Dataset Viewer
Auto-converted to Parquet Duplicate
audio
audioduration (s)
0.78
11.2
transcription
stringlengths
6
185
ނަމާދު ކޮށް ނިމިގެން އަހރެން ގެއަށް އައިރު އެތާ އެއަންހެން ކުއްޖާ ހުއްޓް
ވަރަށް ފާހަގަކުރެވުނު ކުރައްވަމުން ވިދާޅުވި މަސައްކަތްތަކެއްކަން
ހަތިޔާރުއެޅި ރޯލުން ސިދާ
އެކަންކަމަށް ސަރުކާރުން ވަރަށް ބޮޑު އިސްކަމެއް ދެއްވާކަން ރައީސް މިއަދު ފާހަގަ ކުރެއްވި
ދަތުރު އިންޖީނު އަހަރެމެން
ގެންދިޔައީ އަހަންނާ ވަށްކަޅިން ހުރި މަރާމާތު ރޫޝިންވެސް ޕްރޮޖެކްޝަން ކުރަން
އޭނާއަށް ހަމަވުމުގައި ކާން ޑެންގީ އަބޫ
ސްޕެއިން ރޭ ޓޮރޭޒް ކުޅޭނެ މެޗު ގިިނައިން ޖެހި ހަމައެކަނި
ހަދާ ހުސައިން ވީފައިލް އަމަލުކުރާނެ ލިމިޓެޑް އެއްޗަކަށް މުހަންމަދު ޕެންޝަން އެކު
ފައިސާތައް ހޯދުމަށް ފުލުހުން ކުރިއަށް ގެންދިޔަ އޮޕަރޭޝަނުގައި އެ ފައިސާތައް ހޯދާފައިވާކަމަށްވެސް ފުލުހުން ބުނި
އެއާއެކު އައްޑޫގައި ކޮވިޑްގެ ދުވިސައްތަ ނުވަދިހަ އެކްޓިވް ކޭސް މިހާރު އެބަ އުޅޭ
އޮންލައިން ވިޔަފާރީގައި އިންޑިއާގައި އެމެޒޯނާ އެންމެ ވާދަވެރި ކުންފުންޏަކީ އެމެރިކާގެ ވޮލްމާޓުން ގަނެފައިވާ އިންޑިއާގެ ފްލިޕްކާޓެވެ
ކަންތައްތައް ޖަހާފައި ދުވަހަށް ބީހިއްޖެނަމަ
ފާސްކޮށްފިނަމަ ތާވަލް ރަސްމީގޮތުން އިނގިރޭސި ދުވަހު އީޔޫގެ ތިރީސް އެއް އެއްބަސްވުން ކޮށްފައިވާގޮތަކަށް
ނަގައިދިން ތެރެއަށް ޖިއޮވާނީ
ނަޝީދަކީ މުހައްމަދު އިބްރާޙީމް މުހައްމަދު ގޮތެއް ރައީސް ބޭފުޅުން ވިދާޅުވީ ކަމަށް ނޫން
ޒައިދު ތައްޔާރުވެގެން ނިކުމެއް އަހަންނަ އިސާރާތުން ގަޑި ދައްކާލިއިރު ހަތެެއް ޖަހާބޮޑުވެފައި ހުއްޓް
ބައިވަރު އެއާއެކު އެޕާޓީން އެޕްޑީޕީއަކީ ދިނުމަށް އެއްވެސް އެތަކެއް މިހިސާބަށް ކަމަށް ވެގެން
ކަމްލާއަށް ވެސް ބަދިގެއަށް ނާދެވެނީސް އެހާ އަވަހަށް ކަޝިޝް ބަދިގެއިން ފެނުމުން ޙާއިޝާއަށް ހިނިތުންވެވުނު
އެކަމަކުވެސް އެ އަތުން ދޫނުކޮށް ނުވާނޭ ޖާވިދުގެ ހިތް ބުނަމުން ދިޔައި
އެސޯސިއޭޝަންތަކުގެ ޕޭލޭން ބައިނަލްއަގާވާމީ ސްޓްރެޓެޖިކް ސްޓްރެޓެޖިކް ހަވާލު ބޭރުގެ ކުންފުންނަކާ އެކުލަވާލާފައިވާ ކުޅިވަރު
