Dataset Viewer
Auto-converted to Parquet Duplicate
audio
audio
sentence
string
source
string
duration_s
float64
ദർവ്വെട്ടറ കൊല്ലപ്പെട്ട കൃപേഷിന്റെയും ശരത്ലാലിന്റെയും കൂടുംബസഹായ ഫണ്ട് സമാഹരണത്തിന് യു
shrutilipi
4.76
എയ്ഡഡ് സ്കൂളുകൾക്ക് അവർക്ക് അനുവദിച്ച ചലഞ്ച് ഫണ്ട് തുടരും
imasc
4.085
ലാത്പിയൻ തലസ്ഥാനമായ റിഗയിൽ ഇന്ത്യൻ സമൂഹത്തെ അഭിസംബോധന ചെയ്യുകയായിരുന്നു ഉപരാഷ്ട്രപതി
shrutilipi
4.84
രണ്ടു വർഷം മുമ്പ് കാൻബറയിലായിരുന്നു ആദ്യ സ്വവർഗ വിവാഹം അരങ്ങേറിയത്
imasc
5.74
വിവാഹശേഷം ചുരുങ്ങിയത് എട്ട് മാസമെങ്കിലും കഴിഞ്ഞാവാം ഗർഭധാരണം
imasc
6.233
സക് സേനയുടെ ജാമ്യാപേക്ഷയിൽ ഡൽഹി കോടതി ഇന്ന് വാദം കേൾക്കും
shrutilipi
3.12
ഏറ്റവും കൂടുതൽ രോഗം സ്ഥിരീകരിച്ചതും കൂടുതൽ മരണം രേഖപ്പെടുത്തിയതും അമേരിക്കയിലാണ്
shrutilipi
4.12
ഏഴിമല ഇന്ത്യൻ നാവിക അക്കാദമിയിൽ പരിശീലനം പൂർത്തിയാക്കിയ മിഡ്ഷിപ്പ്മെൻമാരുടെയും കേഡറ്റുകളുടെയും പാസിംഗ് ഔട്ട് പരേഡിനെ അഭിവാദ്യം ചെയ്ത് സംസാരിക്കുക യായിരുന്നു അദ്ദേഹം
shrutilipi
7.64
അതിനെതിരായി കോൺഗ്രസ് ഹർത്താൽ ആചരിച്ചു
imasc
2.95
പാകിസ്ഥാൻ എംബസി ഉദ്യോഗസ്ഥനെ വിളിച്ചുവരുത്തിയാണ് കേന്ദ്ര വിദേശകാര്യ മന്ത്രാലയം ആക്രമണ ഉദ്യമത്തിൽ ഇന്ത്യയുടെ പ്രതിഷേധം അറിയിച്ചത്
shrutilipi
6.48
അതെ അദ്ദേഹം സ്റ്റേജിലാണ് തുടങ്ങിയത്
commonvoice
3.932
അടൽ ജിയുടെയും ഹിമാചൽ പ്രദേശിലെ ജനങ്ങളുടെയും സ്വപ്നം പൂർത്തീകരിച്ചതിനാൽ ഇന്ന് ചരിത്രപരമായ ദിവസമാണ്
shrutilipi
6.76
നാളെ വയനാട് കോഴിക്കോട്ട് ്ജില്ലക്ൾ സന്ദർശിച്ച ശേഷം കോൺഗ്രസ് അധ്യക്ഷൻ ഡിൽഹിക്ക് മടങ്ങും
shrutilipi
4.52
സ്വീകരണ ചടങ്ങ് മന്ത്രി ടി
shrutilipi
1.12
ഞങ്ങള് ചെറിയ കഷണം തുണി ധരിച്ചിരുന്നു
commonvoice
3.571
ഏറ്റവും കുറവ് ദിവസങ്ങളിൽ ഹാജരായത് തോമസ് ചാണ്ടി എം. എൽ. എ. യാണ്
imasc
5.235
സെർബിയയുടെ സൊറാണ അരുണോവിക് വെള്ളിയും ചൈനയുടെ കിയാൻ വാങ്വെങ്കലവും നേടി
shrutilipi
4.6
ഗോപാലകൃഷ്ണൻ അറിയിച്ചു
shrutilipi
1.16
അവയിലെ കുലീനനായകന്മാർ ആഗ്രഹിച്ചത് വെറുതേ ജീവിച്ചിരിക്കാനല്ല
openslr63
3.892
കാക്ക കുളിച്ചാല്‍ കൊക്കാവില്ല
