{"id": 1, "split": "test", "profile": "ru_fold", "gold": "Балыыһаҕа илдьэн, быыһыы сатаабыттар да көмөлөспөтөх.", "noisy": "Балыыhага илдьэн, быыhыы сатаабыттар да комолоспотох.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2, "split": "test", "profile": "leontiev", "gold": "Ол эрээри эн бэйэҥ суруйааччыгын дии: хараххынан көрө, илиигинэн тута-хаба, эккинэн-хааҥҥынан, куккунан-сүргүнэн аһара иликкинэ ханнык да айымньы суруллубатын билэҕин!", "noisy": "Ол эрээри эн бэйэн суруйааччыгын дии: хараххынан кере, илиигинэн тута-хаба, эккинэн-хааннынан, куккунан-сургунэн аьара иликкинэ ханнык да айымньы суруллубатын билэгин!", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 3, "split": "dev", "profile": "digits", "gold": "Кулун тутар 25 күнэ үүнэр түүнүгэр быыһааччылар сибээскэ тахсыбатах дьону булбуттар.", "noisy": "Кулун тутар 25 кyнэ yyнэр тyyнyгэр быыhааччылар сибээскэ тахсыбатах дьону булбуттар.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 4, "split": "test", "profile": "mixed", "gold": "– Төрөөбүт тылбыт кэлиҥҥинэн олус иинэн-кэхтэн эрэр дииллэрин истэбит.", "noisy": "– Т8рообyт тылбыт кэлиннинэн олус иинэн-кэхтэн эрэр дииллэрин истэбит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 5, "split": "dev", "profile": "partial", "gold": "Суруйбүт сэһэнэ \"Күрүлгэҥҥэ\" бэчээттэммитэ, \"Илин\" сурунаалга уонтан страницалаах балачча дириҥ хорутуулаах \"Улуу Куйаар.", "noisy": "Суруйбүт сэһэнэ \"Күрүлгэннэ\" бэчээттэммитэ, \"Илин\" сурунаалга уонтан страницалаах балачча дирин хорутуулаах \"Улуу Куйаар.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 6, "split": "dev", "profile": "clean", "gold": "Кыһын дьиэҕэ хаайтаран олорбут оҕо-аймах ыраас салгыҥҥа астына-дуоһуйа оонньоото.", "noisy": "Кыһын дьиэҕэ хаайтаран олорбут оҕо-аймах ыраас салгыҥҥа астына-дуоһуйа оонньоото.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 7, "split": "dev", "profile": "ru_fold", "gold": "Аны биэс оҕо үөрэх-билии чыпчаалын дабайбыттара.", "noisy": "Аны биэс ого уорэх-билии чыпчаалын дабайбыттара.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 8, "split": "dev", "profile": "leontiev", "gold": "Уутун саппааһа элбэҕинэн, сытар сирэ табыгастааҕынан, улууска стратегическай суолталаах.", "noisy": "Уутун саппааьа элбэгинэн, сытар сирэ табыгастаагынан, улууска стратегическай суолталаах.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 9, "split": "test", "profile": "digits", "gold": "Хас каникул аайы куоракка, Суоттуга баран күүлэйдээн кэлэллэрэ.", "noisy": "Хас каникул аайы куоракка, Суоттуга баран кyyлэйдээн кэлэллэрэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 10, "split": "test", "profile": "mixed", "gold": "Саппыйа суругун көрбүтүм, Сахалыы тыллартан үөрбүтүм, Ким кэлэн барбытын сэрэйдим, Кууспакка ыыппыппын кэлэйдим.", "noisy": "Саппыйа суругун корбyтум, Сахалыы тыллартан у8рбутyм, Ким кэлэн барбытын сэрэйдим, Кууспакка ыыппыппын кэлэйдим.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 11, "split": "dev", "profile": "partial", "gold": "Бэтэрээннэр ааттарыттан тыл этээччи РФ култууратын үтүөлээх үлэһитэ, СӨ үтүөлээх артыыһа Афанасий Федоров Айсен Николаевка бочуоттаах аат иҥэриллибитин икки илиитинэн өйүүрүн эттэ.", "noisy": "Бэтэрээннэр ааттарыттан тыл этээччи РФ култууратын үтүөлээх үлэһитэ, СӨ үтүөлээх артыыһа Афанасий Федоров Айсен Николаевка бочуоттаах аат инэриллибитин икки илиитинэн өйүүрүн эттэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 12, "split": "dev", "profile": "clean", "gold": "Биир эмэ киһи туһалааҕы булан таба эттэҕинэ даҕаны, элбэхтэр сабырыйа тутууларыттан биллибэккэ хаалыан сөбүн «Баран иһэр караван ыт үрэригэр кыһаммат» диэн этии биллэрэр.", "noisy": "Биир эмэ киһи туһалааҕы булан таба эттэҕинэ даҕаны, элбэхтэр сабырыйа тутууларыттан биллибэккэ хаалыан сөбүн «Баран иһэр караван ыт үрэригэр кыһаммат» диэн этии биллэрэр.", "source": "sah.wikipedia:Элбэхтэр"}
{"id": 13, "split": "test", "profile": "ru_fold", "gold": "Ийэтэ Мария Петровна Семенова, Тиит Арыыттан төрүттээх, уҥуоҕунан кыра да буоллар, үлэһит бэрдэ дьахтар эбит, ону ааһан сүрдээх асчыт уонна иистэнньэҥ үһү.", "noisy": "Ийэтэ Мария Петровна Семенова, Тиит Арыыттан торуттээх, унуогунан кыра да буоллар, улэhит бэрдэ дьахтар эбит, ону ааhан сурдээх асчыт уонна иистэнньэн уhу.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 14, "split": "dev", "profile": "leontiev", "gold": "Оҕолор олоххо, үтүөҕэ-кэрэҕэ тардыһыылара олус күүстээх.", "noisy": "Оголор олоххо, утуегэ-кэрэгэ тардыьыылара олус куустээх.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 15, "split": "dev", "profile": "digits", "gold": "Быһыы-майгы кыралаан тупсан иһэр диэн сэрэнэн этэр кыах баар.", "noisy": "Быhыы-майгы кыралаан тупсан иhэр диэн сэрэнэн этэр кыах баар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 16, "split": "test", "profile": "mixed", "gold": "Георгий Федоровы СӨ Тырааныспар уонна суох хаһаайыстыбатын миниистирэ Владимир Сивцев көрсүбүт.", "noisy": "Георгий Федоровы С8 Тырааныспар уонна суох хаьаайыстыбатын миниистирэ Владимир Сивцев корсубyт.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 17, "split": "dev", "profile": "partial", "gold": "Иннокентий Кочкин олоҕун бүтүннүү спорка, көҥүл тустууга анаабыт үрдүк үөрэхтээх, улахан уопуттаах тренер.", "noisy": "Иннокентий Кочкин ологун бүтүннүү спорка, көнүл тустууга анаабыт үрдүк үөрэхтээх, улахан уопуттаах тренер.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 18, "split": "test", "profile": "clean", "gold": "Ол кэриэтэ төһө баҕарар хайаттан сноубордунан сырылыам этэ.", "noisy": "Ол кэриэтэ төһө баҕарар хайаттан сноубордунан сырылыам этэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 19, "split": "test", "profile": "ru_fold", "gold": "Быыстапкаҕа бу аадырыска күүтэллэр: Дьокуускай, Киров аатынан уулусса, 9 дьиэтэ, 2 этээс.", "noisy": "Быыстапкага бу аадырыска куутэллэр: Дьокуускай, Киров аатынан уулусса, 9 дьиэтэ, 2 этээс.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 20, "split": "test", "profile": "leontiev", "gold": "Ол да буоллар сүрүннээн таптал, аан дойду, эйэ туһунан буолла.", "noisy": "Ол да буоллар суруннээн таптал, аан дойду, эйэ туьунан буолла.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 21, "split": "dev", "profile": "digits", "gold": "Онон кырдьар сааскар байылыаттык олоруоххун баҕарар буоллаххына, биэнсийэҥ боппуруоһугар бүгүҥҥү күнтэн кэлимник ылыс.", "noisy": "Онон кырдьар сааскар байылыаттык олоруоххун ба5арар буоллаххына, биэнсийэн боппуруоhугар бyгyннy кyнтэн кэлимник ылыс.