Loading datasets...
Task: ASR
Release Date: 3/22/2026
Format: MP3
Size: 236.19 MB
Share
A collection of read speech recordings in Huarijio (Makurawe).
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.
var)Esta ficha técnica corresponde a cv-corpus-25.0-2026-03-09 del conjunto de datos de voz guiada de Mozilla Common Voice para Makurawe [Huarijio - var]. El conjunto de datos contiene 8006 clips representando 11.8 horas de grabaciones (10.09 horas validadas) de 12 hablantes, grabados a partir de un corpus de texto de 1977 oraciones.
La lengua según el Catálogo de lenguas Indigenas del INALI, el Huarijío pertenece a la familia yutoazteca o yuto-nahua, rama yuto-nahua sureña subrama Taracahita. El guarijío o huarijío del sur o del río también llamado makurawe se habla en el estado de Sonora, México: en el municipio de Álamos: Bavícora, Burapaco, Casas Coloradas, Chorijoa, El Chalate, El Sauz, Guajaray, Huataturi, Jobeg I, La Sauceda, La Tribuna, Los Estrados, Mesa Colorada, Mochibampo, Rancho Nuevo, Colonia San José y Colonia Makorahui, Sejaqui, Tecoripa. En el municipio Quiriego: Batacosa, El Frijolar, Los Bajíos (Ejido los Conejos), Quiriego. Según el Plan de Justicia 2020, hay 1998 habitantes.
La variante del Huarijío es el Warijó (guarijío de la sierra) hablado en Chihuahua, que tiene el mismo código ISO 639-3: var.
var-delrio: Makurawe
var-sierra: Warihío
| Code | Variant | Clips | Speakers |
|---|---|---|---|
| var-delrio | Makurawe (Guarijío del río) | 7451 (93.1%) | 10 (83.3%) |
| var-sierra | Warihío (Guarijío de la sierra) | 553 (6.9%) | 1 (8.3%) |
| Code | Accent | Clips | Speakers |
|---|---|---|---|
| - | 2583 (32.3%) | 2 (16.7%) |
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 | 7562 (94.5%) | 10 (83.3%) |
| transgender | Transgender | - | - |
| non-binary | Non-binary | - | - |
| do_not_wish_to_say | Prefer not to say | - | - |
| - | Unspecified | 444 (5.5%) | 4 (33.3%) |
Gender declared: 7562 of 8006 clips (94.5%), 8 of 12 speakers (66.7%)
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 | 1089 (13.6%) | 1 (8.3%) |
| twenties | Twenties | 2313 (28.9%) | 2 (16.7%) |
| thirties | Thirties | 4596 (57.4%) | 7 (58.3%) |
| fourties | Fourties | 3 (0.0%) | 1 (8.3%) |
| fifties | Fifties | - | - |
| sixties | Sixties | - | - |
| seventies | Seventies | - | - |
| eighties | Eighties | - | - |
| nineties | Nineties | - | - |
| - | Unspecified | 5 (0.1%) | 2 (16.7%) |
Age declared: 8001 of 8006 clips (99.9%), 10 of 12 speakers (83.3%)
Clip buckets
| Bucket | Clips |
|---|---|
| Validated | 6851 (85.6%) |
| Invalidated | 291 (3.6%) |
| Other | 864 (10.8%) |
Training splits
| Split | Clips |
|---|---|
| Train | 752 (11.0%) |
| Dev | 546 (8.0%) |
| Test | 611 (8.9%) |
Training split coverage: 1909 of 6851 validated clips (27.9%)
El conjunto de datos contiene 6851 clips validados, 291 invalidados y 864 sin resolver. La duración promedio de los clips es de 5.307 segundos.
Las oraciones mayormente son tomadas de la gramática del Dr. Rolando Guadalupe Felix Armendariz, aunque se usó también el diccionario de la Maestra Ana Aurora Medina Murillo además unos ejemplos de tesis de maestría de Ana Amelia Avila Enriquez y unos ejemplos de un artículo de la maestra Isabel Barreras Aguilar.
Validated sentences: 1977
| Category | Count |
|---|---|
| Unvalidated sentences | - |
| Pending sentences | - |
| Rejected sentences | - |
| Reported sentences | 246 |
El corpus contiene 1977 oraciones: 1977 validadas y 0 no validadas (0 pendientes de revisión, 0 rechazadas), con 246 reportadas para revisión.
Se tomó la escritura usada en la tesis del 2005 por el Dr. Rolando Guadalupe Felix Armendariz para hacer el corpus. Según el Dr. la lengua tiene 12 consonantes y 5 vocales.
p t k r s č m n w y h (')
a e i o u
A continuación se muestran cinco oraciones seleccionadas aleatoriamente del corpus.
Kaahetečí yačasá muuní.
Konaréne kusímuni.
Iʼtónane paikápi pahčí ikačí.
Iwá ohoénia kíkawéhu katisá thekíhu.
Kuándo teeméa kuándo iʼwá kuándo teeméapu iʼwao.
Avila Enriquez, Diana Amelia. 2012. Las construcciones aplicativas en guarijío de Sonora. (tesis de maestría). Sonora: Universidad de Sonora.
Barreras Aguilar, Isabel. 1996 “Clasificación semántica de los verbos en guarijío. En: J.Fajardo (Ed.). Estudios semánticos. México: El Colegio de México Félix Armendáriz,
Rolando Gpe. 2005. A Grammar of River Warihio. Disertación de doctorado.Texas: Rice University.
Medina Murillo Ana Aurora. 2002. Diccionario morfológico: formación de palabras en el guarijio. (tesis de maestria). Sonora: Universidad de Sonora.
| Source | Sentences |
|---|---|
| Maria Alfonsa Larios Santacruz | 1977 (100.0%) |
General
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)
Maria Alfonsa Larios Santacruz
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