Loading datasets...
Task: ASR
Release Date: 6/17/2026
Format: MP3
Size: 225.34 MB
Share
A collection of spontaneous responses to questions in Gorani (hac).
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.
hac)This datasheet is for sps-corpus-4.0-2026-06-12 of the Mozilla Common Voice Spontaneous Speech dataset for Gorani [hac - hac]. The dataset contains 421 clips representing 11.19 hours of recorded speech (0.37 hours validated) from 19 speakers.
The dataset clips are categorised by transcription status and training-set assignment. The following tables summarise the distribution.
| Bucket | Clips | % |
|---|---|---|
| Transcribed & Validated | 14 | 3.3% |
| Transcribed & Pending | 13 | 3.1% |
| Not transcribed | 394 | 93.6% |
| Bucket | Clips | % |
|---|---|---|
| Train | 0 | 0.0% |
| Dev | 0 | 0.0% |
| Test | 0 | 0.0% |
| Unassigned | 421 | 100.0% |
Training split coverage: 0 of 14 transcribed & validated clips (0.0%)
| Bucket | Clips | % |
|---|---|---|
| Validated | 14 | 51.9% |
| Pending | 13 | 48.1% |
| Edited | 0 | 0.0% |
There follows a randomly selected sample of questions used in the corpus.
چی حەفتەنە چ جۆرێ گوڵوو گیڤاڤ و داروودرەختت دیەن؟
چا یاگێ کە مژیڤی ئاڤووهەڤا چەینا؟
دەڤاو دەرمانی سونەتی یا نەریتی لا شمە کامێنێ؟
ئا رۆ تەعتیتیلیە کە جە گرذی فرەتەر حەزش چنە کەری کاما و چی؟
چ گژوو گیڤاڤێڤفرەتەر گنۆ ڤەروو چەمات؟
There follows a randomly selected sample of transcribed responses from the corpus.
*وەڵا برا شەڵەی من جگەرەم نەکەیشەیا بەڕاسی جگەرە هەر فرە فرە کاریگەریێڤی خرابش بیەن سەرمەڤە مەسەڵەن متاڤی ڤاچی کە شەلەی *
جمعە پەی گێڵای
من زاڤڵەم نیا، وەلی ئەگەر زاڤڵەم بیەیا یا زاڤڵێم بیەیانێ حەز کەرێنێ ئا چێڤە کە پەی وێم نەبێ، ئا چێڤە کە نەکریا پەی وێم فەراهەم عەز کەرێنێ عەرچی وەختم هەن بنیۆشەرە پەی ئا زاڤڵەیمە کە ..... حەز کەرێنێ ئەگەر زاڤڵەم بیەیا ئێننە مەیذانم دەیا پنە کە تەسمیمی دروسش گێرتەیا حەز کەرێنێ ئەگەر زاڤڵەم بیەیا ئێننە ئێحترامم گێرتەیا ئێنە گەورەم دیەیا کە سەبەی گۆرە بی وێش گەورە بزانۆ ئێعتێماد بە نەفسش بۆ. ئێمە مۆتەئەسێفانە ئێعتماد بە نەفسما نیا چوون ئەذاو تاتەو لا ئێمە فرە نەزانانشا چەنی رەفتارما چنی کەرا و چەنی قسێما چنی کەرا بەخاترۆ ئانەیە ئەگەر زاڤڵەم بیەیا فرە کارش چنی کەرێنێ فرە تاریفێش کەرێنێ. تاریفێ گۆترەیێ نا. تاریفێ رێکووپێکێ فرە عەز کەرێنێ بیاڤۆ ئا یاگێ کە وێش ویش قەبووڵش بۆ. نیازش نەبۆ کە دیگەران قەبوولش کەرا وە حەز کەرووئانی کە زاڤڵەشا بۆ پاسە بارش بارا. وەختش پەی بنیا*
خوذا گیانێ ویش ئا زاڤڵێشە دەینا پێنە خوذا ئیشەلا مەمنوونەشەناو، ئێفتێخارشا پنە کەروو باعێسوو سەربەزیمەنێ و باعێسوو وەشیمەنێ و شانازیشا پوە کەروو و، فرە عالێنێ زاڤڵەکێم خوذا نەسانۆم چنە ئیشەلا
ئیسە ئێنە کارمەندە بیەیانێ موعەلە بیەیانێ
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 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