---
dataset_info:
  features:
  - name: sentence
    dtype: string
  - name: language
    dtype: string
  - name: audio
    dtype:
      audio:
        sampling_rate: 16000
  splits:
  - name: train
    num_bytes: 1800574922.481
    num_examples: 45223
  - name: dev
    num_bytes: 442412842.582
    num_examples: 10763
  - name: test
    num_bytes: 436259235.723
    num_examples: 10773
  download_size: 2646833985
  dataset_size: 2679247000.786
configs:
- config_name: default
  data_files:
  - split: train
    path: data/train-*
  - split: dev
    path: data/dev-*
  - split: test
    path: data/test-*
license: cc0-1.0
task_categories:
- automatic-speech-recognition
language:
- cy
- en
pretty_name: Common Voice Ddwyieithog
size_categories:
- 10K<n<100K
---

# Common Voice Ddwyieithog (Cymraeg a Saesneg)

Mae'r set data hon yn cynnwys cyfuniad cyfartal o recordiadau Cymraeg a Saesneg o Common Voice fersiwn 18. 

O [Common Voice Cymraeg](https://huggingface.co./datasets/techiaith/commonvoice_18_0_cy) defnyddwyd splitau 
[`train_all`](https://huggingface.co./datasets/techiaith/commonvoice_18_0_cy/viewer/default/train_all) ac 
[`other_with_excluded`](https://huggingface.co./datasets/techiaith/commonvoice_18_0_cy/viewer/default/other_with_excluded) 
ar gyfer recordiadau Cymraeg set hyfforddi'r set data hon. Cymerwyd yr un nifer o recordiadau o set hyfforddi swyddogol
Saesneg Common Voice fersiwn 18, gan blaenoriaethu'r rhai wedi eu dagio â acen Saesneg o Ynysoedd Prydain. 
(h.y. Cymreig, Albanaidd, acenion o Loegr).

Defnyddir yr un flaenoriaeth am acenion Saesneg wrth cyfuno'r setiau gwerthuso a phrofi Cymraeg a Saesneg. 

Yn ogystal mae pob recordiad o frawddeg wedi ei dagio gyda'r iaith ('Welsh' neu 'English').

## Manylion pob split 

|Split|Duration|Word Count|No Of Clips|
|:---|:---:|:---:|:---:|
|train|69:42:39|365,792|45,223|
|dev|17:05:45|102,297|10,763|
|test|17:02:36|99,210|10,773|

## 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 lawrlwytho'r 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
}
```