Loading datasets...
License:
CC0-1.0
Steward:
Common Voice
Task: ASR
Release Date: 12/5/2025
Format: MP3
Size: 102.83 MB
Share
A collection of spontaneous spoken phrases in Ushojo.
Forbidden Usage
It is forbidden to attempt to determine the identity of speakers in the common Voice datasets. It is forbidden to re-host or re-share this 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.
ush)This datasheet is for version 2.0 of the the Mozilla Common Voice Spontaneous Speech dataset
for Ushojo (ush). The dataset contains 667 clips representing 6 hours of recorded
speech (6 hours validated) from 10 speakers.
Ushojo is an Indo-Aryan language spoken by about 1000-1200 people in Bishigram near Madyan in Swat Pakistan.
| Split | Count |
|---|---|
| Train | 229 |
| Test | 234 |
| Dev | 203 |
Prompts: 118
Duration: 5:12:06 [h:m:s]
Avg. Transcription Len: 288
Avg. Duration: 28.08[s]
Valid Duration: 18247.104[s]
Total hours: 5.2[h]
Valid hours: 5.07[h]
Shina, Torwali based on Perso-Arabic
ݜ، ڙ، ڇ، أ، نڑ
Different from Urdu
There follows a randomly selected sample of questions used in the corpus.
تھئی سکول در کامیک مضمون خوش اسو اؤ کے؟
تو کامیک ٹیکنالوجی بارا در پریشان ہنو؟
تو تمو بچو کارا جے خواہشات تھے لا؟
تھئی مُݜو تے لالو کامیک زناور اینو؟
تھئی انا ہفتہ در کامیک تھومی اؤ پشورے پشین؟
There follows a randomly selected sample of transcribed responses from the corpus.
می اسکول در ہر ایک مضمون خوش اسُو۔ سا کا اسکول جے سپاریسی یا علاقے گا سپاریسی ہا استازی ئے سپاریسی یا یا مشہور شاعر یا مشہور شخیصیت ہنی نو سیس کارا سپاریسی نو سئی نمونا مضمون اسئی خوش ہنی۔ آسو اسکول در پاکستا بارا در مضمون سپارونا، تمو وطن مضمون، تمو اسکول مضمون، تمو پسندیدہ استاز مضمون، تمو علاقہ گا مضمون لیکوسُو۔ یا آسئی پسندیدہ گیم در مضمون، یا آسئی پسمندیدہ چکرا گا مضمون یا اسئی پسندیدہ مشغلہ کامیک ہنو بارا در مضمون، یا آسئی مالو اؤ مالی بارا در مضمون لیکیسی۔ آسو کدا انا مضمون ہم لیکیلا کے ٹیکنالوجی کے؟ یا پاکستان کدا آزاد بیلو، یا قائداعظم کدا پاکستان آزاد تھونو۔ یا آسئی پیغمبر علیہ السلام جوند سیرت مبارکا بارا در ہم مضمون لیکیلا۔ می تمو لیکیلے مضمون تا لالو خوش نی ہنی خو ہورو سأتو لیکیلے مضومن کوشاریما۔
ٹیکنالوجی در ہر نمونا شیئی ہنو۔ انا بوٹے ٹیکنالوجی دور ہنو۔ انا غٹ موبائلے نی گھٹنا ٹیکنالوجی نیش۔ آجکل سوشل میڈیا تی آسئی نیٹ بیخی سلو بؤنا۔
مہ تمو بچو کارا غورا مستقبل خوشاریما، با بازارتی کونی آلو شینو سا شئی خوش ہنی تی گھیِن بینی۔ شینو ہر خواہش پورا تھیما اؤ خفگانے تمو شنوٹی نی پھتما، اؤ شینو جے فرمائش ہنی پورا تھیما۔
آسئی موݜو تی لالو زناور شوں اینو۔ شوں ہر دیشا ہنو، ہر ایک کوسا در ہنو، ہر ایک گوٹ ہنو، آسئی دیشا زنگل ہنو، ہر دیش سا شوں لالو ہنو۔ سئی زناور اسو تی موݜو لالو اینی۔ پخوا خلق څوکیدارو دیشا در شوں لالو رݜینیا تھے۔ ایک جے دوُ دُو ڇا ڇا شوں ئے ایک گوٹا در ہنی۔ اؤ سا زناور آسو موݜو تی لالو اینی۔ چوکیدار نی بیلو کنأ چوکیدار تی ہم لالو کوروم تھینو۔
انا ہفتہ در تا می پشورے نی پشیم، اؤ تھومو کئی پاݜے ماݜے گئینا ہیِم مُوچینی۔ انا وخا در پشورے نی ݜک بئینا، اؤ تھومو در پاݜے نی ݜک بھئینا۔
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
The recording of spontaneous speech for this dataset was made by the volunteering contributors :
Celestin Nlend
Blaise-Mathieu Banoum Manguele
André Pascal Likwai
Zacharie Nyobe
Emmanuel Ngue Um
Zubair Torwali <ztorwali@gmail.com>
Javid Iqbal Torwali <jitorwali@gmail.com>
Javid Iqbal Torwali
Ihsan Ullah
Tariq Aziz
Zubair Torwali
This dataset was partially funded by the Open Multilingual Speech Fund managed by Mozilla Common Voice.
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 demographics spec. These will only be reported if the speaker opted in to provide that information. ↩ ↩2