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 22, "split": "test", "profile": "mixed", "gold": "Ыйытыы: Сүрүн судаарыстыбаннай эксээмэн (ОГЭ) хаһан буолуой?", "noisy": "Ыйытыы: Сурун судаарыстыбаннай эксээмэн (ОГЭ) хаьан буолуой?", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 23, "split": "test", "profile": "partial", "gold": "— Оттон Арассыыйаҕа 5 мүнүүтэ иһигэр роботтарын ким эрэ уоран ылбыт…", "noisy": "— Оттон Арассыыйага 5 мүнүүтэ иһигэр роботтарын ким эрэ уоран ылбыт…", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 24, "split": "test", "profile": "clean", "gold": "Маны таһынан сыл устата 7 тэрээһин тэриллэн ыытыллыаҕа.", "noisy": "Маны таһынан сыл устата 7 тэрээһин тэриллэн ыытыллыаҕа.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 25, "split": "test", "profile": "ru_fold", "gold": "Дьоро киэһэ күөн күрэс кыайыылаахтарын улахан гала-кэнсиэринэн түмүктэннэ.", "noisy": "Дьоро киэhэ куон курэс кыайыылаахтарын улахан гала-кэнсиэринэн тумуктэннэ.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 26, "split": "dev", "profile": "leontiev", "gold": "«Кыыһынан ыал буолуу – үрдүк дьол» диэн ыстатыйатыгар Сардаана Багынанова ол бастакы дьоллоох түүнүн хаһан да умнубатын биллэрэр.", "noisy": "«Кыыьынан ыал буолуу – урдук дьол» диэн ыстатыйатыгар Сардаана Багынанова ол бастакы дьоллоох туунун хаьан да умнубатын биллэрэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 27, "split": "dev", "profile": "digits", "gold": "Өлүөнэ очуостарыгар, Булууска, Тукулааҥҥа, Буотамаҕа сылдьан, Тоноһой алаас күөлүгэр илимнээн, олус астыммыттара.", "noisy": "8лy8нэ очуостарыгар, Булууска, Тукулаанна, Буотама5а сылдьан, Тоноhой алаас кy8лyгэр илимнээн, олус астыммыттара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 28, "split": "test", "profile": "mixed", "gold": "Бу дьыл сэтинньитигэр Олоҥхо тыйаатыра «Дьорҕостой Бэргэн» куукуланан испэктээк туруоран сүрэхтээбитэ.", "noisy": "Бу дьыл сэтинньитигэр Олонгхо тыйаатыра «Дьорхостой Бэргэн» куукуланан испэктээк туруоран сурэхтээбитэ.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 29, "split": "dev", "profile": "partial", "gold": "Уолаттар бу дьарыктара үтүө майгыны иитэр улахан суолталаах.", "noisy": "Уолаттар бу дьарыктара үтүө майгыны иитэр улахан суолталаах.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 30, "split": "dev", "profile": "clean", "gold": "Хайаатар да саатар Саҥа дьылга оҕолорун эҕэрдэлиэн наадатын өйдүүрэ.", "noisy": "Хайаатар да саатар Саҥа дьылга оҕолорун эҕэрдэлиэн наадатын өйдүүрэ.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 31, "split": "dev", "profile": "ru_fold", "gold": "Биһиги кылаас кыра эрдэхпититтэн бары бииргэ тэҥҥэ сылдьааччыбыт, кылааспытыгар олус иллээх уонна эйэлээх этибит.", "noisy": "Биhиги кылаас кыра эрдэхпититтэн бары бииргэ тэннэ сылдьааччыбыт, кылааспытыгар олус иллээх уонна эйэлээх этибит.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 32, "split": "dev", "profile": "leontiev", "gold": "Мииринэй улууһун дьаһалтатыгар баһылыктар сүбэ мунньахтара буолла.", "noisy": "Мииринэй улууьун дьаьалтатыгар баьылыктар субэ мунньахтара буолла.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 33, "split": "dev", "profile": "digits", "gold": "Сэмэн 105 сааһыгар төрөөбүт өтөҕөр Табыкайга олорон 50-с сыллар бүтүүлэригэр өлбүтэ\".", "noisy": "Сэмэн 105 сааhыгар т8р88бyт 8т858р Табыкайга олорон 50-с сыллар бyтyyлэригэр 8лбyтэ\".", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 34, "split": "dev", "profile": "mixed", "gold": "Михаил Степанович Андреев 1912 сылтан Чалҕаа Моорук нэһилиэгэр киллэриллэр эбит.", "noisy": "Михаил Степанович Андреев 1912 сылтан Чалхаа Моорук нэсилиэгэр киллэриллэр эбит.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 35, "split": "dev", "profile": "partial", "gold": "Түмүкпэр быыстапкаҕа кыттыбыт олохтоох дьаһалта бэтэрээннэригэр, билиҥҥи кэлэктиипкэ тэрийээччилэр ааттарыттан махталбытын тиэрдэбит.", "noisy": "Түмүкпэр быыстапкага кыттыбыт олохтоох дьаһалта бэтэрээннэригэр, билинни кэлэктиипкэ тэрийээччилэр ааттарыттан махталбытын тиэрдэбит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 36, "split": "dev", "profile": "clean", "gold": "- Ийэ кут оҕо кыра эрдэҕиттэн саҥа билэр уонна оҥорор быһыыларыттан үөскээн үгэс буолан иҥэн иһэр уонна мунньуллар.", "noisy": "- Ийэ кут оҕо кыра эрдэҕиттэн саҥа билэр уонна оҥорор быһыыларыттан үөскээн үгэс буолан иҥэн иһэр уонна мунньуллар.", "source": "sah.wikipedia:Өй-санаа аһара барара элбэх"}
{"id": 37, "split": "test", "profile": "ru_fold", "gold": "Кини киһини айылҕа дьаһаныытын кытта дьүөрэлиир.", "noisy": "Кини киhини айылга дьаhаныытын кытта дьуорэлиир.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 38, "split": "test", "profile": "leontiev", "gold": "— Атын эрэгийиэннэр эмиэ кэлэн үөрэннилэр дуо?", "noisy": "— Атын эрэгийиэннэр эмиэ кэлэн уерэннилэр дуо?", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 39, "split": "test", "profile": "digits", "gold": "1986 сыллаахха Кыымҥа таһаарбыт “Бүлүү уута ыраас буолуохтун” ыстатыйабын сиһилии ырыппыт эрээри, өссө чуолкайдаары ыйытыылара ууга-уокка түһэртэлээбиттэрэ.", "noisy": "1986 сыллаахха Кыымна таhаарбыт “Бyлyy уута ыраас буолуохтун” ыстатыйабын сиhилии ырыппыт эрээри, 8сс8 чуолкайдаары ыйытыылара ууга-уокка тyhэртэлээбиттэрэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 40, "split": "test", "profile": "mixed", "gold": "Үр да уот күөдьүйэрин курдук буолуохтаах.", "noisy": "Ур да уот ку8дьуйэрин курдук буолуохтаах.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 41, "split": "test", "profile": "partial", "gold": "Полтава чугаһыгар 1943 сыл атырдьах ыйын саҥатыгар «Михайловка» дэриэбинэни биһиги чааспыт атаакалаан ылбыта уонна биһиги ол дэриэбинэҕэ бөҕөргөтүнүүнү оҥостон оборуонаҕа сыппыппыт.", "noisy": "Полтава чугаһыгар 1943 сыл атырдьах ыйын санатыгар «Михайловка» дэриэбинэни биһиги чааспыт атаакалаан ылбыта уонна биһиги ол дэриэбинэгэ бөгөргөтүнүүнү оностон оборуонага сыппыппыт.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 42, "split": "dev", "profile": "clean", "gold": "Ону сэргэ, эһиги Европаҕа, Азияҕа сайдар успуорт көрүҥнэрин эмиэ сэргиигит диэн бэлиэтиир.", "noisy": "Ону сэргэ, эһиги Европаҕа, Азияҕа сайдар успуорт көрүҥнэрин эмиэ сэргиигит диэн бэлиэтиир.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 43, "split": "test", "profile": "ru_fold", "gold": "Коронавирус дьаҥын бохсор суһал ыстаап Дьокуускайга быһыыны биэрэр пууннар аадырыстарын иһитиннэрэр.", "noisy": "Коронавирус дьанын бохсор суhал ыстаап Дьокуускайга быhыыны биэрэр пууннар аадырыстарын иhитиннэрэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 44, "split": "test", "profile": "leontiev", "gold": "Саамай сүрүнэ, бу томограф мадьыала хайа да ыарахан чинчийиини түргэнник уонна хаачыстыбалаахтык оҥорор уратылаах.", "noisy": "Саамай сурунэ, бу томограф мадьыала хайа да ыарахан чинчийиини тургэнник уонна хаачыстыбалаахтык онорор уратылаах.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 45, "split": "dev", "profile": "digits", "gold": "Түҥнэстибит «Тойота- Ленд- Крузер-Сигнус» массыынанан айаннаан испит эр киһи 1975 с.", "noisy": "Тyннэстибит «Тойота- Ленд- Крузер-Сигнус» массыынанан айаннаан испит эр киhи 1975 с.