Loading datasets...
Release Date: 6/17/2026
Format: MP3
Size: 126.60 MB
Share
A collection of spontaneous responses to questions in Bahasa Malay (Bahasa Melayu).
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.
ms-MY)This datasheet is for sps-corpus-4.0-2026-06-12 of the Mozilla Common Voice Spontaneous Speech dataset for Bahasa Malay [Bahasa Malay - ms-MY]. The dataset contains 1150 clips representing 6.19 hours of recorded speech (5.63 hours validated) from 24 speakers.
The dataset clips are categorised by transcription status and training-set assignment. The following tables summarise the distribution.
| Bucket | Clips | % |
|---|---|---|
| Transcribed & Validated | 1,054 | 91.7% |
| Transcribed & Pending | 80 | 7.0% |
| Not transcribed | 16 | 1.4% |
| Bucket | Clips | % |
|---|---|---|
| Train | 431 | 37.5% |
| Dev | 199 | 17.3% |
| Test | 424 | 36.9% |
| Unassigned | 96 | 8.3% |
Training split coverage: 1,054 of 1,054 transcribed & validated clips (100.0%)
| Bucket | Clips | % |
|---|---|---|
| Validated | 1,054 | 92.9% |
| Pending | 80 | 7.1% |
| Edited | 94 | 8.3% |
There follows a randomly selected sample of questions used in the corpus.
Huraikan tentang objek kreatif, cantik atau hiasan yang anda miliki
Bagaimanakah bank boleh memastikan bahawa wang anda adalah selamat?
Bagaimana anda cuba menjimatkan wang dalam keluarga anda?
Terangkan cara memasak atau menyediakan hidangan kegemaran anda.
Apakah cerita terkenal dalam budaya anda yang anda sukai?
There follows a randomly selected sample of transcribed responses from the corpus.
Keadaan awan di tempat tinggal saya amat cantik dan tenang mata memandang. Walaupun cuaca panas, awan-awan tersebut banyak membantu menyejukkan lagi cuaca di kawasan tempat tinggal saya.
Saya menggemari pemakaian yang santai dan selesa. Ini juga disebabkan faktor cuaca yang panas di negara ini. Jadi, pemakaian santai dan selesa sentiasa menjadi kegemaran saya.
Kalau saya nak cari peguam di negara saya, caranya adalah saya akan pergi ke pejabat peguam dan saya akan tanya bidang-bidang, mendapatkan klarifikasi atau mendapatkan penjelasan yang lebih lanjut tentang jenis peguam yang bersesuaian dengan kes saya. Antaranya juga, saya ada ramai kenalan. Yang pertama, saya akan bertanya dengan kenalan sayalah. Kalau saya tak pergi terus ke pejabat peguam tu, saya akan tanya kenalan sebab kenalan peguam saya ada ramai. Jadi saya akan mulai dengan kenalan-kenalan sekitar saya. Kenalan-kenalan saya merupakan seorang peguam, maka mereka akan lebih tahu peguam yang sesuai untuk kes saya, dan kemudian, setelah itu saya akan cuba dapatkan temu janji ataupun cuba dapatkan cuba dapatkan maklumat detail mereka, bila untuk berjumpa dan sebagainya. Tapi kebanyakan kenalan saya adalah by- adalah melalui- kita panggil melalui rujukan. Jadi dengan rujukan kenalan itulah baru saya akan lebih percaya untuk mengambil perkhidmatan peguam tersebut. Berbanding dengan melihat kepada saranan di dalam Internet ataupun melalui- Apa? Sesawang, laman sesawang itu, kita akan nampak ada penilaian atau saranan daripada orang awamlah terhadap servis, sesuatu perkhidmatan peguam itu. Saya tidak begitu- saya tidak begitu percaya seratus peratus. Maknanya, saya akan lebih percaya kepada rekomendasi ataupun saranan rujukan kenalan. Maknanya, kita lebih percaya dengan saranan keluarga dan rakan terdekat berbanding melihat di sesawang Internet.
Lawatan di lautan, tasik ataupun sungai di Malaysia adalah melalui- Spesifik bagi sungai adalah melalui hiking ataupun lawatan ke dalam hutan.*
Perubahan iklim berlaku akibat daripada pemanasan global yang berlaku disebabkan manusia sendiri.
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
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