Common Voice Scripted Speech 25.0 - Central Puebla Nahuatl

Nahuat — Central Puebla Nahuatl (ncx)

Esta ficha técnica corresponde a cv-corpus-25.0-2026-03-09 del conjunto de datos de voz guiada de Mozilla Common Voice para Nahuat [Central Puebla Nahuatl - ncx]. El conjunto de datos contiene 9509 clips representando 11.77 horas de grabaciones (10.7 horas validadas) de 41 hablantes, grabados a partir de un corpus de texto de 1523 oraciones.

Idioma

Náhuatl que se utiliza mayormente en el Centro de Veracruz y Valle de Tehuacán y alrededores, además de ser entendible en Oaxaca (norte), Morelos, Tlaxcala, Estado de México y Ciudad de México.

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: 3708 of 9509 clips (39.0%), 2 of 41 speakers (4.9%)

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: 9098 of 9509 clips (95.7%), 19 of 41 speakers (46.3%)

Partición de datos para modelado

Clip buckets

Training splits

Training split coverage: 1044 of 8644 validated clips (12.1%)

El conjunto de datos contiene 8644 clips validados, 62 invalidados y 803 sin resolver. La duración promedio de los clips es de 4.457 segundos.

Corpus de texto

Frases más bien cortas, de tres a cinco palabras en su mayoría y sacadas de contextos de socialización comunes.

Validated sentences: 1518

El corpus contiene 1523 oraciones: 1518 validadas y 5 no validadas (5 pendientes de revisión, 0 rechazadas), con 2 reportadas para revisión.

Sistema de escritura

Escritura práctica, utilizando la pauta propuesta por el Instituto Lingüístico de Verano.

Tabla de símbolos

a b ch e f g i j k l m n o p r s t tl ts u x y

Muestra

A continuación se muestran cinco oraciones seleccionadas aleatoriamente del corpus.

1. ¿Kox yi...?

2. Nakatl tlen ineuian kitekilis inauak iyolo tlasemanki.

3. San otikijto amo mitskuejsoa tinentlakatl.

4. ¿Machitlaj mitsyoltelinia?

5. Uan tlioli uan okitlali ipan se ajpastli.

Fuentes

Ne noneuian Ketsaltsin, saiktlami astatl Tetlikuiti Tlasemanki onpa Chiaualpan

Dominios textuales

General, Medios y Entretenimiento

Procesamiento

Se siguieron pautas comunes de lenguaje cotidiano y representativo.

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

Luis Samuel Santiago Melchor: lssm8676969@gmail.com

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