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 46, "split": "dev", "profile": "mixed", "gold": "Киһи барахсан эбэтэр аргыһыт эрэйдээх диэни арааран көр, өйдөө.", "noisy": "Киhи барахсан эбэтэр аргысыт эрэйдээх диэни арааран кор, 8йд88.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 47, "split": "dev", "profile": "partial", "gold": "Ол курдук Алдан куорат олохтооҕо дьахтартан түөкүттэр 1,2 мөлүйүөнүн, Дьокуускай олохтооҕо дьахтартан 1,1 мөлүйүөнүн харчытын уорбуттар.", "noisy": "Ол курдук Алдан куорат олохтоого дьахтартан түөкүттэр 1,2 мөлүйүөнүн, Дьокуускай олохтоого дьахтартан 1,1 мөлүйүөнүн харчытын уорбуттар.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 48, "split": "dev", "profile": "clean", "gold": "Ааттаах-суоллаах баайдар урууларыгар-ыһыахтарыгар анаан ыҥыран ыллаттахтарына, киэн тутталлара үһү.", "noisy": "Ааттаах-суоллаах баайдар урууларыгар-ыһыахтарыгар анаан ыҥыран ыллаттахтарына, киэн тутталлара үһү.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 49, "split": "test", "profile": "ru_fold", "gold": "— Сокуон бырайыагын ырытан оҥорооччулар этэллэринэн, муниципальнай тэриллии саҥа көрүҥэ бэрэстэбиитэллээх уонна административнай ресурсалар сомоҕолоһоллорун хааччыйыахтаах.", "noisy": "— Сокуон бырайыагын ырытан онорооччулар этэллэринэн, муниципальнай тэриллии сана корунэ бэрэстэбиитэллээх уонна административнай ресурсалар сомоголоhоллорун хааччыйыахтаах.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 50, "split": "test", "profile": "leontiev", "gold": "Виктор Борисов, олунньу 12 күнэ, 2021 с.", "noisy": "Виктор Борисов, олунньу 12 кунэ, 2021 с.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 51, "split": "test", "profile": "digits", "gold": "Бастакы көлүөнэ фермэрдэр тэлбит суолларын ыччаттара, оҕолоро салҕыыллар.", "noisy": "Бастакы к8лy8нэ фермэрдэр тэлбит суолларын ыччаттара, о5олоро сал5ыыллар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 52, "split": "test", "profile": "mixed", "gold": "Киһи сирэйин хаарыйар тымныылар түһэн эрэллэрэ.", "noisy": "Киси сирэйин хаарыйар тымныылар тусэн эрэллэрэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 53, "split": "dev", "profile": "partial", "gold": "Үтүө дьулуур хамсааһына сайдарыгар быйыл өрөспүүбүлүкэҕэ 65 тэрээһин ыытыллыаҕа.", "noisy": "Үтүө дьулуур хамсааһына сайдарыгар быйыл өрөспүүбүлүкэгэ 65 тэрээһин ыытыллыага.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 54, "split": "dev", "profile": "clean", "gold": "Света да ол сайыҥҥы күннэринэн сөп буолан Ромаҕа наадыйбатаҕа.", "noisy": "Света да ол сайыҥҥы күннэринэн сөп буолан Ромаҕа наадыйбатаҕа.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 55, "split": "test", "profile": "ru_fold", "gold": "Хампаанньа салайааччыта тэрилтэ экэниэмикэтигэр, үпкэ-харчыга анаан тохтоон, сиһилии билиһиннэрдэ.", "noisy": "Хампаанньа салайааччыта тэрилтэ экэниэмикэтигэр, упкэ-харчыга анаан тохтоон, сиhилии билиhиннэрдэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 56, "split": "test", "profile": "leontiev", "gold": "Быйыл Өлүөнэ өрүскэ хас да сиринэн муус харыыта үөскээн, Өлүөхүмэҕэ, Дьокуускай аннынан, Намҥа, Уус Алдаҥҥа тыһыынча кэриҥэ киһи олорор 300-чэ дьиэтэ ууга бардылар», — диэтэ Айсен Николаев.", "noisy": "Быйыл Елуенэ ерускэ хас да сиринэн муус харыыта уескээн, Елуехумэгэ, Дьокуускай аннынан, Намна, Уус Алданна тыьыынча кэринэ киьи олорор 300-чэ дьиэтэ ууга бардылар», — диэтэ Айсен Николаев.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 57, "split": "test", "profile": "digits", "gold": "«Экспортер года в сфере высоких технологий» номинацияҕа лауреат аатын сүкпүтэ.", "noisy": "«Экспортер года в сфере высоких технологий» номинация5а лауреат аатын сyкпyтэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 58, "split": "test", "profile": "mixed", "gold": "Оттон Саха сиригэр Биһиэхэ да эр киһи тиийбэт кыһалҕата кэлбит курдук.", "noisy": "Оттон Саха сиригэр Биhиэхэ да эр киhи тиийбэт кыhалгата кэлбит курдук.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 59, "split": "dev", "profile": "partial", "gold": "Бу ыалга кыырыахпын сүрдээҕин баҕарабын.", "noisy": "Бу ыалга кыырыахпын сүрдээгин багарабын.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 60, "split": "dev", "profile": "clean", "gold": "-Этээччи этэр бириэмэтэ 10 – 20 мөнүүтэ буолар.", "noisy": "-Этээччи этэр бириэмэтэ 10 – 20 мөнүүтэ буолар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 61, "split": "dev", "profile": "ru_fold", "gold": "Иккис сэһэн быһыытынан, дьахтар олоҥхоһуттар ортолоругар бастаабыта үһү диэҕи чугас эргин дьахтар олоҥхоһут, мин билэрбинэн, иккиэйэхтэр-үһүойэхтэр эрэ.", "noisy": "Иккис сэhэн быhыытынан, дьахтар олонхоhуттар ортолоругар бастаабыта уhу диэги чугас эргин дьахтар олонхоhут, мин билэрбинэн, иккиэйэхтэр-уhуойэхтэр эрэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 62, "split": "dev", "profile": "leontiev", "gold": "Аҕам 1942-с сыллаахха сэриигэ ыҥырыллан баран 1943-с сыллаахха улаханнык бааһыран 6 ый Горькай куорат госпиталыгар сытан баран төннөн кэлбитэ, нэһиилэ саҥарара уонна аһыыра.", "noisy": "Агам 1942-с сыллаахха сэриигэ ынырыллан баран 1943-с сыллаахха улаханнык бааьыран 6 ый Горькай куорат госпиталыгар сытан баран теннен кэлбитэ, нэьиилэ санарара уонна аьыыра.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 63, "split": "dev", "profile": "digits", "gold": "Сордоҥноох нэһилиэгин биир актыыбынай олохтооҕо, 26 сыл ыстаастаах үрдүк категориялаах иитээччи Августина Винокурова \"Кэнчээри\" уһуйааныгар таһаарыылаахтык үлэлии-хамсыы сылдьар.", "noisy": "Сордонноох нэhилиэгин биир актыыбынай олохтоо5о, 26 сыл ыстаастаах yрдyк категориялаах иитээччи Августина Винокурова \"Кэнчээри\" уhуйааныгар таhаарыылаахтык yлэлии-хамсыы сылдьар.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 64, "split": "test", "profile": "mixed", "gold": "Үгүс сылларга дуоһунастаах дьону депутатынан таллахпыт аҕай дии, олору барыларын ситиһиилээхтик үлэлээбэтилэр диэбэппин.", "noisy": "Угус сылларга дуоьунастаах дьону депутатынан таллахпыт а5ай дии, олору барыларын ситиьиилээхтик yлэлээбэтилэр диэбэппин.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 65, "split": "test", "profile": "partial", "gold": "Ити, бастатан туран, нэһилиэнньэ социальнай өттүнэн харысхаллаах буолуутугар туһаныллыбыта.", "noisy": "Ити, бастатан туран, нэһилиэнньэ социальнай өттүнэн харысхаллаах буолуутугар туһаныллыбыта.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 66, "split": "dev", "profile": "clean", "gold": "«Сарсын үчүгэйдик, бэрээдэктээхтик сырыттаххытына, үөрэххитигэр куһаҕан сыананы ылбатаххытына, салгыытын кэпсиэм» диирэ.", "noisy": "«Сарсын үчүгэйдик, бэрээдэктээхтик сырыттаххытына, үөрэххитигэр куһаҕан сыананы ылбатаххытына, салгыытын кэпсиэм» диирэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 67, "split": "dev", "profile": "ru_fold", "gold": "Абрамов Кынат төрөөбүтэ 150 сылыгар оҥорбут библиографическай испииһэгэ Н.", "noisy": "Абрамов Кынат торообутэ 150 сылыгар онорбут библиографическай испииhэгэ Н.