title: Unité 3. Architectures de transformers pour l'audio
+ sections:
+ - local: chapter3/introduction
+ title: Rappel sur les transformers
+ - local: chapter3/ctc
+ title: Architectures CTC
+ - local: chapter3/seq2seq
+ title: Architectures Seq2Seq
+ - local: chapter3/classification
+ title: Architectures de classification audio
+ - local: chapter3/supplemental_reading
+ title: Lectures et ressources complémentaires
+
+- title: Unité 4. Construire un classifieur de genres musicaux
+ sections:
+ - local: chapter4/introduction
+ title: Ce que vous allez apprendre et construire
+ - local: chapter4/classification_models
+ title: Modèles pré-entraînés pour la classification audio
+ - local: chapter4/fine-tuning
+ title: Finetuner un modèle de classification musicale
+ - local: chapter4/demo
+ title: Construire une démo avec Gradio
+ - local: chapter4/hands_on
+ title: Exercice pratique
+
+- title: Unité 5. Reconnaissance automatique de la parole
+ sections:
+ - local: chapter5/introduction
+ title: Ce que vous allez apprendre et construire
+ - local: chapter5/asr_models
+ title: Modèles pré-entraînés pour la reconnaissance automatique de la parole
+ - local: chapter5/choosing_dataset
+ title: Choisir un jeu de données
+ - local: chapter5/evaluation
+ title: Évaluation et métriques pour la reconnaissance automatique de la parole
+ - local: chapter5/fine-tuning
+ title: Comment finetuner un système de reconnaissance automatique de la parole avec l'API Trainer
+ - local: chapter5/demo
+ title: Construire une démo avec Gradio
+ - local: chapter5/hands_on
+ title: Exercice pratique
+ - local: chapter5/supplemental_reading
+ title: Lectures et ressources complémentaires
+#
+- title: Unité 6. Du texte à la parole
+ sections:
+ - local: chapter6/introduction
+ title: Ce que vous allez apprendre et construire
+ - local: chapter6/tts_datasets
+ title: Jeux de données de synthèse vocale
+ - local: chapter6/pre-trained_models
+ title: Modèles pré-entraînés pour la synthèse vocale
+ - local: chapter6/fine-tuning
+ title: Finetuner SpeechT5
+ - local: chapter6/evaluation
+ title: Évaluation des modèles de synthèse vocale
+ - local: chapter6/hands_on
+ title: Exercice pratique
+ - local: chapter6/supplemental_reading
+ title: Lectures et ressources complémentaires
+
+- title: Unité 7. Rassemblement de tous les éléments
+ sections:
+ - local: chapter7/introduction
+ title: Ce que vous apprendrez et ce que vous construirez
+ - local: chapter7/speech-to-speech
+ title: Traduction parole-à-parole 
+ - local: chapter7/voice-assistant
+ title: Créer un assistant vocal
+ - local: chapter7/transcribe-meeting
+ title: Transcrire une réunion
+ - local: chapter7/hands-on
+ title: Exercice pratique
+ - local: chapter7/supplemental_reading
+ title: Lectures et ressources complémentaires
+
+- title: Événements liés au cours
+ sections:
+ - local: events/introduction
+ title: Sessions en direct et ateliers

