Common Voice Scripted Speech 25.0 - Copainalá Zoque

zoc — Copainalá Zoque (zoc)

Esta ficha técnica corresponde a cv-corpus-25.0-2026-03-09 del conjunto de datos de voz guiada de Mozilla Common Voice para zoc [Copainalá Zoque - zoc]. El conjunto de datos contiene 8948 clips representando 10.14 horas de grabaciones (10.07 horas validadas) de 12 hablantes, grabados a partir de un corpus de texto de 1488 oraciones.

Idioma

El zoque de Ocotepec, Chiapas, pertenece a la familia lingüística mixezoqueana que comprende dos ramas, la mixeana y la zoqueana. Según la clasificación propuesta por Wichmann (1995), Kaufman y Justeson (2004), y Zavala (2011), la rama zoqueana se divide en dos subgrupos: el zoqueano del Golfo y el zoqueano propiamente. Dentro de este último grupo se encuentran el zoque oaxaqueño que comprende dos lenguas zoqueanas habladas en los municipios de Santa María Chimalapa y San Miguel Chimalapa; el zoque chiapaneco (el cual cuenta con cuatro principales variedades dialectales) y el jitotolteco. El zoque de Ocotepec pertenece al zoque del noreste, que es una de las cuatro áreas dialectales del zoque hablado en Chiapas y Tabasco (Wonderly 1949). Dentro de la cadena dialectal del zoque del noroeste, además del zoque de Ocotepec, se encuentran las variantes de los pueblos de Tapalapa, Pantepec, Rayón, Tapilula, Chapultenango, Amatán (todos estos en Chiapas); y Tapijulapa y Oxolotán (en Tabasco). En la región central (ZC) se localizan las variantes de Tecpatán, Copainalá y Coapilla. Al sur se localiza la variante sureña (ZS) que se habló todavía a mediados del siglo pasado en Tuxtla Gutiérrez, Berriozábal, San Fernando y Ocozocoautla. La cuarta variante del zoque se conoce como variante norteña (ZN) y se habla en los pueblos de Francisco León y Ostuacán. Además de esas cuatro áreas dialectales, en Chiapas se habla otra lengua zoqueana recientemente identificada con el nombre de jitotolteco, apelativo asignado por hablarse en el municipio de Jitotol, Chiapas (Zavala 2011), esta variante se separó del zoque del noreste, hipótesis que se sustenta por los rasgos compartidos con esa cadena de variantes y que las otras cadenas no comparten. La lengua zoque de Ocotepec, se le conoce como ʹodetsame, que literalmente significa ‘la lengua hablada’. Los hablantes se autodenominan como ʹodepändam que significa ‘personas de la palabra’ o ‘personas que hablan la lengua zoque’. El término utilizado hoy en día para denominar al grupo lingüístico zoque (zoke) proviene del saludo apelativo para interpelar al interlocutor que aún se escucha en algunas comunidades. En Oxolotán y en Tapijulapa se usa la forma zoke-ta para saludar al padre o soke-na para saludar a la madre, mientras que en Ocotepec y Tapilula se usa la forma corta sok-tatay o sok-nanay. Actualmente, este saludo entre los zoques de Ocotepec, ya no se da entre la población en general, únicamente se puede escuchar entre las personas mayores de 80 años. Actualmente la lengua la aprenden los niños de las colonias de Ocotepec, pero a los niños de la cabecera municipal ya no se les enseñan la lengua en los hogares, aunque aún se puede aprender con los amigos o en la calle. Según los datos del censo general de población (INEGI 2020), el municipio de Ocotepec, Chiapas, arrojó un total de 14, 088 pobladores; 7,209 mujeres (51.2 %) y 6,879 hombres (48.8 %). Los habitantes de Ocotepec representaban el 0.25% de la población total de Chiapas en 2020.

Variantes

Únicamente se trabajó con la variante del zoque de Ocotepec.

Información demográfica

El conjunto de datos incluye las siguientes distribuciones autodeclaradas de edad y género. Debajo de cada tabla se muestra un resumen de cobertura.

Género

Información de género autodeclarada. La tabla muestra conteos de clips y hablantes con porcentajes. Los hablantes que no declararon género aparecen como No especificado. Un guion (-) indica cero.

Gender declared: 3972 of 8948 clips (44.4%), 5 of 12 speakers (41.7%)

Edad

Información de edad autodeclarada. La tabla muestra conteos de clips y hablantes con porcentajes. Los hablantes que no declararon edad aparecen como No especificado. Un guion (-) indica cero.

Age declared: 8145 of 8948 clips (91.0%), 7 of 12 speakers (58.3%)

Partición de datos para modelado

Clip buckets

Training splits

Training split coverage: 1481 of 8886 validated clips (16.7%)

El conjunto de datos contiene 8886 clips validados, 2 invalidados y 60 sin resolver. La duración promedio de los clips es de 4.083 segundos.

