Loading datasets...
Task: ASR
Release Date: 3/22/2026
Format: MP3
Size: 330.87 MB
Share
A collection of read speech recordings in Kohistani Shina (کوہستانی شینا).
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.
plk)This datasheet is for cv-corpus-25.0-2026-03-09 of the Mozilla Common Voice Scripted Speech dataset for Kohistani Shina [کوہستانی شینا - plk]. The dataset contains 11935 clips representing 16.66 hours of recorded speech (12.58 hours validated) from 10 speakers, recorded from a text corpus of 4,657 sentences.
یہ زبان پاکستان کے صوبہ خیبر پختونخوا کے انڈس کوہستان اضلاع میں بولی جاتی ہے جس کے بولنے والے 5 لاکھ سے زائد ہیں
نہیں
The dataset includes the following self-declared age and gender distributions. A coverage summary is shown below each table.
Self-declared gender information. The table shows clip and speaker counts with percentages. Speakers who did not declare a gender are listed as Unspecified. A dash (-) indicates zero.
| Code | Gender | Clips | Speakers |
|---|---|---|---|
| male_masculine | Male, masculine | - | - |
| female_feminine | Female, feminine | - | - |
| transgender | Transgender | - | - |
| non-binary | Non-binary | - | - |
| do_not_wish_to_say | Prefer not to say | - | - |
| - | Unspecified | 11,935 (100.0%) | 10 (100.0%) |
Gender declared: 0 of 11,935 clips (0.0%), 0 of 10 speakers (0.0%)
Self-declared age information. The table shows clip and speaker counts with percentages. Speakers who did not declare an age are listed as Unspecified. A dash (-) indicates zero.
| Code | Age | Clips | Speakers |
|---|---|---|---|
| teens | Teens | - | - |
| twenties | Twenties | - | - |
| thirties | Thirties | 1,863 (15.6%) | 3 (30.0%) |
| fourties | Fourties | - | - |
| fifties | Fifties | - | - |
| sixties | Sixties | 8,427 (70.6%) | 4 (40.0%) |
| seventies | Seventies | - | - |
| eighties | Eighties | - | - |
| nineties | Nineties | - | - |
| - | Unspecified | 1,645 (13.8%) | 6 (60.0%) |
Age declared: 10,290 of 11,935 clips (86.2%), 4 of 10 speakers (40.0%)
Clip buckets
| Bucket | Clips |
|---|---|
| Validated | 9,015 (75.5%) |
| Invalidated | 960 (8.0%) |
| Other | 1,960 (16.4%) |
Training splits
| Split | Clips |
|---|---|
| Train | 2,517 (27.9%) |
| Dev | 1,237 (13.7%) |
| Test | 662 (7.3%) |
Training split coverage: 4,416 of 9,015 validated clips (49.0%)
The dataset contains 9015 validated, 960 invalidated, and 1960 unresolved clips. The average clip duration is 5.026 seconds.
جملے میں نے اپنی مطبوعہ کتابوں سے منتخب کیے تھے ۔4657 جُملے لکھے اور ریکارڈ کیے گئے۔ بعد میں کم وبیش 6000 جُملے کامن وائس میں اپلوڈ کیے گئے لیکن وہ کامن وائس میں نظر نہیں آ رہے جس کی وجہ سے ان کی ریکارڈنگ ممکن نہیں۔
Validated sentences: 4,657
| Category | Count |
|---|---|
| Unvalidated sentences | - |
| Pending sentences | - |
| Rejected sentences | - |
| Reported sentences | - |
The corpus contains 4,657 sentences: 4,657 validated and 0 unvalidated (0 pending review, 0 rejected), with 0 reported for review.
اردو عربی رسم الخط مع مخصوص اضافی شینا کوہستانی فونٹس۔
ا ب بھ پ پھ ت تھ ٹ ٹھ ث ج جھ چ چھ څ څھ ڇ ڇھ ح خ د دھ ڈ ڈھ ر ڑ ز زھ ڙ ژ س ش ݜ ص ض ط ظ ع غ ف ق ک کھ گ گھ ل لھ م مھ ن ݨ ں و ھ ہ ء ی ے
There follows a randomly selected sample of five sentences from the corpus.
