CV-18 NER: Augmented Common Voice for Named Entity Recognition from Arabic Speech
Paper • 2604.02209 • Published
Datasets:
Dataset Preview
The full dataset viewer is not available (click to read why). Only showing a preview of the rows.
The dataset generation failed
Error code: DatasetGenerationError
Exception: ParserError
Message: Error tokenizing data. C error: Expected 2 fields in line 2279, saw 3
Traceback: Traceback (most recent call last):
File "/usr/local/lib/python3.12/site-packages/datasets/builder.py", line 1779, in _prepare_split_single
for key, table in generator:
^^^^^^^^^
File "/usr/local/lib/python3.12/site-packages/datasets/packaged_modules/csv/csv.py", line 198, in _generate_tables
for batch_idx, df in enumerate(csv_file_reader):
^^^^^^^^^^^^^^^^^^^^^^^^^^
File "/usr/local/lib/python3.12/site-packages/pandas/io/parsers/readers.py", line 1843, in __next__
return self.get_chunk()
^^^^^^^^^^^^^^^^
File "/usr/local/lib/python3.12/site-packages/pandas/io/parsers/readers.py", line 1985, in get_chunk
return self.read(nrows=size)
^^^^^^^^^^^^^^^^^^^^^
File "/usr/local/lib/python3.12/site-packages/pandas/io/parsers/readers.py", line 1923, in read
) = self._engine.read( # type: ignore[attr-defined]
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
File "/usr/local/lib/python3.12/site-packages/pandas/io/parsers/c_parser_wrapper.py", line 234, in read
chunks = self._reader.read_low_memory(nrows)
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
File "pandas/_libs/parsers.pyx", line 850, in pandas._libs.parsers.TextReader.read_low_memory
File "pandas/_libs/parsers.pyx", line 905, in pandas._libs.parsers.TextReader._read_rows
File "pandas/_libs/parsers.pyx", line 874, in pandas._libs.parsers.TextReader._tokenize_rows
File "pandas/_libs/parsers.pyx", line 891, in pandas._libs.parsers.TextReader._check_tokenize_status
File "pandas/_libs/parsers.pyx", line 2061, in pandas._libs.parsers.raise_parser_error
pandas.errors.ParserError: Error tokenizing data. C error: Expected 2 fields in line 2279, saw 3
The above exception was the direct cause of the following exception:
Traceback (most recent call last):
File "/src/services/worker/src/worker/job_runners/config/parquet_and_info.py", line 1347, in compute_config_parquet_and_info_response
parquet_operations = convert_to_parquet(builder)
^^^^^^^^^^^^^^^^^^^^^^^^^^^
File "/src/services/worker/src/worker/job_runners/config/parquet_and_info.py", line 980, in convert_to_parquet
builder.download_and_prepare(
File "/usr/local/lib/python3.12/site-packages/datasets/builder.py", line 882, in download_and_prepare
self._download_and_prepare(
File "/usr/local/lib/python3.12/site-packages/datasets/builder.py", line 943, in _download_and_prepare
self._prepare_split(split_generator, **prepare_split_kwargs)
File "/usr/local/lib/python3.12/site-packages/datasets/builder.py", line 1646, in _prepare_split
for job_id, done, content in self._prepare_split_single(
^^^^^^^^^^^^^^^^^^^^^^^^^^^
File "/usr/local/lib/python3.12/site-packages/datasets/builder.py", line 1832, in _prepare_split_single
raise DatasetGenerationError("An error occurred while generating the dataset") from e
datasets.exceptions.DatasetGenerationError: An error occurred while generating the datasetNeed help to make the dataset viewer work? Make sure to review how to configure the dataset viewer, and open a discussion for direct support.
