Common Voice Scripted Speech 25.0 - Sakizaya

License icon

License:

CC0-1.0

Shield icon

Steward:

Common Voice

Task: ASR

Release Date: 3/22/2026

Format: MP3

Size: 280.78 MB

Share

Description

A collection of read speech recordings in Sakizaya (Sakizaya).

Specifics

Licensing

Creative Commons Zero v1.0 Universal (CC0-1.0)

https://spdx.org/licenses/CC0-1.0.html

Considerations

Restrictions/Special Constraints

None provided.

Forbidden Usage

It is forbidden to attempt to determine the identity of speakers in the Common Voice datasets. It is forbidden to re-host or re-share this dataset.

Processes

Intended Use

This dataset is intended to be used for training and evaluating automatic speech recognition (ASR) models. It may also be used for applications relating to computer-aided language learning (CALL) and language or heritage revitalisation.

Metadata

Sakizaya — Sakizaya (szy)

Mozilla Common Voice cv-corpus-25.0-2026-03-09 Sakizaya (szy) 文本錄音 語料集。 本語料集包含 26 位錄音者，共 14.45 小時的錄音資料，其中 13.72 小時已驗證（經另二名參與者確認），來自 803 條文本句。

語言

撒奇萊雅語（Sakizaya, szy），臺灣原住民撒奇萊雅族的語言

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，含花蓮縣撒奇萊雅族維基媒體協會的 26 位錄音者，共 15 小時的錄音資料，其中 14 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。

腔調（Accents）

CodeAccentClipsSpeakers
-1,067 (11.1%)5 (19.2%)

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。

CodeGenderClipsSpeakers
male_masculineMale, masculine--
female_feminineFemale, feminine3,418 (35.4%)6 (23.1%)
transgenderTransgender--
non-binaryNon-binary--
do_not_wish_to_sayPrefer not to say3,733 (38.7%)7 (26.9%)
-Unspecified2,492 (25.8%)16 (61.5%)

Gender declared: 7,151 of 9,643 clips (74.2%), 10 of 26 speakers (38.5%)

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。

CodeAgeClipsSpeakers
teensTeens--
twentiesTwenties1,254 (13.0%)2 (7.7%)
thirtiesThirties801 (8.3%)1 (3.8%)
fourtiesFourties--
fiftiesFifties1,104 (11.4%)2 (7.7%)
sixtiesSixties1,002 (10.4%)2 (7.7%)
seventiesSeventies800 (8.3%)1 (3.8%)
eightiesEighties--
ninetiesNineties--
-Unspecified4,682 (48.6%)20 (76.9%)

Age declared: 4,961 of 9,643 clips (51.4%), 6 of 26 speakers (23.1%)

資料分群（用於模型訓練）

Clip buckets

BucketClips
Validated9,158 (95.0%)
Invalidated485 (5.0%)
Other-

Training splits

SplitClips
Train280 (3.1%)
Dev257 (2.8%)
Test264 (2.9%)

Training split coverage: 801 of 9,158 validated clips (8.7%)

本資料集包含 9158 筆已驗證、485 筆未通過驗證及 0 筆待審查的片段。片段平均長度為 5.397 秒。

文本語料

Validated sentences: 801

CategoryCount
Unvalidated sentences2
Pending sentences2
Rejected sentences-
Reported sentences-

本語料庫包含 803 條句子：801 條已驗證、2 條未驗證（2 條待審查、0 條被拒絕），另有 0 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. ci Panay sikawaw

  2. cacay ku tanaya’ay

  3. u tubah kuyni.

  4. makaala tu tusa a bataan lawat

  5. izaw ku tademaw i putah.

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。

少部分錄音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。

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。

SourceSentences
Provided by K-12 Education Administration, Ministry of Education, Taiwan ROC584 (72.9%)
Provided by NTU Corpus of Formosan Languages, Graduate Institute of Linguistics, National Taiwan University. https://corpus.linguistics.ntu.edu.tw202 (25.2%)
族語學習詞表9 (1.1%)
Other6 (0.7%)

文本領域

CodeDomainClipsSpeakers
generalGeneral9,825 (101.9%)26 (100.0%)
agriculture_foodAgriculture and Food--
automotive_transportAutomotive and Transport--
financeFinance--
service_retailService and Retail--
healthcareHealthcare--
history_law_governmentHistory, Law and Government--
media_entertainmentMedia and Entertainment--
nature_environmentNature and Environment--
news_current_affairsNews and Current Affairs--
technology_roboticsTechnology and Robotics--
language_fundamentalsLanguage Fundamentals9 (0.1%)3 (11.5%)

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：

2025 族語錄音計畫參與社群：

討論

貢獻

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