chapters/fr/chapter0/community.mdx

@@ -0,0 +1,25 @@
+# Rejoignez la communauté !
+
+Nous vous invitons à [rejoindre notre communauté sur Discord](http://hf.co/join/discord). Vous aurez la possibilité d'échanger avec des apprenants, de partager des idées et d'obtenir un retour d'information précieux sur vos exercices pratiques. Vous pouvez poser des questions, partager des ressources et collaborer avec d'autres.
+
+Notre équipe est également active sur Discord et se tient à votre disposition pour vous apporter son soutien et ses conseils en cas de besoin. Rejoindre notre communauté est un excellent moyen de rester motivé, engagé et connecté, et nous avons hâte de vous y voir !
+
+## Qu'est-ce que Discord ?
+
+Discord est une plateforme de chat gratuite. Si vous avez utilisé Slack, vous la trouverez assez similaire. Le serveur Discord d'Hugging Face abrite une communauté florissante de 18 000 experts, apprenants et passionnés d'IA dont vous pouvez faire partie.
+
+## Naviguer sur Discord
+
+Une fois inscrit à notre serveur Discord, vous devrez choisir les sujets qui vous intéressent en cliquant sur `#role-assignment` à gauche. Vous pouvez choisir autant de catégories différentes que vous le souhaitez. Pour rejoindre d'autres apprenants de ce cours, assurez-vous de cliquer sur "ML for Audio and Speech".
+Explorez les canaux et présentez-vous dans le canal `#introduce-yourself`.
+
+## Canaux du cours
+
+Il existe de nombreux canaux axés sur différents sujets sur notre serveur Discord. Vous y trouverez des gens qui discutent d'articles, organisent des événements, partagent leurs projets et leurs idées, font du *brainstorming*, et bien plus encore.
+
+En tant qu'apprenant du cours audio, vous trouverez peut-être les canaux suivants particulièrement pertinents :
+* `#audio-announcements` : mises à jour sur le cours, nouvelles de Hugging Face en rapport avec tout ce qui concerne l'audio, annonces d'événements, et plus encore.
+* `#audio-study-group` : un lieu pour échanger des idées, poser des questions sur le cours et entamer des discussions.
+* `#audio-discuss` : un endroit général pour discuter de tout ce qui concerne l'audio.
+
+En plus de rejoindre le canal `#audio-study-group`, n'hésitez pas à créer votre propre groupe d'étude, apprendre ensemble est toujours plus facile !

chapters/fr/chapter0/get_ready.mdx

@@ -0,0 +1,24 @@
+# Se préparer à suivre le cours
+
+Nous espérons que vous êtes impatient de commencer le cours, et nous avons conçu cette page pour nous assurer que vous avez tout ce dont vous avez besoin pour vous lancer !
+
+## Étape 1. Avoir un compte Hugging Face
+
+Si vous n'en avez pas encore, créez [un compte Hugging Face](https://huggingface.co/join) (c'est gratuit). Vous en aurez besoin pour effectuer des tâches pratiques, pour recevoir votre certificat d'achèvement, pour explorer des modèles pré-entraînés, pour accéder à des jeux de données et plus encore.
+
+## Étape 2. Révisez les principes fondamentaux (si vous en avez besoin).
+
+Nous supposons que vous connaissez les bases de l'apprentissage profond et que vous êtes familiarisés avec les *transformers*. Si vous avez besoin de rafraîchir vos connaissances sur ces modèles, consultez notre [cours sur le NLP](https://huggingface.co/course/fr/chapter1/1).
+
+## Étape 3. Vérifiez votre configuration
+
+Pour parcourir les supports de cours, vous aurez besoin des éléments suivants :
+- Un ordinateur avec une connexion Internet
+- [Google Colab](https://colab.research.google.com) pour les exercices pratiques. La version gratuite suffit.
+
+Si vous n'avez jamais utilisé Google Colab, consultez ce *notebook* d'introduction officiel (https://colab.research.google.com/notebooks/intro.ipynb).
+
+## Étape 4. Rejoignez la communauté
+
+Inscrivez-vous sur notre serveur [Discord](http://hf.co/join/discord), l'endroit où vous pouvez échanger des idées avec vos camarades de classe et nous contacter (l'équipe d'Hugging Face).
+Pour en savoir plus sur notre Discord et comment en tirer le meilleur parti, consultez la [page suivante](community).

