Loading datasets...
Release Date: 9/17/2026
Format: MP3
Size: 471.51 MB
A collection of read speech recordings in Taiwanese (Minnan) (台語).
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.
nan-tw)Mozilla Common Voice cv-corpus-27.0-2026-09-11 Taiwanese (Minnan) (nan-tw) 文本錄音 語料集。
本語料集包含 303 位錄音者，共 24.08 小時的錄音資料，其中 21.87 小時已驗證（經另二名參與者確認），來自 27,279 條文本句。
臺灣話（白話字：Tâi-oân-ōe；臺羅：Tâi-uân-uē, nan-tw），又稱為台語／臺語（Tâi-gí）或臺灣閩南語（Taiwanese Hokkien），通行於臺灣及澎湖群島，中華民國（臺灣）國家語言之一。
請特別注意：本語音語料集為「漢字——語音資料集」，文本語料以漢字為主，同時括號標注台羅或白話字參考發音。
於 v23.0 版本開始，Common Voice 台語版本允許錄音與文本貢獻者選擇（非必選）以下書寫系統變體（Variant）。但目前文本語料仍以兩者混合（非特定系統）為大宗。
白話字（POJ） (pehoeji)
台羅（TL） (tailo)
如欲協助更新現有語料，請往下到 Community 欄目與我們聯繫。
| Code | Variant | Clips | Speakers |
|---|---|---|---|
| nan-TW-tailo | 台羅 (TL) | 333 (1.0%) | 6 (2.0%) |
| nan-TW-pehoeji | 白話字 (POJ) | 55 (0.2%) | 6 (2.0%) |
| Code | Accent | Clips | Speakers |
|---|---|---|---|
| changhua_county | 出生地：彰化縣 | 30 (0.1%) | 3 (1.0%) |
| tainan_city | 出生地：臺南市 | 25 (0.1%) | 1 (0.3%) |
| yunlin_county | 出生地：雲林縣 | 10 (0.0%) | 1 (0.3%) |
| taipei_city | 出生地：臺北市 | 10 (0.0%) | 2 (0.7%) |
| new_taipei_city | 出生地：新北市 | 10 (0.0%) | 1 (0.3%) |
| yilan_county | 出生地：宜蘭縣 | 5 (0.0%) | 1 (0.3%) |
| chiayi_county | 出生地：嘉義縣 | 5 (0.0%) | 1 (0.3%) |
| other_county | 出生地：其他 | 5 (0.0%) | 1 (0.3%) |
| pingtung_county | 出生地：屏東縣 | 5 (0.0%) | 1 (0.3%) |
| taichung_city | 出生地：臺中市 | 5 (0.0%) | 1 (0.3%) |
| - | Other | 26,584 (81.5%) | 75 (24.8%) |
本資料集包含以下自我申報的年齡與性別分布。每個表格下方會顯示涵蓋率摘要。
錄音者自行宣告的性別資訊。表格顯示錄音數與錄音者數及其百分比。未宣告性別的錄音者列為「未指定」。破折號（-）表示零。
| Code | Gender | Clips | Speakers |
|---|---|---|---|
| male_masculine | Male, masculine | 20,151 (61.8%) | 63 (20.8%) |
| female_feminine | Female, feminine | 3,580 (11.0%) | 23 (7.6%) |
| transgender | Transgender | - | - |
| non-binary | Non-binary | 25 (0.1%) | 1 (0.3%) |
| do_not_wish_to_say | Prefer not to say | 10 (0.0%) | 1 (0.3%) |
| - | Unspecified | 8,850 (27.1%) | 238 (78.5%) |
Gender declared: 23,766 of 32,616 clips (72.9%), 65 of 303 speakers (21.5%)
錄音者自行宣告的年齡層資訊。表格顯示錄音數與錄音者數及其百分比。未宣告年齡的錄音者列為「未指定」。破折號（-）表示零。
| Code | Age | Clips | Speakers |
|---|---|---|---|
| teens | Teens | 638 (2.0%) | 7 (2.3%) |
| twenties | Twenties | 16,338 (50.1%) | 36 (11.9%) |
| thirties | Thirties | 5,010 (15.4%) | 30 (9.9%) |
| fourties | Fourties | 5,346 (16.4%) | 22 (7.3%) |
| fifties | Fifties | 379 (1.2%) | 4 (1.3%) |
| sixties | Sixties | 767 (2.4%) | 4 (1.3%) |
| seventies | Seventies | - | - |
| eighties | Eighties | - | - |
| nineties | Nineties | - | - |
| - | Unspecified | 4,138 (12.7%) | 229 (75.6%) |
Age declared: 28,478 of 32,616 clips (87.3%), 74 of 303 speakers (24.4%)
Clip buckets
| Bucket | Clips |
|---|---|
| Validated | 29,623 (90.8%) |
| Invalidated | 642 (2.0%) |
| Other | 2,351 (7.2%) |
Training splits
| Split | Clips |
|---|---|
| Train | 11,542 (39.0%) |
| Dev | 5,952 (20.1%) |
| Test | 6,498 (21.9%) |
Training split coverage: 23,992 of 29,623 validated clips (81.0%)
本資料集包含 29623 筆已驗證、642 筆未通過驗證及 2351 筆待審查的片段。片段平均長度為 2.659 秒。
此錄音集大部分文本語料整理於：MozTW CC0 語料庫，主要來自 MozTW ／ g0v 社群個別參與者。