smc
4.14
എഫും കണ്ണൂർ കോർപറേഷനിൽ യു
shrutilipi
1.72
ഇതോടെ ആക്രമണവുമായി ബന്ധപ്പെട്ട് അറസ്റ്റിലായവരുടെ എണ്ണം എട്ടായി
shrutilipi
2.76
എസ് ശ്രീധരൻപിള്ള തിരുവനന്തപുരത്ത് ഡി
shrutilipi
1.72
അദ്ദേഹവുമായി പലതവണ സംവദിക്കാൻ ഭാഗ്യം ലഭിച്ചുവെന്നും നിര്യാണത്തിൽ അനുശോചിക്കുന്നുവെന്നും പ്രധാനമന്ത്രി ടിറ്ററിൽ കുറിച്ചു
shrutilipi
6.4
ചീഫ് സെക്ര ട്ടറി ടോം ജോസാണ് മലബാർ ചേംബർ ഓഫ് കൊമേഴ്സ് സംഘടിപ്പിക്കുന്ന ചടങ്ങിൽ പദ്ധതി അവതരിപ്പിക്കുന്നത്
shrutilipi
4.68
പുതിയ ഒരു തെളിവ് ലഭിക്കും വരെ മാത്രം
imasc
2.505
അതുല്യ പ്രൊഡക്ഷൻസിന്റെ ബാനറിൽ അതുല്യ അശോകാണ് ചിത്രം നിർമ്മിച്ചത്
imasc
4.745
ഇത്തവണ ക്ഷേത്രത്തിലെ കോവിഡ് നിയന്ത്രണങ്ങൾമൂലം ഉത്സവത്തിന് നൽകിവരുന്ന പ്രസാദ ഊട്ടിന് പകരം ഭക്തർക്ക് ഭക്ഷ്യകിറ്റുകൾ വിതരണം ചെയ്യാനാണ് തീരുമാനം
shrutilipi
7.24
ഹൈസ്കൂൾ വിഭാഗത്തിൽ കൊയിലാണ്ടി രണ്ടാം സ്ഥാനവും ചേവായൂർ മൂന്നാം സ്ഥാനവും നേടി
shrutilipi
3.52
എന്നാൽ ബഡ്ഡ് തൈകൾ നടുമ്പോൾ അത്രയും അകലം ആവശ്യമില്ല
imasc
4.23
രാവിലെ കൃത്യം ആറ് മണിക്ക് ഒരു വലിയ വാർപ്പിൽ വെള്ളം ഒഴിച്ചു തിളപ്പിക്കുന്നു
imasc
5.63
സ്വാഭാവികമായും ബംഗ്ലാദേശിൽ വലിയ വിവാദങ്ങളാണ് ലജ്ജ സൃഷ്ടിച്ചത്
imasc
5.463
ചുരുക്കത്തില്‍ ഇന്റര്‍നെറ്റില്‍ നിന്ന് അടിച്ചു മാറ്റി അപ്‌ലോഡ് ചെയ്യരുത്
openslr63
5.205
ആൺകുട്ടികൾക്ക് ഇതിന് വേണ്ട പ്രായം പതിമൂന്ന് വയസ്സും പെൺകുട്ടികൾക്കു വേണ്ടത് പന്ത്രണ്ട് വയസ്സുമാണ്
imasc
6.54
അതുവരെ വരമൊഴി എന്ന ലേഖനം കാണുക
imasc
3.366
അബ്ദുൾ അസീസ് രാജാവാണ് സൗദി അറേബ്യയിൽ ഒരു നീതിന്യായ സംവിധാനം സ്ഥാപിച്ചത്
imasc
5.47
കേന്ദ്രമന്ത്രി സ്മൃതി ഇറാനി പങ്കെടുക്കും
shrutilipi
1.8
ആകാശവാണി ആണ് പ്രധാന റേഡിയോ പ്രക്ഷേപകർ
imasc
3.305
ബംഗാളി നടൻ ഋഥീസെൻ മികച്ച നടനുള്ള പുരസ്ക്കാരം സ്വന്തമാക്കി
imasc
5.385
പിതാവ് കേശവൻ ആശാൻ മാതാവ് മണി അമ്മ
openslr63
4.735
ക്ടോൺഗ്രസിൽ അധിഷ്ഠിതമായ ഭാരതമാണ് ജനങ്ങൾ ആഗ്രഹീക്കുന്നത്
shrutilipi
3.32
കാസർഗോഡ് ജില്ലയിലെ ഒരു മലയോര ഗ്രാമം
imasc
3.17
