Common Voice Spontaneous Speech 5.0 - Papantla Totonac

Papantla Totonac — Papantla Totonac (top)

Esta ficha técnica corresponde a sps-corpus-5.0-2026-09-11 del conjunto de datos Spontaneous Speech (habla espontánea) de Mozilla Common Voice para Papantla Totonac [Papantla Totonac - top]. El conjunto de datos contiene 387 representando 10.08 horas de grabaciones (9.94 horas validadas) de 10 hablantes.

Partición de datos para modelado

Los clips del conjunto de datos se clasifican según el estado de transcripción y la asignación al conjunto de entrenamiento. Las siguientes tablas resumen la distribución.

Clips de audio

Particiones de entrenamiento

Cobertura de particiones de entrenamiento: 383 de 383 clips transcritos y validados (100.0%)

Transcripciones

Estado de transcripción

Ejemplos

Preguntas

A continuación se muestra una selección aleatoria de las preguntas usadas en el corpus.

1. Nikula tasi xtijia min pulataman?

2. Nikula tatasi chikijni xalak minpulataman?

3. Kalichiwinanti nikula lakgkaxtlawakan xapinila.

4. Kalichiwinanti tukuya kistanka akxilhti chi.

5. Wix xniku xamakgtun makgstakanita akxni linkan sikulan?

Respuestas

A continuación se muestra una selección aleatoria de respuestas transcritas del corpus.

1. Este, aná nikú akit lama o wi amá kiwí lhuwa tipalhuwa amán amá este wanikán este wanikán este chijol este wanparikansi amá waniká pukgtlankiwi pukxnankiwi wi este wilata amá este wichota wanikán namá kiwi lakglanga kiwisan stakga xtakgni ta ya amá snun este tanmastakga waniparakán amá takat kiwi takat ki wanikán amá ni este tamalakaskina amá kojniwanikán amá tantlin we amá kiwi tamakglakaskin ntonses este pus wi lapan chi tunú litúm neje este wanikán tujun wanikán amá tiku litúm namá na ni palakgi wi para ma este na wa ma nan nú este tipalhuwa na namá kiwi eh wilapantli amá wanikán wanikán kgeskga kgeskga wanikán namá amá litlawakán chiki amá este pues na na na wa amá kiwi este neje este anán eh ju'u porke tipalhuwa anán anan mbaray este wanikán amá este wanikán amá este akit kwalí amá axkut ki wanikán amá wanikán amá ti tlawat makgpakgway anán kiwi snun lakg lakglán tastakgan nak lichikín anga lama watiyá.

2. Pukgalhtawakga je tamakgtayanan xlakata kachiwinaw tipatuy tachiwin, xpalakata ana tawilana laktsukaman ti makgalhtawakgenan akxni katachiwinan xa tutunakú laktsukaman tlan takatsini, xlakan lakapala tachiwinan chu takilhtliy nachu takgalhtawakga akxni taʼan nak pukgalhtawakga.

3. *Akxni kitaxtucha nama tatat wanikan ama covid 19 akit kilatamatkan tatuwajli tsena wana chu lalh wine kintalakan kachapalh tatat nixtaxtukan xlakuentaja nikula xlakuentaja ni wili xla lakgpaxialhnana xlakata ninala mapasiya ama tatat nachuna xtakgalhlhapaya akxni ix ana tamawanana kin tux likaxlhawanana tlan xkalakgchakgeya akxni ix xokgonana o xmakglhtinana tumin tlan xmakgachakgaya wana ama tatat kaniniwa ix wi laklanka pukuchin para tixchapa kgalhamat ix an nak pukuchin ana wili ix wi ama tatat akxni chi kin wakg kilitalakgapasni xlakxila xwaliya kilitakgalhlhapan xlakata nala kuentaja ninakinkachapayan tatat nachuna wili snun kakuentaja lakgkgolon wa y lakgskgatan wana xlakgan mas nituwa kachapa tata y ama tatat nixwi nitu ix likuchinankan tanilh yan kalakgachixkuwiw chu titun ta´alh ta taju *

4. Kamani kawinayan akit tukit kgalhi nak kin kuxmun kin kuxmun kin kgalhi ti kit kmakinit nak kin kuxmun witikin kamakgapaxawanitan mas e kakiltamaku kin papajkan dios, lata kin kimaxkinit kiskgatan kin kamanan akit klipaxaw katsi ki ayudartlawanit snun kimagtayanit tapaxawit, y kimaxkinit este mas tapaxawit porque kimaxkinit kinkamanan laktlan tapuwan takgalhi la akit lakpuwan akit chu kalilima y chu talakapastaknan kiskgatan nema kakgakgalhi nikkalimapakgsinit tuni tlan akit tu lan kamapakgsinit kin kamanan y chu tamana y kit pus kpaxawa klama katalama kaxila kin skgatan kin kamanan laktlan tapuwan takgalhi y nachuna kin papa dios kit mas kilchanima chaliyan porque wa kimakgtayanit, kit todo kin kamanan y watiya.