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 68, "split": "dev", "profile": "leontiev", "gold": "Дьонум бүтүн дэриэбинэнэн саба түһэн, эт ас бөҕөтүн ыытан, биирдэ “үллэс” гына түспүппүт.", "noisy": "Дьонум бутун дэриэбинэнэн саба туьэн, эт ас бегетун ыытан, биирдэ “уллэс” гына туспуппут.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 69, "split": "dev", "profile": "digits", "gold": "РФ Бырабыыталыстыбатын бэрэссэдээтэлин солбуйааччыта Юрий Трутнев өйөбүлүнэн сокуон барылыгар аҕыйах ахсааннаах төрүт норуоттары өйүүр бас баар буолбут.", "noisy": "РФ Бырабыыталыстыбатын бэрэссэдээтэлин солбуйааччыта Юрий Трутнев 8й8бyлyнэн сокуон барылыгар а5ыйах ахсааннаах т8рyт норуоттары 8йyyр бас баар буолбут.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 70, "split": "test", "profile": "mixed", "gold": "Биирдэ хас да киһи умуһахха түһэн хаалбыт атыыр оҕуһу хостуу сатыы сылдьыбыттар.", "noisy": "Биирдэ хас да киьи умуhахха туьэн хаалбыт атыыр о5усу хостуу сатыы сылдьыбыттар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 71, "split": "test", "profile": "partial", "gold": "Аан дойду олоҕун тупсарыаххын баҕардаххына, бэйэҥ дьиэҥ холумтаныттан саҕалаа диэн баар.", "noisy": "Аан дойду ологун тупсарыаххын багардаххына, бэйэн дьиэн холумтаныттан сагалаа диэн баар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 72, "split": "dev", "profile": "clean", "gold": "Ол оҕолор истэригэр кэлин Күлүмнүүр диэн биллибит улуус суруксутун уола Баһылай Никифоров баар этэ.", "noisy": "Ол оҕолор истэригэр кэлин Күлүмнүүр диэн биллибит улуус суруксутун уола Баһылай Никифоров баар этэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 73, "split": "test", "profile": "ru_fold", "gold": "Саамай чэпчэки хрусталик – Россияҕа, сыаналааҕа – АХШ оҥоһуллубут диэн буолара.", "noisy": "Саамай чэпчэки хрусталик – Россияга, сыаналаага – АХШ оноhуллубут диэн буолара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 74, "split": "dev", "profile": "leontiev", "gold": "“Приморскай” МУТ бастакы нүөмэрдээх ыстаадатыгар бара сырыттыбыт.", "noisy": "“Приморскай” МУТ бастакы нуемэрдээх ыстаадатыгар бара сырыттыбыт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 75, "split": "dev", "profile": "digits", "gold": "Уйбаан оҕо эрдэҕиттэн сытыы-хотуу, булугас өйдөөх, ону-маны билэ-көрө сатыыр уолчаан этэ.", "noisy": "Уйбаан о5о эрдэ5иттэн сытыы-хотуу, булугас 8йд88х, ону-маны билэ-к8р8 сатыыр уолчаан этэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 76, "split": "dev", "profile": "mixed", "gold": "— Мин тус көрүүбүнэн оҕо оскуолаҕа киирэригэр хайаан да чуолкайдык саҥарар, дорҕоону истэн араарар, сүһүөх, тыл, этии өйдөбүллэрин билэр буолуохтаах.", "noisy": "— Мин тус к8руубунэн охо оскуола5а киирэригэр хайаан да чуолкайдык санарар, доргоону истэн араарар, сyhyох, тыл, этии ойдобуллэрин билэр буолуохтаах.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 77, "split": "test", "profile": "partial", "gold": "Эр киһи билиэт суоҕунан биир күн эрдэлээн көппүт.", "noisy": "Эр киһи билиэт суогунан биир күн эрдэлээн көппүт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 78, "split": "dev", "profile": "clean", "gold": "Аһыыр кэмигэр сөпкө аһатан көрөн - истэн сынньатан айаннаан олохторун суолун этэҥҥэ иккиэн бииргэ түмүктүөхтээхтэр.", "noisy": "Аһыыр кэмигэр сөпкө аһатан көрөн - истэн сынньатан айаннаан олохторун суолун этэҥҥэ иккиэн бииргэ түмүктүөхтээхтэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 79, "split": "dev", "profile": "ru_fold", "gold": "Үлэлии сылдьар дьон бириэмэ булан кэлэн дьарыктаналларыгар уустуктары көрсөллөрө.", "noisy": "Улэлии сылдьар дьон бириэмэ булан кэлэн дьарыктаналларыгар уустуктары корсоллоро.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 80, "split": "dev", "profile": "leontiev", "gold": "Инньэ гынан кэргэнинээн аһыныгас санаалаах, амарах сүрэхтээх дьон буолан сэрии-сут аас-туор сылларыгар элбэх тулаайах хаалбыт оҕолору иитэн киһи-хара, ыал-дьон оҥортообуттара.", "noisy": "Инньэ гынан кэргэнинээн аьыныгас санаалаах, амарах сурэхтээх дьон буолан сэрии-сут аас-туор сылларыгар элбэх тулаайах хаалбыт оголору иитэн киьи-хара, ыал-дьон онортообуттара.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 81, "split": "test", "profile": "digits", "gold": "Ону билигин улахан алҕаһа этэ дииллэр – кини ити тыйаатырга күттүөннээх оруолу оонньооботоҕо.", "noisy": "Ону билигин улахан ал5аhа этэ дииллэр – кини ити тыйаатырга кyттy8ннээх оруолу оонньообото5о.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 82, "split": "dev", "profile": "mixed", "gold": "Сыыйа этинэн дьарыктанар, ол эбэтэр сүөһүнү уотуунан дьарыктанар хаһаайыстыбалар үөскүүллэригэр эрэл үөскүүр.", "noisy": "Сыыйа этинэн дьарыктанар, ол эбэтэр сy8ьунy уотуунан дьарыктанар хаьаайыстыбалар у8скyуллэригэр эрэл yоскуyр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 83, "split": "test", "profile": "partial", "gold": "“Бай, оттон оччоҕо төрүт омуктаргыт олохторун-дьаһахтарын төрдүттэн эһэр буоллаххыт.", "noisy": "“Бай, оттон оччого төрүт омуктаргыт олохторун-дьаһахтарын төрдүттэн эһэр буоллаххыт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 84, "split": "test", "profile": "clean", "gold": "Аттыларыгар дьэрэкээн көстүүлээх уһуйаан турар.", "noisy": "Аттыларыгар дьэрэкээн көстүүлээх уһуйаан турар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 85, "split": "dev", "profile": "ru_fold", "gold": "Маныаха Андрей Саввич тус көрүүтэ эмиэ сүрдээх күүстээх этэ.", "noisy": "Маныаха Андрей Саввич тус коруутэ эмиэ сурдээх куустээх этэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 86, "split": "dev", "profile": "leontiev", "gold": "Бары бэркэ үлэлии, айа-тута сылдьалларыттан үөрэбин.", "noisy": "Бары бэркэ улэлии, айа-тута сылдьалларыттан уерэбин.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 87, "split": "test", "profile": "digits", "gold": "– Кинилэр өйүүр буоланнар, баччааҥҥа диэри үлэлии сырыттаҕым.", "noisy": "– Кинилэр 8йyyр буоланнар, баччаанна диэри yлэлии сырытта5ым.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 88, "split": "dev", "profile": "mixed", "gold": "Иккиэн сииктэрэ эриэ дэхситинэн, уурбут-туппут курдук тупсаҕайдарынан, өҥү-дьүһүнү олус сөпкө дьүөрэлээһиннэринэн болҕомтону ылыахтарын ылаллар.", "noisy": "Иккиэн сииктэрэ эриэ дэхситинэн, уурбут-туппут курдук тупсахайдарынан, ону-дьyьyну олус с8пко дьу8рэлээьиннэринэн бол5омтону ылыахтарын ылаллар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 89, "split": "test", "profile": "partial", "gold": "Ыалдьа сытар, урут хаһан да кэпсэппэтэх, аттыгар чугаһаабатах киһибэр киирэр саллыылааҕа да, кини урут Эдуардка олус истиҥ суругун билэрим, онон буолуо – киирэн суругу тиксэрэр буолбутум.", "noisy": "Ыалдьа сытар, урут хаһан да кэпсэппэтэх, аттыгар чугаһаабатах киһибэр киирэр саллыылаага да, кини урут Эдуардка олус истин суругун билэрим, онон буолуо – киирэн суругу тиксэрэр буолбутум.