މަންމަގެ އެއީ ރައީސުލްޖުމްހޫރިއްޔާ މައްސަލައެއް ހުރެގެން އުރުގައި ހިފައިގެން ވަޑައިގަންނަވާއިރުގައި
އޭރު ޔޫންވެސް ކޮޓަރިއަށް ވަދު
ބޮޑުވަޒީރު ސެކްރެޓަރީ ވިލާތުގެ
ވިދާޅުވި ފްލެޓެއް އަގު ބައެއް
ދެކޮޅަށް އަޅުގަނޑަށް ކުރައްވައިފި
ފައުޒާން އަތުން ރަހާ އުރާލައިގެން ކޮޓަރިން ނުކުންނަށް ހިބާ ދާން ފެށި
ބަލާއިރު ވަރަށް ނަމަވެސް ދެ ދެ ހާސް ނުވަ ދެ ހާސް ދިހަ ބުނެފަ ކުންފުނިން ދެ ހާސް އެގާރަ
އަދި އެކަން ބޭނުންވިގޮތަށް ހަމަޖެހިގެންދިޔުމުން ހިތްހަމަޖެހިފައިހުރިކަމަށް ޝަރަފް ބުނި
ބޮޑު ހަމަނުވެގެން އިންޓަރވިއުއަށް އަންނައިރު އިތުރު ލިބޭނެ ކަމެއް އެހެންވީމަ ކުޑަ
ކެޓްރީނާ ރިޕޯޓުތައް މަސައްކަތް މަގުބޫލުކަން ކުރަނީ ދައްކައިގެން އާންމުންގެ
އެންމެ ފަހުން އޭނާ ކުޅޭފައި ވަނީ އެ ގައުމުގެ ދެ ވަނަ ޑިވިޝަންގެ ޓީމަކަށް
އެއްމެ ސެކްރެޓަރީގެ ޕާމަނަންޓް އެމަޤާމުން އިބްރާހިމް ދޭސީން
ގދ ހިމެނެނީ ތިނަދޫގެ ތެރޭގައި ބ އޭގެ ސިޓީ އުނގޫފާއި ގަމާއި އައްޑޫ
ވާހަކަ ބައިވަރު މުޙައްމަދު އޭގެ އަލީ މަރިޔަމް އެބަހުރި އިބްރާހިމް ބެހޭ ނެތް
މަތީފެންވަރުގެ ދެ ހާސް ވިހި ޓްރިޕޮލީ އެއްބައިވަންތަކަމުގެ ހިނގައްޖެ
ހޯދުމުގެ ދިން ހަތަރުބައިގެ ފުޅާ ހާމަނުކުރުން އަންނަ
ކޯޓުގެ އޭނާގެ ދުވާލެއްގެ ކަޅު
ފަނަރަ ކޮންމެ ޒަހަމްވެގެން ބަޑީގެ އާއި ކަމަށް ހުންނަނީ އެއް ގޮތަކަށް ހޮސްޕިޓަލްއަށް
ބާރުތައް ދޫކޮށްލުން ލަސްވަމުން ދިޔައީ އެކަމަށް ސަރުކާރުތަކުން ބޭނުން ނުވާތީ ކަމަށް ވިދާޅުވި
ޒާހިދާއެކު އެކަނި ދާކަށް ރޭޝަމް ބޭނުމެއް ނުވޭ
އެމަނިކުފާނުގެ ކަމަށް ބޯހިޔާވަހިކަމުގެ ތިން
ވަކިކުރުމަށް ކުރެއްވުމަށް ނޫން ކުރަން
އަދި ވަކި ގޮތެއް ކަނޑައަޅާނީ އެމީހަކުގެ ޝެޑިއުލް އާއި ރޫޓީން
ސަރަހައްދުގައި އަމިއްލަ ސައްޕެ އަނިޔާކޮށް މިއަދު ދަނީ ނަގައިގެން މުހައްމަދު
ދިރިއުޅޭ ހޯމް ނައިބު ބޭއްވި މުހުސިން މިދިޔަ
ޑރމަޝްހޫރު އާ ޑރއޭނާއަށް ބުނާއަޑުއަހަން ދުވަހުސަލީމް އިފުތިތާހު
އެ ވާހަކަތަކުގެ ބޭނުމަކީ މިޞްރުގެ ސިޔާސީ މަސްރަޙުގައި ހައިބަތުހުރި ފަރާތްތަކުގެ އަގުވައްޓާލުން
ޔޫޓިއުބުން އަހަރުވުމުން ޖެހުމަށް ކަމަށް އެ އަށާރަ
އެޔާއެކު އެންމެންގެ ނަޒަރުވެސް ހުއްޓިފައިވަނީ ފާއިދުގެ ލޯބި ހަރަކާތްތަކަށް