Corpus de texto

Para realizar el trabajo de habla espontanea, se usaron textos ya publicados, dos tesis, una de maestría y una de doctorado, cinco cuentos en manuscrito y un poema. Se validaron aproximadamente 11,000 frases. La mayor parte de las frases validadas provienen de las dos tesis.

Validated sentences: 1481

El corpus contiene 1488 oraciones: 1481 validadas y 7 no validadas (7 pendientes de revisión, 0 rechazadas), con 0 reportadas para revisión.

Sistema de escritura

Se utilizó el sistema arábico, consonantes y vocales que normalmente usa el español

Tabla de símbolos

p/b t/d k/g ts/ds ' m n ŋ w y l a e i o u ä ã ẽ ĩ õ ũ ä̃

Muestra

A continuación se muestran cinco oraciones seleccionadas aleatoriamente del corpus.

1. Teʼ kaʼubä pobopobo tujku.

2. Teʼyi miduʼuŋ teʼ mäjatendsuŋ.

3. Teʼ yoyase tysäjkpabäʼis wyit, musobyabädeʼe.

4. Teʼyi miduʼuŋ teʼ nimeke kijpabä ʼune.

5. Jiʼkseʼkpä jamaʼomo ʼoyuʼtsi yumitäjkmä.

Fuentes

De la Cruz Morales Román. Tesis de maestría, 2016, Lingüística, CIESAS. De la Cruz Morales Román. Tesis de doctorado, 2023, Lingüística, CIESAS. De la Cruz Morales Román. Manuscrito no publicado, 2024. De la Cruz Morales Román. Poesía no publicada, 2024.

Dominios textuales

General, Historia, Leyes y Gobierno, Naturaleza y Medio Ambiente

Procesamiento

Se seleccionaron los materiales adecuados en donde se extrajeron los textos. Se seleccionaron que comprendían y podían ser emitidos por los propios hablantes. Fueron 1503 frases seleccionadas. Todos los textos se pegaron en Excel.

Postprocesamiento recomendado

No conozco de alguna aplicación para recomendar.

Campos

Clips

Cada fila de un archivo tsv representa un solo clip de audio, y contiene la siguiente información:

• client_id - UUID hasheado de cierto usuario

• path - ruta relativa al archivo de audio

• text - presunta transcripción del audio

• up_votes - número de personas que dijeron que el audio concordaba con el texto

• down_votes - número de personas que dijeron que el audio no concordaba con el texto

• age - edad de los hablantes1

• gender - genero de los hablantes1

• accents - acentos de los hablantes1

• variant - variante del idioma1

• segment - si la oración pertenece a una porción personalizada de un dataset, será listada aquí

• prompt_upvotes - número de votos positivos que recibió la oración

• prompt_reports - número de reportes que recibió la oración

• is_edited - si la transcripción del clip ha sido editada

validated_sentences.tsv

El archivo validated_sentences.tsv contiene una fila por cada oración validada en el corpus de texto:

• sentence_id - identificador único de la oración

• sentence - el texto de la oración

• variant - la variante del idioma

• sentence_domain - el/los dominio(s) a los que pertenece la oración

• source - la fuente de donde se recopiló la oración

• is_used - si la oración sigue en circulación para grabación

• clips_count - número de clips grabados para esta oración

unvalidated_sentences.tsv

El archivo unvalidated_sentences.tsv contiene una fila por cada oración no validada en el corpus de texto:

• sentence_id - identificador único de la oración

• sentence - el texto de la oración

• variant - la variante del idioma

• sentence_domain - el/los dominio(s) a los que pertenece la oración

• source - la fuente de donde se recopiló la oración

• up_votes - número de votos positivos que recibió la oración

• down_votes - número de votos negativos que recibió la oración

• status - estado actual de la oración (pending o rejected)

Involúcrate

Enlaces comunitarios

Se realizó una plática acerca del proyecto con las personas que les interesa la conservación de la lengua. Muchas personas les gustó la idea, pero solo pacas personas participaron.

• Traductores de Common Voice en Pontoon

• Comunidades de Common Voice

Discusiones

No se llevó a cabo informes por línea con los participantes.

• Common Voice en Matrix

• Common Voice en Discourse

• Common Voice en Discord

• Common Voice en Telegram

Contribuir

No se aplicó.

• Hablar

• Escribir

• Escuchar

• Revisar

Agradecimientos

Autores de la ficha técnica

Román de la Cruz Morales

Criterios de citación

No aplica

Financiamiento

Este proyecto recibió financiamiento del Open Multilingual Speech Fund gestionado por Mozilla Common Voice.

Licencia

Este conjunto de datos se publica bajo la licencia Creative Commons Zero (CC-0). Al descargar estos datos usted acepta no determinar la identidad de los hablantes en el conjunto de datos.

Footnotes

1. Para una lista completa de opciones de edades, generos, y acéntos, ver la especificación demográfica. Esta será reportada únicamente si el hablante aceptó proporcionar dicha información. ↩ ↩2 ↩3 ↩4