Common Voice Spontaneous Speech 3.0 - French

Français — French (fr)

This datasheet is for sps-corpus-3.0-2026-03-09 of the Mozilla Common Voice Spontaneous Speech dataset for French [Français - fr]. The dataset contains 445 clips representing 1.64 hours of recorded speech (0.59 hours validated) from 46 speakers.

Language

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

Data splits for modelling

The dataset clips are categorised by transcription status and training-set assignment. The following tables summarise the distribution.

Audio clips

Training splits

Training split coverage: 0 of 152 transcribed & validated clips (0.0%)

Transcriptions

Transcription status

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.

1. Quel est votre emploi de rêve ?

2. Elle a pris un médicament, de l’alcool, quelque chose ?

3. Quels types d'entreprises aimeriez-vous voir davantage dans votre communauté ?

4. Quel est votre rapport à la lecture et pourquoi ?

5. Comment les écoles et les parents peuvent-ils travailler ensemble pour les enfants ?

Responses

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

1. 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 assez, ouais, c'est plutôt la merde en général.

2. Ha ! J'ai modélisé l'entièreté du niveau terreur de "Monstres et compagnie" dans Blender. C'était, du coup, assez rigolo parce que c'était une occasion pour moi d'apprendre la 3D. Et c'était très agréable parce que c'est mon film préféré. Donc voilà.

3. Alors, ce n'est peut-être pas la bonne réponse mais, là, la personne qui me vient, c'est l'actrice qui joue Hermione Granger dans Harry Potter, qui s'appelle, qui s'appelle Emma Watson, euh, parce que c'est une très bonne personne au delà de son rôle, du personnage qu'elle a joué. C'est quelqu'un, mais avec... comme tout le "cast", toute l'équipe des acteurs de Harry Potter qui ont grandi et sont devenus des personnes vraiment très respectueuses, très droites, très humbles et qui, qui cherchent à faire le bien dans le monde, notamment en faisant des interventions auprès de l'ONU ou en faisant la promotion d’œuvres caritatives.

4. Je suis beaucoup trop vieux pour me souvenir d'un devoir que j'ai eu du mal à faire.

5. Nous pouvons nous en assurer en interrogeant les enfants, eh bien... et, et en leur demandant si leurs camarades sont, sont sympas avec eux, si, s'il n'y a pas de, de problème, notamment dans la cour de récréation.

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 5 minutes

Get involved

Community links

• Common Voice translators on Pontoon

• Common Voice Communities

Discussions

• Common Voice on Matrix

• Common Voice on Discourse

• Common Voice on Discord

• Common Voice on Telegram

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