由於目前缺乏公共授權（無已知授權限制）的台語「句子」文本語料，Common Voice 台語錄音目前以「單詞」為大宗。
我們亟需更多「日常生活用句」，歡迎捐贈您以台語書寫的作品。請參考下方社群頻道資訊與我們聯繫。
Validated sentences: 26,908
| Category | Count |
|---|---|
| Unvalidated sentences | 371 |
| Pending sentences | 99 |
| Rejected sentences | 272 |
| Reported sentences | 223 |
本語料庫包含 27,279 條句子：26,908 條已驗證、371 條未驗證（99 條待審查、272 條被拒絕），另有 223 條被回報需審查。
以下為五個隨機選擇的錄音句子樣本
琉球鄉（Liû-khiû-hiong）
今仔日的頭版（kin-á-ji̍t ê thâu-pán）
陳芬蘭（Tân Hun-lân）
口感 （kháu-kám）
薄鞭（po̍k-pian）
文本語料由 Mozilla 台灣社群（moztw.org）、g0v 社群、及其他開放原始碼運動志工參與者共同建立。
早期的台語語料主要來自「2016-itaigi華台對照典」。請參考資料來源與授權了解原始資料出處。
錄音者主要為來自台灣的個別志工參與者。
| Source | Sentences |
|---|---|
| sentence-collector | 23,598 (87.7%) |
| https://meta.wikimedia.org/wiki/Kî-thaⁿ_oa̍h-tāng | 1,286 (4.8%) |
| https://github.com/moztw/cc0-sentences/commit/4654afd497b985f71f207c8cdf76deda59d70acf | 815 (3.0%) |
| ++ | 508 (1.9%) |
| Other | 701 (2.6%) |
由於目前缺乏公共授權的「句子」資料，Common Voice 台語語料目前仍以「單詞」為大宗。
我們亟需更多「日常生活用句」，歡迎捐贈您以台語書寫的作品。請參考 社群頻道資訊 與我們聯繫。
| Code | Domain | Clips | Speakers |
|---|---|---|---|
| general | General | 992 (3.0%) | 33 (10.9%) |
| agriculture_food | Agriculture and Food | 4 (0.0%) | 4 (1.3%) |
| automotive_transport | Automotive and Transport | - | - |
| finance | Finance | - | - |
| service_retail | Service and Retail | 2 (0.0%) | 2 (0.7%) |
| healthcare | Healthcare | 1 (0.0%) | 1 (0.3%) |
| history_law_government | History, Law and Government | - | - |
| media_entertainment | Media and Entertainment | - | - |
| nature_environment | Nature and Environment | 55 (0.2%) | 23 (7.6%) |
| news_current_affairs | News and Current Affairs | - | - |
| technology_robotics | Technology and Robotics | - | - |
| language_fundamentals | Language Fundamentals | 55 (0.2%) | 23 (7.6%) |
因為句子、單詞所標示的羅馬字為參考用，且 a) 混用台羅與白話字系統，b) 也未能標出所有腔調的發音，顧無法作為實際錄音者發音之對應標注。
我們建議使用前先行移除用（）包夾的參考發音，僅取用漢字部分。
每個 tsv 檔案的每一列代表一個音聲片段，包含以下資訊：
client_id - 使用者的雜湊 UUID
path - 音檔的相對路徑
sentence - 要朗讀的句子
sentence_id - 句子的唯一識別碼
sentence_domain - 句子的領域分類
up_votes - 認為音檔與文本相符的人數
down_votes - 認為音檔與文本不符的人數
age - 錄音者的年齡1
gender - 錄音者的性別1
accents - 錄音者的腔調1
variant - 語言的變體1
locale - 語言的地區代碼
segment - 若句子屬於自訂資料集分群，會列在此欄位
validated_sentences.tsvvalidated_sentences.tsv 檔案中的每一列代表文本語料庫中一條已驗證的句子：
sentence_id - 句子的唯一識別碼
sentence - 句子文本
variant - 該語言的變體
sentence_domain - 句子所屬的領域
source - 句子的來源
is_used - 該句子是否仍在流通中供錄製使用
clips_count - 為該句子錄製的片段數量
unvalidated_sentences.tsvunvalidated_sentences.tsv 檔案中的每一列代表文本語料庫中一條未驗證的句子：
sentence_id - 句子的唯一識別碼
sentence - 句子文本
variant - 該語言的變體
sentence_domain - 句子所屬的領域
source - 句子的來源
up_votes - 句子獲得的贊成票數
down_votes - 句子獲得的反對票數
status - 句子的目前狀態（pending 或 rejected）
Mozilla 台灣社群 (MozTW) Common Voice 專案網站： https://moztw.org/common-voice/
任何問題與建議、協助推廣、捐贈語料，或其他合作需求，請透過以下社群頻道與我們討論：
捐出你的句子 - 如您有意願捐出你擁有的文本語料（例如您的個人創作）供參與者錄音，請先聯絡 Irvin （ [email protected] ）或於以上 Line / Telegram 群組討論。
Irvin Chen (MozTW 社群聯絡人)
Dennis Chen (Common Voice Community Facilitator, Wikimedia Taiwan)
此資料集以 創用 CC 公眾領域貢獻宣告 (CC-0) 釋出至公共領域。 下載這個資料集，即代表你同意不對資料集中的個別參與者進行識別。
如需年齡、性別及腔調選項的完整清單，請參閱 demographics spec。僅在錄音者同意提供時才會揭露這些資訊。 ↩ ↩2 ↩3 ↩4