Common Voice Spontaneous Speech 3.0 - Russian

Русский — Russian (ru)

This datasheet is for sps-corpus-3.0-2026-03-09 of the Mozilla Common Voice Spontaneous Speech dataset for Russian [Русский - ru]. The dataset contains 513 clips representing 3.1 hours of recorded speech (2.34 hours validated) from 15 speakers.

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: 427 of 427 transcribed & validated clips (100.0%)

Transcriptions

Transcription status

Samples

Questions

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

1. Какие социальные сети вы используете чаще всего и почему?

2. Что лучше: тёплая ванна или тёплая кровать?

3. Как вы относитесь к домашним животным? Есть ли у вас питомец?

4. Наложи проклятие.

5. Любишь хвастаться и понтоваться?

Responses

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

1. "Самый полезный совет вы когда-либо получали?". Я не думаю, что существует какой-то единый совет, который наиболее важен в моей жизни в принципе, но одна из самых интересных вещей, о которых я слышал - это, например, ошибка невозвратных затрат. Это когда ты уже во что-то вложил много сил и из-за этого по инерции хочешь их продолжать вкладывать до бесконечности. Ну, типо: "Я уже вбухал сотни часов на это дело. Как так? Не довести его до конца. У-у-у!". Даже если ты понимаешь сознательно, что шансы на успех стремятся к нулю, ты продолжаешь делать, ну, просто потому что "Ну я уже вложил столько сил! Ну должно же оно окупиться". Так вот, не всегда должно. Иногда в жизни ты что-то делаешь, и это ни к чему не приводит. Тебе надо уметь это р- такие ситуации распознать, вовремя остановиться и, возможно, начать какой-то новый проект.

2. Популярное общественное мнение, с которым я не согласен, это с тем, что "Игра Престолов" это что-то интересное. Я столько раз пытался эту шнягу посмотреть и каждый раз ощущается как лютая тягомотина. Хотя, казалось бы, столько всего происходит, но такая тягомотина.

3. "Любишь хвастаться или понтоваться?". Я слов-то таких не знаю. Что значит "хвастаться"? Точнее нет, "хвастаться"-то я знаю, а вот что значит "понтоваться" вообще? Какое у этого слова значение? Типо, чрезмерно себя выставлять? Ну, наверное, в какой-то степени мне свойственно делиться своими достижениями. Я могу сказать, что я сделал что-то, то то, что я добился чего-то там в жизни или чем-то занимался. Но, например, за черту там "Я типо самый ахуительный, ебать. Особенно в своём окружении, а вокруг меня все ебланы и идиоты" до такого, конечно, не дойдёт. И я не могу сказать, что я очень люблю хвастаться. Я в основном предпочитаю слушать других, чем говорить о себе.

4. Что я хорошо играю на нервах.

5. Минуту молчания в честь тех людей, кто не умеет пользоваться картами.

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