Loading datasets...
Task: ASR
Release Date: 6/17/2026
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-4.0-2026-06-12 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 | 130 | 19.6% |
| Dev | 214 | 32.2% |
| Test | 300 | 45.2% |
| 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.
اے آئی بارا در تو جے سوچ لرئیلا؟
تھئی ملک در کاروبار سپارؤنو اسان ہنو؟
تھئی خیال در کامیک نٹؤنو یا مذاق تھونو پکار ہنو؟
تو لمبو دھونو کارا جے محسوس تھئیلا؟ کے؟
تو رزئنو کارا کامیک سکیل خوشارئیلا؟
There follows a randomly selected sample of transcribed responses from the corpus.
*می تمو روایتی موسیقی دھن لالو خوش ہنی، کے سی اسئی علاقے، اسئی خلقو، اسئی جیبے اؤ اسئی کمیونٹی موسیقی دھن ہنی۔ انیس کئی علاوہ می بوٹی لوک موسیقی دھن خوشاریما، داردیک دھن خوشاریما، پہاڑی ساز کوشاریما، ہندوستانی موسیقی دھن کوشاریما۔ تمو لوک موسیقی مزا تی لالو اینی۔ *
*آسئی ست لڑے آدامو اینا، کارے ایناک شانتا اڙو بیلو نو شیِش کئی انا سیٹ گٹلے سیس کئی لڑے سپارا بینا اؤ اوݜئینا آسمان تی پشیکال بینا، تی لڑے لالے بینا، تی آدامو آسئی وطنا کئی لڑے اینا۔ *
ما بچئی اݜو خو چین می اݜویا نہا ݜو خدایا پاکہ می جے سپارا بجونو،خو آسئی دنیا در تعلیم لحاظ کار اسو۔ اما می استاز بونو یا غٹ افسر بونو، یا پاکستان در غت کپرئی ݜجونو۔ خو پتہ نی بین قسمت جیلی کارا ایک چیز میلاؤ بونو۔
*آسو لمبو دھونو کارا انا محسوس تھونا کے آسو لامبو دونا آسئی پاک بونو، مل بجا سیوا بدنا کئی، اؤ ہور آسو بیماری نی ݜجونو، کے آسو دومونگو ، ڇے مونگو، چارمونگو لامبو دونو خامخا پکار ہنو۔ تمو بدنی صفائی سہی ہنی۔ کے صفائی کارا آسو لامبو دونا ہور کارا آسو لامبو نی دینو۔ *
*آسئی ملک در سیزن انیس کئی رزنا۔ چین یو انیس سیزن ہنو۔ اؤ منجا چین الو چینجا بئینا۔ آسو لیس تی یو انا سیزن رونا۔ *
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
non-allowed-script - transcription contains characters from a writing system not associated with the language
mixed-script-words - a single word contains characters from multiple writing systems
mixed-script-transcription - transcription spans multiple writing systems, but each word consistently uses only one
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