Loading datasets...
Task: ASR
Release Date: 3/22/2026
Format: MP3
Size: 209.17 MB
Share
A collection of read speech recordings in Seri (sei).
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.
sei)Esta ficha técnica corresponde a cv-corpus-25.0-2026-03-09 del conjunto de datos de voz guiada de Mozilla Common Voice para sei [Seri - sei]. El conjunto de datos contiene 8310 clips representando 10.46 horas de grabaciones (10.08 horas validadas) de 17 hablantes, grabados a partir de un corpus de texto de 1615 oraciones.
El idioma seri, conocida como cmiique iitom [kw̃ĩˈkiitom] en el idioma mismo, se habla a lo largo del Golfo de California en el estado mexicano de Sonora. Desde 1970, el pueblo seri vive en un ejido decretado por el presidente mexicano, que incluye dos pueblos, Socaaix (Punta Chueca) y Haxöl Iihom (Desemboque). Hoy en día hay alrededor de 900 hablantes del idioma.
El seri es una lengua aislada, aunque claramente ha tenido una larga historia de contacto y préstamo con otras lenguas indígenas de la región del desierto de Sonora. El seri se caracteriza por patrones morfologicos con núcleo marcado. Su sintaxis muestra orden núcleo final, lo que se observa, por ejemplo, en el orden básico de palabra SOV. Los pronombres se omiten con frecuencia y la lengua hace un uso extensivo del encadenamiento de cláusulas. En lugar de adposiciones, la lengua utiliza sustantivos relacionales que están poseídos por el nominal que modifica. Su fonología no destaca mucho, pero la lengua permite grupos consonánticos complejos y muestra ensordecimiento consonántico y vocálico.
No hay diferencias dialectales significativas en las dos comunidades donde se habla seri.
| Code | Accent | Clips | Speakers |
|---|---|---|---|
| - | 5 (0.1%) | 1 (5.9%) |
El conjunto de datos incluye las siguientes distribuciones autodeclaradas de edad y género. Debajo de cada tabla se muestra un resumen de cobertura.
Información de género autodeclarada. La tabla muestra conteos de clips y hablantes con porcentajes. Los hablantes que no declararon género aparecen como No especificado. Un guion (-) indica cero.
| Code | Gender | Clips | Speakers |
|---|---|---|---|
| male_masculine | Male, masculine | - | - |
| female_feminine | Female, feminine | 6695 (80.6%) | 8 (47.1%) |
| transgender | Transgender | - | - |
| non-binary | Non-binary | - | - |
| do_not_wish_to_say | Prefer not to say | 103 (1.2%) | 1 (5.9%) |
| - | Unspecified | 1512 (18.2%) | 9 (52.9%) |
Gender declared: 6798 of 8310 clips (81.8%), 8 of 17 speakers (47.1%)
Información de edad autodeclarada. La tabla muestra conteos de clips y hablantes con porcentajes. Los hablantes que no declararon edad aparecen como No especificado. Un guion (-) indica cero.
| Code | Age | Clips | Speakers |
|---|---|---|---|
| teens | Teens | - | - |
| twenties | Twenties | 1951 (23.5%) | 4 (23.5%) |
| thirties | Thirties | 2227 (26.8%) | 3 (17.6%) |
| fourties | Fourties | 4029 (48.5%) | 5 (29.4%) |
| fifties | Fifties | - | - |
| sixties | Sixties | - | - |
| seventies | Seventies | - | - |
| eighties | Eighties | - | - |
| nineties | Nineties | - | - |
| - | Unspecified | 103 (1.2%) | 7 (41.2%) |
Age declared: 8207 of 8310 clips (98.8%), 10 of 17 speakers (58.8%)
Clip buckets
| Bucket | Clips |
|---|---|
| Validated | 8006 (96.3%) |
| Invalidated | 254 (3.1%) |
| Other | 50 (0.6%) |
Training splits
| Split | Clips |
|---|---|
| Train | 728 (9.1%) |
| Dev | 435 (5.4%) |
| Test | 452 (5.6%) |
Training split coverage: 1615 of 8006 validated clips (20.2%)
El conjunto de datos contiene 8006 clips validados, 254 invalidados y 50 sin resolver. La duración promedio de los clips es de 4.535 segundos.
