Datasets:

kavyamanohar
/

Pronunciation-dictionary-malayalam

MALAYALAM stringlengths 1 86	IPA stringlengths 2 186
ഒരു	o ɾ u
ഈ	iː
എന്ന	e n̪ n̪ a
തന്നെ	t̪ a n̪ n̪ e
പറഞ്ഞു	p a r a ɲ ɲ u
എന്ന്	e n̪ n̪ ə
നിന്ന്	n̪ i n̪ n̪ ə
ആ	aː
നിന്നും	n̪ i n̪ n̪ u m
എന്നാൽ	e n n aː l
എന്നാൽ	e n̪ n̪ aː l
ഞാൻ	ɲ aː n
പി	p i
സർക്കാർ	s a r k k aː r
അദ്ദേഹം	a d̪ d̪ eː ɦ a m
പുതിയ	p u t̪ i j a
അത്	a t̪ ə
ചെയ്തു	t͡ʃ e j t̪ u
കെ	k e
സി	s i
ശേഷം	ʃ eː ʂ a m
കഴിഞ്ഞ	k a ɻ i ɲ ɲ a
എസ്	e s ə
എം	e m
കൂടുതൽ	k uː ʈ u t̪ a l
എന്റെ	e n ṯ e
കൊണ്ട്	k o ɳ ʈ ə
ഏറ്റവും	eː ṯ ṯ a ʋ u m
പോലീസ്	p oː l iː s ə
വലിയ	ʋ a l i j a
തന്റെ	t̪ a n ṯ e
മുതൽ	m u t̪ a l
ഇത്	i t̪ ə
മാത്രം	m aː t̪ r a m
എല്ലാ	e l l aː
വരെ	ʋ a ɾ e
സംസ്ഥാന	s a m s t̪ʰ aː n a
ചില	t͡ʃ i l a
ഇന്ത്യൻ	i n̪ t̪ j a n
അവർ	a ʋ a r
രണ്ട്	ɾ a ɳ ʈ ə
കൂടി	k uː ʈ i
പോലെ	p oː l e
ഇപ്പോൾ	i p p oː ɭ
എ	e
ദിവസം	d̪ i ʋ a s a m
നടത്തിയ	n̪ a ʈ a t̪ t̪ i j a
പോലും	p oː l u m
തുടർന്ന്	t̪ u ʈ a r n̪ n̪ ə
എന്നു	e n̪ n̪ u
ആണ്	aː ɳ ə
ഇവിടെ	i ʋ i ʈ e
വേണ്ടി	ʋ eː ɳ ʈ i
പറയുന്നു	p a r a j u n̪ n̪ u
നമ്മുടെ	n̪ a m m u ʈ e
നടന്ന	n̪ a ʈ a n̪ n̪ a
വീണ്ടും	ʋ iː ɳ ʈ u m
ന്	n̪ ə
ഇന്ന്	i n̪ n̪ ə
നൽകി	n̪ a l k i
മന്ത്രി	m a n̪ t̪ r i
ജില്ലാ	ɟ i l l aː
കോൺഗ്രസ്	k oː ɳ ɡ ɾ a s ə
കോടതി	k oː ʈ a t̪ i
വിവിധ	ʋ i ʋ i d̪ʱ a
അവരുടെ	a ʋ a ɾ u ʈ e
പല	p a l a
തുടങ്ങിയ	t̪ u ʈ a ŋ ŋ i j a
വർഷം	ʋ a r ʂ a m
നല്ല	n̪ a l l a
രണ്ടു	ɾ a ɳ ʈ u
കാരണം	k aː ɾ a ɳ a m
ബി	b i
മുഖ്യമന്ത്രി	m u kʰ j a m a n̪ t̪ r i
അറിയിച്ചു	a r i j i t͡ʃ t͡ʃ u
റിപ്പോർട്ട്	r i p p oː r ʈ ʈ ə
വളരെ	ʋ a ɭ a ɾ e
ചെയ്ത	t͡ʃ e j t̪ a
സെക്രട്ടറി	s e k r a ʈ ʈ a r i
കേരള	k eː ɾ a ɭ a
പൊലീസ്	p o l iː s ə
വി	ʋ i
സ്വന്തം	s ʋ a n̪ t̪ a m
ഐ	ai̯
പ്രസിഡന്റ്	p r a s i ɖ a n ṯ ə
ഇനി	i n i
എന്നും	e n̪ n̪ u m
രൂപ	ɾ uː p a
പേരിൽ	p eː ɾ i l
നൽകിയ	n̪ a l k i j a
രാഷ്ട്രീയ	ɾ aː ʂ ʈ r iː j a
പിന്നെ	p i n̪ n̪ e
ഓരോ	oː ɾ oː
ബിജെപി	b i ɟ e p i
ഇത്തരം	i t̪ t̪ a ɾ a m
കേന്ദ്ര	k eː n̪ d̪ ɾ a
ചെയ്യുന്ന	t͡ʃ e j j u n̪ n̪ a
പാർട്ടി	p aː r ʈ ʈ i
വഴി	ʋ a ɻ i
ടി	ʈ i

