Loading datasets...
Release Date: 9/17/2026
Format: MP3
Size: 231.90 MB
A collection of read speech recordings in Central Puebla Nahuatl (Nahuat).
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.
ncx)Esta ficha técnica corresponde a cv-corpus-27.0-2026-09-11 del conjunto de datos de voz guiada de Mozilla Common Voice para Nahuat [Central Puebla Nahuatl - ncx]. El conjunto de datos contiene 9509 clips representando 11.77 horas de grabaciones (10.7 horas validadas) de 41 hablantes, grabados a partir de un corpus de texto de 1523 oraciones.
Náhuatl que se utiliza mayormente en el Centro de Veracruz y Valle de Tehuacán y alrededores, además de ser entendible en Oaxaca (norte), Morelos, Tlaxcala, Estado de México y Ciudad de México.
| Code | Accent | Clips | Speakers |
|---|---|---|---|
| - | 6254 (65.8%) | 15 (36.6%) |
El conjunto de datos incluye las siguientes distribuciones autodeclaradas de edad y género. Debajo de cada tabla se muestra un resumen de cobertura.
Información de género autodeclarada. La tabla muestra conteos de clips y hablantes con porcentajes. Los hablantes que no declararon género aparecen como No especificado. Un guion (-) indica cero.
| Code | Gender | Clips | Speakers |
|---|---|---|---|
| male_masculine | Male, masculine | 126 (1.3%) | 1 (2.4%) |
| female_feminine | Female, feminine | 3582 (37.7%) | 6 (14.6%) |
| transgender | Transgender | - | - |
| non-binary | Non-binary | - | - |
| do_not_wish_to_say | Prefer not to say | - | - |
| - | Unspecified | 5801 (61.0%) | 39 (95.1%) |
Gender declared: 3708 of 9509 clips (39.0%), 2 of 41 speakers (4.9%)
Información de edad autodeclarada. La tabla muestra conteos de clips y hablantes con porcentajes. Los hablantes que no declararon edad aparecen como No especificado. Un guion (-) indica cero.
| Code | Age | Clips | Speakers |
|---|---|---|---|
| teens | Teens | 40 (0.4%) | 1 (2.4%) |
| twenties | Twenties | 1386 (14.6%) | 4 (9.8%) |
| thirties | Thirties | 6028 (63.4%) | 16 (39.0%) |
| fourties | Fourties | 1639 (17.2%) | 4 (9.8%) |
| fifties | Fifties | - | - |
| sixties | Sixties | 5 (0.1%) | 1 (2.4%) |
| seventies | Seventies | - | - |
| eighties | Eighties | - | - |
| nineties | Nineties | - | - |
| - | Unspecified | 411 (4.3%) | 22 (53.7%) |
Age declared: 9098 of 9509 clips (95.7%), 19 of 41 speakers (46.3%)
Clip buckets
| Bucket | Clips |
|---|---|
| Validated | 8644 (90.9%) |
| Invalidated | 62 (0.7%) |
| Other | 803 (8.4%) |
Training splits
| Split | Clips |
|---|---|
| Train | 359 (4.2%) |
| Dev | 340 (3.9%) |
| Test | 345 (4.0%) |
Training split coverage: 1044 of 8644 validated clips (12.1%)
El conjunto de datos contiene 8644 clips validados, 62 invalidados y 803 sin resolver. La duración promedio de los clips es de 4.457 segundos.
Frases más bien cortas, de tres a cinco palabras en su mayoría y sacadas de contextos de socialización comunes.
Validated sentences: 1518
| Category | Count |
|---|---|
| Unvalidated sentences | 5 |
| Pending sentences | 5 |
| Rejected sentences | - |
| Reported sentences | 2 |
El corpus contiene 1523 oraciones: 1518 validadas y 5 no validadas (5 pendientes de revisión, 0 rechazadas), con 2 reportadas para revisión.