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 90, "split": "test", "profile": "clean", "gold": "Маннык холобур өрөспүүбүлүкэ үрдүнэн хара баһаам.", "noisy": "Маннык холобур өрөспүүбүлүкэ үрдүнэн хара баһаам.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 91, "split": "dev", "profile": "ru_fold", "gold": "Онон ардаҕа суох кураанах этиҥтэн бүгүн 30–40 баһаар тахсыан сөп», — диэн Айсен Николаев иһитиннэрдэ.", "noisy": "Онон ардага суох кураанах этинтэн бугун 30–40 баhаар тахсыан соп», — диэн Айсен Николаев иhитиннэрдэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 92, "split": "test", "profile": "leontiev", "gold": "Хоһуун дьон холугар, этэргэ дылы, “киһи иигэ халыйан тиийэр сирэ” буоллаҕа.", "noisy": "Хоьуун дьон холугар, этэргэ дылы, “киьи иигэ халыйан тиийэр сирэ” буоллага.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 93, "split": "dev", "profile": "digits", "gold": "Үлэһит киһи үлэтэ сыаналаныахтаах, үчүгэй үлэһит хайҕаныахтаах, оччоҕо эрэ таһыма үрдүүр», – диэтэ миниистир.", "noisy": "Yлэhит киhи yлэтэ сыаналаныахтаах, yчyгэй yлэhит хай5аныахтаах, оччо5о эрэ таhыма yрдyyр», – диэтэ миниистир.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 94, "split": "test", "profile": "mixed", "gold": "Тэпилииссэҕэ устудьуоннары кытта бэйэтэ эмиэ бу үөрэх кыһатын бүтэрбит, агроном идэлээх олохтоох кыыс Мария Васильева үлэлии сылдьар.", "noisy": "Тэпилииссэ5э устудьуоннары кытта бэйэтэ эмиэ бу y8рэх кыьатын бутэрбит, агроном идэлээх олохтоох кыыс Мария Васильева улэлии сылдьар.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 95, "split": "dev", "profile": "partial", "gold": "Эрилик Эристиин күтүөтэ буолан Чакырга олорбут.", "noisy": "Эрилик Эристиин күтүөтэ буолан Чакырга олорбут.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 96, "split": "dev", "profile": "clean", "gold": "«Өлүөнэтээҕи холбоһуктаах пароходство» бэс ыйын 16 күнүнээҕи туругунан, 380 тыһ.", "noisy": "«Өлүөнэтээҕи холбоһуктаах пароходство» бэс ыйын 16 күнүнээҕи туругунан, 380 тыһ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 97, "split": "dev", "profile": "ru_fold", "gold": "Дальний Востокка\", \"Күрүлгэҥҥэ\", \"Байдамҥа\", \"Спорт Якутии\" уонна \"Бэлэм буол+\" хаһыаттарга \"социальнай суолталаахтар\" диэн \"Роспечать\" субсидиятын ылар буоллубут.", "noisy": "Дальний Востокка\", \"Курулгэннэ\", \"Байдамна\", \"Спорт Якутии\" уонна \"Бэлэм буол+\" хаhыаттарга \"социальнай суолталаахтар\" диэн \"Роспечать\" субсидиятын ылар буоллубут.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 98, "split": "dev", "profile": "leontiev", "gold": "Ол иһин күн аайы кэриэтэ сылдьара, миигин өрүү дьээбэлээн, ардыгар оонньоон ааһара.", "noisy": "Ол иьин кун аайы кэриэтэ сылдьара, миигин еруу дьээбэлээн, ардыгар оонньоон ааьара.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 99, "split": "dev", "profile": "digits", "gold": "Ити олох өһө, айыллыы 5-нэн таҥылларын этэр, ону истиһин диир.", "noisy": "Ити олох 8h8, айыллыы 5-нэн танылларын этэр, ону истиhин диир.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 100, "split": "dev", "profile": "mixed", "gold": "Киһи киһиннэн куһаҕан буоларын эмиэ өйдөө: онон үгүс дьону кытта мээнэ үөрдүһүмэ, туһата суохха туора-таары хаамыма.", "noisy": "Киhи киьиннэн куса5ан буоларын эмиэ 8йдо8: онон угyс дьону кытта мээнэ у8рдуhyмэ, туьата суохха туора-таары хаамыма.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 101, "split": "test", "profile": "partial", "gold": "Бу үөрэҕи сахалыы таҥара үөрэҕэ оҕолору иитэргэ, үөрэтэргэ туһанар.", "noisy": "Бу үөрэги сахалыы танара үөрэгэ оголору иитэргэ, үөрэтэргэ туһанар.", "source": "sah.wikipedia:Сахалар олохторун үөрэҕин тутуспат буолуу"}
{"id": 102, "split": "test", "profile": "clean", "gold": "Онтон ити Ытык өйдөбүллэртэн куттаммакка, күннээҕи көлдьүн олох көрүн өрө туттаҕына, кэскилин сарбыйара саарбаҕа суох, ол биһиги тулабытыгар, бүгүҥҥү олохпутугар толору көстөр.", "noisy": "Онтон ити Ытык өйдөбүллэртэн куттаммакка, күннээҕи көлдьүн олох көрүн өрө туттаҕына, кэскилин сарбыйара саарбаҕа суох, ол биһиги тулабытыгар, бүгүҥҥү олохпутугар толору көстөр.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 103, "split": "test", "profile": "ru_fold", "gold": "Хап-хара харахтаах кэрэчээн стюардесса санныбыттан таарыйбытыгар кэпсээн умсулҕаныгар ылларан олорон соһуйан өрө көрө түстүм.", "noisy": "Хап-хара харахтаах кэрэчээн стюардесса санныбыттан таарыйбытыгар кэпсээн умсулганыгар ылларан олорон соhуйан оро коро тустум.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 104, "split": "dev", "profile": "leontiev", "gold": "“Кытыйанан, хамыйаҕынан кырбаһар” диэн этии сааһыран истэҕинэ дьахтар өйө-санаата уларыйыытын быһаарар.", "noisy": "“Кытыйанан, хамыйагынан кырбаьар” диэн этии сааьыран истэгинэ дьахтар ейе-санаата уларыйыытын быьаарар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 105, "split": "dev", "profile": "digits", "gold": "Түҥнэстибит массыынаны «Лена» федеральнай суол 358-с километрыгар булбуттар, диэн Саха сиринээҕи ГИБДД иһитиннэрэр.", "noisy": "Тyннэстибит массыынаны «Лена» федеральнай суол 358-с километрыгар булбуттар, диэн Саха сиринээ5и ГИБДД иhитиннэрэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 106, "split": "test", "profile": "mixed", "gold": "*** 11 кылааска үөрэнэр быраатым кэпсиир: —Домофон диэн олус үчүгэй.", "noisy": "*** 11 кылааска yорэнэр быраатым кэпсиир: —Домофон диэн олус yчyгэй.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 107, "split": "dev", "profile": "partial", "gold": "8 — хаар түстэҕинэ, сэтинньи 21-гэр өрүһү таһаҕастаах атынан туорууллара.", "noisy": "8 — хаар түстэгинэ, сэтинньи 21-гэр өрүһү таһагастаах атынан туорууллара.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 108, "split": "dev", "profile": "clean", "gold": "Кини уһанар дьоҕурдаах, онно эбии монтер, сантехник оҥорор үлэлэрин эмиэ бэйэтэ оҥорон, дьиэ хаачыстыбалаахтык оҥоһуллубут.", "noisy": "Кини уһанар дьоҕурдаах, онно эбии монтер, сантехник оҥорор үлэлэрин эмиэ бэйэтэ оҥорон, дьиэ хаачыстыбалаахтык оҥоһуллубут.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 109, "split": "test", "profile": "ru_fold", "gold": "Ааттаах атаһа, саха бөҕөһө Бараммат Байбалы кытары: – Олохпут тухары кырдьык иһин охсуһуохпут, – диэн андаҕайбыттарын бу баардыы өйдүүр.", "noisy": "Ааттаах атаhа, саха богоhо Бараммат Байбалы кытары: – Олохпут тухары кырдьык иhин охсуhуохпут, – диэн андагайбыттарын бу баардыы ойдуур.