Common Voice Spontaneous Speech 1.0 - French

Français — French (fr)

This datasheet is for version 1.0 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.

Language

French is a Romance language. It is the official language of 26 countries and is spoken across around 50 countries.

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]

Writing system

The French language uses the 26 letters of the Latin alphabet with the addition of two ligatures (æ, œ) and five diacritics.

Symbol table

a à â æ b c ç d e é è ê ë f g h i î ï j k l m n ô œ p q r s t u ù û ü v w x y ÿ z

Samples

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.

Recommended post-processing

The transcripts contain two different apostrophes, ’ and ', which should be normalized.

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

Get involved!

Community links

• Common Voice translators on Pontoon

Contribute

• Contribute questions

• Validate questions

• Answer questions

• Transcribe recordings

• Validate transcriptions

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 demographics spec. These will only be reported if the speaker opted in to provide that information. ↩ ↩2