Escritura práctica, utilizando la pauta propuesta por el Instituto Lingüístico de Verano.
a b ch e f g i j k l m n o p r s t tl ts u x y
A continuación se muestran cinco oraciones seleccionadas aleatoriamente del corpus.
¿Kanin kinemakaj tlioli?
Okiyaualokej, amo ouelitiaya cholos.
Onikilka motoka.
Amo xikajauilmati.
Maski, tla timoyolkopas, uelis san titlaxtlauas kanaj kech.
Ne noneuian Ketsaltsin, saiktlami astatl Tetlikuiti Tlasemanki onpa Chiaualpan
| Source | Sentences |
|---|---|
| obra propia Yolkapoli Tlajkuiloani (Samuel Santiago) | 606 (39.9%) |
| Se Tlasemanki onpa Chiaualpan | 405 (26.7%) |
| Ken timonotsaj | 139 (9.2%) |
| Ne noneuian | 108 (7.1%) |
| Tetlikuiti | 80 (5.3%) |
| Ketsaltsin, saiktlami astatl | 59 (3.9%) |
| In astatl in ostotl | 48 (3.2%) |
| Xiyektlajtolti | 39 (2.6%) |
| Tlajkuiloli non yetos itech Tinochtin Titlajtoaj | 19 (1.3%) |
| Other | 15 (1.0%) |
General, Medios y Entretenimiento
| Code | Domain | Clips | Speakers |
|---|---|---|---|
| general | General | - | - |
| agriculture_food | Agriculture and Food | - | - |
| automotive_transport | Automotive and Transport | - | - |
| finance | Finance | 212 (2.2%) | 18 (43.9%) |
| service_retail | Service and Retail | - | - |
| healthcare | Healthcare | 212 (2.2%) | 18 (43.9%) |
| history_law_government | History, Law and Government | - | - |
| media_entertainment | Media and Entertainment | 4700 (49.4%) | 38 (92.7%) |
| nature_environment | Nature and Environment | - | - |
| news_current_affairs | News and Current Affairs | - | - |
| technology_robotics | Technology and Robotics | - | - |
| language_fundamentals | Language Fundamentals | 2047 (21.5%) | 34 (82.9%) |
Se siguieron pautas comunes de lenguaje cotidiano y representativo.
Cada fila de un archivo tsv representa un solo clip de audio, y contiene la siguiente información:
client_id - UUID hasheado de cierto usuario
path - ruta relativa al archivo de audio
sentence - la oración a leer en voz alta
sentence_id - identificador único de la oración
sentence_domain - clasificación de dominio(s) de la oración
up_votes - número de personas que dijeron que el audio concordaba con el texto
down_votes - número de personas que dijeron que el audio no concordaba con el texto
age - edad de los hablantes1
gender - género de los hablantes1
accents - acentos de los hablantes1
variant - variante del idioma1
locale - código de localización del idioma
segment - si la oración pertenece a una porción personalizada de un dataset, será listada aquí
validated_sentences.tsvEl archivo validated_sentences.tsv contiene una fila por cada oración validada en el corpus de texto:
sentence_id - identificador único de la oración
sentence - el texto de la oración
variant - la variante del idioma
sentence_domain - el/los dominio(s) a los que pertenece la oración
source - la fuente de donde se recopiló la oración
is_used - si la oración sigue en circulación para grabación
clips_count - número de clips grabados para esta oración
unvalidated_sentences.tsvEl archivo unvalidated_sentences.tsv contiene una fila por cada oración no validada en el corpus de texto:
sentence_id - identificador único de la oración
sentence - el texto de la oración
variant - la variante del idioma
sentence_domain - el/los dominio(s) a los que pertenece la oración
source - la fuente de donde se recopiló la oración
up_votes - número de votos positivos que recibió la oración
down_votes - número de votos negativos que recibió la oración
status - estado actual de la oración (pending o rejected)
Luis Samuel Santiago Melchor: [email protected]
Este 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 ↩3 ↩4