AndyOnyango/KenCorpus_audio

---
language:
- sw
- luo
- bxk
- lri
- rag
license: cc-by-4.0
task_categories:
- automatic-speech-recognition
tags:
- swahili
- kiswahili
- dholuo
- lubukusu
- lumarachi
- lulogooli
- kenyan-languages
- low-resource-languages
- african-languages
- speech-corpus
- spontaneous-speech
pretty_name: KenCorpus Audio
size_categories:
- n<1K
---

# KenCorpus Audio: A Kenyan Multilingual Spontaneous Speech Corpus

## Dataset Description

**KenCorpus Audio** is a multilingual spontaneous speech corpus for Kenyan languages. The recordings capture natural, unscripted speech from native speakers in their communities across diverse topics including culture, agriculture, commerce, health, and daily life.

Three languages were selected: **Kiswahili**, **Luhya** (dialects: Lumarachi, Logooli, Lubukusu), and **Dholuo**.

## Dataset Statistics

| Language | Files | Duration |
|----------|-------|----------|
| Dholuo | 512 | 99h 3m 8s |
| Lubukusu | 354 | 30h 11m |
| Swahili | 104 | 19h 10m 57s |
| Lumarachi | 138 | 15h 37m 46s |
| Logooli | 44 | 12h 26m 55s |
| **Total** | **1,152** | **176h 29m 46s** |

## Data Fields

| Column | Type | Description |
|--------|------|-------------|
| audio | Audio | Embedded audio waveform (decoded on load) |
| language | string | Language (Swahili, Dholuo, Lubukusu, Lumarachi, Logooli, Luhya_Bukusu, etc.) |
| genre | string | Genre (Culture, Agriculture, Commerce, Health, etc.) |
| source | string | Data source (Community, etc.) |
| title | string | Topic/title of the recording |
| story_id | string | Unique identifier matching the KenCorpus metadata |
| duration_seconds | int | Duration in seconds (from metadata) |

### Example Record

```python
{
'audio': {'path': '0001_swa.aac', 'array': array([...]), 'sampling_rate': 44100},
'language': 'Swahili',
'genre': 'Culture',
'source': 'Community',
'title': 'Masharti ya ndoa',
'story_id': '1',
'duration_seconds': 1303
}
```

---

## Usage

```python
from datasets import load_dataset

# Load the dataset
dataset = load_dataset("Kencorpus/KenCorpus_audio")

# Access a sample
sample = dataset['train'][0]
print(sample['language'])
print(sample['title'])
print(sample['audio']['sampling_rate'])
print(sample['audio']['array'][:10])

# Filter by language
dholuo = dataset['train'].filter(lambda x: x['language'] == 'Dholuo')
print(f"Dholuo recordings: {len(dholuo)}")
```

---

## Genres

Culture, Agriculture, Commerce, Health, Religion, News, Song, Story, and more.

---

## Data Collection

Spontaneous speech recordings were collected from native speakers in their respective language communities. Recordings capture natural, unscripted conversations and narratives.

## Dataset Curators

**Kiswahili:** Rose Felynix, Khalid Kitito, Dr. Benard Okal
**Dholuo:** Jotham Ondu Ajiki, Dr. Jackline Okello, Jonathan Muga, Mercy Lavinca Oduoll
**Luhya (Logooli):** Salano Odari, Dr. Phillip Lumwamu
**Luhya (Bukusu):** Mactilda Nekesa Makana, Mulwale Martin
**Luhya (Marachi):** Yonah Weunda

---

## Citation

```bibtex
@article{wanjawa2022kencorpus,
title={Kencorpus: A Kenyan Language Corpus of Swahili, Dholuo and Luhya for Natural Language Processing Tasks},
author={Wanjawa, Barack W. and Wanzare, Lilian D. and Indede, Florence and McOnyango, Owen and Ombui, Edward and Muchemi, Lawrence},
journal={arXiv preprint arXiv:2208.12081},
year={2022}
}
```

---

## Links

- **Research Paper**: https://arxiv.org/abs/2208.12081
- **Dataverse**: https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/KLCKL5

## License

**CC-BY-4.0**

## Acknowledgments

Part of the **Kencorpus** project for low-resource Kenyan language NLP resources.

language:
- 斯瓦西里语（sw）
- 卢奥语（luo）
- 布库苏卢希亚语（bxk）
- 马拉奇卢希亚语（lri）
- 拉古利卢希亚语（rag）
license: 知识共享署名4.0许可协议（CC-BY-4.0）
task_categories:
- 自动语音识别（automatic-speech-recognition）
tags:
- 斯瓦西里语（swahili）
- 基斯瓦西里语（kiswahili）
- 丁博卢奥语（dholuo）
- 布库苏卢希亚语（lubukusu）
- 马拉奇卢希亚语（lumarachi）
- 拉古利卢希亚语（logooli）
- 肯尼亚语言
- 低资源语言
- 非洲语言
- 语音语料库（speech-corpus）
- 自发语音（spontaneous-speech）
pretty_name: 肯语语音语料库（KenCorpus Audio）
size_categories:
- 样本量小于1000

