Common Voice Scripted Speech 25.0 - Kohistani Shina

کوہستانی شینا — Kohistani Shina (plk)

This datasheet is for cv-corpus-25.0-2026-03-09 of the Mozilla Common Voice Scripted Speech dataset for Kohistani Shina [کوہستانی شینا - plk]. The dataset contains 11935 clips representing 16.66 hours of recorded speech (12.58 hours validated) from 10 speakers, recorded from a text corpus of 4,657 sentences.

Language

یہ زبان پاکستان کے صوبہ خیبر پختونخوا کے انڈس کوہستان اضلاع میں بولی جاتی ہے جس کے بولنے والے 5 لاکھ سے زائد ہیں

Variants

نہیں

Demographic information

The dataset includes the following self-declared age and gender distributions. A coverage summary is shown below each table.

Gender

Self-declared gender information. The table shows clip and speaker counts with percentages. Speakers who did not declare a gender are listed as Unspecified. A dash (-) indicates zero.

Gender declared: 0 of 11,935 clips (0.0%), 0 of 10 speakers (0.0%)

Age

Self-declared age information. The table shows clip and speaker counts with percentages. Speakers who did not declare an age are listed as Unspecified. A dash (-) indicates zero.

Age declared: 10,290 of 11,935 clips (86.2%), 4 of 10 speakers (40.0%)

Data splits for modelling

Clip buckets

Training splits

Training split coverage: 4,416 of 9,015 validated clips (49.0%)

The dataset contains 9015 validated, 960 invalidated, and 1960 unresolved clips. The average clip duration is 5.026 seconds.

Text corpus

جملے میں نے اپنی مطبوعہ کتابوں سے منتخب کیے تھے ۔4657 جُملے لکھے اور ریکارڈ کیے گئے۔ بعد میں کم وبیش 6000 جُملے کامن وائس میں اپلوڈ کیے گئے لیکن وہ کامن وائس میں نظر نہیں آ رہے جس کی وجہ سے ان کی ریکارڈنگ ممکن نہیں۔

Validated sentences: 4,657

The corpus contains 4,657 sentences: 4,657 validated and 0 unvalidated (0 pending review, 0 rejected), with 0 reported for review.

Writing system

اردو عربی رسم الخط مع مخصوص اضافی شینا کوہستانی فونٹس۔

Symbol table

ا ب بھ پ پھ ت تھ ٹ ٹھ ث ج جھ چ چھ څ څھ ڇ ڇھ ح خ د دھ ڈ ڈھ ر ڑ ز زھ ڙ ژ س ش ݜ ص ض ط ظ ع غ ف ق ک کھ گ گھ ل لھ م مھ ن ݨ ں و ھ ہ ء ی ے

Sample

There follows a randomly selected sample of five sentences from the corpus.

