Common Voice Spontaneous Speech 3.0 - Gorani

hac — Gorani (hac)

This datasheet is for sps-corpus-3.0-2026-03-09 of the Mozilla Common Voice Spontaneous Speech dataset for Gorani [hac - hac]. The dataset contains 421 clips representing 11.19 hours of recorded speech (0.37 hours validated) from 19 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: 0 of 14 transcribed & validated clips (0.0%)

Transcriptions

Transcription status

Samples

Questions

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

1. چا یاگێ کە مژیڤی ئاڤووهەڤا چەینا؟

2. پەی رۆ پێذا بیەیت چێش کەری؟

3. گەورەتەرین هیوات پەی ئایەندەی چێشا؟

4. ئاڤاتذ پەی زاڤڵەکات چێشا؟

5. جە وەڵاتەکەو شمەنە چ کێشێڤی تەندوروستی هەن کە ئیسە جە گرذی گرینگتەرا؟

Responses

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

1. خوذا گیانێ ویش ئا زاڤڵێشە دەینا پێنە خوذا ئیشەلا مەمنوونەشەناو، ئێفتێخارشا پنە کەروو باعێسوو سەربەزیمەنێ و باعێسوو وەشیمەنێ و شانازیشا پوە کەروو و، فرە عالێنێ زاڤڵەکێم خوذا نەسانۆم چنە ئیشەلا

2. *مەنتەقەو ئێمەنە، هۆرێ چەرمێنێ بێنێ. دەی وەڵا من ئەجۆم گرلێڤ هۆرێ چەرمێنێ. هۆرێ رەنگێڤ تەرم نەذیێنێ جار جار نارنجیێ ڤینی وەلی ئا نارنجیە بەخاترۆ ئانەیەنە رۆجیارەکە هەنووز نیمەش مذۆڤە هۆرەکا هەن وەلیمکەتەی هەورێ چەرمێنێ هەورێ رەنگێڤ تەرم نەذیەن. *

3. دەڤەی دەرمانێ سونەتتیێ، دەی وەڵا ئا چێڤێ کە من مزانووشا من ڤیرما زاڤڵێ بیێنا زاڤڵی بێنێ فرە زاڤڵی بێنێ ڤیرما پام مڕیا، پام مڕیا، خۆ ئاڤختە جەڕاح و چێڤ نەبێ یگێڤە پسە نۆتشەینە. ئەذێم گێرتا کۆڵێ بەرذاش یاگێڤە مڵکێڤ بابالێڤ بێ کە هینێ گێرێڤە پاسە کە یۆ ئۆستۆخان یۆ پێشەش مڕیا بیەیا بەرێشەنە یاگێو گێرێشەڤە ئێتر ڤیرما ئێتر خۆ بێ هۆشیش نەبێ. ئێتر بە لەقە ماڵاش پامەرە بێهۆشە کۆتا و وەختێڤ ئامانێڤە هۆش مذیۆ بە چڤەڤ هێڵە پاکەش گێرتێناڤە. ئێتر ئانە چێڤیڤا کە من وێم تەجروبەم هەن پەی وێم ئێتێفاق کۆتەن. کە ئیسە ئیتر بیمارستانەنە و بە جەراحی ئی کارا کەرا. ئێتر چێڤێڤ تەریچ کە دیەنم ئەذام و موتیەم کەرێنێ هیان ئی مەزانوو نامیشا چیشا مەزانوو نامیشا چێشا وەلا ونێ پیسە گێرا جە بەذەنیشا. نامەکێش ڤیرم شیێنەڤە ئاذیچ سونەتیا. وونی گرذ ساڵێڤە، ساڵێڤە جارێڤ وونی گێرا، ئێتر هینا ئێحساس کەرا، ئێتر مەزانوو وەلا راسەش یا درۆش ئێحساس کەرا ئێحساسێڤی وەششا هەن ئێحساس کەرا سالم تەرێنێ. ئێتر گیڤاڤێ کوردیێ، ئینە فرە لا مەخلۆقوو کورذیەڤە هینش هەن کە گیڤاڤێ کوردیێ گرینا بوەرا. یا وشکیشا کەرا زمسانێنە چێشا پنە وەش کەرا. ئی جۆرە چێڤی فرێنێ. ئیتر چێشم هەن؟ یا وەختێڤ پیشێشا مدرا گیر موشەماشا منیا سەر یاگێڤەشا مدرۆ گیر مشەمای گەرمەش منیا سەر. یا وەختێڤ سەرذشا بۆ بەتایبەت زاڤڵێ سینەشا مناڤنا. یا وەختێڤ یۆ چێڤێڤش میشۆ ماچا کۆڵنج کۆڵنجذ مارا. ئینە گرذ چێڤانێڤەنێ کە مەنتەقەو ئێمەنە فرێنێ وەڵا

