Common Voice Scripted Speech 25.0 - Huarijio

Makurawe — Huarijio (var)

Esta ficha técnica corresponde a cv-corpus-25.0-2026-03-09 del conjunto de datos de voz guiada de Mozilla Common Voice para Makurawe [Huarijio - var]. El conjunto de datos contiene 8006 clips representando 11.8 horas de grabaciones (10.09 horas validadas) de 12 hablantes, grabados a partir de un corpus de texto de 1977 oraciones.

Idioma

La lengua según el Catálogo de lenguas Indigenas del INALI, el Huarijío pertenece a la familia yutoazteca o yuto-nahua, rama yuto-nahua sureña subrama Taracahita. El guarijío o huarijío del sur o del río también llamado makurawe se habla en el estado de Sonora, México: en el municipio de Álamos: Bavícora, Burapaco, Casas Coloradas, Chorijoa, El Chalate, El Sauz, Guajaray, Huataturi, Jobeg I, La Sauceda, La Tribuna, Los Estrados, Mesa Colorada, Mochibampo, Rancho Nuevo, Colonia San José y Colonia Makorahui, Sejaqui, Tecoripa. En el municipio Quiriego: Batacosa, El Frijolar, Los Bajíos (Ejido los Conejos), Quiriego. Según el Plan de Justicia 2020, hay 1998 habitantes.

Variantes

La variante del Huarijío es el Warijó (guarijío de la sierra) hablado en Chihuahua, que tiene el mismo código ISO 639-3: var.

• var-delrio: Makurawe

• var-sierra: Warihío

Acentos

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: 7562 of 8006 clips (94.5%), 8 of 12 speakers (66.7%)

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: 8001 of 8006 clips (99.9%), 10 of 12 speakers (83.3%)

Partición de datos para modelado

Clip buckets

Training splits

Training split coverage: 1909 of 6851 validated clips (27.9%)

El conjunto de datos contiene 6851 clips validados, 291 invalidados y 864 sin resolver. La duración promedio de los clips es de 5.307 segundos.

Corpus de texto

Las oraciones mayormente son tomadas de la gramática del Dr. Rolando Guadalupe Felix Armendariz, aunque se usó también el diccionario de la Maestra Ana Aurora Medina Murillo además unos ejemplos de tesis de maestría de Ana Amelia Avila Enriquez y unos ejemplos de un artículo de la maestra Isabel Barreras Aguilar.

Validated sentences: 1977

El corpus contiene 1977 oraciones: 1977 validadas y 0 no validadas (0 pendientes de revisión, 0 rechazadas), con 246 reportadas para revisión.

Sistema de escritura

Se tomó la escritura usada en la tesis del 2005 por el Dr. Rolando Guadalupe Felix Armendariz para hacer el corpus. Según el Dr. la lengua tiene 12 consonantes y 5 vocales.

Tabla de símbolos

p t k r s č m n w y h (') 
a e i o u

Muestra

A continuación se muestran cinco oraciones seleccionadas aleatoriamente del corpus.

1. Kaahetečí yačasá muuní.

2. Konaréne kusímuni.

3. Iʼtónane paikápi pahčí ikačí.

4. Iwá ohoénia kíkawéhu katisá thekíhu.

5. Kuándo teeméa kuándo iʼwá kuándo teeméapu iʼwao.

Fuentes

• Avila Enriquez, Diana Amelia. 2012. Las construcciones aplicativas en guarijío de Sonora. (tesis de maestría). Sonora: Universidad de Sonora.

• Barreras Aguilar, Isabel. 1996 “Clasificación semántica de los verbos en guarijío. En: J.Fajardo (Ed.). Estudios semánticos. México: El Colegio de México Félix Armendáriz,

• Rolando Gpe. 2005. A Grammar of River Warihio. Disertación de doctorado.Texas: Rice University.

• Medina Murillo Ana Aurora. 2002. Diccionario morfológico: formación de palabras en el guarijio. (tesis de maestria). Sonora: Universidad de Sonora.

Dominios textuales

General

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

• Traductores de Common Voice en Pontoon

• Comunidades de Common Voice

Discusiones

• Common Voice en Matrix

• Common Voice en Discourse

• Common Voice en Discord

• Common Voice en Telegram

Contribuir

• Hablar

• Escribir

• Escuchar

• Revisar

Agradecimientos

Autores de la ficha técnica

• Maria Alfonsa Larios Santacruz

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