5. Este akit klakgati klatapuli porque klakgati lakgapasnan por jemplo ju'u kin kachikin Pueblillo pus como kit ni ú xalá naniwakg klakgapasnan pero klakgati latapuli la ki najkalakgapasa ki amigos laki nak kalakgpaxialhnan tiku kintataralin najkatakgalhchiwinanan naj katatonokglha nak tijia niku je'e kachikin pus tilanka pus tlan latapulikan tlan napina natana lakalhuwa wi ama wanikan tijia ama calle pus tlan taxtukan ni taxtukanacha anu y chonu tampalaya wa ama wanikan pus este lakgatikan latapulikan wanikan pero ni wata ju'u na tlan kan latapuli kinkatukuxtu nakan skuja nakan nak nakan este para kuxtuy o nalajkanan o tuku nak tlaway pues klakgati kan latapuli nak kitaspitparay para nakiwanikan nakan latapuli kachikin chi la wanikan Papantla nakan nakan latapuli porque klakgati ¡wana klakgati! porque klakgati klakgapasnan aja y ni kamanaw najkachikin pala nakiwanikan o nak klakpuwan nakan la Poza Rica o nakan la wanikan este Estado de Puebla wanikan nama pulataman pues natlan nakan ama wanikan latapulikan lakgapasnankan ama kachikin nikula tasi y wana chuna kuanpalay porque pus klakgati kan klakgati lakgapasnan y liwaj chuna kit siempre ktaxtunit y klakgati klakgapasnan ni ni klakgati tamakgxtakga kin chik ni klakgati ktawilay porque nichuna ksmani aja porque wa ama chuna la achu chi najkilakgoy niku kilapapulikgoy nak chin kin chiki pues kpaxaway tlan katsi pus ama chi pus tanu ama lipulay pala ni'ni nataxtuya ama xa kalatapuli kataxtu laki natlan nakatsiya pues watiya.

Campos

Cada fila de un archivo tsv representa un solo clip de audio, y contiene la siguiente información:

• client_id - UUID hasheado de cierto usuario

• audio_id - id numérico para archivo de audio

• audio_file - nombre del archivo de audio

• duration_ms - duración del audio en milisegundos

• prompt_id - id numérico para el prompt

• prompt - pregunta para el usuario

• transcription - transcripción de la respuesta al audio

• votes - número de personas quiene aprobaron cierta transcripción

• age - edad de los hablantes1

• gender - género de los hablantes1

• language - nombre de la lengua

• split - para el modelado de datos, indica a qué subconjunto de datos pertenece este clip

• char_per_sec - cuántos caracteres de transcripción por segundo de audio.

• quality_tags - una evaluación automatizada del par transcripción-audio, separadas por |

  • transcription-length - caracteres por segundo inferior a 3 caracteres por segundo

  • speech-rate - tasa de caracteres por segundo superior a 30 caracteres por segundo

  • short-audio - duración del audio inferior a 2 segundos

  • long-audio - duración del audio superior a 5 minutos

  • non-allowed-script - la transcripción contiene caracteres de un sistema de escritura no asociado al idioma

  • mixed-script-words - una sola palabra contiene caracteres de múltiples sistemas de escritura

  • mixed-script-transcription - la transcripción abarca múltiples sistemas de escritura, pero cada palabra usa uno solo de forma consistente

Involúcrate

Enlaces comunitarios

• Traductores de Common Voice en Pontoon

• Comunidades de Common Voice

Discusiones

• Common Voice en Matrix

• Common Voice en Discourse

• Common Voice en Discord

• Common Voice en Telegram

Contribuir

• Contribuye con preguntas

• Valida preguntas

• Responde preguntas

• Transcribe grabaciones

• Valida transcripciones

Agradecimientos

Financiamiento

Este proyecto recibió financiamiento del Open Multilingual Speech Fund gestionado por Mozilla Common Voice.

Licencia

Este conjunto de datos se publica bajo la licencia Creative Commons Zero (CC-0). Al descargar estos datos usted acepta no determinar la identidad de los hablantes en el conjunto de datos.

Footnotes

1. Para una lista completa de opciones de edades, generos, y acéntos, ver la especificación demográfica. Esta será reportada únicamente si el hablante aceptó proporcionar dicha información. ↩ ↩2