Common Voice Spontaneous Speech 3.0 - Ushojo

ush — Ushojo (ush)

This datasheet is for sps-corpus-3.0-2026-03-09 of the Mozilla Common Voice Spontaneous Speech dataset for Ushojo [ush - ush]. The dataset contains 664 clips representing 5.07 hours of recorded speech (4.94 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

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: 644 of 644 transcribed & validated clips (100.0%)

Transcriptions

Transcription status

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.

1. تھئی ملک در جے مسئلہ ئی اؤ مشکلات صحت کارا ہنی؟

2. چھیئی رواج در خلق مڑؤ کدا خیال رݜینا؟

3. تو ڙیگو پیدل سفر تھونو در جے محسوس تھئیلا؟ کے؟

4. ایک چکر پشاریتا سین، ڈھانڈ اؤ سوندو

5. تو تمو کمیونٹی کارا کدی کاروبار خوشارئیلا؟

Responses

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

1. *آسو تمو کمیونٹی کارا کاروبار در آسو سبزی کاروبار یا پھل فروٹ کاروبار یا پراٹی کاروبار یا تجارت خوشارونا۔ *

2. *ما ہر قسم رونگ خوشاریما، خو غنم رنگ بیلو آسو تا لالو مزا تھیما۔ آسو تی لالو شو بئی، اؤ نی لالو کیلو بئی۔ ادامو درمیانہ رونگ لالو خوشاریما۔ *

3. *آسو کمیونٹی در آسئی جیب لالو سخت رزا بینو کے لالو زیاد رزا بئینو سا مطلب کونو یار دوست میلاؤ بئینا، منوڙو میلاؤ بئینا، جپئی میلاؤ بئینا، شنوٹے میلاؤ بئینا تمو جیب در رزا بئینا۔ آسو جیب اوݜوجو پمخا رزا بئینا۔ *

4. *آسئی خاندانے پخوانئی قصہ انا ہنی کنأ آسئی مشرے کامیک ہنی تھئی تمو پخوانئی قصہ ئی آسو تی تھینا۔ آسو تی زنگلے زناورے قصہ ئی تھینا تھئی۔ اؤ بلائی قصہ ئی تھینا تھئی۔ اخکارے قصہ ئی تھینا تھئی۔ تمو پخوانئی کاروبارے قصہ ئی تھینا تھئی۔ انیس کئی علاوہ والی صیبے قصہ ئی تھینا تھئی۔ *

5. *می انا دیس یاد ہنی کے موݜو دیالوسو، اؤ می تمو نموم تی کتابے ݜکیناسی، لالو محنت تھیناسی نموم در ہم اؤ دھئموم در ہم محنت تھیناسی اؤ با می پاس بونو۔ اؤ لا سبقی در می ہم لالو محنت تھیگیسی۔ نو سی دیس می لالو یاد ہنیئ۔ سیس در می شیشو نمبر آلے۔ می تمو اسکولے دور لالو یاد ہنو۔ امتھان ھال لالو یاد ہنو سیس در می تمو کلاس فگیلو ست میٹرک امتحان دیسی۔ سی امتحان در می شیشو نمبر گھینیسی۔ انیس کئی علاوہ می تمو سأت ست ایک دیس چکرا تی گائسو سی دیس ہم می لالو یاد ہنو۔ *

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

Acknowledgements

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