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 110, "split": "test", "profile": "leontiev", "gold": "Бу күн төрөөбүт дьахтары дьиэҕэ олордубаккын, кини уопсастыбаҕа, дьиэ кэргэнигэр лидер.", "noisy": "Бу кун тереебут дьахтары дьиэгэ олордубаккын, кини уопсастыбага, дьиэ кэргэнигэр лидер.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 111, "split": "dev", "profile": "digits", "gold": "Маны таһынан Дьокуускай куорат 3 №-дээх балыыһата баҕалаах дьону вакцинация пууннарыгар сарсыарда 8 чаастан киэһэ 20 чааска диэри ыҥырар диэн санатабыт.", "noisy": "Маны таhынан Дьокуускай куорат 3 №-дээх балыыhата ба5алаах дьону вакцинация пууннарыгар сарсыарда 8 чаастан киэhэ 20 чааска диэри ынырар диэн санатабыт.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 112, "split": "test", "profile": "mixed", "gold": "Иллээх ыал аҕата, эһээтэ, Дьоллоох ыал тапталлаах кэргэнэ Бу эбээт дьылҕаҕар табыллыыҥ, Сырдык күн олоҕор ананыыҥ.", "noisy": "Иллээх ыал агата, эhээтэ, Дьоллоох ыал тапталлаах кэргэнэ Бу эбээт дьылхахар табыллыынг, Сырдык кун олохор ананыынг.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 113, "split": "test", "profile": "partial", "gold": "Ыам ыйын 3-с күнүгэр таһаҕаһы тиэммит массыыналар Аллараа Дьааҥыттан аттаммыттара, оттон 8-с чыыһылаҕа тустаах сиригэр тириэрдэннэр, төттөрү айаннаабыттара.", "noisy": "Ыам ыйын 3-с күнүгэр таһагаһы тиэммит массыыналар Аллараа Дьааныттан аттаммыттара, оттон 8-с чыыһылага тустаах сиригэр тириэрдэннэр, төттөрү айаннаабыттара.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 114, "split": "dev", "profile": "clean", "gold": "Ол эбэтэр, туох да чэпчэтиитэ суох 1,5 тыһ.", "noisy": "Ол эбэтэр, туох да чэпчэтиитэ суох 1,5 тыһ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 115, "split": "test", "profile": "ru_fold", "gold": "Кириисис кэмигэр ити охсуута өссө улаатыа.", "noisy": "Кириисис кэмигэр ити охсуута оссо улаатыа.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 116, "split": "test", "profile": "leontiev", "gold": "Элбэх оҕолоох аҕаҕа биһиги, үтүө баҕа санаа туолуутун, дьиэ кэргэнигэр бары үтүөнү баҕарабыт.", "noisy": "Элбэх оголоох агага биьиги, утуе бага санаа туолуутун, дьиэ кэргэнигэр бары утуену багарабыт.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 117, "split": "dev", "profile": "digits", "gold": "Ол да иһин, туох баар саҥа саҕалааһыммытын, ону олоххо киллэриибитин өйүүр.", "noisy": "Ол да иhин, туох баар сана са5алааhыммытын, ону олоххо киллэриибитин 8йyyр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 118, "split": "dev", "profile": "mixed", "gold": "Судургутук быһаарар буоллахха, ити тиһиккэ киирэн регистрация ааһаҕын, ол кэннэ ханнык эмэ дойдуга айаннаары...", "noisy": "Судургутук быhаарар буоллахха, ити тиьиккэ киирэн регистрация ааhахын, ол кэннэ ханнык эмэ дойдуга айаннаары...", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 119, "split": "test", "profile": "partial", "gold": "Буолар күнүн сыл ахсын Башкортостан баһылыга быһаарар.", "noisy": "Буолар күнүн сыл ахсын Башкортостан баһылыга быһаарар.", "source": "sah.wikipedia:Башкортостаан бэлиэ күннэрэ"}
{"id": 120, "split": "dev", "profile": "clean", "gold": "Ботуччу хамнастаах үлэҕэ ылар тэрилтэ тарбахха баттанар буолла.", "noisy": "Ботуччу хамнастаах үлэҕэ ылар тэрилтэ тарбахха баттанар буолла.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 121, "split": "dev", "profile": "ru_fold", "gold": "Санаайаҕа ылбаҕай ырыатын СӨ култууратын туйгуна, Саха судаарыстыбаннай опера уонна балет тыйаатырын солиһа Иннокентий Огочонов бэлэхтээтэ.", "noisy": "Санаайага ылбагай ырыатын СО култууратын туйгуна, Саха судаарыстыбаннай опера уонна балет тыйаатырын солиhа Иннокентий Огочонов бэлэхтээтэ.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 122, "split": "dev", "profile": "leontiev", "gold": "Эһиэхэ уонна эһиги чугас дьоҥҥутугар чэчирии сайдыыны этэҥҥэ буолууну баҕарабын!", "noisy": "Эьиэхэ уонна эьиги чугас дьоннутугар чэчирии сайдыыны этэннэ буолууну багарабын!", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 123, "split": "dev", "profile": "digits", "gold": "Онон сэрии, сут буолуон хас да сыл иннинэ Лэгэнтэй бу олорорбун адьас өтө көрөн эппитэ диирэ үһү Хобороос эмээхсин.", "noisy": "Онон сэрии, сут буолуон хас да сыл иннинэ Лэгэнтэй бу олорорбун адьас 8т8 к8р8н эппитэ диирэ yhy Хобороос эмээхсин.", "source": "sah.wikipedia:Слепцов Иннокентий Васильевич"}
{"id": 124, "split": "test", "profile": "mixed", "gold": "Ил Дархан эрдэ иһитиннэрбитинэн, эбийиэктэр оттук сезонугар балаҕан ыйын 1 күнүгэр диэри бэлэм буолуохтаахтар, ол иһигэр ититии ситимэ.", "noisy": "Ил Дархан эрдэ иhитиннэрбитинэн, эбийиэктэр оттук сезонугар балахан ыйын 1 кyнyгэр диэри бэлэм буолуохтаахтар, ол иhигэр ититии ситимэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 125, "split": "test", "profile": "partial", "gold": "Ааттарын-суолларын өйдөөбөппүн, сороҕор уларыйа сылдьаллар.", "noisy": "Ааттарын-суолларын өйдөөбөппүн, сорогор уларыйа сылдьаллар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 126, "split": "dev", "profile": "clean", "gold": "Манна \"Айылгы\" бырайыакка кыттыбыт уонтан тахса ийэттэн түөрт барыга көхтөөх, саамай тулуурдаахтара, дьулуурдаахтара хаалан күн бүгүн бэриниилээхтик волонтер эбээһинэһин толорон сүүрэ-көтө сылдьаллар.", "noisy": "Манна \"Айылгы\" бырайыакка кыттыбыт уонтан тахса ийэттэн түөрт барыга көхтөөх, саамай тулуурдаахтара, дьулуурдаахтара хаалан күн бүгүн бэриниилээхтик волонтер эбээһинэһин толорон сүүрэ-көтө сылдьаллар.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 127, "split": "test", "profile": "ru_fold", "gold": "Марха улууһа Перейти к навигации Перейти к поиску Марха улууһа.", "noisy": "Марха улууhа Перейти к навигации Перейти к поиску Марха улууhа.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 128, "split": "test", "profile": "leontiev", "gold": "Бу күннэргэ алтынньы ыйга ыытыллыахтаах аан дойду чөмпүйэнээтигэр кытта бараары бэлэмнэнэ сылдьар.", "noisy": "Бу куннэргэ алтынньы ыйга ыытыллыахтаах аан дойду чемпуйэнээтигэр кытта бараары бэлэмнэнэ сылдьар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 129, "split": "dev", "profile": "digits", "gold": "Кэлин Николай Саввич ыллыырын Мооро бөһүөлэгин кулуубугар, ыһыахтарга иститэлээбитим.", "noisy": "Кэлин Николай Саввич ыллыырын Мооро б8hy8лэгин кулуубугар, ыhыахтарга иститэлээбитим.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 130, "split": "dev", "profile": "mixed", "gold": "Улуустар быыбардара Үөһэ суруллубутун курдук, быйыл 9 улуус баһылыгын быыбардыахтара.", "noisy": "Улуустар быыбардара Y8ьэ суруллубутун курдук, быйыл 9 улуус баьылыгын быыбардыахтара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 131, "split": "dev", "profile": "partial", "gold": "Бөртөлүөттэрэ, вездеходтара, атын тиэхиньикэлэрэ, тэриллиилэрэ - бастыҥтан бастыҥ.", "noisy": "Бөртөлүөттэрэ, вездеходтара, атын тиэхиньикэлэрэ, тэриллиилэрэ - бастынтан бастын.