അവിടത്തെ പഠനത്തിനിടെ അദ്ദേഹം എഴുതിയ രണ്ടു കവിതകൾ ഒരു പ്രാദേശിക പത്രം പ്രസിദ്ധീകരിച്ചു
openslr63
7.68
അവർ ഒരു പ്രത്യേക മതവിഭാഗത്തിൽപ്പെടുകയോ ഒരു പ്രവാചകനെ വിശ്വസിക്കുകയോ ചെയ്തിരുന്നില്ല
imasc
7.21
ഗവൺമെൻ്റുകൾക്ക് തീരുമാനിക്കാട്ട്മ്ന്ന് കേന്ദ്ര മന്ത്രി നിതിൻ ഗഡ്കരി
shrutilipi
2.96
ഇപ്പോൾ ബിജെപിയുമായി നടത്തുന്ന വിലപേശൽ ഈഴവന്റെ പേരിലാണ്
imasc
4.605
ഇതിനെ സംബന്ധിക്കുന്ന വ്യവസ്ഥകൾ ലോക്സഭാചട്ടം വകുപ്പിൽ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്
imasc
5.35
വോയിസ് എല്ലാവരോടൊപ്പവും എല്ലാവരുടേയും വികസനം എന്നതാണ് ഗവൺമെന്റിന്റെ അടിസ്ഥാന ത്വമെന്ന് ഉത്തർപ്രദേശിലെ പ്രയാഗ്രാജിൽ പൊതുസമ്മേളനത്തെ അഭിസംബോധന ചെയ്യവേ പ്രധാനമന്ത്രി ആവർത്തിച്ചു വ്യക്തമാക്കി
shrutilipi
9.96
അന്നത്തെ കളിയുടെ അവസാനം ഇരുന്നൂറ്റിയഞ്ച് റൺസുമായി ബ്രാഡ്മാൻ പുറത്താകാതെ നിന്നു
imasc
5.605
ദേവിയുടെ അനുഗ്രഹം തേടി നാടിന്റെ നാനാദിക്കിൽ നിന്നും ലക്ഷക്കണക്കിനും ഭക്തരാണ് തലസ്ഥാന നഗരിയിൽ എത്തിയത്
shrutilipi
6.04
എന്നാൽ പിന്നീട് പ്രിയദർശൻ സിനിമ അനൗൺസ് ചെയ്കയായിരുന്നു
imasc
4.555
വാ നമുക്കൊന്ന് കടല് കണ്ടിട്ട് വരാം
smc
3.66
പകരം വായ്പയാണെങ്കിൽ അത് കുറേശേ തിരിച്ചടയ്ക്കുകയും ചെയ്യും
imasc
5.285
ആഫ്രിക്കൻ ആനകളെ ഇപ്പോൾ സഫാരികൾക്ക് ഉപയോഗിക്കാറുണ്ട്
imasc
4.096
അയാൾ നൽകുന്ന ഉപദേശങ്ങളെ മറികടക്കാൻ മറ്റാർക്കും അധികാരമില്ല
imasc
4.455
ഫെഡ റേഷൻ പാലക്കാട് ജില്ലാ കമ്മിറ്റിയുടെ അന്ധക്ഷേമ പക്ഷാചരണ സമാപ നവും ജില്ലാതല കലാ കായിക മേളയും രാവിലെ എൻ
shrutilipi
5.96
ആദ്യത്തെ ലെഫ്റ്റനന്റ് ഗവർണറായി ജോണിനെ നിയമിക്കാനും അദ്ദേഹം കൽക്കത്തിയിൽ കാനിങ്ങിനോട് നിർദ്ദേശിച്ചു
imasc
7.06
എഫിലെ വനിതാ ബൈക്കർമാർ പരേഡിൽ ഇതാദ്യമായി സാഹസിക പ്രകടനങ്ങൾ കാഴ്ചവെച്ചു
shrutilipi
4.08
ആധുനിക പൊലീസിങ് സംബന്ധിച്ച ദേശീയ സെമിനാർ തിരുവനന്തപുരത്ത് ഉദ്ഘാടനം ചെയ്യുകയായിരുന്നു അദ്ദേഹം
shrutilipi
4.96
ശരി ഞങ്ങൾ എല്ലാം തയ്യാറായിരിക്കുന്നു
commonvoice
4.452
വിഭജനത്തിനു ശേഷം പാകിസ്ഥാനിൽ കഷ്ടത നേരിടേണ്ടി വന്നവർക്ക് നിയമ ഭേദഗതി ഗുണം ചെയ്യുമെന്നും പ്രധാനമന്ത്രി പറഞ്ഞു
