Common Voice Spontaneous Speech 2.0 - Georgian

Specifics

Licensing

CC0 1.0 Universal

https://creativecommons.org/publicdomain/zero/1.0/legalcode

Considerations

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

Processes

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.

Metadata

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 2.0 of the the Mozilla Common Voice Spontaneous Speech dataset for Georgian (ka). The dataset contains 118 clips representing 1 hours of recorded speech (1 hours validated) from 7 speakers.

Transcriptions

Prompts: 58
Duration: 0:35:55 [h:m:s]
Avg. Transcription Len: 87
Avg. Duration: 18.26[s]
Valid Duration: 524.016[s]
Total hours: 0.6[h]
Valid hours: 0.15[h]

Samples

Questions

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

რა არის სუფრის ტრადიციის მნიშვნელობა?
რა არის თქვენთვის ბედნიერება?
რა არის მობილური ტელეფონების მთავარი უპირატესობა?
რა არის თქვენი აზრით მოხალისეობის მნიშვნელობა?
რა რჩევას მისცემდით ახალგაზრდებს ტექნოლოგიების გამოყენებასთან დაკავშირებით?

Responses

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

სუფრის ტრადიციის მნიშვნელობა ეს არის ურთიერთპატივისცემის გამოხატვა და იმ სიყვარულის მიღება, რომელსაც საკვების გაზიარებით ვახდენთ ადამიანები ერთმანეთთან.
რა არის ჩემთვის ბედნიერება? ჩემთვის ბედნიერება არის როდესაც ჩემი შვილი იცინის, როცა ჩემი ოჯახი არის უსაფრთხოდ და გვერდით მყავს ადამიან, რომელსაც შემიძლია ვენდო და მაგრად ჩავეხუტო.
მობილური ტელეფონების მთავარი უპირატესობა არის ის, რომ მისი მფლობელი არის ყველგან და ყოველთვის ხელმისაწვდომი.
ჩემი აზრით, მოხალისეობა არის  საზოგადოებისთვის სასარგებლო საქმიანობაში ჩართულობა.
მნიშვნელოვანია ბალანსის შენარჩუნება, რადგან ტექნოლოგიებს, როგორც დადებითი, ასევე ბევრი უარყოფითი მხარე აქვს, ამიტომ ბალანსირება არის მნიშვნელოვანი.. აა... გასაღები ამ ყველაფრის მართვისთვის.

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

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

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