Loading datasets...
License:
CC0-1.0
Steward:
Common VoiceDataset ID:
cmflnn4eckf74mrnczvvqkhdx
Release Date: 9/15/2025
Format: MP3
Size: 11.60 MB
Share
A collection of spontaneous spoken phrases in Georgian.
Restrictions/Special Constraints
You agree that you will not re-host or re-share this dataset
Forbidden Usage
You agree not to attempt to determine the identity of speakers in the Common Voice 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.
ka)This datasheet has been generated automatically, we would love to include more information, if you would like to help out, get in touch!
This datasheet is for version 23.0 of the the Mozilla Common Voice Spontaneous Speech dataset
for Georgian (ka). The dataset contains 121 clips representing 1 hours of recorded
speech (1 hours validated) from 7 speakers.
The dataset includes the following distribution of age and gender.
Self-declared gender information, frequency refers to the number of clips annotated with this gender.
Self-declared age information, frequency refers to the number of clips annotated with this age band.
Prompts: 58
Duration: 2130480[ms]
Avg. Transcription Len: 50
Avg. Duration: 17.61[s]
Valid Duration: 499.46[s]
Total hours: 0.59[h]
Valid hours: 0.14[h]
There follows a randomly selected sample of questions used in the corpus.
როგორია თქვენთვის იდეალური შაბათ-კვირას?
რა არის მობილური ტელეფონების მთავარი უპირატესობა?
რა თვისებას აფასებთ ადამიანებში ყველაზე მეტად?
რა სახის ღონისძიებები იმართება ხოლმე თქვენს ქალაქში/სოფელში?
რა არის თქვენი აზრით მოხალისეობის მნიშვნელობა?
There follows a randomly selected sample of transcribed responses from the corpus.
ემმ... ცნობილი ისტორიული ადგილი საქართველოში, რომლის მონახულებაც ღირს, არის ძალიან ბევრი. ა.. პირველი, ეს აუცილებად უნდა ვთქვათ, რომ ეს არის ვარძია, აა... არის ასევე უფლისციხე, აა... ქუთაისის მიმდებარედ ტერიტორიები და, ზოგადად, მთლიანად საქართველო არის სავსე, ემმ... ისტორიული ადგილებით. ასე რომ, რაც შეიძლება ბევრი უნდა იმოგზაურო საქართველოში.
ავტობუსი, ჩემი აზრით, არი ყველაზე მოსახერხებელი ტრანსპორტი.
რა თქმა უნდა, ქართული სუფრა, ცეკვა, სიმღერა...
მე მგონი ყველაზე მნიშვნელოვანი გამოგონება რაც არის, არის თვითონ სამეცნიერო მეთოდი რომლითაც შეგვიძლია გავიაზროთ სამყარო ჩვენს გარშემო.
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 30 seconds
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 demograpics spec. These will only be reported if the speaker opted in to provide that information. ↩ ↩2