Loading datasets...
Task: N/A
Release Date: 9/15/2026
Format: WAV, EAF, TextGrid, MD, CSV
Size: 1014.22 MB
This collection contains sixteen Shiwilu narratives and songs with transcription, Spanish translation, and English translation time-aligned in ELAN. It is the most richly and extensively annotated collection in the dataset, with 9,016 annotations distributed across tiers for words (words), Shiwilu transcription (trs_Shiwilu), Spanish transcription (trs_Spanish), free Spanish translation (ft_Spanish), free English translation (ft_English), and notes. The materials include two versions of basket-making, narratives about the tiger, two versions of the shapishico, the dog and the manchari, the worm and the breast, the renaco, the tapir, frogs, the wampi, the Jívaro, and two people from the community. The collection also includes two songs, one about the stars and another about a cow. Shiwilu is a severely endangered language with very few remaining speakers, making this collection a valuable source of language documentation. The materials were recorded in Yurimaguas and Iquitos, Loreto, Peru. The entire collection was documented by Alonso Vásquez-Aguilar.
Licensing
Licencia Chana 2.0 — Licence for Peruvian Indigenous Language Documentation Collections
https://github.com/rzariquiey/licencia-chanaRestrictions/Special Constraints
ACCESS IS GRANTED ON REQUEST. Requesters must identify themselves and state their institutional affiliation. The donor reviews and approves or declines each request individually.
This dataset is released under the Licencia Chana 2.0, not under a Creative Commons licence. Download is direct and unrestricted, but use is subject to the following terms.
PERMITTED WITHOUT FURTHER AUTHORISATION
REQUIRES PRIOR WRITTEN AUTHORISATION FROM THE DONOR
ATTRIBUTION Cite as: Alonso Vásquez-Aguilar (donor). Shiwilu: Narratives and Songs. Mozilla Data Collective.
RIGHT OF WITHDRAWAL Speakers retain the right to withdraw their recordings from this collection at any time. This is the principal reason a Creative Commons licence was not used: CC licences are irrevocable and cannot accommodate this commitment.
Contact for authorisations: [email protected]
Forbidden Usage
Note on machine learning: this is not a blanket prohibition on ML research. Evaluating and benchmarking existing models on this data is permitted, and so is non-production academic experimentation, provided the model is not deployed, the weights are not released, and the results cite the collection. What requires authorisation is production training and weight release. The reason is that the consent forms signed before approximately 2020 do not mention AI training and cannot reasonably be read as covering it; the communities have not yet been consulted on this point.
Contact for authorisations: [email protected]
Ethical Review
All recordings in this collection were made with the informed consent of the speakers, obtained in the field at the time of recording. Signed consent forms are held by the donor at the Pontificia Universidad Católica del Perú and are available to the MDC team on request. Speakers are identified by code (S01, S02...) rather than by name, in file names, in the annotation tiers of the ELAN files, and in all accompanying documentation. Contributors are acknowledged collectively in each collection's documentation, without linking any name to any specific recording or code. A small number of individuals appear under their own names because they asked to be credited as authors of the material; this is stated explicitly in the documentation of the collections concerned. Material judged sensitive was withheld from deposit entirely rather than published under restriction. Collections involving funerary practice, medicinal knowledge, ritual knowledge, or extended life histories of identifiable individuals are published under restricted access with individual review of each request. One point remains open and is declared here rather than glossed over: the consent forms signed before approximately 2020 do not mention the use of recordings for training artificial intelligence models. They cannot reasonably be read as covering it. The communities have not yet been consulted on this specific question. Until that consultation takes place, production model training is not authorised, and the licence reflects this.
Intended Use
The most richly annotated collection in this deposit, with over 9,000 annotations and both Spanish and English translation, in a Cahuapanan language with very few remaining speakers. Intended for computational morphology, for discourse research, and for preservation.
1. Donante — Roberto Zariquiey Biondi, PUCP, [email protected]
2. Lengua — Shiwilu · ISO 639-3 jeb · familia cahuapana
3. Otras denominaciones — Jebero, Xebero, Chebero
4. Descripción general
Dieciséis narraciones y canciones shiwilu con transcripción, traducción al castellano y
traducción al inglés alineadas en ELAN. Es la colección con la anotación más rica y detallada
del conjunto: 9 016 anotaciones distribuidas en tiers de palabras (words), transcripción
shiwilu (trs_Shiwilu), transcripción castellana (trs_Spanish), traducción libre al
castellano (ft_Spanish), traducción libre al inglés (ft_English) y notas.