End of preview. Expand in Dataset Viewer.

Malayalam Pronunciation Dictionary

This Dataset has an alternate name of Malayalam Phonetic Lexicon. It is curated from the original source here

It gives Phonemic transcription of Malayalam words in IPA format.

Dataset Details

Dataset Description

This is a collection of Malayalam words and their pronunciation described in IPA format. The pronunciations has been automatically generated using [Mlphon] (https://pypi.org/project/mlphon/) Python library.

Curated by: Kavya Manohar
Language(s) (NLP): Malayalam
License: CC-BY-SA-4.0

Dataset Sources [optional]

The Malayalam words in this dataset are categorized into:

commonwords
verbs
nouns
english
nouns_sanskrit
proper_nouns
pronouns
person-names
place-names

The commonwords are ordered by frequency of occurrence in Indic-NLP-Corpus All other categories of words were derived from curated collection of words in Mlmorph

Uses

Direct Use

Can be used directly in ASR and TTS systems, where IPA based phonetic lexicon is needed.

Can be used to train Malayalam-IPA transliteration models

Dataset Structure

Apart from the categorization, no separate train-test splits are provided

Bias, Risks, and Limitations

The IPA pronunciation has been derived automatically using Mlphon library. It is not human-curated.
Mlphon produces Phonemic transcription, not phonetic. Hence നന്ദി is transliterated as n̪ a n̪ d̪ i and not n̪ a n̪ n̪ i. This is the expected behaviour.
The perfromance of Mlphon on a hand curated gold-standard lexicon has been evaluated and reported in Mlphon paper.

The words in Gold standard lexicon covers 26% of words in Indic-NLP-Corpus

Distribution of errors in IPA transcription for different word types in gold standard lexicon.

Citation

BibTeX:

@ARTICLE{9877808,
  author={Manohar, Kavya and Jayan, A. R. and Rajan, Rajeev},
  journal={IEEE Access}, 
  title={Mlphon: A Multifunctional Grapheme-Phoneme Conversion Tool Using Finite State Transducers}, 
  year={2022},
  volume={10},
  number={},
  pages={97555-97575},
  keywords={Speech recognition;Knowledge based systems;Vocabulary;Computational modeling;Text processing;Phonetics;Automatic speech recognition;Linguistics;Natural language processing;Computational Phonology;Low Resource Languages;Pronunciation Lexicon;Malayalam;Software Tool;Speech Recognition;Syllabification},
  doi={10.1109/ACCESS.2022.3204403}}

APA:

K. Manohar, A. R. Jayan and R. Rajan, "Mlphon: A Multifunctional Grapheme-Phoneme Conversion Tool Using Finite State Transducers," in IEEE Access, vol. 10, pp. 97555-97575, 2022, doi: 10.1109/ACCESS.2022.3204403.

For Further Reading:

Dataset Card Authors

Kavya Manohar

Dataset Card Contact

Kavya Manohar

Downloads last month: 70

Size of downloaded dataset files:

9.51 MB

Size of the auto-converted Parquet files:

4.86 MB

Number of rows:

174,849