1. پیالوْ تومیْ لڇ کِچھ تِھیؤ ہرِی گِیاؤ۔

2. برِیؤئے مرگِجیْ پتو ایک کال بُجَیش عدت اےْ وخ موقرڑ بِیسوْ۔

3. تُوْ توموْ گوڙے پھالیْ جیْ بیٹوْسوئے۔

4. جرگو باک دے روغ تھیگیْ۔

5. ییْس یمن، شام گہ مصر اےْ علاقوڑ ساؤدگری تھے تومیْ تگِیار تھینَس۔

Sources

1. سیرتُ النّبی صلی اللہ علیہ وسلم 2. غزواتُ النّبی صلی اللہ علیہ وسلم 3. ازواج مُطہرات گہ دُخترانِ محمد ﷺ 4. اُمّ المؤمنیِن حضرت اُمّ حبیبہ رضی اللہ تعالی عنہا 5. اُمّ المؤمنیِن حضرت اُمّ سلمہ رضی اللہ تعالی عنہا 6. اُمّ المؤمنیِن حضرت جویریہ رضی اللہ تعالی عنہا 7. اُمّ المؤمنیِن حضرت حفصہ رضی اللہ تعالی عنہا 8. اُمّ المؤمنیِن حضرت خدیجہ رضی اللہ تعالی عنہا 9. اُمّ المؤمنیِن حضرت زینب بنتِ حجش رضی اللہ تعالی عنہا 10. اُمّ المؤمنیِن حضرت زینب بنت خزیمہ رضی اللہ تعالی عنہا 11. اُمّ المؤمنیِن حضرت سودہ رضی اللہ تعالی عنہا 12. اُمّ المؤمنیِن حضرت صفیہ رضی اللہ تعالی عنہا 13. اُمّ المؤمنیِن حضرت عائشہ رضی اللہ تعالی عنہا 14. اُمّ المؤمنیِن حضرت میمونہ رضی اللہ تعالی عنہا 15. بنیادی کوہستانی شینا ۔ اردو لغت 16. حضرت ابوبکر صدیق رضی اللہ عنہ 17. حضرت اُمّ کلثوم بنتِ محمدﷺ 18. حضرت رُقِیّہ بنتِ محمدﷺ 19. حضرت زینب بنتِ محمدﷺ 20. حضرت فاطمہ بنتِ محمدﷺ 21. کوہستان دہ ادویاتی گوڑیؤ اسِیو کمون 22. کوہستان کی ادویاتی جڑی بوٹیوں کا روایتی استعمال (1996) 23. کوہستانی شینا قاعدے (1996، 2000، 2021، 2022) 24. کوہستانی شینا ۔اُردو لُغت (تین جلدیں) 25. کوہستانی شینا تبلیغی کتابچہ (2018) 26. کوہستانی شینا قاعدہ (نباتاتی، حیوانی اور ثقافتی) 27. کوہستانی شینا کہاؤتیں اور محاورے (1997) 28{ شینا کوہستانی اردو لغت، مطبوعہ گندھارا اکیڈمی پشاور

Text domains

General, Agriculture and Food, Healthcare, History, Law and Governmant, Media and Entertainment, Nature and Environment, Language Fundamentals (e.g. Digits, Letters, Money)

Processing

شینا کوہستانی تحریری جُملوں کا انتخاب اور ان کی ریکارڈنگ

Recommended post-processing

کامن وائس کو اس سلسلے کو مزید آگے بڑھانا چاہیے۔

Fields

Clips

Each row of a tsv file represents a single audio clip, and contains the following information:

• client_id - hashed UUID of a given user

• path - relative path of the audio file

• text - supposed transcription of the audio

• up_votes - number of people who said audio matches the text

• down_votes - number of people who said audio does not match text

• age - age of the speaker1

• gender - gender of the speaker1

• accents - accents of the speaker1

• variant - variant of the language1

• segment - if sentence belongs to a custom dataset segment, it will be listed here

• prompt_upvotes - number of upvotes the sentence prompt received

• prompt_reports - number of reports the sentence prompt received

• is_edited - whether the clip's transcription has been edited

validated_sentences.tsv

The validated_sentences.tsv file contains one row per validated sentence in the text corpus:

• sentence_id - unique identifier for the sentence

• sentence - the sentence text

• variant - the variant of the language

• sentence_domain - the domain(s) the sentence belongs to

• source - the source the sentence was collected from

• is_used - whether the sentence is still in circulation for recording

• clips_count - number of clips recorded for this sentence

unvalidated_sentences.tsv

The unvalidated_sentences.tsv file contains one row per unvalidated sentence in the text corpus:

• sentence_id - unique identifier for the sentence

• sentence - the sentence text

• variant - the variant of the language

• sentence_domain - the domain(s) the sentence belongs to

• source - the source the sentence was collected from

• up_votes - number of upvotes the sentence received

• down_votes - number of downvotes the sentence received

• status - current status of the sentence (pending or rejected)

Get involved

Community links

ابھی نہیں

• Common Voice translators on Pontoon

• Common Voice Communities

Discussions

ابھی نہیں (میں بیمار ہوں اکتوبر میں یہ کام کیا جائے گا)

• Common Voice on Matrix

• Common Voice on Discourse

• Common Voice on Discord

• Common Voice on Telegram

Contribute

ابھی نہیں

• Speak

• Write

• Listen

• Review

Acknowledgements

Datasheet authors

Razwal Kohistani (razwal@gmail.com)

Citation guidelines

نہیں سمجھا

Funding

This dataset was partially funded by the Open Multilingual Speech Fund managed by Mozilla Common Voice.

Licence

This dataset is released under the Creative Commons Zero (CC-0) licence. By downloading this data you agree to not determine the identity of speakers in the dataset.

Footnotes

1. For a full list of age, gender, and accent options, see the demographics spec. These will only be reported if the speaker opted in to provide that information. ↩ ↩2 ↩3 ↩4