پیالوْ تومیْ لڇ کِچھ تِھیؤ ہرِی گِیاؤ۔
برِیؤئے مرگِجیْ پتو ایک کال بُجَیش عدت اےْ وخ موقرڑ بِیسوْ۔
تُوْ توموْ گوڙے پھالیْ جیْ بیٹوْسوئے۔
جرگو باک دے روغ تھیگیْ۔
ییْس یمن، شام گہ مصر اےْ علاقوڑ ساؤدگری تھے تومیْ تگِیار تھینَس۔
سیرتُ النّبی صلی اللہ علیہ وسلم 2. غزواتُ النّبی صلی اللہ علیہ وسلم 3. ازواج مُطہرات گہ دُخترانِ محمد ﷺ 4. اُمّ المؤمنیِن حضرت اُمّ حبیبہ رضی اللہ تعالی عنہا 5. اُمّ المؤمنیِن حضرت اُمّ سلمہ رضی اللہ تعالی عنہا 6. اُمّ المؤمنیِن حضرت جویریہ رضی اللہ تعالی عنہا 7. اُمّ المؤمنیِن حضرت حفصہ رضی اللہ تعالی عنہا 8. اُمّ المؤمنیِن حضرت خدیجہ رضی اللہ تعالی عنہا 9. اُمّ المؤمنیِن حضرت زینب بنتِ حجش رضی اللہ تعالی عنہا 10. اُمّ المؤمنیِن حضرت زینب بنت خزیمہ رضی اللہ تعالی عنہا 11. اُمّ المؤمنیِن حضرت سودہ رضی اللہ تعالی عنہا 12. اُمّ المؤمنیِن حضرت صفیہ رضی اللہ تعالی عنہا 13. اُمّ المؤمنیِن حضرت عائشہ رضی اللہ تعالی عنہا 14. اُمّ المؤمنیِن حضرت میمونہ رضی اللہ تعالی عنہا 15. بنیادی کوہستانی شینا ۔ اردو لغت 16. حضرت ابوبکر صدیق رضی اللہ عنہ 17. حضرت اُمّ کلثوم بنتِ محمدﷺ 18. حضرت رُقِیّہ بنتِ محمدﷺ 19. حضرت زینب بنتِ محمدﷺ 20. حضرت فاطمہ بنتِ محمدﷺ 21. کوہستان دہ ادویاتی گوڑیؤ اسِیو کمون 22. کوہستان کی ادویاتی جڑی بوٹیوں کا روایتی استعمال (1996) 23. کوہستانی شینا قاعدے (1996، 2000، 2021، 2022) 24. کوہستانی شینا ۔اُردو لُغت (تین جلدیں) 25. کوہستانی شینا تبلیغی کتابچہ (2018) 26. کوہستانی شینا قاعدہ (نباتاتی، حیوانی اور ثقافتی) 27. کوہستانی شینا کہاؤتیں اور محاورے (1997) 28{ شینا کوہستانی اردو لغت، مطبوعہ گندھارا اکیڈمی پشاور
| Source | Sentences |
|---|---|
| کوہستانی آرتھوگرافی اور گرائمر | 1,516 (32.6%) |
| کوہستانی شینا اردو لُغت، 2021 | 916 (19.7%) |
| سیرت النبّی صلی ﷲ علیہ و سلم | 536 (11.5%) |
| سیرت النّبی صلی ﷲ علیہ و سلم | 501 (10.8%) |
| کوہستانی شینا آرتھوگرافی اور گرائمر | 367 (7.9%) |
| کوہستان میں ادویاتی جڑی بوٹِیوں کا روایتے استعمال | 233 (5.0%) |
| کوہستانی شینا اردو لغت | 199 (4.3%) |
| Self | 138 (3.0%) |
| کوہستان دہ نباتات گہ گوڑِیؤ اسِیو کمون،2024 | 114 (2.4%) |
| Other | 137 (2.9%) |
General, Agriculture and Food, Healthcare, History, Law and Governmant, Media and Entertainment, Nature and Environment, Language Fundamentals (e.g. Digits, Letters, Money)
شینا کوہستانی تحریری جُملوں کا انتخاب اور ان کی ریکارڈنگ
کامن وائس کو اس سلسلے کو مزید آگے بڑھانا چاہیے۔
Each row of a tsv file represents a single audio clip, and contains the following information:
client_id - hashed UUID of a given user
path - relative path of the audio file
text - supposed transcription of the audio
up_votes - number of people who said audio matches the text
down_votes - number of people who said audio does not match text
age - age of the speaker1
gender - gender of the speaker1
accents - accents of the speaker1
variant - variant of the language1
segment - if sentence belongs to a custom dataset segment, it will be listed here
prompt_upvotes - number of upvotes the sentence prompt received
prompt_reports - number of reports the sentence prompt received
is_edited - whether the clip's transcription has been edited
validated_sentences.tsvThe validated_sentences.tsv file contains one row per validated sentence in the text corpus:
sentence_id - unique identifier for the sentence
sentence - the sentence text
variant - the variant of the language
sentence_domain - the domain(s) the sentence belongs to
source - the source the sentence was collected from
is_used - whether the sentence is still in circulation for recording
clips_count - number of clips recorded for this sentence
unvalidated_sentences.tsvThe unvalidated_sentences.tsv file contains one row per unvalidated sentence in the text corpus:
sentence_id - unique identifier for the sentence
sentence - the sentence text
variant - the variant of the language
sentence_domain - the domain(s) the sentence belongs to
source - the source the sentence was collected from
up_votes - number of upvotes the sentence received
down_votes - number of downvotes the sentence received
status - current status of the sentence (pending or rejected)
ابھی نہیں
ابھی نہیں (میں بیمار ہوں اکتوبر میں یہ کام کیا جائے گا)
ابھی نہیں
Razwal Kohistani (razwal@gmail.com)
نہیں سمجھا
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 ↩3 ↩4