Loading datasets...
Release Date: 9/17/2026
Format: MP3
Size: 226.41 MB
A collection of spontaneous responses to questions in Michoacán Mazahua (Jñatjo).
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.
mmc)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 Jñatjo [Michoacán Mazahua - mmc]. El conjunto de datos contiene 871 representando 11.23 horas de grabaciones (11.23 horas validadas) de 12 hablantes.
La variante de Michoacán de mazahua o ‘Jñatjo’ es hablada en el norte Michoacán, México. Las tenencias donde se habla esta variante son Crescencio Morales, Boca de la Cañada, Rincón de San Mateo, El Tigre, La Barranca, La Dieta, La Fundición, Macho de Agua y Río de Guadalupe. Pertenece a la familia lingüística otomangue, subrama otopameana-central. Los datos obtenidos para este corpus de datos provienen de la tenencia de Crescencio Morales, ubicado en el municipio de Zitácuaro.
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.
| Categoría | Clips | % |
|---|---|---|
| Transcrito y validado | 871 | 100.0% |
| Transcrito pendiente | 0 | 0.0% |
| Sin transcribir | 0 | 0.0% |
| Categoría | Clips | % |
|---|---|---|
| Train | 550 | 63.1% |
| Dev | 179 | 20.6% |
| Test | 142 | 16.3% |
| Sin asignar | 0 | 0.0% |
Cobertura de particiones de entrenamiento: 871 de 871 clips transcritos y validados (100.0%)
| Categoría | Clips | % |
|---|---|---|
| Validadas | 871 | 100.0% |
| Pendientes | 0 | 0.0% |
| Edited | 305 | 35.0% |
El Mazahua de Michoacán se escribe utilizando alfabeto latino. Ha habido múltiples propuestas de alfabeto para el Mazahua y sus dos variantes, la del Estado de México (Jñajtro) y la de Michoacán (Jñatjo), las cuales no toman en cuenta los tonos de las palabras habiendo mucha confusión durante la escritura, los tonos de la lengua son sistémicos ya que pueden contrastar funciones gramaticales (posesión, demostrativos, definitud, tiempo, aspecto y modo) y determinar el significado de las palabras
Por ejemplo:
Para esta propuesta de alfabeto, se retomará el sugerido por la Universidad Intercultural del Estado de México expuesto en la tesis de Gloria Vargas Bernal (2013). Se tiene la visión de hacerlo más específico en el caso de los tonos.
A continuación se muestra una selección aleatoria de las preguntas usadas en el corpus.
A continuación se muestra una selección aleatoria de respuestas transcritas del corpus.
Cada fila de un archivo tsv representa un solo clip de audio, y contiene la siguiente información:
client_id - UUID hasheado de cierto usuarioaudio_id - id numérico para archivo de audioaudio_file - nombre del archivo de audioduration_ms - duración del audio en milisegundosprompt_id - id numérico para el promptprompt - pregunta para el usuariotranscription - transcripción de la respuesta al audiovotes - número de personas quiene aprobaron cierta transcripciónage - edad de los hablantes1gender - género de los hablantes1language - nombre de la lenguasplit - para el modelado de datos, indica a qué subconjunto de datos pertenece este clipchar_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 segundospeech-rate - tasa de caracteres por segundo superior a 30 caracteres por segundoshort-audio - duración del audio inferior a 2 segundoslong-audio - duración del audio superior a 5 minutosnon-allowed-script - la transcripción contiene caracteres de un sistema de escritura no asociado al idiomamixed-script-words - una sola palabra contiene caracteres de múltiples sistemas de escrituramixed-script-transcription - la transcripción abarca múltiples sistemas de escritura, pero cada palabra usa uno solo de forma consistenteEste proyecto recibió financiamiento del Open Multilingual Speech Fund gestionado por Mozilla Common Voice.
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.
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