މިތަކެތި ފައިސާ ހައުސް އަޖޭގެ
ކުރަން ލިބެމުން އުޅުނު އެއިސްލާހަކީ މިއަދު އެހެނިހެން
ޖަަރީމާއެއްކަމަށް ޔާމީނާއި އަަދަދެއްގެ
އެ ބޯޅަ ގޯލަށް ނުވަދެ ސަލާމަތްވީ އަމާޒު ގެއްލި ގޯލް ދަނޑި ކައިރިން ބޭރަށް ދިއުމުން
އޭގެ ފަހުން ވައްޓާނުލައި ދުވުން
އަމިއްލައަށް ޗެލެންޖްތަކާ ކުރިމަތިލުން
އަތޮޅުތެރޭގެ ރަށްތަކަށް ނިސްބަތްވަނީ އެގާރަ މީހުން
އެޕްލިކޭޝަން ގެއްލުވާލާފައިވާ ބައްޕައައް
ކަމަށް މި ވެސް ގަބޫލުކުރެވޭތީ އިން ގަދަ އެ
އެ މީހުން އެ ސަރަހައްދު ދޫކޮށްދަނީ ފުލުހެއް އައުމުން
ހަމަޖެހީ ނިޝާން އައިސް ނިކަތުގެ ބޮލުގައި ފިރުމާލަމުން ބުނެލި
އިވެންޓެއްގައި ބައިވެރިވެފަ ކާންސްގެ ނޫސްވެރިންގެ ހިނގާލުމުގެ އިވެންޓެއްގައި ވަނީ ފުރަތަމަ އާއި އެންމެ
ޕާލެމެންޓްރީ ދިމާވެގެން ކުރި ހުރަސް ވެސް މޮބައިލް މި މި ބައްޕަގެ މައްސަލައަށް
ދޮރުހުޅުވާލައިިފައި ނުލިބި އަށްމިފްކޯގެ ނޫޅެނީތަ ފަނަރަ
ފިލުވައިދިން ފޭބުމާ ކޮޓަރިތަކަށް ވަގުތުން އޮޅުން ޢިޒްވާ
ހިނިތުންވުމަކާއި ބުނީ އެއްވެސް މައުލޫމާތުން ކޮއްކޮ ދިމާލަށް
އަންނަ ބުނެވުނު އެއްޗަކުން ފުރަތަމަ ބޮޑުވެފައިގުރޫޕް ދުވަހު
އަވަސް އަވަަހަށް ސައިކަލަށް އަރާ ދުއްވާލީ އެ މަންޒިލާވީ އެންމެ ދުރަކަށް ދިއުމަށް
އެކަން ސާބިތު ކޮށްދިނުމަށް އަންނަ އަހަރު މަސައްކަތް ކުރާނެ ކަމަށް އެކުންފުނިން ވަނީ ބުނެފައި
މި ކުއްޖާގެ އެންމެ ފަހުގެ އެދުމަކީ މަރުވުމުން މަންމައާ އެއް ސަންދޯކެއްގައި ވަޅުލައިދިނުން
ބުރުގެ ފުޓްބޯޅަ ލީގު މައްޗަށް ހޯދައި ބާރު މުބާރާތުގެ
ޑިވިޝަނާއި މަހުގެ ނުވަ ވަނީ މުބާރާތުގެ ޑިވިޝަންގެ އިއްޔެ ފައިނަލް
އަނާރާ ފޭސްބުކް ގައި ޕޯސްޓު ކުރައްވާފައިވޭ
ކަމަށް ޔުނައިޓެޑުން ގެންދަން ފެބްރިގާސް މެންޗެސްޓާ އޭނާ ކުރާ ވަނީ ގޮސްފަ
ވަނުމުގެ ހުއްދަ އީޝަލް ދިނުމުން ދޮރުން އެތެރެއަށް މީކާޢިލް ބޯދިއްކޮށްލި
މީހުން މުޒާހަރާގެ ކަމަށް ބޮޑަކަށް ދަނީ އަދި ދެ އެދެފިމިހާރުގެ މިނިސްޓަރު
ފިޔައާއި ވަށްކޮށްލާނީ ފަހަކަށް ކަންކަން ރަނގަޅަށް ހުއްޓިވަޑައިގެންމަހްލޫފް މިރުހާ ވަރަށް
އެވަގުތު ޔަލާ އިނދެފައި އޭނާ އަރުފީނާއި ރުހައިލާއެކު ދާން ބޭނުންވި
އަހާލިހިމާޔަތްކޮށްފައިވާ މަހުގެ ކޯޓު
