Common Voice Spontaneous Speech 2.0 - Ushojo

[Ushojo] — Ushojo (ush)

This datasheet is for version 2.0 of the the Mozilla Common Voice Spontaneous Speech dataset for Ushojo (ush). The dataset contains 667 clips representing 6 hours of recorded speech (6 hours validated) from 10 speakers.

Language

Ushojo is an Indo-Aryan language spoken by about 1000-1200 people in Bishigram near Madyan in Swat Pakistan.

Data splits for modelling

Transcriptions

• Prompts: 118

• Duration: 5:12:06 [h:m:s]

• Avg. Transcription Len: 288

• Avg. Duration: 28.08[s]

• Valid Duration: 18247.104[s]

• Total hours: 5.2[h]

• Valid hours: 5.07[h]

Writing system

Shina, Torwali based on Perso-Arabic

Symbol table

ݜ، ڙ، ڇ، أ، نڑ

Different from Urdu

Samples

Questions

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

تھئی سکول در کامیک مضمون خوش اسو اؤ کے؟
تو کامیک ٹیکنالوجی بارا در پریشان ہنو؟
تو تمو بچو کارا جے خواہشات تھے لا؟
تھئی مُݜو تے  لالو کامیک زناور اینو؟
تھئی انا ہفتہ در کامیک تھومی اؤ پشورے پشین؟

Responses

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

می  اسکول در ہر ایک مضمون خوش اسُو۔  سا کا اسکول جے سپاریسی یا علاقے گا سپاریسی ہا  استازی ئے سپاریسی یا  یا مشہور شاعر یا مشہور شخیصیت ہنی نو سیس کارا سپاریسی  نو سئی نمونا مضمون اسئی خوش ہنی۔ آسو اسکول در پاکستا بارا در مضمون سپارونا، تمو وطن مضمون، تمو اسکول مضمون، تمو  پسندیدہ استاز مضمون، تمو علاقہ گا مضمون لیکوسُو۔  یا آسئی پسندیدہ گیم در مضمون، یا آسئی پسمندیدہ چکرا گا مضمون یا اسئی پسندیدہ مشغلہ کامیک ہنو بارا در مضمون، یا آسئی مالو اؤ مالی بارا در مضمون لیکیسی۔  آسو کدا انا مضمون ہم لیکیلا کے ٹیکنالوجی کے؟ یا پاکستان کدا آزاد بیلو، یا قائداعظم کدا پاکستان آزاد تھونو۔ یا آسئی پیغمبر علیہ السلام جوند سیرت مبارکا بارا در ہم مضمون لیکیلا۔  می تمو لیکیلے مضمون تا لالو خوش نی ہنی خو ہورو سأتو لیکیلے مضومن کوشاریما۔ 
ٹیکنالوجی در ہر نمونا شیئی ہنو۔ انا بوٹے ٹیکنالوجی دور ہنو۔ انا غٹ موبائلے نی گھٹنا ٹیکنالوجی نیش۔ آجکل سوشل میڈیا تی آسئی نیٹ بیخی سلو بؤنا۔ 
مہ تمو بچو کارا غورا مستقبل خوشاریما، با بازارتی کونی آلو شینو سا شئی خوش ہنی تی گھیِن بینی۔ شینو ہر خواہش پورا تھیما  اؤ خفگانے تمو شنوٹی نی پھتما، اؤ شینو جے فرمائش ہنی پورا تھیما۔ 
آسئی موݜو تی لالو زناور شوں اینو۔ شوں ہر دیشا ہنو، ہر ایک کوسا در ہنو، ہر ایک گوٹ ہنو، آسئی دیشا زنگل ہنو، ہر دیش سا شوں لالو ہنو۔ سئی زناور اسو تی موݜو لالو اینی۔ پخوا خلق څوکیدارو دیشا در شوں لالو رݜینیا تھے۔ ایک جے دوُ دُو ڇا ڇا شوں ئے ایک گوٹا در ہنی۔  اؤ سا زناور آسو موݜو تی لالو اینی۔ چوکیدار نی بیلو کنأ چوکیدار تی ہم لالو کوروم تھینو۔ 
انا ہفتہ در تا می پشورے نی پشیم، اؤ تھومو کئی پاݜے ماݜے گئینا ہیِم مُوچینی۔ انا وخا در پشورے نی ݜک بئینا، اؤ تھومو در پاݜے نی ݜک بھئینا۔ 

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

Acknowledgements

The recording of spontaneous speech for this dataset was made by the volunteering contributors :

• Celestin Nlend

• Blaise-Mathieu Banoum Manguele

• André Pascal Likwai

• Zacharie Nyobe

• Emmanuel Ngue Um

Datasheet authors

• Zubair Torwali <ztorwali@gmail.com>

• Javid Iqbal Torwali <jitorwali@gmail.com>

Citation guidelines

1. Javid Iqbal Torwali

2. Ihsan Ullah

3. Tariq Aziz

4. Zubair Torwali

Funding

This dataset was partially funded by the Open Multilingual Speech Fund managed by Mozilla Common Voice.

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