Validated sentences: 1615
| Category | Count |
|---|---|
| Unvalidated sentences | - |
| Pending sentences | - |
| Rejected sentences | - |
| Reported sentences | - |
El corpus contiene 1615 oraciones: 1615 validadas y 0 no validadas (0 pendientes de revisión, 0 rechazadas), con 0 reportadas para revisión.
El sistema de escritura del idioma seri se desarrolló en la década de 1950 y se ajusta lo más posible a la ortografía española, en particular al uso de la c y la qu para el fonema /k/, y el uso del acento para marcar el énfasis en posiciones no estándar. Consta de 23 letras y dos dígrafos, y se atiene estrechamente al inventario de fonemas.
a, aa, c, cö, e, ee, f, h, i, ii, j, jö, l, ḻ, m, n, o, oo, p, qu, r, s, t, x, xö, y, z
A continuación se muestran cinco oraciones seleccionadas aleatoriamente del corpus.
He hant pofii ta, potaaplc ta, ihpatj, he saahit caha.
Ihamoc cop hiiqui maanim.
Taalim ma, itoaa cop xpeemoja z ano cötapxölim ma, hant tfii ma, yahtaap.
Miyat hac iti hsiiquim aha.
Matix xah ma hpooho x, anxö hiisax hant sooit aha.
Moser, Mary Beck, & Marlett, Stephen A. (Eds.). (2010). Comcáac quih yaza quih hant ihíip hac: cmiique iitom, cocsar iitom, maricáana iitom. Plaza y Valdes.
| Source | Sentences |
|---|---|
| Comcaac quih yaza quih hant ihiip hac / Comunidad Seri | 818 (50.7%) |
| Comcaac quih yaza quih hant ihiip hac / Comunidad seri | 784 (48.5%) |
| Other | 13 (0.8%) |
Las oraciones son uniformemente oraciones de ejemplo de diccionario, aunque algunas de ellas provienen de textos orales.
Cada fila de un archivo tsv representa un solo clip de audio, y contiene la siguiente información:
client_id - UUID hasheado de cierto usuario
path - ruta relativa al archivo de audio
text - presunta transcripción del audio
up_votes - número de personas que dijeron que el audio concordaba con el texto
down_votes - número de personas que dijeron que el audio no concordaba con el texto
age - edad de los hablantes1
gender - genero de los hablantes1
accents - acentos de los hablantes1
variant - variante del idioma1
segment - si la oración pertenece a una porción personalizada de un dataset, será listada aquí
prompt_upvotes - número de votos positivos que recibió la oración
prompt_reports - número de reportes que recibió la oración
is_edited - si la transcripción del clip ha sido editada
validated_sentences.tsvEl archivo validated_sentences.tsv contiene una fila por cada oración validada en el corpus de texto:
sentence_id - identificador único de la oración
sentence - el texto de la oración
variant - la variante del idioma
sentence_domain - el/los dominio(s) a los que pertenece la oración
source - la fuente de donde se recopiló la oración
is_used - si la oración sigue en circulación para grabación
clips_count - número de clips grabados para esta oración
unvalidated_sentences.tsvEl archivo unvalidated_sentences.tsv contiene una fila por cada oración no validada en el corpus de texto:
sentence_id - identificador único de la oración
sentence - el texto de la oración
variant - la variante del idioma
sentence_domain - el/los dominio(s) a los que pertenece la oración
source - la fuente de donde se recopiló la oración
up_votes - número de votos positivos que recibió la oración
down_votes - número de votos negativos que recibió la oración
status - estado actual de la oración (pending o rejected)
Este proyecto recibió financiamiento del Open Multilingual Speech Fund gestionado por Mozilla Common Voice.
Este conjunto de datos se publica bajo la licencia Creative Commons Zero (CC-0). Al descargar estos datos usted acepta no determinar la identidad de los hablantes en el conjunto de datos.
Para una lista completa de opciones de edades, generos, y acéntos, ver la especificación demográfica. Esta será reportada únicamente si el hablante aceptó proporcionar dicha información. ↩ ↩2 ↩3 ↩4