Common Voice Spontaneous Speech 1.0 - French

Locale: fr

Size: 12 MB

Task: ASR

Format: MP3

License: CC-0

Français — French (fr)

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 French (fr). The dataset contains 133 clips representing 1 hours of recorded speech (1 hours validated) from 14 speakers.

Demographic information

The dataset includes the following distribution of age and gender.

Gender

Self-declared gender information, frequency refers to the number of clips annotated with this gender.

Age

Self-declared age information, frequency refers to the number of clips annotated with this age band.

Transcriptions

  • Prompts: 81

  • Duration: 2142792[ms]

  • Avg. Transcription Len: 98

  • Avg. Duration: 16.11[s]

  • Valid Duration: 983.77[s]

  • Total hours: 0.6[h]

  • Valid hours: 0.27[h]

Questions

There follows a randomly selected sample of questions used in the corpus.

Pouvez-vous décrire l'un de vos hobbies et nous expliquer en quoi il consiste ?
Les gens de différents âges utilisent-ils la technologie de manière différente ?
Est-ce que vous trouvez le temps de lire ?
Comment vous détendez-vous et gardez-vous votre esprit en santé ?
Quelle est votre fête préférée et pourquoi ?
Responses

There follows a randomly selected sample of transcribed responses from the corpus.

On tourne en boucle, j'ai déjà répondu à cette question, sauf que maintenant c'est au pluriel, je reste sur l'anglais, c'est ma matière préférée, c'était l'anglais et pourquoi, parce que j'aimais ça.

Oui !
Je suis pas sûr de comprendre la question mais j'ai l'impression qu'oui, après c'est, c'est très difficile l'apprentissage des langues en français en général, parce que c'est, ouais, c'est plutôt la merde en général.
Oui, mais avec le gouvernement Bayrou de moins en moins et il y a toujours une attaque sur la question sociale qui est faite ; heureusement il y a les syndicats, hum, derrière mais c'est... Il y a une attaque en règle en tout cas sur la protection sociale en France.

Fields

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

Community links

Contribute

Licence

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.

Footnotes

  1. 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