Loading datasets...
Release Date: 6/17/2026
Format: MP3
Size: 28.62 MB
Share
A collection of spontaneous responses to questions in Georgian (ქართული).
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.
ka)This datasheet is for sps-corpus-4.0-2026-06-12 of the Mozilla Common Voice Spontaneous Speech dataset for Georgian [ქართული - ka]. The dataset contains 414 clips representing 1.42 hours of recorded speech (0.5 hours validated) from 20 speakers.
The dataset clips are categorised by transcription status and training-set assignment. The following tables summarise the distribution.
| Bucket | Clips | % |
|---|---|---|
| Transcribed & Validated | 188 | 45.4% |
| Transcribed & Pending | 55 | 13.3% |
| Not transcribed | 171 | 41.3% |
| Bucket | Clips | % |
|---|---|---|
| Train | 0 | 0.0% |
| Dev | 0 | 0.0% |
| Test | 0 | 0.0% |
| Unassigned | 414 | 100.0% |
Training split coverage: 0 of 188 transcribed & validated clips (0.0%)
| Bucket | Clips | % |
|---|---|---|
| Validated | 188 | 77.4% |
| Pending | 55 | 22.6% |
| Edited | 53 | 21.8% |
There follows a randomly selected sample of questions used in the corpus.
რომელია თქვენი საყვარელი ფერი და რატომ?
ყოფილა რამე საქმე, რომელიც მეტად გაგძნელებიათ?
რა არის თქვენი აზრით განათლების როლი საზოგადოებაში?
რომელი სპორტის ყურებაა თქვენთვის საინტერესო?
რომელი წიგნის წაკითხვას ურჩევდით მეგობარს?
There follows a randomly selected sample of transcribed responses from the corpus.
სოციალური მედიის დადებითი მხარეებია ის, რომ ავრცელებს ინფორმაციას ძალიან სწრაფად, ძალიან დიდი რაოდენობით ხალხს მომენტალურად აკავშირებს ერთმანეთთან.
ჩვენს სოფელში იმართება პოეზიის საღამოები, მუსიკალური მუსიკალური შეხვედრები, პერფომანსები.
ძალიან მომწონს ლარნაკში ჩალაგებული ყვავილების თაიგული. სასურველია თუ იქნება ვარდის ან სხვადასხვა მინდვრის ყვავილებისგან შემდგარი ნაკრები.
მეგობრობის საფუძველი არის ურთიერთგაგება და პატივისცემა
მე ყველაფერი მომწონს ასე რომ ერთს ვერ ამოვირჩევ
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
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 demographics spec. These will only be reported if the speaker opted in to provide that information. ↩ ↩2