Common Voice Scripted Speech 25.0 - Taiwanese (Minnan)

License:

CC0-1.0

Steward:

Common Voice

Task: ASR

Release Date: 3/22/2026

Format: MP3

Size: 467.66 MB

Description

A collection of read speech recordings in Taiwanese (Minnan) (台語).

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

台語 — Taiwanese (Minnan) (`nan-tw`)

Mozilla Common Voice cv-corpus-25.0-2026-03-09 Taiwanese (Minnan) (nan-tw) 文本錄音 語料集。本語料集包含 299 位錄音者，共 23.87 小時的錄音資料，其中 21.78 小時已驗證（經另二名參與者確認），來自 27,277 條文本句。

語言

臺灣話（白話字：Tâi-oân-ōe；臺羅：Tâi-uân-uē, nan-tw），又稱為台語／臺語（Tâi-gí）或臺灣閩南語（Taiwanese Hokkien），通行於臺灣及澎湖群島，中華民國（臺灣）國家語言之一。

請特別注意：本語音語料集為「漢字——語音資料集」，文本語料以漢字為主，同時括號標注台羅或白話字參考發音。

方言／變體（Variants）

於 v23.0 版本開始，Common Voice 台語版本允許錄音與文本貢獻者選擇（非必選）以下書寫系統變體（Variant）。但目前文本語料仍以兩者混合（非特定系統）為大宗。

白話字（POJ） (pehoeji)
台羅（TL） (tailo)

如欲協助更新現有語料，請往下到 Community 欄目與我們聯繫。

Code	Variant	Clips	Speakers
nan-TW-tailo	台羅 (TL)	233 (0.7%)	5 (1.7%)
nan-TW-pehoeji	白話字 (POJ)	45 (0.1%)	5 (1.7%)

腔調（Accents）

Code	Accent	Clips	Speakers
pingtung_county	出生地：屏東縣	839 (2.6%)	2 (0.7%)
changhua_county	出生地：彰化縣	30 (0.1%)	3 (1.0%)
yunlin_county	出生地：雲林縣	10 (0.0%)	1 (0.3%)
taipei_city	出生地：臺北市	10 (0.0%)	2 (0.7%)
new_taipei_city	出生地：新北市	10 (0.0%)	1 (0.3%)
yilan_county	出生地：宜蘭縣	5 (0.0%)	1 (0.3%)
chiayi_county	出生地：嘉義縣	5 (0.0%)	1 (0.3%)
other_county	出生地：其他	5 (0.0%)	1 (0.3%)
taichung_city	出生地：臺中市	5 (0.0%)	1 (0.3%)
-	Other	26,293 (81.1%)	75 (25.1%)

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。

Code	Gender	Clips	Speakers
male_masculine	Male, masculine	20,079 (61.9%)	63 (21.1%)
female_feminine	Female, feminine	3,580 (11.0%)	23 (7.7%)
transgender	Transgender	-	-
non-binary	Non-binary	-	-
do_not_wish_to_say	Prefer not to say	10 (0.0%)	1 (0.3%)
-	Unspecified	8,757 (27.0%)	235 (78.6%)

Gender declared: 23,669 of 32,426 clips (73.0%), 64 of 299 speakers (21.4%)

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。

Code	Age	Clips	Speakers
teens	Teens	563 (1.7%)	7 (2.3%)
twenties	Twenties	16,313 (50.3%)	35 (11.7%)
thirties	Thirties	4,938 (15.2%)	30 (10.0%)
fourties	Fourties	5,336 (16.5%)	21 (7.0%)
fifties	Fifties	379 (1.2%)	4 (1.3%)
sixties	Sixties	767 (2.4%)	4 (1.3%)
seventies	Seventies	-	-
eighties	Eighties	-	-
nineties	Nineties	-	-
-	Unspecified	4,130 (12.7%)	227 (75.9%)

Age declared: 28,296 of 32,426 clips (87.3%), 72 of 299 speakers (24.1%)

