Loading datasets...
License:
CC0-1.0
Steward:
Common Voice
Task: ASR
Release Date: 9/15/2025
Format: MP3
Size: 224.70 MB
Share
A collection of spontaneous spoken phrases in Gurani.
Restrictions/Special Constraints
You agree that you will not re-host or re-share this dataset
Forbidden Usage
You agree not to attempt to determine the identity of speakers in the Common Voice dataset
Intended Use
This dataset is intended to be used for training and evaluating automatic speech recognition (ASR) models. It may also be used for applications relating to computer-aided language learning (CALL) and language or heritage revitalisation.
hac)This datasheet has been generated automatically, we would love to include more information, if you would like to help out, get in touch!
This datasheet is for version 23.0 of the the Mozilla Common Voice Spontaneous Speech dataset
for Gorani (hac). The dataset contains 421 clips representing 12 hours of recorded
speech (1 hours validated) from 19 speakers.
The dataset includes the following distribution of age and gender.
Self-declared gender information, frequency refers to the number of clips annotated with this gender.
Self-declared age information, frequency refers to the number of clips annotated with this age band.
| Split | Count |
|---|---|
| Train | 293 |
| Test | 50 |
| Dev | 78 |
Prompts: 39
Duration: 40291704[ms]
Avg. Transcription Len: 38
Avg. Duration: 95.7[s]
Valid Duration: 1334.84[s]
Total hours: 11.19[h]
Valid hours: 0.37[h]
There follows a randomly selected sample of questions used in the corpus.
جە وەڵاتوو شمەنە کام حەشەرە جە گرچێڤی گەورەتەرا؟
مێمانی مشۆ چەین بۆ؟
دەڤاو دەرمانی سونەتی یا نەریتی لا شمە کامێنێ؟
چی گرینگا کە دەسێما شۆرمێ؟
ئا رۆ تەعتیتیلیە کە جە گرذی فرەتەر حەزش چنە کەری کاما و چی؟
There follows a randomly selected sample of transcribed responses from the corpus.
دەڤەی دەرمانێ سونەتتیێ، دەی وەڵا ئا چێڤێ کە من مزانووشا من ڤیرما زاڤڵێ بیێنا زاڤڵی بێنێ فرە زاڤڵی بێنێ ڤیرما پام مڕیا، پام مڕیا، خۆ ئاڤختە جەڕاح و چێڤ نەبێ یگێڤە پسە نۆتشەینە. ئەذێم گێرتا کۆڵێ بەرذاش یاگێڤە مڵکێڤ بابالێڤ بێ کە هینێ گێرێڤە پاسە کە یۆ ئۆستۆخان یۆ پێشەش مڕیا بیەیا بەرێشەنە یاگێو گێرێشەڤە ئێتر ڤیرما ئێتر خۆ بێ هۆشیش نەبێ. ئێتر بە لەقە ماڵاش پامەرە بێهۆشە کۆتا و وەختێڤ ئامانێڤە هۆش مذیۆ بە چڤەڤ هێڵە پاکەش گێرتێناڤە. ئێتر ئانە چێڤیڤا کە من وێم تەجروبەم هەن پەی وێم ئێتێفاق کۆتەن. کە ئیسە ئیتر بیمارستانەنە و بە جەراحی ئی کارا کەرا. ئێتر چێڤێڤ تەریچ کە دیەنم ئەذام و موتیەم کەرێنێ هیان ئی مەزانوو نامیشا چیشا مەزانوو نامیشا چێشا وەلا ونێ پیسە گێرا جە بەذەنیشا. نامەکێش ڤیرم شیێنەڤە ئاذیچ سونەتیا. وونی گرذ ساڵێڤە، ساڵێڤە جارێڤ وونی گێرا، ئێتر هینا ئێحساس کەرا، ئێتر مەزانوو وەلا راسەش یا درۆش ئێحساس کەرا ئێحساسێڤی وەششا هەن ئێحساس کەرا سالم تەرێنێ. ئێتر گیڤاڤێ کوردیێ، ئینە فرە لا مەخلۆقوو کورذیەڤە هینش هەن کە گیڤاڤێ کوردیێ گرینا بوەرا. یا وشکیشا کەرا زمسانێنە چێشا پنە وەش کەرا. ئی جۆرە چێڤی فرێنێ. ئیتر چێشم هەن؟ یا وەختێڤ پیشێشا مدرا گیر موشەماشا منیا سەر یاگێڤەشا مدرۆ گیر مشەمای گەرمەش منیا سەر. یا وەختێڤ سەرذشا بۆ بەتایبەت زاڤڵێ سینەشا مناڤنا. یا وەختێڤ یۆ چێڤێڤش میشۆ ماچا کۆڵنج کۆڵنجذ مارا. ئینە گرذ چێڤانێڤەنێ کە مەنتەقەو ئێمەنە فرێنێ وەڵا
Each row of a tsv file represents a single audio clip, and contains the following information:
client_id - hashed UUID of a given user
audio_id - numeric id for audio file
audio_file - audio file name
duration_ms - duration of audio in milliseconds
prompt_id - numeric id for prompt
prompt - question for user
transcription - transcription of the audio response
votes - number of people that who approved a given transcript
age - age of the speaker1
gender - gender of the speaker1
language - language name
split - for data modelling, which subset of the data does this clip pertain to
char_per_sec - how many characters of transcription per second of audio
quality_tags - some automated assessment of the transcription--audio pair, separated by |
transcription-length - character per second under 3 characters per second
speech-rate - characters per second over 30 characters per second
short-audio - audio length under 2 seconds
long-audio - audio length over 30 seconds
This dataset is released under the Creative Commons Zero (CC-0) licence. By downloading this data you agree to not determine the identity of speakers in the dataset.
For a full list of age, gender, and accent options, see the demograpics spec. These will only be reported if the speaker opted in to provide that information. ↩ ↩2