4. بەنەزەرەم چێڤێ فرێ هەنێ کە یەک نەفەری، یەک نەفەر ئەگەر باش ئا یەک نەفەرە بۆ تایبەت یانێڤ عەز کەری رەفێقەکەتەنە ئا چێڤێ با. من فرە حەز کەروو مەسەڵەن ئەگەر کەسێڤ رەفێقما یا رەفێقەمەنە موهێم نیا پیا یا ژەنی ئینە کە فەقەت رەفێقوو دەورانی وەشی نەبۆ رەفێقوو دەورانوو ناوەشیچ بۆ. ئەگەر موشکێڵێڤەم هەنە ئەگەر کەموو کەسریێڤم هەن ئێننە ئێتمینانم بۆ پنەش ئێننە پەرمووش پۆرە، ئینە فرە مۆهێما ئێننە پەرموو ئا تارەفیەرە کە ئیسە یا زەنگەش پەی دەو یا بلوو لاش ڤاچوو فڵانەکەس من ئی موشکێڵەمە هەنە، کومەکم کەرە وە ئا تەرەفە دەریغ نەکەرۆ چوون من وێم پاسە کەروو ئەگەر رەفێقەم یا رەفێقەکێم بەی لام وو چێڤێڤش گەرەک بۆ نیازش بۆ تا یاگێ پنەم کریۆ، نا مەڤاچوو ئینە فرە موهێمما عەز کەروو رەفێقەکامەنە بۆ. یۆ ئینەیچە کە هین بۆ ئێ ئێ یۆ ئینەیچە کە ئێنسانێڤ نەبۆ کە رووبەڕوو چێڤێڤ ڤاچۆ کە رووبەڕوو چێڤێڤ ڤاچۆ پەشتەسەر چێڤێڤ تەر ڤاچۆ یانێڤ دڤە روو نەبۆ ئینە فرە مۆهێما ئینە پێم فرە مۆهێمما کە رەفێقەکێم دڤە روو نەبا وە کەسێڤ کە دۆڕوو بۆ دڤە ڕوو بۆ من ئەسڵەن مەتاڤوو چنیش بەر بەروو ئەسڵەن مەتاڤوو نیشانە دەو کە ئێ ئێ موهێم نیە، یانێڤ ئەگەر بەی کەسێڤ، دڤە روو بۆ وە من وەشم نەی چنەش، حەتمەنی حەتمەن سوورەتمەنە نیشانە مذۆ کە چێڤێڤ ئێ ئێ چێڤێڤ دروس نیا چی هینەنە چی رابێتەنە. یا مسەڵەن درۆزن نەبۆ، کەسێڤ بۆ کە ئێتر ئێعتمادذ پنەش بۆ. یانێڤ تۆ ئەگە ئێ سڕێڤەذ بۆ، رازێڤەذ بۆ کە نەتاڤی ڤاچیش بە گرکەسی، تۆ بتاڤی ڤاچیش پا رەفێقەیتە یا پا رەفێقێتە. ئینە ئینە ئێ گرینگا ئینە موهێما عەز کەروو ئی ئی ئێێ ئی خسڵەتێشە با. رەفێقەم، ئەگەر نەباش فکر مەکەروو بتاڤوو ئێ چنی کەسێڤی کە ئینیشە نەبا راسگوو نەبۆ ئێ درۆزن بۆ دڤە روو بۆ مەتاڤوو بوو رەفێقە هیچوەخت

5. چیە تووتێ فرێ ئینەی یانەنە گرکەسی هەنش وەڵا فرێ یانەنە کتێش اهەنێ و تووتێشا هەنێ

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

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