Loading datasets...
Task: ASR
Release Date: 3/22/2026
Format: MP3
Size: 211.49 MB
Share
A collection of spontaneous responses to questions in Cypriot Greek (Κυπριακά Ελληνικά).
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.
el-CY)This datasheet is for sps-corpus-3.0-2026-03-09 of the Mozilla Common Voice Spontaneous Speech dataset for Cypriot Greek [Cypriot Greek - el-CY]. The dataset contains 1221 clips representing 10.37 hours of recorded speech (10.32 hours validated) from 10 speakers.
The dataset clips are categorised by transcription status and training-set assignment. The following tables summarise the distribution.
| Bucket | Clips | % |
|---|---|---|
| Transcribed & Validated | 1,217 | 99.7% |
| Transcribed & Pending | 3 | 0.2% |
| Not transcribed | 1 | 0.1% |
| Bucket | Clips | % |
|---|---|---|
| Train | 880 | 72.1% |
| Dev | 134 | 11.0% |
| Test | 203 | 16.6% |
| Unassigned | 4 | 0.3% |
Training split coverage: 1,217 of 1,217 transcribed & validated clips (100.0%)
| Bucket | Clips | % |
|---|---|---|
| Validated | 1,217 | 99.8% |
| Pending | 3 | 0.2% |
| Edited | 1,196 | 98.0% |
There follows a randomly selected sample of questions used in the corpus.
Ίνταλος εμαθθαίννετε να κάμνετε δουλειές στο σπίτιν ή στα χωράφκια;
Ποιον τοπικον βιβλίον ή ποια ιστορία του τόπου σου αρέσκει πολλά στα μωρά;
Έσ̆ει τόπους που εν πιάννει σήμαν το κινητόν σου;
Πώς ι-μπόρουν τα μιτσ̆ιά δάνεια να βοηθήσουν τες γεναίτζ̆ες να ξεκινήσουν μιαν επιχείρησην;
Ίνταλος επερνούσετε την ώραν σας άμαν έβρεσ̆εν ή είσ̆εν κακοκαιρίαν;
There follows a randomly selected sample of transcribed responses from the corpus.
Επειδή εγώ εμεγάλωσα με ζώα, με τους σ̆σ̆ύλλους βασικά, πάντα επαρατήρουν τους σ̆σ̆ύλλους μου πώς εσυμπεριφέρουνταν, τζ̆αι εκαταλάββαιννα αν ήταν να- αν επρόκειτουν να έρτει καταιγίδα, γιατί είτε εχώννουνταν κάτω που τα έπιπλα. Η Ελλού μου έμπαιννεν μες στο ερμάριν πριν να ξεκινήσει καταιγίδα. Οπότε ήταν, νναι, σημαντικόν να παρατηρείς τι κάμνουν τα ζώα.
Κάθε καλοτ͘ζ̆αίριν, εεε... ούλλην μου την ημέραν επερνούσαν την πάνω στην θάλασσαν, να... χογλώ... κάτω που τον ήλιον, εεε... τζ̆αι κάποιες ημέρες επήαιννα τζ̆αι στο χωρκόν, να δω τους παππούδες μου τζ̆αι τους συγγενείς μου.
Προσωπικά εν μου αρέσκει να βλέπω αθλήματα, αλλά αν θα τύχει να δω κάτι εννά 'ν' συνήθως ποδόσφαιρον ή μπάσκετ.
Στο Δημοτικόν, οι εργασίες που εν μ' αρέσκασιν καθόλου ήταν της γραμματικής. Εν εμπορούσα με τίποτε να λύω φυλλάδια, να κάμνω, εεε, α ούτε ορθογραφίαν εν εμπορούσα. Γεννικά, εν εσυμπάθουν ούτε την γραμματικήν ούτε την ορθογραφίαν. 'Ντάξει σήμμερα επειδή εκάθετουν η μάνα μου πά' στην κελλέν μου τž' έκαμνα τα, σήμμερα μπορώ να πω ότι το επίπεδον της γραμματικής τžαι της ορθογραφίας μου εν' αρκετά καλόν. Ευτυχώς.
Που 'μουν μιτσής επήαιννα μπάσκετ, αλλά μετά που τα πολλά τα θκιαβάσματα εν είχα το τσ̆ανς να συνεχίσω.
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
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