# 肯语语音语料库（KenCorpus Audio）：肯尼亚多语言自发语音语料库

## 数据集简介
**肯语语音语料库（KenCorpus Audio）** 是一款面向肯尼亚本土语言的多语言自发语音语料库。该语料库收录了来自不同社区的母语使用者的自然无脚本语音，涵盖文化、农业、商业、医疗及日常生活等多样主题。

本次收录覆盖三类语言：**基斯瓦西里语（Kiswahili）**、**卢希亚语（Luhya，包含马拉奇卢希亚语、拉古利语、布库苏卢希亚语三种方言）** 以及 **丁博卢奥语（Dholuo）**。

## 数据集统计
| 语言 | 音频文件数 | 总时长 |
|------|------------|--------|
| 丁博卢奥语（Dholuo） | 512 | 99小时3分8秒 |
| 布库苏卢希亚语（Lubukusu） | 354 | 30小时11分 |
| 基斯瓦西里语（Swahili） | 104 | 19小时10分57秒 |
| 马拉奇卢希亚语（Lumarachi） | 138 | 15小时37分46秒 |
| 拉古利卢希亚语（Logooli） | 44 | 12小时26分55秒 |
| **总计** | **1152** | **176小时29分46秒** |

## 数据字段
| 字段名 | 数据类型 | 字段说明 |
|--------|----------|----------|
| audio | 音频（Audio） | 内嵌音频波形（加载时自动解码） |
| language | 字符串 | 语言类型（基斯瓦西里语、丁博卢奥语、布库苏卢希亚语、马拉奇卢希亚语、拉古利语、卢希亚语-布库苏方言等） |
| genre | 字符串 | 语音主题类别（文化、农业、商业、医疗等） |
| source | 字符串 | 数据来源（社区等） |
| title | 字符串 | 录音主题/标题 |
| story_id | 字符串 | 匹配肯语语料库元数据的唯一标识符 |
| duration_seconds | 整数 | 以秒为单位的录音时长（来自元数据） |

### 示例记录
python
{
'audio': {'path': '0001_swa.aac', 'array': array([...]), 'sampling_rate': 44100},
'language': 'Swahili',
'genre': 'Culture',
'source': 'Community',
'title': 'Masharti ya ndoa',
'story_id': '1',
'duration_seconds': 1303
}

## 使用方法
python
from datasets import load_dataset

# 加载数据集
dataset = load_dataset("Kencorpus/KenCorpus_audio")

# 访问单条样本
sample = dataset['train'][0]
print(sample['language'])
print(sample['title'])
print(sample['audio']['sampling_rate'])
print(sample['audio']['array'][:10])

# 按语言筛选样本
dholuo = dataset['train'].filter(lambda x: x['language'] == 'Dholuo')
print(f"丁博卢奥语录音样本数：{len(dholuo)}")

## 主题类别
涵盖文化、农业、商业、医疗、宗教、新闻、歌曲、故事等多种主题。

## 数据采集
该语料库的自发语音录音均来自对应语言社区的母语使用者，收录自然无脚本的对话与叙事内容。

## 数据集整理团队
- **基斯瓦西里语（Kiswahili）**：Rose Felynix、Khalid Kitito、Benard Okal博士
- **丁博卢奥语（Dholuo）**：Jotham Ondu Ajiki、Jackline Okello博士、Jonathan Muga、Mercy Lavinca Oduoll
- **卢希亚语-拉古利方言（Logooli）**：Salano Odari、Phillip Lumwamu博士
- **卢希亚语-布库苏方言（Bukusu）**：Mactilda Nekesa Makana、Mulwale Martin
- **卢希亚语-马拉奇方言（Marachi）**：Yonah Weunda

## 引用格式
bibtex
@article{wanjawa2022kencorpus,
title={肯语语料库：面向自然语言处理任务的斯瓦西里语、丁博卢奥语与卢希亚语肯尼亚语言语料库},
author={Wanjawa, Barack W. and Wanzare, Lilian D. and Indede, Florence and McOnyango, Owen and Ombui, Edward and Muchemi, Lawrence},
journal={arXiv 预印本 arXiv:2208.12081},
year={2022}
}

## 相关链接
- **研究论文**：https://arxiv.org/abs/2208.12081
- **Dataverse 数据仓库**：https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/KLCKL5

## 许可协议
**知识共享署名4.0（CC-BY-4.0）**

## 致谢
本数据集属于面向低资源肯尼亚语言自然语言处理资源的**肯语语料库（Kencorpus）**项目的一部分。