shrutilipi
6.44
സംസ്ഥാനങ്ങളുടെ സഹകരണത്തോടെ ദേശീയ ക്സീൻ ഗംഗാ മിഷനാണ് പദ്ധതി നടപ്പാക്കുന്നതെന്ന് മന്ത്രി മുംബൈയിൽ പറഞ്ഞു
shrutilipi
7.24
വിദേശസഞ്ചാരികൾക്ക് അറിയിപ്പു ഇനിയൊരു ണ്ടാകുന്നതുവരെ ലക്ഷദ്വീപിൽ പൂർണ വില്ലക്ക് ഏർപ്പെടുത്തി
shrutilipi
4.8
പ്രധാനമന്ത്രി നരേന്ദ്രമോദി ന്യൂഡൽഹി വിജ്ഞാൻഭവനിൽ പദ്ധതിയുടെ ഉദ്ഘാടനം നിർവ്വഹിക്കും
shrutilipi
4.96
പരേതനായ രാമന്റെ മകളാണ് ജോലിക്ക് നില്‍ക്കുന്നത്
indictts
3.4
മറുപടിയില്ലാത്ത ഒരു ഗോളിനാണ് അവരുടെ വിജയം
shrutilipi
2.32
നൂറ്റിമുപ്പത്തിയൊന്പതിന് ആയിരത്തി തൊള്ളായിരത്തി തൊണ്ണൂറ്റിയൊന്പത് നിമിഷങ്ങള്ക്ക് സൗജന്യമായി സംസാരിക്കാനാവും
imasc
7.466
രണ്ടാം സെമിയിൽ ഞായറാഴ്ച്ച ഗോകുലം കേരള റിസർവ് ടീം കേരള ബ്ലാസ്റ്റേഴ്സ് റിസർവ് ടീമുമായി ഏറ്റുമുട്ടും
shrutilipi
4.8
മദ്യവും കഞ്ചാവും ധൂർത്തും സ്ത്രീയും അവരെ ബാധപോലെ ആവേശിച്ചു
imasc
5.62
ഇനി മറ്റേത് വേറെ വല്ല ക്ഷേത്രവും ആണോ
imasc
3.854
പി ദേശീയ നിർവാഹക സമിതി അംഗീകരിച്ച രാഷ്ട്രീയ പ്രമേയത്തിൽ പറയു ന്നു
shrutilipi
2.96
വെങ്കയ്യ നായിഡു ആശംസിച്ചു
shrutilipi
1.32
അരമണ്ഡല നിലയിലിരുന്ന് മുട്ട് മടക്കി പാദം വരെ ഉയർത്തി തറയിൽ തട്ടുന്നു
imasc
5.45
ചികിത്സാരംഗത്തെയും വാക്സിൻ ഉൽപാദനത്തിലെയും സഹകരണവും ഇന്ത്യ വാഗ്ദാനം ചെയ്തു
shrutilipi
3.68
ജനറൽ കൌൺസിൽ യോഗത്തിലാണ് തീരുമാനം
shrutilipi
1.64
മറ്റന്നാൾ ഉച്ചയ്ക്ക വീണ്ടും ചർച്ച തുടരും
shrutilipi
2.2
അഭിമന്യു കൊലപാതകത്തിൽ പൊലീസ് അനേഷണം ശരിയായ ദിശ യിൽ തന്നെയാണെന്ന് സി
shrutilipi
4.12
സമൂഹത്തിലെ സദാചാരഗുണ്ടകളുടെ സോഷ്യൽ മീഡിയ വകഭേദമാണ് സൈബർ ആങ്ങളമാർ
imasc
5.735
ഇതുവരെ പൂനെയിലെ വൈറോളജി ഇൻസ്റ്റിറ്റ്യൂട്ടിൽ നടത്തിയിരുന്ന പരിശോധന ആലപ്പുഴയിലേക്ക് മാറ്റുന്നതോടെ ഫലം ലഭിക്കുന്നതിലെ കാലതാമസം ഒഴിവാകുമെന്നും മന്ത്രി പറഞ്ഞു
shrutilipi
7.56
വില്ലോമരത്തിന്റെ തടി ഉപയോഗിച്ചാണ് ക്രിക്കറ്റ് ബാറ്റ് ഉണ്ടാക്കാറുള്ളത്
imasc
4.195
പത്തുവർഷം മുതൽ ഇന്നു വരെയുള്ള പേരുകൾ പട്ടികയിലുണ്ട്
imasc
4.147
ആഫ്രിക്കൻ രാജ്യമായ നൈജറിന്റേതും തിരശ്ചീനമായ മൂവർണ്ണ പതാകയാണ്
