Common Voice Scripted Speech 25.0 - Rukai

Drekay — Rukai (dru)

Mozilla Common Voice cv-corpus-25.0-2026-03-09 Rukai (dru) 文本錄音 語料集。 本語料集包含 20 位錄音者，共 10.55 小時的錄音資料，其中 10.36 小時已驗證（經另二名參與者確認），來自 4,344 條文本句。

語言

魯凱語（Drekay / Rukai, dru）、茂林語（Teldreka）、萬山語（'Oponoho），臺灣原住民語言

本語料集主要包含台灣維基媒體協會 Wikimedia Taiwan 「Common Voice 原住民族語錄音補助計畫」錄音成果，含排灣經典工作室協助招募的魯凱族，以及茂林及萬山語社群總計 20 位錄音者，共 11 小時的錄音資料，其中 11 小時已驗證（經另二名參與者確認）。

計畫錄音範圍為十二年國教課程原住民族語文教材第 1 至 9 階課文文本。

方言／變體（Variants）

本語音語料庫包含以下方言語群

• 東魯凱語 Eastern Rukai (taromak)

• 霧臺魯凱語 Wutai Rukai (veday)

• 大武魯凱語 Dawu Rukai (labuane)

• 萬山語 Oponoho (oponoho)

• 茂林語 Teldreka (teldreka)

統計資料

本資料集包含以下自我申報的年齡與性別分布。每個表格下方會顯示涵蓋率摘要。

性別

錄音者自行宣告的性別資訊。表格顯示錄音數與錄音者數及其百分比。未宣告性別的錄音者列為「未指定」。破折號（-）表示零。

Gender declared: 6,677 of 6,693 clips (99.8%), 17 of 20 speakers (85.0%)

年齡

錄音者自行宣告的年齡層資訊。表格顯示錄音數與錄音者數及其百分比。未宣告年齡的錄音者列為「未指定」。破折號（-）表示零。

Age declared: 823 of 6,693 clips (12.3%), 1 of 20 speakers (5.0%)

資料分群（用於模型訓練）

Clip buckets

Training splits

Training split coverage: 2,964 of 6,576 validated clips (45.1%)

本資料集包含 6576 筆已驗證、116 筆未通過驗證及 1 筆待審查的片段。片段平均長度為 5.676 秒。

文本語料

Validated sentences: 3,867

本語料庫包含 4,344 條句子：3,867 條已驗證、477 條未驗證（477 條待審查、0 條被拒絕），另有 2 條被回報需審查。

樣本

以下為五個隨機選擇的錄音句子樣本

1. mokelaata idhae lo ’anokisata?

2. mani olatadhelrao

3. ’apitigamilraidhe kadhalra’a takali taiki taka’adhailie

4. Ku kipadradresenge li sanaka manemanemane kivaivay

5. mwa tauwananenganumi?

來源

錄音文本取自《十二年國教原住民族語文教材》第一至九階課文之族語（羅馬字）內容，經中華民國教育部國民及學前教育署（K-12 Education Administration, Ministry of Education, Taiwan ROC）授權，由台灣維基媒體協會整理後上傳。特別感謝時任教育部政務次長葉丙成協助協調授權事宜。

部分霧台魯凱語（veday）文本，由國⽴台灣⼤學語⾔學研究所《台⼤台灣南島語語料庫》（NTU Corpus of Formosan Languages, Graduate Institute of Linguistics, National Taiwan University）提供。感謝宋麗梅老師協助。

多納語、萬山語、茂林語另包含馬可福音選句各 59 句，感謝財團法人台灣聖經公會（The Bible Society in Taiwan）授權。

在族語專案錄音過程中，我們發現部分文本存在文意不符、單詞或拼寫錯誤等情況。因 Common Voice 系統限制，相關內容未能事先更正仍直接進行錄製。錄音者與教材之間是為共同協作關係，特此說明。

文本領域

建議後處理流程步驟

請注意：本資料集的統計資料部分（性別與年齡資訊），因維基協會族語錄音專案未登錄相關資訊，故大多數並不正確。

欄位

片段

每個 tsv 檔案的每一列代表一個音聲片段，包含以下資訊：

• client_id - 使用者的雜湊 UUID

• path - 音檔的相對路徑

• text - 音檔的預期轉錄文本

• up_votes - 認為音檔與文本相符的人數

• down_votes - 認為音檔與文本不符的人數

• age - 錄音者的年齡1

• gender - 錄音者的性別1

• accents - 錄音者的腔調1

• variant - 語言的變體1

• segment - 若句子屬於自訂資料集分群，會列在此欄位

• prompt_upvotes - 句子提示收到的贊成票數

• prompt_reports - 句子提示收到的檢舉數

• is_edited - 片段的轉錄是否已被編輯

validated_sentences.tsv

validated_sentences.tsv 檔案中的每一列代表文本語料庫中一條已驗證的句子：

• sentence_id - 句子的唯一識別碼

• sentence - 句子文本

• variant - 該語言的變體

• sentence_domain - 句子所屬的領域

• source - 句子的來源

• is_used - 該句子是否仍在流通中供錄製使用

• clips_count - 為該句子錄製的片段數量

unvalidated_sentences.tsv

unvalidated_sentences.tsv 檔案中的每一列代表文本語料庫中一條未驗證的句子：

• sentence_id - 句子的唯一識別碼

• sentence - 句子文本

• variant - 該語言的變體

• sentence_domain - 句子所屬的領域

• source - 句子的來源

• up_votes - 句子獲得的贊成票數

• down_votes - 句子獲得的反對票數

• status - 句子的目前狀態（pending 或 rejected）

參與

社群連結

Mozilla 台灣社群 (MozTW) Common Voice 專案網站： https://moztw.org/common-voice/

任何問題與建議、協助推廣、捐贈語料，或其他合作需求，請透過以下社群頻道與我們討論：

• Telegram group

• Line group

2025 族語錄音計畫參與社群：

• 台灣維基媒體協會 (Wikimedia Taiwan)

• 排灣經典 Payuan Classic

• 特別感謝排灣經典葉王靖 kuliw 協助招募與錄音事宜

• Pontoon 上的 Common Voice 翻譯者

• Common Voice 社群

討論

• Discourse 討論區

• 相關新聞

• Common Voice Matrix 聊天室

• Common Voice Discourse 論壇

• Common Voice Discord

• Common Voice Telegram

貢獻

• 錄音

• 撰寫

• 聆聽

• 驗證

誌謝

資料表編撰

• Irvin Chen (MozTW 社群聯絡人)

經費

• v23.0 台灣維基媒體協會 Wikimedia Taiwan「Common Voice 原住民族語錄音補助計畫」/ Mozilla Foundation Open Multilingual Speech Fund (OMSF)

授權

此資料集以 創用 CC 公眾領域貢獻宣告 (CC-0) 釋出至公共領域。 下載這個資料集，即代表你同意不對資料集中的個別參與者進行識別。

Footnotes

1. 如需年齡、性別及腔調選項的完整清單，請參閱 demographics spec。僅在錄音者同意提供時才會揭露這些資訊。 ↩ ↩2 ↩3 ↩4