Loading datasets...
License:
CC0-1.0
Steward:
Common Voice
Task: ASR
Release Date: 12/5/2025
Format: MP3
Size: 218.02 MB
Share
A collection of scripted spoken phrases in Western Highland Purepecha.
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.
Esta ficha técnica corresponde a la versión 24.0 del conjunto de datos de voz guiada de Mozilla Common Voice para Western Highland Purepecha (pua). El conjunto de datos contiene 8180 clips reprentando 11.17 horas de grabaciones (10.29 horas validadas) de 9 hablantes.
El conjunto de datos incluye la siguiente distribución de edad y género.
Información de género autodeclarada, el porcentaje se refiere al número de clips anotados con este género.
| Género | Porcentaje |
|---|---|
| Undefined | 72.0% |
| Female Feminine | 28.0% |
Información de edad autodeclarada, el porcentaje se refiere al número de clips anotados con este rango de edad.
| Rango de edad | Porcentaje |
|---|---|
| Undefined | 14.0% |
| Twenties | 55.0% |
| Thirties | 31.0% |
Las particiones de datos oficiales para el modelado de esta lengua son las siguientes. De los clips validados, 29.13% están incluidos en las particiones.
| Partición | Cuenta |
|---|---|
| Train | 1153 |
| Test | 547 |
| Dev | 495 |
El corpus textual contiene 2200 oraciones, de las cuales 2201 están validadas, -1 están invalidadas y 1 son reportadas.
A continuación se muestran cinco oraciones seleccionadas aleatoriamente del corpus.
Juchiti pirentsï nirasti kʼeri iretarhu miyuni.
¿Chiini ampe xani jorhentperanhasïni?
Ima chʼawaka énka Pedru pʼikuka xarakata pʼikunhasïnti.
Xarhinichani kanekwa tsʼïrakwarhisïnti.
Énka warhiti ma ikiani jawaka no jarhasti para itsukwa intskuni charhaku jempani.
Muestras automáticas aleatorias
Juchiti pirentsï nirasti kʼeri iretarhu miyuni.
¿Chiini ampe xani jorhentperanhasïni?
Ima chʼawaka énka Pedru pʼikuka xarakata pʼikunhasïnti.
Xarhinichani kanekwa tsʼïrakwarhisïnti.
Énka warhiti ma ikiani jawaka no jarhasti para itsukwa intskuni charhaku jempani.
Muestras automáticas aleatorias
Juchiti pirentsï nirasti kʼeri iretarhu miyuni.
¿Chiini ampe xani jorhentperanhasïni?
Ima chʼawaka énka Pedru pʼikuka xarakata pʼikunhasïnti.
Xarhinichani kanekwa tsʼïrakwarhisïnti.
Énka warhiti ma ikiani jawaka no jarhasti para itsukwa intskuni charhaku jempani.
Muestras automáticas aleatorias
Juchiti pirentsï nirasti kʼeri iretarhu miyuni.
¿Chiini ampe xani jorhentperanhasïni?
Ima chʼawaka énka Pedru pʼikuka xarakata pʼikunhasïnti.
Xarhinichani kanekwa tsʼïrakwarhisïnti.
Énka warhiti ma ikiani jawaka no jarhasti para itsukwa intskuni charhaku jempani.
| Dominio | Cuenta |
|---|---|
| Undefined | 8180 |
Cada fila de un archivo tsv representa un solo clip de audio, y contiene la siguiente información:
client_id - UUID hasheado de cierto usuario
path - ruta relativa al archivo de audio
text - presunta transcripción del audio
up_votes - número de personas que dijeron que el audio concordaba con el texto
down_votes - número de personas que dijeron que el audio no concordaba con el texto
age - edad de los hablantes1
gender - genero de los hablantes1
accent - acénto de los hablantes1
segment - si la oración pertenece a una porción personalizada de un dataset, será listada aquí
Este proyecto recibió financiamiento del Open Multilingual Speech Fund gestionado por Mozilla Common Voice.
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.
Para una lista completa de opciones de edades, generos, y acéntos, ver la especificación demográfica. Esta será reportada únicamente si el hablante aceptó proporcionar dicha información. ↩ ↩2 ↩3