Common Voice Spontaneous Speech 5.0 - Russian

Русский — Russian (ru)

This datasheet is for sps-corpus-5.0-2026-09-11 of the Mozilla Common Voice Spontaneous Speech dataset for Russian [Русский - ru]. The dataset contains 783 clips representing 4.38 hours of recorded speech (2.49 hours validated) from 21 speakers.

Data splits for modelling

The dataset clips are categorised by transcription status and training-set assignment. The following tables summarise the distribution.

Audio clips

Training splits

Training split coverage: 456 of 456 transcribed & validated clips (100.0%)

Transcriptions

Transcription status

Samples

Questions

There follows a randomly selected sample of questions used in the corpus.

1. У тебя вьющиеся волосы?

2. Что последнее ты пил?

3. Ты когда-нибудь плакал от счастья?

4. Если тебе нужно, чтобы человек добровольно от чего-то отказался, как ты этого добьёшься?

5. Хотел бы ты быть богом?

Responses

There follows a randomly selected sample of transcribed responses from the corpus.

1. Исторические события в стране, которые считаются важными? Я почти уверен, что никто ничё кроме войн не назовёт. Тошнит уже от этих войн откровенно говоря. Ну, да ладно. Чего ожидать, когда в основном войны в школах и проходятся? А, ну да! Ещё это: отмена крепостного права и крещение Руси, да! Ещё два события, точно! Точно!

2. "Какие виды искусства вам особенно нравятся?". Мне нравится искусство троллинга. Троллить людей - это весело. Правда, не не перегибая палку. Если перегибна-[unclear], ну опять! Да что же у меня с языком сегодня такое? Если перегибать палку - это уже становится не весело.

3. Обожаю лето. А-а-а, ну, потому что каникулы. А-а, отпуски и вообще: отдых, тепло, витамин D. Вот. Загорать можно. Загорать можно и в любое время года, конечно же, но всё равно как бы с летом и летними мероприятиями, допустим, остальные времена года не сравнятся.

4. Мой любимый цвет салатовый. И цвет крови.

5. Крайне любопытный человек.

Fields

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

Get involved

Community links

• Common Voice translators on Pontoon

• Common Voice Communities

Discussions

• Common Voice on Matrix

• Common Voice on Discourse

• Common Voice on Discord

• Common Voice on Telegram

Contribute

• Contribute questions

• Validate questions

• Answer questions

• Transcribe recordings

• Validate transcriptions

Licence

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.

Footnotes

1. 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