Dataset Viewer
Auto-converted to Parquet Duplicate
audio
audioduration (s)
2.02
9.94
text
large_stringlengths
8
148
خب ، تو چیکار می کنی؟
او برای شنوندگان دستچینی شده سخنرانی کرد.
آنقدرها که میگویند ظالم نیست.
ما تحقیقات انجام می دادیم
توضیح فرهنگ محمدمعین خیلی کم بود.
دو روز قبل از کریسمس ؟
تقریباهمه خبر را شنیدند.
اعصابم اون شب خورد بود
این رو باید قبول داشت.
خودت را دست کم نگیر.
برای دکان صرف داشت که شبها باز بماند.
جهت شرقی منزل
که در ظرفهای سفالی بهجا مانده است نشان میدهد
ظاهر محصول ما چطوریه؟
سگها با زبانهای آویخته میدویدند.
من از سو هاضمه رنج می برم.
این اختراع را مدیون ادیسون هستیم.
سازمان قضایی نیروهای مسلح
انعکاس مثبت دهید و اعتبار ببخشید
او قلوب هممیهنان خود را به دست آورده است.
شیر که سلطان حیوانات است و از هیچ چیز نمیترسد
کمر و گردنم درد گرفته!
او به طرفداری از انتخابات آزاد سخنرانی کرد.
اون گوشه از قلبم که مال هیچکس نیست
نویسنده کتاب امپراتور همه بیماریها کیه؟
و اینکه چرا وقتی که این افزونه رو نصب کردم فایرفاکس این شکلی شده؟
حالا من اون احمقه هستم
ورود اکیدا ممنوع است
این آموزش برای محیط گنو لینوکس است.
خلاصه ازادش کرده بودن ولی یه خورده تو مرز نگهش داشتن، بعد فرستادن سر زندگیش.
این واقعیت که شما به مردن میخندید شگفتآور است
او عصبانی مینماید.
از آنجا که من استفاده از نرمافزار غیراخلاقی را رد میکنم
اتومبیل هوا لغز شده.
زنگ در ژرف اندیشی او را مختل کرد.
ذره ذره٬قطره قطره٬ می سوزم اما می مونم
در توزیعهای دبیانی این ابزار با دستور زیر نصب میشود.
از بس هول هولکی رفتیم و اومدیم اصلا نفهمدیم کی به کیه.
و تاثیر خیلی مثبتی روی جان نگذاشت
خوشه های زرین گندم
کشور گابن بزرگترین تولیدکننده منگنز در جهان است
کسی جلو نیاد خون جلو چشامو گرفته.
چرا چرند میگی؟ حالت خوش نیست ها
استالین رقیبان خود را یکی پس از دیگری نابود کرد.
مردم به او به چشم یک قهرمان می نگرند
ز بعد هفتاد نوروز یک برفی افتاد. . .
او میکوشد بر اعتیاد خود به الکل فایق آید.
دولت از حمایت مردم برخوردار است.
آیا هنوز چیزی خورده ای؟
چه ساعتی بیدار شدی؟
خوب ساعتم تیز و فلزیه
در آنجا کالای قاچاق را هم یواشکی میفروشند.
صدای فریادها و ضربه های در از بیرون بیشتر و بیشتر می شود
تایپ کردن را به این اضافه کنید.
پری کیک را به چند مکعب برید.
اعمال آنها مورد توبیخ کلیسا قرار گرفت.
اعمال بعدی او
ذرات بنیادی اتم
محبوسین را آزاد کردند
من عرضه این کارو ندارم
موج گستردهای از جنایت
خیلی به خودت سخت نگیر.
رفتار بد او نسبت به دستگیر شدگان
مردی در نمایشگاهی گلدان می فروخت
پسر کوچولوی من چطوره؟
میشه راهی برای برد پیدا کرد
مجمع بینالمللی انرژی
جنبش اقلیتهای جنسی در خاورمیانه و شمال آفریقا
من هیجان زده هستم
من تصمیم گرفتم که به تصمیم گرفتن تو کاری نداشته باشم
توی رو کسی
شبکه نمایش، یه فیلم ایرانی میداد
او در این کار سابقهی طولانی دارد.
آنها زندانیان را شکنجه میدهند.
روش حرف زدن به تقلید از بازیگران
نمی تونه سرشو بندازه پایین بیاد اینجا
پدر بیا برویم!
متوجه شد کیسه ای زیر ان سنگ در زمین فرو رفته است
به شمع فوت کرد و آنرا خاموش کرد.
تخمک گذاری چیست؟
شانههای ستبر رستم
این هواپیما پنج تا هفت سرنشین داشت.
از شما در خواست خرید کالایی را دارند،
و خوش نویسان و نقاشان به یادگیری نقاشیخط روی آوردند
الآن چه قدر نگارش فارسی بهتر شده!
یکی از ارزشهای راهبردی کشور دانمارک مالکیت گرینلند هست
خبر دار شدن
او سینه مرغ می خواهد.
نه تنها در تشخیصشان، بلکه در تمام کارهایی که انجام میدهند
اینجا خیلی گرم است.
حرارت آب جوش
خاکستر نشین شدن
از ترس فریاد کشید.
خدانگهدار! همه را سلام برسان
برای کسی مراقب پنهانی تعیین کردن
این گلها جلوهی تازهای به باغچه خواهند داد.
باید باهاش حرف بزنم -
شاید بخاطر اومدن اینجا ناراحت شد؟
غدد لنفاوی من ورم کرده اند.
دکتر بیماریهای دستگاه گوارش
End of preview. Expand in Data Studio