chapters/fr/chapter0/introduction.mdx

@@ -0,0 +1,62 @@
+# Bienvenue dans le cours d'audio d'Hugging Face !
+
+Cher apprenant, bienvenue dans ce cours sur l'utilisation des *transformers* pour l'audio, À maintes reprises, les *transformers* se sont révélés être l'une des architectures d'apprentissage profond les plus puissantes et les plus polyvalentes, capables d'obtenir des résultats de pointe dans un large éventail de tâches, y compris le traitement du langage naturel, la vision par ordinateur et, plus récemment, le traitement audio.
+
+Dans ce cours, nous allons explorer comment ces modèles peuvent être appliqués à une série de tâches et de données audio. Que vous soyez intéressé par la reconnaissance vocale, la classification audio ou la synthèse vocale, les *transformers* et ce cours vous le permettront.
+
+Pour vous donner un avant-goût de ce que ces modèles peuvent faire, prononcez quelques mots dans la démo ci-dessous et regardez le modèle les transcrire en temps réel !
+
+<iframe
+ src="https://openai-whisper.hf.space"
+ frameborder="0"
+ width="850"
+ height="450">
+</iframe>
+
+Tout au long du cours, vous comprendrez les spécificités du travail avec des données audio, vous découvrirez différentes architectures de *transformers*, et *finetunerez* vos propres modèles audio en tirant parti de puissants modèles pré-entraînés.
+
+Ce cours est conçu pour les personnes ayant des connaissances en apprentissage profond et une connaissance générale des *transformers*.
+Aucune expertise en traitement de données audio n'est requise. Si vous avez besoin de rafraîchir vos connaissances sur les *transformers*, consultez notre [cours de NLP](https://huggingface.co/course/fr/chapter1/1) qui aborde en détail les principes de base de cette architecture.
+
+## Rencontrer l'équipe du cours
+
+**Sanchit Gandhi, ingénieur de recherche en apprentissage automatique chez Hugging Face**
+
+Bonjour, je m'appelle Sanchit et je suis ingénieur de recherche en apprentissage automatique pour l'audio dans l'équipe *open-source* de Hugging Face 🤗.
+Je me concentre principalement sur la reconnaissance automatique de la parole et la traduction, avec l'objectif actuel de rendre les modèles de parole plus rapides, plus légers et plus faciles à utiliser.
+
+**Matthijs Hollemans, ingénieur en apprentissage automatique chez Hugging Face**.
+
+Je m'appelle Matthijs et je suis ingénieur en apprentissage automatique en audio dans l'équipe *open source* de Hugging Face. Je suis également l'auteur d'un livre sur l'écriture de sons de synthétiseurs, et je crée des *plugins* audio pendant mon temps libre.
+
+**Maria Khalusova, Documentation et cours chez Hugging Face**.
+
+Je m'appelle Maria et je crée du contenu éducatif et de la documentation pour rendre *Transformers* et d'autres outils *open-source* encore plus accessibles. Je décompose des concepts techniques complexes et j'aide les gens à démarrer avec des technologies de pointe.
+
+**Vaibhav Srivastav, ingénieur *advocate* et développeur en apprentissage automatique chez Hugging Face**.
+
+Je m'appelle Vaibhav (VB) et je suis ingénieur *advocate* en audio au sein de l'équipe *open source* de Hugging Face. Je fais des recherches sur la synthèse vocale sur els lagnues à faibles ressources et j'aide à mettre l'état de l'art de la recherche sur la parole à la portée du plus grand nombre.
+
+## Structure du cours
+
+Le cours est structuré en plusieurs unités qui couvrent différents sujets en profondeur :
+
+* Unité 1 : apprendre les spécificités du travail avec des données audio, y compris les techniques de traitement audio et la préparation des données.
+* Unité 2 : connaître les applications audio et apprendre comment utiliser les pipelines de 🤗 *Transformers* pour différentes tâches, telles que la classification audio et la reconnaissance vocale.
+* Unité 3 : explorer les architectures de *transformers* audio, apprendre comment ils diffèrent, et quelles sont les tâches pour lesquelles ils sont les mieux adaptés.
+* Unité 4 : Apprenez à construire votre propre classifieur de genre musical.
+* Unité 5 : approfondissement de la reconnaissance vocale
+* Unité 6 : apprendre à générer de la parole à partir d'un texte.
+* Unité 7 : apprendre à construire des applications audio réelles (traducteur parole-à-parole, assistant vocal et transcription de réunions).
+
+Chaque unité comprend un volet théorique qui vous permettra d'acquérir une compréhension approfondie des concepts et des techniques sous-jacents. Tout au long du cours, des quiz vous permettent de tester vos connaissances et de renforcer votre apprentissage.
+Certains chapitres comprennent également des exercices pratiques qui vous permettront d'appliquer ce que vous avez appris.
+
+À la fin du cours, vous aurez acquis de solides bases dans l'utilisation des *transformers* pour les données audio et serez bien équipé pour appliquer ces techniques à un large éventail de tâches.
+
+## Parcours d'apprentissage
+
+Il n'y a pas de bonne ou de mauvaise façon de suivre ce cours. Tout le matériel contenu dans ce cours est 100% gratuit, public et *open-source*.
+Vous pouvez le suivre à votre propre rythme, mais nous vous recommandons de suivre les unités dans l'ordre.
+
+Bon cours !