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 132, "split": "dev", "profile": "clean", "gold": "17 – 35 сааһыгар дылы 35 – 55 сааһыгар дылы 55 – 70 сааһыгар дылы 70 – тан үөһээ Күрэс түмүгэ бэс ыйын 26 күнүгэр Оһуокай түһүлгэтигэр күнүс 14ч.00 м.", "noisy": "17 – 35 сааһыгар дылы 35 – 55 сааһыгар дылы 55 – 70 сааһыгар дылы 70 – тан үөһээ Күрэс түмүгэ бэс ыйын 26 күнүгэр Оһуокай түһүлгэтигэр күнүс 14ч.00 м.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 133, "split": "dev", "profile": "ru_fold", "gold": "Бу үлэтин иһин филологическай наука кандидата буолбута.", "noisy": "Бу улэтин иhин филологическай наука кандидата буолбута.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 134, "split": "dev", "profile": "leontiev", "gold": "Кылыс Бүөтүр уола Байбал сиэнэ Бурнашев Семен Петрович 1921 сыллаах төрүөх сүрдээх олоҥхоһут буолуох киһи эдэр сааһыгар ыалдьан өлбүт.", "noisy": "Кылыс Буетур уола Байбал сиэнэ Бурнашев Семен Петрович 1921 сыллаах теруех сурдээх олонхоьут буолуох киьи эдэр сааьыгар ыалдьан елбут.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 135, "split": "dev", "profile": "digits", "gold": "Бу булумньулара үрдүктүк сыаналанан, киниэхэ П.", "noisy": "Бу булумньулара yрдyктyк сыаналанан, киниэхэ П.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 136, "split": "test", "profile": "mixed", "gold": "Судаарыстыба тыа хаһаайыстыбатын үлэһитигэр бу тустаах салааҕа дьарыктанарыгар сөптөөх усулуобуйа оҥоһулларын, барыстанарын мэктиэлиэхтээх.", "noisy": "Судаарыстыба тыа хасаайыстыбатын yлэситигэр бу тустаах салаага дьарыктанарыгар с8птоох усулуобуйа онгосулларын, барыстанарын мэктиэлиэхтээх.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 137, "split": "test", "profile": "partial", "gold": "Онон бу барыта кэлэктиип үрдүк таһымнааҕын, устудьуоннар үлэ ырыынагар бэлэмнээхтэрин туоһулуур.", "noisy": "Онон бу барыта кэлэктиип үрдүк таһымнаагын, устудьуоннар үлэ ырыынагар бэлэмнээхтэрин туоһулуур.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 138, "split": "test", "profile": "clean", "gold": "— Дьокуускай куоракка төһө элбэх эһиэнин курдук сулууспа үлэлиирий?", "noisy": "— Дьокуускай куоракка төһө элбэх эһиэнин курдук сулууспа үлэлиирий?", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 139, "split": "test", "profile": "ru_fold", "gold": "Ыраах хоту улууска Ааспыт үйэ 90-с сылларын саҕаланыытыгар Уйбаан диэн уол хоту улууска үлэлии сылдьыбыт.", "noisy": "Ыраах хоту улууска Ааспыт уйэ 90-с сылларын сагаланыытыгар Уйбаан диэн уол хоту улууска улэлии сылдьыбыт.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 140, "split": "dev", "profile": "leontiev", "gold": "Саха сирин үрдүнэн бигэтик үлэлиир 2 654 бааһынай хаһаайыстыбата баар, итинтэн 1 112 хаһаайыстыбаны дьахтар аймах салайан үлэлэтэр.", "noisy": "Саха сирин урдунэн бигэтик улэлиир 2 654 бааьынай хаьаайыстыбата баар, итинтэн 1 112 хаьаайыстыбаны дьахтар аймах салайан улэлэтэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 141, "split": "dev", "profile": "digits", "gold": "Итинэн биһигини норуот муудараһыгар үөрэппит-ииппит эбит.", "noisy": "Итинэн биhигини норуот муудараhыгар y8рэппит-ииппит эбит.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 142, "split": "dev", "profile": "mixed", "gold": "Кини бастакы эргииргэ сынньанан баран, муус устар 24 күнүгэр финал чиэппэригэр венгр Аттила Бернары кытта киирсиэҕэ.", "noisy": "Кини бастакы эргииргэ сынньанан баран, муус устар 24 кyнyгэр финал чиэппэригэр венгр Аттила Бернары кытта киирсиэхэ.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 143, "split": "test", "profile": "partial", "gold": "Куруук сакаастыыр аадырыстар бааллар, нүөмэрдэрин сурунан иһэбин.", "noisy": "Куруук сакаастыыр аадырыстар бааллар, нүөмэрдэрин сурунан иһэбин.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 144, "split": "test", "profile": "clean", "gold": "Елисеев куоракка элбэх сибээстээҕэ: ордук көҥүл тустуунан дьарыктанар спортсменнар, соҕуруу куораттарга үөрэнэр устудьуоннар, Сунтаар улууһугар биир оскуолаҕа үөрэммит үөлээннээхтэрэ.", "noisy": "Елисеев куоракка элбэх сибээстээҕэ: ордук көҥүл тустуунан дьарыктанар спортсменнар, соҕуруу куораттарга үөрэнэр устудьуоннар, Сунтаар улууһугар биир оскуолаҕа үөрэммит үөлээннээхтэрэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 145, "split": "dev", "profile": "ru_fold", "gold": "Бу сыллар усталара көрсүбэтэх урукку доҕорун Светаны көрсөн Рома сааһыран эрэр сүрэҕэ олус долгуйбута.", "noisy": "Бу сыллар усталара корсубэтэх урукку догорун Светаны корсон Рома сааhыран эрэр сурэгэ олус долгуйбута.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 146, "split": "test", "profile": "leontiev", "gold": "Хаһаайыстыбалар сүөһүлэрин, баайдарын-дуолларын айылҕа иэдээниттэн харыстыырга страховка суолтатын өссө тоһоҕолоон бэлиэтээтилэр.", "noisy": "Хаьаайыстыбалар суеьулэрин, баайдарын-дуолларын айылга иэдээниттэн харыстыырга страховка суолтатын ессе тоьоголоон бэлиэтээтилэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 147, "split": "dev", "profile": "digits", "gold": "\"Улдьаа Боотур олоҥхолорун\" сыралаах үлэ түмүгэр суруйан үйэтиппит сүҥкэн өҥөлөөх.", "noisy": "\"Улдьаа Боотур олонхолорун\" сыралаах yлэ тyмyгэр суруйан yйэтиппит сyнкэн 8н8л88х.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 148, "split": "dev", "profile": "mixed", "gold": "Бу кыыс кэлин кэргэннэнэн, элбэх оҕолонон Якутскайга олорор сурахтааҕа.", "noisy": "Бу кыыс кэлин кэргэннэнэн, элбэх охолонон Якутскайга олорор сурахтаа5а.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 149, "split": "test", "profile": "partial", "gold": "Атын омук төрүттээх да буоллар, киниэнэ барыта сахалыы.", "noisy": "Атын омук төрүттээх да буоллар, киниэнэ барыта сахалыы.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 150, "split": "test", "profile": "clean", "gold": "Үөрэммит кыһабар үлэлии киирбиппиттэн киэн туттабын.", "noisy": "Үөрэммит кыһабар үлэлии киирбиппиттэн киэн туттабын.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 151, "split": "test", "profile": "ru_fold", "gold": "Түөрт оҕону төрөтөн, 9 сиэн, 2 хос сиэн эһээтэ, эбээтэ буолан быр-бааччы дьоллоохтук олороллор.Бэйэлэрин кэмнэригэр үлэлээн -хамнаан кэллэхтэрэ.", "noisy": "Туорт огону торотон, 9 сиэн, 2 хос сиэн эhээтэ, эбээтэ буолан быр-бааччы дьоллоохтук олороллор.Бэйэлэрин кэмнэригэр улэлээн -хамнаан кэллэхтэрэ.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 152, "split": "dev", "profile": "leontiev", "gold": "Дьон | 25.11.2022 | 10:20 Халбаакыттан — Олоҥхо тыйаатырыгар Дьокуускайга саха тылын учууталларын сийиэстэрин сэргэ өрөспүүбүлүкэтээҕи Олоҥхо декадата ыытылла турар.", "noisy": "Дьон | 25.11.2022 | 10:20 Халбаакыттан — Олонхо тыйаатырыгар Дьокуускайга саха тылын учууталларын сийиэстэрин сэргэ ереспуубулукэтээги Олонхо декадата ыытылла турар.