file_name string | sentence_plus_ner_annoation string |
|---|---|
common_voice_ar_24030201.mp3 | وربما وجد بعض <المتعلمين B-NORP> قوة في نفسه لجودة ذكائه وحدة خاطره |
common_voice_ar_24030204.mp3 | <توم B-PERS> لديه <مئات B-CARDINAL> الكتب . |
common_voice_ar_24030263.mp3 | وأما إن كان من <أصحاب B-NORP> <اليمين I-NORP> |
common_voice_ar_24030264.mp3 | عادة , أي منتديات النقاش التي يستخدمها <الفرنسيون B-NORP> للحديث عن السياسة والأمور المماثلة ؟ |
common_voice_ar_24030265.mp3 | إن الذين لا يؤمنون بالآخرة ليسمون <الملائكة B-ORG> تسمية الأنثى |
common_voice_ar_24030379.mp3 | وكذلك جعلنا لكل نبي عدوا من <المجرمين B-NORP> وكفى بربك هاديا ونصيرا |
common_voice_ar_24030386.mp3 | هل تعرف ماذا يكون <اليوم B-DATE> ؟ "" ما الذي تتحدث عنه "" "" إنها الذكرى السنوية لزواجنا ! """" |
common_voice_ar_24030804.mp3 | وقال صلى الله عليه وسلم <ثلاث B-CARDINAL> منجيات ، <وثلاث B-CARDINAL> مهلكات |
common_voice_ar_24031100.mp3 | فأوحينا إلى <موسى B-PERS> أن اضرب بعصاك البحر فانفلق فكان كل فرق كالطود العظيم |
common_voice_ar_24031248.mp3 | <هارون B-PERS> <بن I-PERS> <عمران I-PERS> ، هو نبي الله . |
common_voice_ar_24031252.mp3 | تظاهر <توم B-PERS> بأنه يجهل ما كان يحدث . |
common_voice_ar_24031253.mp3 | ومنهم من يستمعون إليك أفأنت تسمع <الصم B-NORP> ولو كانوا لا يعقلون |
common_voice_ar_24034085.mp3 | قال رب بما أنعمت علي فلن أكون ظهيرا <للمجرمين B-NORP> |
common_voice_ar_24034177.mp3 | <يوم B-DATE> نحشر المتقين إلى الرحمن وفدا |
common_voice_ar_24034205.mp3 | <يوم B-DATE> تشهد عليهم ألسنتهم وأيديهم وأرجلهم بما كانوا يعملون |
common_voice_ar_24034264.mp3 | في كثير من الأحيان تقوم الحكومات الاستبدادية بسجن معارضيها <السياسيين B-NORP> . |
common_voice_ar_24034290.mp3 | يبدو <بيتر B-PERS> صغيرا في السن . |
common_voice_ar_24034316.mp3 | كاد <توم B-PERS> أن يطرد من العمل . |
common_voice_ar_24034375.mp3 | <المناضلون B-NORP> الحقيقيون هم الذين يفعلون ما يقولونه . |
common_voice_ar_24034410.mp3 | <سامي B-PERS> على خطأ . |
common_voice_ar_24034465.mp3 | <اللغة B-LANGUAGE> <الامازيغية B-LANGUAGE> رسمية في بلدين في <شمال B-LOC> <إفريقيا I-LOC> . |
common_voice_ar_24034564.mp3 | <كم B-TIME> <الساعة B-TIME> ؟ |
common_voice_ar_24034566.mp3 | كذبت قبلهم <قوم B-NORP> <نوح I-NORP> <وعاد B-PERS> <وفرعون B-PERS> ذو الأوتاد |
common_voice_ar_24034585.mp3 | وقال <منصور B-PERS> <النمري I-PERS> |
common_voice_ar_24034587.mp3 | فألقي <السحرة B-NORP> سجدا قالوا آمنا برب <هارون B-PERS> <وموسى B-PERS> |
common_voice_ar_24034650.mp3 | شكرا على مساعدتك الكريمة بينما كنت أنا في <نيويورك B-GPE> . |
common_voice_ar_24034691.mp3 | <توم B-PERS> ليس كبيرا بما يكفي ليفهم هذا . |
common_voice_ar_24034726.mp3 | وقال رجل لبعض الزهاد <بالبصرة B-GPE> |
common_voice_ar_24034729.mp3 | أنا أقرأ كتابا <الآن B-TIME> . |
common_voice_ar_24034780.mp3 | سأبقى هنا <لشهر B-DATE> <كامل I-DATE> . |
common_voice_ar_24034836.mp3 | بشر <المنافقين B-NORP> بأن لهم عذابا أليما |
common_voice_ar_24034882.mp3 | متى ستصل الطائرة إلى <طوكيو B-GPE> ؟ |
common_voice_ar_24034898.mp3 | <اليوم B-DATE> ليس باردا . |
