Common Voice Scripted Speech 23.0 - Tepeuxila Cuicatec

Locale: cux

Size: 64.41 MB

Task: ASR

Format: MP3

License: CC-0

[Tepeuxila Cuicatec] — Tepeuxila Cuicatec (cux)

Esta ficha técnica corresponde a la versión 23.0 del conjunto de datos de voz guiada de Mozilla Common Voice para Tepeuxila Cuicatec (cux). El conjunto de datos contiene 11 horas de grabaciones (11 horas validadas) de 11 hablantes.

Idioma

El cuicateco es una agrupación lingüística distribuida en el Distrito de Cuicatlán, en la región Cañada, al norte del estado de Oaxaca, México. Pertenece a la rama mixtecana dentro de la macro-familia otomangue. Según el censo del Instituto Nacional de Estadística y Geografía, para el 2020 la población hablante ascendía a 12961. Aunque la vitalidad del cuicateco varía entre comunidades, en lo general se encuentra en un alto peligro de desplazamiento. Los datos de este corpus provienen de la comunidad se Santos Reyes Pápalo.

Variantes

Según la publicación de Ethnologue, el cuicateco cuenta con dos variantes: Teutila (cut) y Tepeuxila (cux). Esta clasificación se corresponde parcialmente con la propuesta por el Instituto Nacional de Lenguas Indígenas, el cual reconoce tres: cuicateco del norte, centro y oriente. Respecto de estas clasificaciones, el cuicateco de este corpus corresponde a la variante de Tepeuxila (cux) y centro.

Información demográfica

El conjunto de datos incluye la siguiente distribución de edad y género.

Género

Información de género autodeclarada, frecuencia se refiere al número de clips anotados con este género.

Edad

Información de edad autodeclarada, frecuencia se refiere al número de clips anotados con este rango de edad.

Corpus de texto

El promedio de palabras por oración es de 4.5. El corpus se compone principalmente por oraciones creadas por los participantes sobre temas generales y cotidianos. Incluye ítems de la elicitación gramatical del Archivo de Lenguas Indígenas de México.

Sistema de escritura

El cuicateco no cuenta con un sistema de escritura normalizado, por lo que las propuestas emergentes dentro de cada comunidad varían ligeramente entre ellas, aún dentro de la misma comunidad. Esto se refleja en el presente corpus en algunas inconsistencias en la marcación del tono o nasalización para algunas palabras.

Tabla de símbolos
a ä b ch d e ë f g h i ï j k l m n ñ o ö p r s t u ü v w y z '

El tono alto se marca con acento agudo sobre la vocal.

Muestra

A continuación se muestran cinco oraciones seleccionadas aleatoriamente del corpus.

Chaku jo'oy nínu je'e tu'u ñe'eñ
Iña bede gua dama jineuu nukuy
Kánud ñuu kat ne'é chi dii nanomnod
Chiduu ne'e che'ey ama nukyòò
Ko'öd chíd ú chi kanad ama bí'i che'e

Fuentes

  • Subconjunto de oraciones para Dependencias Universales

  • Oraciones individuales para la plataforma de Common Voice

Dominios textuales

  • General

Procesamiento

  • El texto se creo a partir tanto de la traducción de español a cuicateco como directamente en cuicateco. El registro de varios autores se realizó en una hoja de cálculo. Posteriormente se realizó una homogeneización de los caracteres. Algunas divergencias ortográficas por autor se mantuvieron.

Contribuir

Autores de la ficha técnica

Licencia

Este conjunto de datos se publica bajo la licencia Creative Commons Zero (CC-0). Al descargar estos datos usted acepta no determinar la identidad de los hablantes en el conjunto de datos.