Los relatos incluyen la elaboración del canasto (dos versiones), la historia del tigre, el shapishico (dos versiones), el perro y el manchari, el gusano y la teta, el renaco, la sachavaca, las ranas, el wampi, el relato del jívaro, la historia de dos personas de la comunidad. Se incluyen dos canciones: la de las estrellas y la de la vaca.
El shiwilu es una lengua severamente amenazada, con muy pocos hablantes, lo que convierte esta colección en documentación de alto valor.
5. Participantes — hablantes identificados con código (S01, S02…); ver la sección
«Participantes y seudonimización» más abajo. Equipo de investigación: Alonso Vásquez.
6. Lugar — Yurimaguas e Iquitos (Loreto, Perú)
7. Documentación — Alonso Vásquez, responsable de la colección en su totalidad.
Los ELAN llevan un tier RA_notes y hay una guía para asistentes en documentacion/.
9. Citación
Zariquiey, Roberto (donante). Narrativas y canciones shiwilu. Archivo Digital de Lenguas Peruanas. Lima, PUCP.
10. Ortografía
Inventario fonológico del shiwilu y su correspondencia ortográfica.
Consonantes
| Fonema | Grafema | Fonema | Grafema | Fonema | Grafema |
|---|---|---|---|---|---|
| /p/ | ‹p› | /ɲ/ | ‹ñ› | /l/ | ‹l› |
| /t/ | ‹t› | /s/ | ‹s› | /ʎ/ | ‹ll› |
| /k/ | ‹k› | /ʃ/ | ‹sh› | /w/ | ‹w› |
| /ʔ/ | ‹'› | /ð/ | ‹d› | /j/ | ‹y› |
| /t͡ʃ/ | ‹ch› | /ɾ/ | ‹r› | ||
| /m/ | ‹m› | /ɾʔ/ | ‹r'› | ||
| /n/ | ‹n› |
Vocales
| Fonema | Grafema |
|---|---|
| /i/ | ‹i› |
| /u/ | ‹u› |
| /ɘ/ | ‹e› |
| /a/ | ‹a› |
Dos rasgos poco habituales: ‹d› representa la fricativa dental sonora /ð/, no una oclusiva, y ‹r'› una vibrante glotalizada /ɾʔ/ distinta de la simple ‹r›. La vocal ‹e› corresponde a la central media /ɘ/.
16 grabaciones · 2.06 h de audio · 16 archivos ELAN · 1.35 GB
Los archivos de audio originales tenían nombres de grabadora (DR-100_0095.wav) sin relación
con el contenido. El emparejamiento audio↔anotación se reconstruyó leyendo la referencia de
media dentro de cada ELAN, y el nombre nuevo ya refleja el tema y el hablante.
Los hablantes aparecen con código, no con nombre, tanto en los nombres de archivo como en los tiers de los ELAN. Códigos usados en esta colección:
S01, S02, S03, S04, S05, S06, S07, S08
Créditos. Esta colección fue posible gracias a la participación de Bibiana, Cleofe, Edemita, Fidel, Jesus, Julita, Lourdes, Rosa.
Los nombres se listan como reconocimiento colectivo y no se vinculan a grabaciones ni a códigos concretos.
Nivel 2 — Acceso previa solicitud
| Licencia | Licencia Chana — ver LICENCIA_CHANA.md |
| Acceso en MDC | Gateado: quien descarga debe solicitar acceso e identificarse; el donante aprueba o rechaza cada solicitud |
| Uso académico, docente y de revitalización | Permitido con atribución |
| Uso comercial | Requiere autorización previa y por escrito |
| Entrenamiento de modelos de IA | Requiere autorización expresa y por escrito (cláusula 5) |
La Licencia Chana permite sin trámite la investigación, la docencia y la revitalización lingüística. El uso comercial y el entrenamiento de modelos requieren autorización escrita.
Etiquetas recomendadas (Local Contexts): TK Attribution, TK Verified.
Consentimiento: ✅ todas las grabaciones de esta colección cuentan con autorización de los hablantes (declarado por el donante, agosto de 2026). Conservar los formularios firmados junto al depósito y declararlos en el datasheet de MDC.
Ver LICENCIA_CHANA.md para los términos y 00_LICENCIAS_Y_ACCESO.md para el esquema de acceso.
