Common Voice Spontaneous Speech 1.0 - Georgian

Locale: ka

Size: 11.60 MB

Task: ASR

Format: MP3

License: CC-0

ქართული — Georgian (ka)

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 Georgian (ka). The dataset contains 121 clips representing 1 hours of recorded speech (1 hours validated) from 7 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: 58

  • Duration: 2130480[ms]

  • Avg. Transcription Len: 50

  • Avg. Duration: 17.61[s]

  • Valid Duration: 499.46[s]

  • Total hours: 0.59[h]

  • Valid hours: 0.14[h]

Questions

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

როგორია თქვენთვის იდეალური შაბათ-კვირას?
რა არის მობილური ტელეფონების მთავარი უპირატესობა?
რა თვისებას აფასებთ ადამიანებში ყველაზე მეტად?
რა სახის ღონისძიებები იმართება ხოლმე თქვენს ქალაქში/სოფელში?
რა არის თქვენი აზრით მოხალისეობის მნიშვნელობა?
Responses

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

ემმ... ცნობილი ისტორიული ადგილი საქართველოში, რომლის მონახულებაც ღირს, არის ძალიან ბევრი. ა.. პირველი, ეს აუცილებად უნდა ვთქვათ, რომ ეს არის ვარძია, აა... არის ასევე უფლისციხე, აა... ქუთაისის მიმდებარედ ტერიტორიები და, ზოგადად, მთლიანად საქართველო არის სავსე, ემმ... ისტორიული ადგილებით. ასე რომ, რაც შეიძლება ბევრი უნდა იმოგზაურო საქართველოში.
ავტობუსი, ჩემი აზრით, არი ყველაზე მოსახერხებელი ტრანსპორტი.
რა თქმა უნდა, ქართული სუფრა, ცეკვა, სიმღერა...

მე მგონი ყველაზე მნიშვნელოვანი გამოგონება რაც არის, არის თვითონ სამეცნიერო მეთოდი რომლითაც შეგვიძლია გავიაზროთ სამყარო ჩვენს გარშემო.

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