imasc
5.34
മാങ്ങാട്ടുപറമ്പിൽ നടക്കുന്ന കണ്ണൂർ സർവകലാശാല ഇന്റർകൊളീജിയറ്റ് കായികമേളയിൽ പുരുഷ വിഭാഗത്തിൽ കാസർകോട് ഗവൺമെന്റ് കോളേജും വനിതാവിഭാഗത്തിൽ മാങ്ങാട്ടുപറമ്പ് സ്കൂൾ ഓഫ് ഫിസിക്കൽ എജുക്കേഷനും മുന്നേറ്റം തുടരുന്നു
shrutilipi
10.92
'ദി കിച്ചൺ' ആണ് സംരംഭത്തിന് ചുക്കാൻ പിടിച്ചത്
imasc
3.59
അതിനാൽ നൈട്രജൻ തന്മാത്രയെ മറ്റു സംയുക്തങ്ങളാക്കി മാറ്റുന്നത് എളുപ്പമല്ല
openslr63
5.667
ഏറെ അകലെയല്ലാതെ നാട്ടുകാര്‍ക്ക് പ്രചോദനവുമേകി പ്രതിമ തലയുയര്‍ത്തി നില്ക്കുന്നു
indictts
6.081
അവ മതപരമായ ആചാരങ്ങളോട് ഇഴുകിച്ചേർന്നു കിടക്കുന്നു
imasc
3.935
മുരളീധരൻ പറഞ്ഞു
shrutilipi
0.84
ഇതു രണ്ടും സാധ്യതകളാണ്.
commonvoice
3.067
ഇന്നലെ ന്യൂഡൽഹിയിലാണ് റിപ്പോർട്ട് പ്രസിദ്ധീകരിച്ചത്
shrutilipi
2.52
തൃശൂർ തേക്കിൻകാട് മൈതാനത്ത് പാർട്ടിയുടെ സംസ്ഥാന തിരഞ്ഞെടുപ്പ് പ്രചാരണത്തിന് തുടക്കം കുറിച്ച് ബി
shrutilipi
4.68
പി യിലെ മഹാരാജ്ഗങ്ങിലും ശിവ്ഗാർഗിലും പൊതുയോഗങ്ങളെ അഭിസംബോധന ചെയ്യും
shrutilipi
4.24
അതിനുശേഷം അദ്ദേഹം അർജന്റീന ടീമിലെ സ്ഥിരം അംഗമായി
openslr63
5.035
അറിവിന്റെ പിന്നിലുള്ള പ്രക്രിയ വിശ്വാസത്തിൽ അധിഷ്ഠിതമാണെന്ന് അദ്ദേഹം കരുതി
openslr63
5.158
മതപരമായ ചടങ്ങുകൾ വീടിനുള്ളിൽ തന്നെ ആചരിക്കണമെന്നും സാമൂഹിക അകലം പാലിക്കണമെന്നും അദ്ദേഹം ജനങ്ങളോട് ആവശ്യപ്പെട്ടു
shrutilipi
6.44
താമരശേരി ഒന്നാം ക്സാസ് മജിസ്ട്രേറ്റ് കോടതിയിലാണ് കുറ്റപത്രം സമർപ്പിക്കുന്നത്
shrutilipi
3.32
ചിറകിന്റെ അടിവശത്ത് നീലകലർന്ന തുരുമ്പിന്റെ നിറവും കാണാം
imasc
4.482
പ്രതിപക്ഷ നേതാവ് രമേശ് ചെന്നിത്തല നയിച്ച ഐശ്വര്യ കേരള യാത്രയുടെ സമാപന സമ്മേളനം തിരുവനന്തപുരം ശംഖുമുഖത്ത് ഉദ്ഘാടനം ചെയ്യുകയായിരുന്നു അദ്ദേഹം
shrutilipi
6.96
തിരുവനന്തപുരം ലോക്മാന്യതിലക് നേത്രാവതി എക്സ്പ്രസ് ഇന്നു മുതൽ ഏപ്രിൽ ഒന്നുവരെ പൻവേലിലോ താനെയിലോ സർവീസ് അവ സാനിപ്പിക്കുമെന്ന് റെയിൽവേ അറിയിച്ചു
shrutilipi
7.44
ഇടത് ഉള്ള എക്സിറ്റ് സ്വീകരിക്കുക
imasc
2.638
End of preview. Expand in Data Studio