common_voice_ar_24034905.mp3 | كان من المفترض أن أخبر <توم B-PERS> أين عليه الذهاب . |
common_voice_ar_24034907.mp3 | نحن نتقابل مرة في <الشهر B-DATE> |
common_voice_ar_24034953.mp3 | متى بدأت دراسة اللغة <الانجليزية B-LANGUAGE> ؟ |
common_voice_ar_24034954.mp3 | فإن كذبوك فقل ربكم ذو رحمة واسعة ولا يرد بأسه عن القوم <المجرمين B-NORP> |
common_voice_ar_24034978.mp3 | سأذهب إن ذهب <توم B-PERS> . |
common_voice_ar_24034981.mp3 | كان علي فعل هذا <منذ B-DATE> <أشهر I-DATE> <خلت I-DATE> . |
common_voice_ar_24035046.mp3 | وكتب رجل إلى <أبي B-PERS> <العتاهية I-PERS> رحمه الله |
common_voice_ar_24081828.mp3 | لا أريد البكاء أمام <توم B-PERS> . |
common_voice_ar_24098140.mp3 | وكنا نخوض مع <الخائضين B-NORP> |
common_voice_ar_24098535.mp3 | لم أرك منذ <سنوات B-DATE> . |
common_voice_ar_24098641.mp3 | خبر عاجل : الناس <قبل B-DATE> <بضع I-DATE> <مئات I-DATE> <من I-DATE> <السنين I-DATE> لم يتكلموا كما نتكلم <الآن B-TIME> . |
common_voice_ar_24098774.mp3 | <الجزائر B-GPE> تزعم <إيران B-GPE> . |
common_voice_ar_24098851.mp3 | إن <الأبرار B-NORP> يشربون من كأس كان مزاجها كافورا |
common_voice_ar_24099149.mp3 | إفتح يا <سمسم B-PERS> ! |
common_voice_ar_24099496.mp3 | لولا حزام الأمان لما كنت حيا <الآن B-TIME> . |
common_voice_ar_24100273.mp3 | كل ما عليك فعله هو إخبار <توم B-PERS> بأن يرحل . |
common_voice_ar_24101804.mp3 | ولقد أرسلنا <موسى B-PERS> بآياتنا وسلطان مبين |
common_voice_ar_24101909.mp3 | ذهبت للتبضع <يوم B-DATE> <السبت I-DATE> <الماضي I-DATE> . |
common_voice_ar_24153853.mp3 | ألست <سامي B-PERS> ؟ |
common_voice_ar_24153854.mp3 | قالوا لئن لم تنته يا <لوط B-PERS> لتكونن من <المخرجين B-NORP> |
common_voice_ar_24153855.mp3 | ذكر الفتى عمره <الثاني B-ORDINAL> |
common_voice_ar_24153870.mp3 | وقد روى <الحسن B-PERS> <البصري I-PERS> رحمه الله قال |
common_voice_ar_24153873.mp3 | كانت عند <سامي B-PERS> خطة و تحلى بصبر كبير . |
common_voice_ar_24153916.mp3 | إنه في الطابق <الثامن B-ORDINAL> . |
common_voice_ar_24153936.mp3 | كانت <ليلى B-PERS> في القبو . |
common_voice_ar_24153940.mp3 | كان <سامي B-PERS> يريد حياة مريحة . |
common_voice_ar_24153946.mp3 | تضررت <مئات B-CARDINAL> المدن والقرى . |
common_voice_ar_24153966.mp3 | قالوا سواء علينا أوعظت أم لم تكن من <الواعظين B-NORP> |
common_voice_ar_24153969.mp3 | تكفل <أربعة B-CARDINAL> جراحين بمعالجة جروح <ليلى B-PERS> . |
common_voice_ar_24153980.mp3 | دعانا <سامي B-PERS> لتناول العشاء معه . |
common_voice_ar_24154001.mp3 | <سامي B-PERS> ليس مسلما مثاليا . |
common_voice_ar_24154004.mp3 | <سامي B-PERS> و <ليلى B-PERS> يتخاصمان . |
common_voice_ar_24154010.mp3 | عليك <بالإخوان B-NORP> فإنهم في الرخاء زينه وفي البلاء عدة |
common_voice_ar_24154011.mp3 | نهض من النوم في <الساعة B-TIME> <الثامنة I-TIME> <صباحا I-TIME> . |
common_voice_ar_24154013.mp3 | روى <أنس B-PERS> <بن I-PERS> <مالك I-PERS> أن النبي صلى الله عليه وسلم قال |
common_voice_ar_24154020.mp3 | لم يكن <سامي B-PERS> ينتبه أثناء الدرس . |
common_voice_ar_24154021.mp3 | ضحى <سامي B-PERS> بليلى كي ينجو بنفسه . |
common_voice_ar_24154022.mp3 | لم يعد <سامي B-PERS> يريدك في حياته . |
