Loading datasets...
Release Date: 9/17/2026
Format: MP3
Size: 211.49 MB
A collection of spontaneous responses to questions in Cypriot Greek (Κυπριακά Ελληνικά).
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.
el-CY)This datasheet is for sps-corpus-5.0-2026-09-11 of the Mozilla Common Voice Spontaneous Speech dataset for Cypriot Greek [Cypriot Greek - el-CY]. The dataset contains 1221 clips representing 10.37 hours of recorded speech (10.32 hours validated) from 10 speakers.
The dataset clips are categorised by transcription status and training-set assignment. The following tables summarise the distribution.
| Bucket | Clips | % |
|---|---|---|
| Transcribed & Validated | 1,217 | 99.7% |
| Transcribed & Pending | 3 | 0.2% |
| Not transcribed | 1 | 0.1% |
| Bucket | Clips | % |
|---|---|---|
| Train | 566 | 46.4% |
| Dev | 280 | 22.9% |
| Test | 371 | 30.4% |
| Unassigned | 4 | 0.3% |
Training split coverage: 1,217 of 1,217 transcribed & validated clips (100.0%)
| Bucket | Clips | % |
|---|---|---|
| Validated | 1,217 | 99.8% |
| Pending | 3 | 0.2% |
| Edited | 1,196 | 98.0% |
There follows a randomly selected sample of questions used in the corpus.
Τι σου εμάθαν οι γονιοί σου;
Έσ̆ει κανέναν παλιόν τραγούδιν που σου θθυμίζει την παιδικήν σου ηλικίαν;
Έσ̆ει κάποιον ρούχον που σου αρέσκει πολλά να το φορείς;
Πόσον συχνά χρησιμοποιείς κινητόν τηλέφωνον;
Ποια εν’ ο αγαπημένη σου διασημότητα;
There follows a randomly selected sample of transcribed responses from the corpus.
Μάνα μου ίνταμπου μου εθθύμισες... Χορούς τζ̆αι λίρες να πλουμίζουν τους γαμπρούς τζ̆αι τες νύφφες... Νομίζω εν' το απόλυτον χωρκαθκιόν, αλλά τέλος πάντων, τι να πει κανείς; Εν' μες στην κυπριακήν κουλτούραν. Τωρά δεν ξέρω αν γίνεται ακόμα τού(τ)ον το πράμαν. Εσταμάτησα να πηαίννω, τζ̆αι σε γάμους τζ̆αι σε αρραβώνες, εγίνηκα πολλά αντικοινωνικός μπορώ να πω.
Έναν, δύο, τρία, τέσσερα, πέντε, έξι, εφτά, οχτώ, εννιά, δέκα.
Ε, έννεν' ότι φεύκουσιν, αλλά 'ντάξει, που την στιγμήν που ας πούμεν αν είσαι κάποιος που έκαμεν κοπελλούθκια τζ̆ι εμεγάλωσεν τα, ε, λογικά τα κοπελλούθκια εννά θέλουν να φύουσιν, να παν να έβρουν έναν τόπον δικόν τους. Οπότε... τούτον. Τζ̆ειαμαί που μεινίσκω πιστεύκω εν' καλά.
Στην Κύπρον ο κόσμος πληρώννει τζ̆αι με μετρητά τζ̆αι με κάρταν, εεε... τζ̆αι σιγά-σιγά μαθαίννουν τζ̆αι οι πιο μεγάλοι να πληρώννουν με το κινητόν τηλέφωνον, δηλαδή με το εμ ες σι. Ε, παλιά ήταν εεε... ήταν ούλλοι με μετρητά, τώρα... εεε πλέον παντού μπορείς να πληρώσεις τζ̆αι με κάρταν.
Ως, εν ι-μπόρω να απαντήσω σε τούντην ερώτησην, διότι εν πληρώ τις απαιτήσεις λόγον του ότι εν έκαμα ακόμα οικογένειαν.
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