Malayalam ASR Corpus

A multi-corpus Malayalam speech dataset aggregated from 5 public sources, created for fine-tuning ASR models on Malayalam language.

This dataset was used to train sajilck/whisper-small-malayalam — the first multi-corpus Malayalam Whisper model on HuggingFace, achieving 37.64% WER on CommonVoice 25 Malayalam test set.

Source Corpora

Corpus Domain Speaker Type License
IMaSC TTS / Read speech Studio speakers CC BY 4.0
SMC Malayalam Speech Corpus Read speech Crowdsourced CC BY 4.0
IndicTTS Malayalam TTS / Read speech Professional speakers CC BY 4.0
OpenSLR 63 Crowdsourced Multiple speakers CC BY-SA 4.0
CommonVoice 25 Malayalam Crowdsourced Multiple speakers CC0

Dataset Structure

Each split contains the following columns:

Column Type Description
audio Audio Raw audio at 16kHz mono
sentence string Malayalam transcript
source string Source corpus name
duration_s float Audio clip duration in seconds

Data Collection and Processing

Audio from all 5 corpora was preprocessed as follows:

  • Resampled to 16kHz mono
  • Filtered to 0.5–30 second clips
  • Source tagged for corpus-level analysis
  • Split into train / validation / test sets (90% / 5% / 5%)

Usage

from datasets import load_dataset

dataset = load_dataset("sajilck/malayalam-asr-corpus")

print(dataset)
# DatasetDict({
#     train: Dataset({features: ['audio', 'sentence', 'source', 'duration_s']}),
#     validation: Dataset({...}),
#     test: Dataset({...})
# })

# Access a sample
sample = dataset["train"][0]
print(sample["sentence"])   # Malayalam transcript
print(sample["source"])     # e.g. "commonvoice", "imasc", "smc"
print(sample["duration_s"]) # e.g. 4.32

Model Trained on This Dataset

sajilck/whisper-small-malayalam

Model Params WER ↓
openai/whisper-small (base) 244M ~85%
smcproject/Malwhisper-v1-medium 769M 61.84%
sajilck/whisper-small-malayalam 244M 37.64%

Citation

@misc{sajilck2026malayalamasrcorpus,
  author    = {Sajil C.K.},
  title     = {Malayalam ASR Corpus: A Multi-Source Malayalam Speech Dataset},
  year      = {2026},
  publisher = {HuggingFace},
  url       = {https://huggingface.co/datasets/sajilck/malayalam-asr-corpus}
}

License

This dataset is released under CC BY 4.0. Individual source corpora retain their original licenses — please refer to each source for specific terms.

Downloads last month
71

Models trained or fine-tuned on sajilck/malayalam-asr-corpus