common_voice_ar_24154023.mp3 | <غرفة B-FAC> <الاستعجالات I-FAC> في الطرف الآخر من العيادة . |
common_voice_ar_24154024.mp3 | الفصل <الخامس B-ORDINAL> في الصدق والكذب |
common_voice_ar_24154037.mp3 | <سامي B-PERS> يتيم . |
common_voice_ar_24154040.mp3 | <يوم B-DATE> يكون الناس كالفراش المبثوث |
common_voice_ar_24154042.mp3 | إن صوت <ليلى B-PERS> يتناسب حقا مع وجهها . |
common_voice_ar_24154046.mp3 | ولا يجعل قول <الشاعر B-OCC> هذا |
common_voice_ar_24154052.mp3 | سيذهب <سامي B-PERS> إلى <الجامعة B-FAC> . |
common_voice_ar_24154055.mp3 | يتسلق <الغلمان B-NORP> الجبل . |
common_voice_ar_24154058.mp3 | <سامي B-PERS> ينتظر <منذ B-DATE> <أيام I-DATE> . |
common_voice_ar_24154070.mp3 | ينبغي على <سامي B-PERS> أن يتحدث مع <المدرس B-OCC> بعد الدرس . |
common_voice_ar_24154072.mp3 | ولا يستنقذه منها إلا <سليم B-PERS> |
common_voice_ar_24154081.mp3 | يستحق <الأطفال B-NORP> الحب و الحماية من طرف <أمهاتهم B-NORP> . |
common_voice_ar_24154091.mp3 | دعت <ليلى B-PERS> لمساعدة <سامي B-PERS> . |
common_voice_ar_24154095.mp3 | كان <المدرس B-OCC> يسخر مني . |
common_voice_ar_24154104.mp3 | صفع <سامي B-PERS> <ليلى B-PERS> <ثانية B-ORDINAL> . |
common_voice_ar_24154112.mp3 | روى <أنس B-PERS> <بن I-PERS> <مالك I-PERS> رضي الله عنه قال |
common_voice_ar_24154115.mp3 | تناول <المدرسون B-NORP> الغذاء مع <الطلبة B-NORP> . |
common_voice_ar_24154124.mp3 | يصبح الجو أدفأ <يوما B-DATE> <بعد I-DATE> <يوم I-DATE> . |
common_voice_ar_24154127.mp3 | وكان <الأوزاعي B-PERS> الفقيه كثيرا ما يتمثل بهذه الأبيات |
common_voice_ar_24154128.mp3 | يسرني أن أخبركم أن <ليلى B-PERS> باكر ستصبح من <اليوم B-DATE> فصاعدا مراقبة <الممرضات B-NORP> لهذه العيادة . |
common_voice_ar_24154138.mp3 | بدأ <سامي B-PERS> يحضر حلقة في الثانوية . |
common_voice_ar_24154143.mp3 | كان <سامي B-PERS> مبتهجا كثيرا . |
common_voice_ar_24154160.mp3 | غادر <سامي B-PERS> مع شخص يعمل في العيادة . |
common_voice_ar_24154163.mp3 | فأخذ هذا المعنى بعض <الشعراء B-NORP> فقال |
common_voice_ar_24154165.mp3 | درس <سامي B-PERS> في <مدرسة B-ORG> <الشرطة I-ORG> . |
common_voice_ar_24154166.mp3 | وقال <خالد B-PERS> <بن I-PERS> |
common_voice_ar_24154168.mp3 | ولقد ضل قبلهم أكثر <الأولين B-NORP> |
common_voice_ar_24154169.mp3 | يا <أبا B-PERS> <حازم I-PERS> ما المخرج مما نحن فيه ؟ قال |
common_voice_ar_24154170.mp3 | قل سيروا في الأرض فانظروا كيف كان عاقبة <المجرمين B-NORP> |
End of preview.
CV-18 NER
CV-18 NER is the first publicly available dataset for Named Entity Recognition (NER) from Arabic speech. It was created by augmenting the Arabic Common Voice 18 corpus with manual NER annotations following the fine-grained Wojood schema, which covers 21 entity types.
The dataset provides a benchmark for evaluating both pipeline systems (ASR + text NER) and end-to-end speech NER models. It is particularly valuable for research in low-resource settings and morphologically complex languages like Arabic.
More information can be found in the paper: CV-18 NER: Augmented Common Voice for Named Entity Recognition from Arabic Speech.
- Downloads last month
- 43