資料分群（用於模型訓練）

Clip buckets

Bucket	Clips
Validated	29,587 (91.2%)
Invalidated	628 (1.9%)
Other	2,211 (6.8%)

Training splits

Split	Clips
Train	11,507 (38.9%)
Dev	5,999 (20.3%)
Test	6,423 (21.7%)

Training split coverage: 23,929 of 29,587 validated clips (80.9%)

本資料集包含 29587 筆已驗證、628 筆未通過驗證及 2211 筆待審查的片段。片段平均長度為 2.651 秒。

文本語料

此錄音集大部分文本語料整理於：MozTW CC0 語料庫，主要來自 MozTW ／ g0v 社群個別參與者。

由於目前缺乏公共授權（無已知授權限制）的台語「句子」文本語料，Common Voice 台語錄音目前以「單詞」為大宗。

我們亟需更多「日常生活用句」，歡迎捐贈您以台語書寫的作品。請參考下方社群頻道資訊與我們聯繫。

Validated sentences: 26,907

Category	Count
Unvalidated sentences	370
Pending sentences	98
Rejected sentences	272
Reported sentences	223

本語料庫包含 27,277 條句子：26,907 條已驗證、370 條未驗證（98 條待審查、272 條被拒絕），另有 223 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

皇帝菜（hông-tè-tshài）
敦化和平路口（Tun-huà Hô-pîng Lōo-kháu | Tun-hòa Hô-pêng Lō͘-kháu）
葉宜津（Ia̍p Gî-tin）
公費接種（kong-huì tsiap-tsìng）
我欲去食晝（guá beh khì tsia̍h-tàu）

來源

文本語料由 Mozilla 台灣社群（moztw.org）、g0v 社群、及其他開放原始碼運動志工參與者共同建立。

早期的台語語料主要來自「2016-itaigi華台對照典」。請參考資料來源與授權了解原始資料出處。

錄音者主要為來自台灣的個別志工參與者。

Source	Sentences
sentence-collector	23,598 (87.7%)
https://meta.wikimedia.org/wiki/Kî-thaⁿ_oa̍h-tāng	1,286 (4.8%)
https://github.com/moztw/cc0-sentences/commit/4654afd497b985f71f207c8cdf76deda59d70acf	815 (3.0%)
++	508 (1.9%)
Other	700 (2.6%)

文本領域

由於目前缺乏公共授權的「句子」資料，Common Voice 台語語料目前仍以「單詞」為大宗。

我們亟需更多「日常生活用句」，歡迎捐贈您以台語書寫的作品。請參考社群頻道資訊與我們聯繫。

Code	Domain	Clips	Speakers
general	General	802 (2.5%)	29 (9.7%)
agriculture_food	Agriculture and Food	4 (0.0%)	4 (1.3%)
automotive_transport	Automotive and Transport	-	-
finance	Finance	-	-
service_retail	Service and Retail	2 (0.0%)	2 (0.7%)
healthcare	Healthcare	1 (0.0%)	1 (0.3%)
history_law_government	History, Law and Government	-	-
media_entertainment	Media and Entertainment	-	-
nature_environment	Nature and Environment	55 (0.2%)	23 (7.7%)
news_current_affairs	News and Current Affairs	-	-
technology_robotics	Technology and Robotics	-	-
language_fundamentals	Language Fundamentals	55 (0.2%)	23 (7.7%)

建議後處理流程步驟

因為句子、單詞所標示的羅馬字為參考用，且 a) 混用台羅與白話字系統，b) 也未能標出所有腔調的發音，顧無法作為實際錄音者發音之對應標注。

我們建議使用前先行移除用（）包夾的參考發音，僅取用漢字部分。

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：

討論

貢獻

捐出你的句子 - 如您有意願捐出你擁有的文本語料（例如您的個人創作）供參與者錄音，請先聯絡 Irvin （ irvin@moztw.org ）或於以上 Line / Telegram 群組討論。

誌謝

資料表編撰

Irvin Chen (MozTW 社群聯絡人)
Dennis Chen (Common Voice Community Facilitator, Wikimedia Taiwan)

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

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