Loading datasets...
Task: ASR
Release Date: 3/22/2026
Format: MP3
Size: 103.21 MB
Share
A collection of spontaneous responses to questions in Ushojo (ush).
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.
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.
ush)This datasheet is for sps-corpus-3.0-2026-03-09 of the Mozilla Common Voice Spontaneous Speech dataset for Ushojo [ush - ush]. The dataset contains 664 clips representing 5.07 hours of recorded speech (4.94 hours validated) from 10 speakers.
Ushojo is an Indo-Aryan language spoken by about 1000-1200 people in Bishigram near Madyan in Swat Pakistan.
The dataset clips are categorised by transcription status and training-set assignment. The following tables summarise the distribution.
| Bucket | Clips | % |
|---|---|---|
| Transcribed & Validated | 644 | 97.0% |
| Transcribed & Pending | 7 | 1.1% |
| Not transcribed | 13 | 2.0% |
| Bucket | Clips | % |
|---|---|---|
| Train | 139 | 20.9% |
| Dev | 214 | 32.2% |
| Test | 291 | 43.8% |
| Unassigned | 20 | 3.0% |
Training split coverage: 644 of 644 transcribed & validated clips (100.0%)
| Bucket | Clips | % |
|---|---|---|
| Validated | 644 | 98.9% |
| Pending | 7 | 1.1% |
| Edited | 64 | 9.8% |
Shina, Torwali based on Perso-Arabic
ݜ، ڙ، ڇ، أ، نڑ
Different from Urdu
There follows a randomly selected sample of questions used in the corpus.
تھئی ملک در جے مسئلہ ئی اؤ مشکلات صحت کارا ہنی؟
چھیئی رواج در خلق مڑؤ کدا خیال رݜینا؟
تو ڙیگو پیدل سفر تھونو در جے محسوس تھئیلا؟ کے؟
ایک چکر پشاریتا سین، ڈھانڈ اؤ سوندو
تو تمو کمیونٹی کارا کدی کاروبار خوشارئیلا؟
There follows a randomly selected sample of transcribed responses from the corpus.
*آسو تمو کمیونٹی کارا کاروبار در آسو سبزی کاروبار یا پھل فروٹ کاروبار یا پراٹی کاروبار یا تجارت خوشارونا۔ *
*ما ہر قسم رونگ خوشاریما، خو غنم رنگ بیلو آسو تا لالو مزا تھیما۔ آسو تی لالو شو بئی، اؤ نی لالو کیلو بئی۔ ادامو درمیانہ رونگ لالو خوشاریما۔ *
*آسو کمیونٹی در آسئی جیب لالو سخت رزا بینو کے لالو زیاد رزا بئینو سا مطلب کونو یار دوست میلاؤ بئینا، منوڙو میلاؤ بئینا، جپئی میلاؤ بئینا، شنوٹے میلاؤ بئینا تمو جیب در رزا بئینا۔ آسو جیب اوݜوجو پمخا رزا بئینا۔ *
*آسئی خاندانے پخوانئی قصہ انا ہنی کنأ آسئی مشرے کامیک ہنی تھئی تمو پخوانئی قصہ ئی آسو تی تھینا۔ آسو تی زنگلے زناورے قصہ ئی تھینا تھئی۔ اؤ بلائی قصہ ئی تھینا تھئی۔ اخکارے قصہ ئی تھینا تھئی۔ تمو پخوانئی کاروبارے قصہ ئی تھینا تھئی۔ انیس کئی علاوہ والی صیبے قصہ ئی تھینا تھئی۔ *
*می انا دیس یاد ہنی کے موݜو دیالوسو، اؤ می تمو نموم تی کتابے ݜکیناسی، لالو محنت تھیناسی نموم در ہم اؤ دھئموم در ہم محنت تھیناسی اؤ با می پاس بونو۔ اؤ لا سبقی در می ہم لالو محنت تھیگیسی۔ نو سی دیس می لالو یاد ہنیئ۔ سیس در می شیشو نمبر آلے۔ می تمو اسکولے دور لالو یاد ہنو۔ امتھان ھال لالو یاد ہنو سیس در می تمو کلاس فگیلو ست میٹرک امتحان دیسی۔ سی امتحان در می شیشو نمبر گھینیسی۔ انیس کئی علاوہ می تمو سأت ست ایک دیس چکرا تی گائسو سی دیس ہم می لالو یاد ہنو۔ *
Each row of a tsv file represents a single audio clip, and contains the following information:
client_id - hashed UUID of a given user
audio_id - numeric id for audio file
audio_file - audio file name
duration_ms - duration of audio in milliseconds
prompt_id - numeric id for prompt
prompt - question for user
transcription - transcription of the audio response
votes - number of people that who approved a given transcript
age - age of the speaker1
gender - gender of the speaker1
language - language name
split - for data modelling, which subset of the data does this clip pertain to
char_per_sec - how many characters of transcription per second of audio
quality_tags - some automated assessment of the transcription--audio pair, separated by |
transcription-length - character per second under 3 characters per second
speech-rate - characters per second over 30 characters per second
short-audio - audio length under 2 seconds
long-audio - audio length over 5 minutes
Zubair Torwali <ztorwali@gmail.com>
Javid Iqbal Torwali <jitorwali@gmail.com>
Javid Iqbal Torwali
Ihsan Ullah
Tariq Aziz
Zubair Torwali
This dataset was partially funded by the Open Multilingual Speech Fund managed by Mozilla Common Voice.
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.
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