---
dataset_info:
  features:
  - name: sentence
    dtype: string
  - name: language
    dtype: string
  - name: audio
    dtype:
      audio:
        sampling_rate: 16000
  splits:
  - name: train
    num_bytes: 310563380
    num_examples: 7968
  - name: dev
    num_bytes: 211747302
    num_examples: 5381
  - name: test
    num_bytes: 211517720
    num_examples: 5386
  - name: train_all
    num_bytes: 635646764
    num_examples: 16439
  - name: train_missing
    num_bytes: 324974560
    num_examples: 8467
  - name: other_with_excluded
    num_bytes: 230711490
    num_examples: 6172
  - name: train_s99
    num_bytes: 2370419620
    num_examples: 64085
  - name: dev_s99
    num_bytes: 493889453
    num_examples: 13196
  - name: test_s99
    num_bytes: 508237077
    num_examples: 13209
  download_size: 5220904667
  dataset_size: 5297707366
configs:
- config_name: default
  data_files:
  - split: train
    path: data/train-*
  - split: dev
    path: data/dev-*
  - split: test
    path: data/test-*
  - split: train_all
    path: data/train_all-*
  - split: train_missing
    path: data/train_missing-*
  - split: other_with_excluded
    path: data/other_with_excluded-*
  - split: train_s99
    path: data/train_s99-*
  - split: dev_s99
    path: data/dev_s99-*
  - split: test_s99
    path: data/test_s99-*
license: cc0-1.0
task_categories:
- automatic-speech-recognition
language:
- cy
pretty_name: Common Voice Cymraeg 18.0
---

# Common Voice Cymraeg (fersiwn 18, Mehefin 2024)

Mae'r set ddata hon yn cynnwys holl recordiadau MP3 gyda ffeiliau testun cyfatebol o Common Voice 18.0 Cymraeg wedi eu drefnu i 
wahanol is-casgliadau ('splits'). 

Defnyddwyd [CorpusCreator gan Mozilla](https://github.com/common-voice/CorporaCreator) gyda'r nifer o ailrecordiadau o frawddegau 
a chaniateir yn 99 (`s=99`). Nid yw brawddegau'r tri split `-s99` yn cydanghynhwysol. (h.y. gall brawddeg bodoli mewn mwy nag un split)


## Manylion pob split

|Split|Duration|Word Count|No Of Clips|Description| 
|:---|:---:|:---:|:---:|:---|
|train|11:28:22|73,958|7968|set hyfforddi swyddogol gan Mozilla|
|dev|08:13:29|50,322|5381|set gwerthuso swyddogol gan Mozilla|
|test|08:16:32|48,837|5386|set profi swyddogol gan Mozilla| 
|train_all|23:06:31|73,986|16439|pob recordiad o frawddegau'r set hyfforddi swyddogol|
|train_missing|11:37:50|56,041|8467|recordiadau o frawddegau'r set hyfforddi sydd wedi eu heithrio|
|other_with_excluded|10:38:17|61,503|6172|recordiadau o frawddegau unigryw heb eu cadarnhau gan defnyddwyr gwefan Common Voice|
|train_s99|83:59:31|161,754|64,085|set hyfforddi wedi ei chreu gan CorpusCreator gyda `s=99`|
|dev_s99|17:46:18|43,007|13,196|set gwerthuso wedi ei chreu gan CorpusCreator gyda `s=99`|
|test_s99|18:34:11|48,597|13,209|set profi wedi ei chreu gan CorpusCreator gyda `s=99`|


## Rhagor o Wybodaeth

Rydych yn cytuno i beidio â cheisio pennu pwy yw'r siaradwyr yn set ddata Common Voice

Pam gofyn am fynediad? Ar ei wefan, mae angen e-bost gan Mozilla cyn ei lawrlwytho set data o'u wefan, rhag ofn y bydd angen 
gysylltu â chi yn y dyfodol ynghylch newidiadau i’r set ddata. Mae e-bost yn rhoi pwynt cyswllt i ni ar gyfer trosglwyddo 
unrhyw negeseuon.


## Cyfeirnodau 

```
@inproceedings{commonvoice:2020,
  author = {Ardila, R. and Branson, M. and Davis, K. and Henretty, M. and Kohler, M. and Meyer, J. and Morais, R. and Saunders, L. and Tyers, F. M. and Weber, G.},
  title = {Common Voice: A Massively-Multilingual Speech Corpus},
  booktitle = {Proceedings of the 12th Conference on Language Resources and Evaluation (LREC 2020)},
  pages = {4211--4215},
  year = 2020
}
```