Persian Common Voice Clean Dataset

This dataset is a cleaned and prepared subset of the Persian (فارسی - fa) portion of Mozilla Common Voice Scripted Speech, based on cv-corpus-26.0-2026-06-12.

The cleaned release contains 34,134 audio clips, representing approximately 43.105 hours of speech, equal to 2,586.303 minutes. The clips are associated with approximately 34,134 validated Persian sentences and come from 3,791 speakers.

The original Persian Common Voice release contains approximately 373.24 validated hours. This repository provides a filtered, cleaned, and training-ready subset suitable for speech processing, ASR, TTS, and Persian language research.

Dataset Summary

Field Value
Language Persian / فارسی
Language code fa
Source corpus Mozilla Common Voice Scripted Speech
Source version cv-corpus-26.0-2026-06-12
Cleaned clips 34,134
Cleaned duration 43.105 hours
Cleaned duration minutes 2,586.303 minutes
Cleaned duration HH:MM:SS 43:06:18
Speakers 3,791
Approx. text-audio pairs 34,134
License cc0-1.0

Intended Uses

This dataset is intended for:

  • Persian automatic speech recognition research
  • Persian text-to-speech research
  • Speech preprocessing experiments
  • Speaker and acoustic analysis
  • Persian/Farsi language technology research

Dataset Structure

This repository keeps the cleaned dataset files in the same prepared structure used locally for F5-TTS-style training and audio processing.

Typical contents may include:

ext audio files metadata or manifest files reports/ speakers.csv dataset summary files

If you want to load this dataset with Hugging Face datasets, inspect the available metadata files in the repository and map the audio path column to the transcript column.

Source and Processing

The source data is derived from Mozilla Common Voice Scripted Speech for Persian.

Cleaning and preparation may include:

  • keeping validated Persian speech samples
  • filtering unusable or missing audio
  • preparing metadata for speech training
  • computing speaker-level duration statistics
  • organizing files for downstream ASR/TTS workflows

Limitations

This is a cleaned subset, not the full Persian Common Voice release. It may not preserve the full demographic, acoustic, or dialectal distribution of the original corpus. Users should evaluate suitability before training production models.

License and Attribution

This dataset is derived from Mozilla Common Voice, which is released under the CC0-1.0 public domain dedication. Please also review Mozilla Common Voice licensing and attribution guidance before redistributing or using this dataset in production.

Citation

If you use this dataset, please cite Mozilla Common Voice and this cleaned dataset repository.

@dataset{persian_common_voice_clean,
  title  = {Persian Common Voice Clean},
  author = {PyMmdrza},
  year   = {2026},
  url    = {https://huggingface.co/datasets/pymmdrza/Common-Voice-Speech-26.0-Persian-Clean},
  note   = {Cleaned Persian subset derived from Mozilla Common Voice Scripted Speech cv-corpus-26.0-2026-06-12}
}
Downloads last month
580