އެގޮތުން ސަލްމާން އާއި ލޫލިއާގެ ކައިވެނި ވަރަށް އަވަހަށް ކުރެވޭނެ ކަމަށްވެ
ވިން ބާތިލްކުރި ރައީސުން
ޒެއްލުގެ ތަކަކީ މި ވަރަށް ފުރުސަތު މިދާއިރާއިން
ރިޕޯޓަރުންނާ އޭމޮން ވާހަކަދައްކަމުން ބައްދަލު ކޮށްލާނަން އަށް ކަމެއް އެހެންކަހަލަ
ސަރަހައްދުން ހަމަޖެހިފައިވަނީ ރަނގަޅުކަމުން ބަނދަރު އޮއްވާ
ސަރަހައްދީ އަދި ކަމަށް މީގެ ރުހުން ކޮމިޓީގެ
އަނާލްގެ މެސެޖެއް
އެފިލްމާއި ބެހޭގޮތުން އެއްވެސް ވާހަކައެއް ސަންޖޭ ހިއްސާކޮށްފައެއް ނުވެ
ދިޔަ ލިބިފައިވޭ އަނިޔާ ދެ ހަތަރު ތިބި ހިނގި
ރައްޔިތުންގެ ދާއިރާގެ ސޮއިކުރައްވައިފި އަޙުމަދު ދެކުނު މަޖިލީހުގެ އަށް މެންބަރު އެމްޑީޕީ މޯލްޑިވިއަން
އާއި ގުޅުމަކީ ފުޓްބޯލް ދައްކާށޭއަދި ކާމިޔާބު ފޯނު މުހައްމަދު
ބާއްވާ ނަމަވެސް މަޖިލީހުގެ
ހަތަރު ދައްކާލަން ނަގައިސްޕައިސްޖެޓް ހަށިގަނޑުގައި ލުޔާ މިތަނުން ކުރިމަތިކުރުވުމަށް ބުނެލިއަރަބިއްޔާގެ
މަކުނުދޫގެ ވިޔަފާރުވެރިން މަކުނުދޫ ކައުންސިލާ ކަންބޮޑުވުންތައް ހިއްސާކުރަމުންދާއިރު ފިހާރަތައް ހުޅުވާނެ ވަކި ވަގުތެއް ނޭނގޭ
ބެލްޖިއަމް އަށް ލިބުނު ޕެނަލްޓީ އަކުން މި ގޯލު ކާމިޔާބުކޮށްދިނީ އެޑެން ހަޒާޑް
ކޯޗު ބޮޑު ލިބުނު ކަމަށް މާސެލީނިއޯ ބުނީ
ނަވާވީސް ލިއުމެއްގެ ކޮށްފަ
އޮތީ ބަޔަކަށް މެދުފަރު މެޗުން ތިރީސް ފަސް އިސާހިތަކު ގެދޮރު ބާސެލޯނާ ތިބާއާ އެތައް
އަދި މާރިޔާގެ މޫނަށް ބަލާލީ ޖަވާބަކަށް އިންތިޒާރު ކުރާފަދައިން
އަދި ޑަޓުކްއަކީ އެކުންފުނީގެ މެނޭޖިންގ ޑިރެކްޓަރު
ވާހަކަ ވީހާގިނަ އަހަރެން ހިންދުން މިރަށަށް
End of preview. Expand in Data Studio

Dataset Card for Dhivehi Speech - Medium

Dataset Summary

This small dataset contains audio, and sentence in dhivehi.

Supported Tasks and Leaderboards

  • Automatic Speech Recognition
  • Text-to-Speech

Languages

Dhivehi

Dataset Structure

TODO

Data Instances

A typical data point comprises the path to the audio file and its sentence.

Data Fields

TODO

Downloads last month
79

Models trained or fine-tuned on alakxender/dv_syn_speech_md