speedykom-group/karamojong-speech-dataset

---
language:
- kdj
license: cc-by-nc-4.0
task_categories:
- text-to-speech
- automatic-speech-recognition
tags:
- karamojong
- ngarimojong
- ateker
- nilotic
- africa
- uganda
- mms
- vits
pretty_name: SpeedyKom Ng'akarimojong Speech Dataset
size_categories:
- n<1K
---

# Ng'akarimojong Speech Dataset

<img src="https://speedykom.de/speedykom-small.png" alt="Speedykom" width="150"/>

> Speech dataset for **Ng'akarimojong (kdj)** — Eastern Nilotic language, ~370,000 speakers, Karamoja, NE Uganda.

| Property | Value |
|---|---|
| **Format** | WAV, 16 kHz, mono / UTF-8 transcripts |
| **Source** | GRN recordings, segmented via silence detection |
| **Transcription** | Auto-generated via `facebook/mms-1b-all` (Teso adapter) |

## About

This dataset was created by [Speedykom](https://speedykom.de) as part of an effort to advance speech technology for underserved African languages.
Ng'akarimojong is spoken by approximately 370,000 people in the Karamoja sub-region of northeastern Uganda and belongs to the Ateker (Teso-Turkana) language cluster within the Eastern Nilotic family.

## Usage

```python
from datasets import load_dataset

ds = load_dataset("speedykom-group/karamojong-speech-dataset")
print(ds["train"][0])
```

## Notes

- Transcriptions were generated using the **Teso (teo)** ASR adapter from `facebook/mms-1b-all` — the closest available language to Karamojong. Manual review by a native speaker is recommended.
- Audio sourced from publicly available GRN recordings. Please respect the original license terms.

## Citation

If you use this dataset, please credit:

```
Speedykom - karamojong-speech-dataset
https://huggingface.co/datasets/speedykom-group/karamojong-speech-dataset
Created by Speedykom (https://speedykom.de)
```

---
*Created by [Speedykom](https://speedykom.de)*

语言：
- 恩加里莫琼语（kdj）
许可协议：知识共享署名-非商业性使用4.0国际许可协议（CC BY-NC 4.0）
任务类别：
- 文本转语音（text-to-speech）
- 自动语音识别（automatic-speech-recognition）
标签：
- 卡拉莫琼语（karamojong）
- 恩加里莫琼语（ngarimojong）
- 阿特克尔语（ateker）
- 尼罗语支（nilotic）
- 非洲
- 乌干达
- 大规模多语言语音模型（Massively Multilingual Speech, MMS）
- VITS语音合成模型（VITS）
展示名称：SpeedyKom Ng'akarimojong语音数据集
规模类别：
- 样本量少于1000（n<1K）

# Ng'akarimojong语音数据集

<img src="https://speedykom.de/speedykom-small.png" alt="Speedykom" width="150"/>

> 本数据集面向**恩加里莫琼语（Ng'akarimojong，kdj）**——乌干达东北部卡拉莫贾地区使用的东尼罗语支语言，使用者约37万人。

| 属性 | 取值 |
|---|---|
| **格式** | WAV格式，16 kHz，单声道 / UTF-8 格式转录文本 |
| **数据来源** | 全球录音网络（Global Recordings Network, GRN）录音，通过静音检测完成分段 |
| **转录生成** | 基于`facebook/mms-1b-all`（特索语适配器）自动生成 |

## 关于本数据集

本数据集由[Speedykom](https://speedykom.de)开发，旨在推动服务不足的非洲语言的语音技术发展。恩加里莫琼语通行于乌干达东北部卡拉莫贾次区域，使用者约37万人，隶属于东尼罗语族下的阿特克尔（特索-图尔卡纳）语群。

## 使用方法

python
from datasets import load_dataset

ds = load_dataset("speedykom-group/karamojong-speech-dataset")
print(ds["train"][0])

## 注意事项

- 转录文本基于`facebook/mms-1b-all`的**特索语（teo）自动语音识别适配器**生成——这是与卡拉莫琼语最接近的现有适配模型。建议由母语使用者进行人工审核。
- 音频素材源自公开可用的GRN录音，请遵守原许可协议条款。

## 引用方式

若使用本数据集，请引用如下信息：

Speedykom - karamojong-speech-dataset
https://huggingface.co/datasets/speedykom-group/karamojong-speech-dataset
Created by Speedykom (https://speedykom.de)

*由[Speedykom](https://speedykom.de)制作*