Common Voice (Mozilla)

El mayor corpus de voz multilingüe y de código abierto, construido por voluntarios de todo el mundo.

ÁreaAudio y Voz
DominioAudio / Voz
DificultadIntermedio
Tamaño+20,000 horas · +100 idiomas
Fuente oficial

¿Qué puedes lograr con este dataset?

  • Entrenar modelos de reconocimiento de voz en idiomas distintos al inglés
  • Trabajar con datos de audio crowdsourced, con toda su variabilidad de acentos y calidad
  • Contribuir o extraer datos de un proyecto abierto en crecimiento activo

Descripción

Common Voice es un proyecto de Mozilla que recolecta grabaciones de voz donadas por voluntarios de todo el mundo, leyendo frases en más de 100 idiomas, publicado bajo licencia CC0 (dominio público) para democratizar el desarrollo de tecnología de voz más allá del inglés.

Casos de uso

  • Entrenamiento de modelos de reconocimiento de voz multilingües
  • Desarrollo de tecnología de voz para idiomas de bajos recursos
  • Investigación en sesgos de acento y dialecto en sistemas ASR
  • Proyectos de accesibilidad basados en voz

Cómo cargarlo

Cómo cargarlopython
from datasets import load_dataset

dataset = load_dataset("mozilla-foundation/common_voice_17_0", "es", split="train")
print(dataset[0]["sentence"])

Ventajas y limitaciones

Ventajas

  • Licencia completamente abierta (CC0), sin restricciones de uso
  • Cobertura de idiomas mucho más allá de los recursos típicos en inglés
  • Proyecto activo que sigue creciendo con nuevas contribuciones

Limitaciones

  • La calidad de audio varía considerablemente al ser grabaciones caseras de voluntarios
  • Algunos idiomas tienen muchos menos datos disponibles que otros

Datasets relacionados

Otras menciones

Citados en el reporte que aún no tienen ficha propia.

  • UrbanSound8K