Common Voice Spontaneous Speech 5.0 - Ushojo

Ushojo — Ushojo (ush)

This datasheet is for sps-corpus-5.0-2026-09-11 of the Mozilla Common Voice Spontaneous Speech dataset for Ushojo [Ushojo - ush]. The dataset contains 664 clips representing 5.07 hours of recorded speech (4.94 hours validated) from 10 speakers.

Language

Ushojo is an Indo-Aryan language spoken by about 1000-1200 people in Bishigram near Madyan in Swat Pakistan.

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: 644 of 644 transcribed & validated clips (100.0%)

Transcriptions

Transcription status

Writing system

Shina, Torwali based on Perso-Arabic

Symbol table

ݜ، ڙ، ڇ، أ، نڑ

Different from Urdu

Samples

Questions

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

1. تھئی کامیک موسیقی دھن خوش ہنی؟

2. چھئی خاندان در لالو بجٹ ہنو؟

3. تو تمو صحت اؤ بدن کدا خیال تھئ لا؟

4. تو انلائن بینکنگ بارا در جے خیال رݜئینا؟

5. تھئی خیال دی آسمان کے نیلو ہنو؟

Responses

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

1. آسمان در کامیک تارے بینا اؤ اکثر گن تارے بینا یا شنوٹی تارے بینا نو تی سو کنڈک بینا، کامیک لالی تارے بینو۔

2. *آسئی تا کورومے لالے ہنی، خو می کامیک کوروم خوش ہنو سا أنی ہنو، ما ترکان بینو۔ *

3. *آسئی بڑو گیم انا ہنو، لکہ بانٹئی تھو، لا آسئی بڑو گیعلاوہ لالو انلائن اؤ افلائن گیم ہنی۔ سو آسئی لالے گیم تھونا۔م ہنی۔ ویڈیو گیم ہم ہنی۔ گاڑو چلونو گیم، پلنکو گیم، بول گیم انیس کئی *

4. *گیمی خو ھر قیسم ہنی خو او کمیک گیمی وضاحت تھؤ موبائل در ھم ہنی او ادامو ھم ہنی لکہ لوڑ بیلو یا ھوری گیمی بیلی کرکٹ بیلو یا بانٹئ بیلی ہوری ھم لالی *

5. *آسو خو چین دور در ٹیکنالوجی استعمال تھونو لالو خوشارونا، کے لا اسو خوش ہنی انیس جا اسو لالو کوروم اسانی در بینو۔ ٹیکنالوجی کئی بغیر جے کوروم موس در بینو سئی کوروم ٹیکنالوجی مدد در سیکنڈو اؤ میلتو در پورا بینو۔ انا دور ٹیکنالوجی دور ہنو سیس کارا آسو تمو ہر کوروم ٹیکنالوجی زریعہ در تھونو کوشش تھیما۔ پخوا دور در ٹیکنالوجی نی اسی یا ٹیکنالوجی ترقی نی تھو بئیسی۔ خلقو تی لالو مشکلات آسی۔ چین در خلقو تی ٹیکنالوجی کارا لالو اسانےتیا بینو۔ می ٹیکنالوجی خوشاریما، کے ٹیکنالوجی کئی بغیر آسو ترقی نی تھوبئینا۔ ٹیکنالوجی ترقی کارا لالو ضروری ہنی۔ *

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

Acknowledgements

Datasheet authors

• Zubair Torwali <[email protected]>

• Javid Iqbal Torwali <[email protected]>

Citation guidelines

1. Javid Iqbal Torwali

2. Ihsan Ullah

3. Tariq Aziz

4. Zubair Torwali

Funding

This dataset was partially funded by the Open Multilingual Speech Fund managed by Mozilla Common Voice.

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