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 153, "split": "dev", "profile": "digits", "gold": "Эр киһи ирээтэ: булт аһын дьаһайыы, эт-балык хасааһын суоттаныы, маһы хайытыы, таҥастааһын да буоллун, муус ылыыта, сүгүү-көтөҕүү сатабыла итиэннэ хоһоону-кинигэни дорҕоонноохтук ааҕыы — аҕабыттан.", "noisy": "Эр киhи ирээтэ: булт аhын дьаhайыы, эт-балык хасааhын суоттаныы, маhы хайытыы, танастааhын да буоллун, муус ылыыта, сyгyy-к8т85yy сатабыла итиэннэ хоhоону-кинигэни дор5оонноохтук аа5ыы — а5абыттан.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 154, "split": "dev", "profile": "mixed", "gold": "Ол кэнниттэн кэпсэтээччитэ ыйан биэрбит «куттала суох харысхаллаах» счёкка, баан мобильнай приложениетын нөҥүө, 730 тыһ.", "noisy": "Ол кэнниттэн кэпсэтээччитэ ыйан биэрбит «куттала суох харысхаллаах» счёкка, баан мобильнай приложениетын нонгyо, 730 тыс.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 155, "split": "dev", "profile": "partial", "gold": "Бу күннэргэ улуус киинигэр саҥа маҕаһыын аһыллыытын үөрүүлээх тэрээһинэ буолан ааста.", "noisy": "Бу күннэргэ улуус киинигэр сана магаһыын аһыллыытын үөрүүлээх тэрээһинэ буолан ааста.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 156, "split": "test", "profile": "clean", "gold": "Ким барыта бигэргэтиэ, билиҥҥи «Саха» НКИХ биэриилэрин баһыйар үгүс өттүн саха тыллаах нэһилиэнньэ эрэ көрөр.", "noisy": "Ким барыта бигэргэтиэ, билиҥҥи «Саха» НКИХ биэриилэрин баһыйар үгүс өттүн саха тыллаах нэһилиэнньэ эрэ көрөр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 157, "split": "dev", "profile": "ru_fold", "gold": "Ырыа аргыстаах хааман иһэн, үлэлии сылдьан киҥинэйэн ыллыы сылдьар идэлээҕэ.", "noisy": "Ырыа аргыстаах хааман иhэн, улэлии сылдьан кининэйэн ыллыы сылдьар идэлээгэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 158, "split": "dev", "profile": "leontiev", "gold": "Ону таһынан Ньургун боотур олоҥхону туруоралларыгар хаста да кыттыбыта.", "noisy": "Ону таьынан Ньургун боотур олонхону туруоралларыгар хаста да кыттыбыта.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 159, "split": "test", "profile": "digits", "gold": "Иккиэн сүбэлэһэн баран оҕо көрөр киһи уот диэки сытар, уочарата ааспыт киһи түүн сынньанан утуйар буолан улаҕа хайыһан сытыахтаах.", "noisy": "Иккиэн сyбэлэhэн баран о5о к8р8р киhи уот диэки сытар, уочарата ааспыт киhи тyyн сынньанан утуйар буолан ула5а хайыhан сытыахтаах.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 160, "split": "test", "profile": "mixed", "gold": "Биирдиилээн оонньооччулар компьютердарынан оонньууга кытталларын өйүүллэр, оттон оонньооччуларга сервер оҥоруута суох тоҕоостоох түгэҥҥэ кытыннарыахтарын сөп.", "noisy": "Биирдиилээн оонньооччулар компьютердарынан оонньууга кытталларын 8йуyллэр, оттон оонньооччуларга сервер оноруута суох то5оостоох тугэннгэ кытыннарыахтарын с8п.", "source": "sah.wikipedia:Minecraft"}
{"id": 161, "split": "dev", "profile": "partial", "gold": "Атын кинигэлэр ылынныллабатахтар, сэнэниллибиттэр, саба түһүллүбүттэр, уматыллыбыттар, умнууга бара сыспыттар - сүппүттэр.", "noisy": "Атын кинигэлэр ылынныллабатахтар, сэнэниллибиттэр, саба түһүллүбүттэр, уматыллыбыттар, умнууга бара сыспыттар - сүппүттэр.", "source": "sah.wikipedia:Христианство"}
{"id": 162, "split": "test", "profile": "clean", "gold": "Кэллэҕинэ дьиҥ хаһаайынныын билсэ таарыйа чээй иһиэм этэ\" — диэн күлүү-элэк быһыытынан эппиэттээбитим.", "noisy": "Кэллэҕинэ дьиҥ хаһаайынныын билсэ таарыйа чээй иһиэм этэ\" — диэн күлүү-элэк быһыытынан эппиэттээбитим.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 163, "split": "dev", "profile": "ru_fold", "gold": "Мэҥэ улууһугар Бахсы нэһилиэгэр дьадаҥы төрөөбүтэ.", "noisy": "Мэнэ улууhугар Бахсы нэhилиэгэр дьаданы торообутэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 164, "split": "dev", "profile": "leontiev", "gold": "Ыйааһыныгар Виктор Чирков диэн Россия биир күүстээх тустууга бастаабыта.", "noisy": "Ыйааьыныгар Виктор Чирков диэн Россия биир куустээх тустууга бастаабыта.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 165, "split": "dev", "profile": "digits", "gold": "Атыыламмыт билиэти, бэйэҕит көрүүгүтүнэн, төнүннэриэххитин эбэтэр инникитин туһаныаххытын сөп.", "noisy": "Атыыламмыт билиэти, бэйэ5ит к8рyyгyтyнэн, т8нyннэриэххитин эбэтэр инникитин туhаныаххытын с8п.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 166, "split": "test", "profile": "mixed", "gold": "Ити сыл ыанар ынаҕа бырагырааманан 86 880 буолуохтааҕа, ол оннугар 79 877 төбөҕө диэри түспүт.", "noisy": "Ити сыл ыанар ынаха бырагырааманан 86 880 буолуохтаа5а, ол оннугар 79 877 т8бох8 диэри тyспyт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 167, "split": "dev", "profile": "partial", "gold": "1940 сыллаахха \"Харыадьала Бэргэн\" олоҥхо тиэкиһин Захаров П.", "noisy": "1940 сыллаахха \"Харыадьала Бэргэн\" олонхо тиэкиһин Захаров П.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 168, "split": "dev", "profile": "clean", "gold": "Туох барыта үүнэ-тэһиинэ суох бардаҕына дьарыктан дьаллыкка кубулуйарын өйдүөххэ.", "noisy": "Туох барыта үүнэ-тэһиинэ суох бардаҕына дьарыктан дьаллыкка кубулуйарын өйдүөххэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 169, "split": "dev", "profile": "ru_fold", "gold": "— Ойуур баһаардарын умуруорууга Авиалесоохрана «Веер» диэн оборудованиелаах көтөр аала улаханнык көмөлөспүтэ.", "noisy": "— Ойуур баhаардарын умуруорууга Авиалесоохрана «Веер» диэн оборудованиелаах котор аала улаханнык комолоспутэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 170, "split": "test", "profile": "leontiev", "gold": "٠Кулгааҕыҥ кытарар, итийэр – кимнээх эрэ эн тускунан кэпсэтэллэр.", "noisy": "٠Кулгаагын кытарар, итийэр – кимнээх эрэ эн тускунан кэпсэтэллэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 171, "split": "test", "profile": "digits", "gold": "Кини этэринэн, АЛРОСА сырьену Гохраҥҥа батарар сыанатынааҕар ыарахаҥҥа атыылыырга сөбүлэһии түһэрсибит.", "noisy": "Кини этэринэн, АЛРОСА сырьену Гохранна батарар сыанатынаа5ар ыараханна атыылыырга с8бyлэhии тyhэрсибит.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 172, "split": "dev", "profile": "mixed", "gold": "Гомосексуалистар диэннэр эр киһи уонна дьахтар киһилии сыһыаннарын уларытан сиргэ-буорга тэпсэллэрэ таҥара үөрэҕэр уонна киһи быһыытыгар сөп түбэспэт.", "noisy": "Гомосексуалистар диэннэр эр киhи уонна дьахтар кисилии сысыаннарын уларытан сиргэ-буорга тэпсэллэрэ тангара yорэгэр уонна киhи быьыытыгар соп тyбэспэт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 173, "split": "test", "profile": "partial", "gold": "— МРТ-га түһүү киһи доруобуйатыгар буортулаах дуо?", "noisy": "— МРТ-га түһүү киһи доруобуйатыгар буортулаах дуо?", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 174, "split": "test", "profile": "clean", "gold": "Маныаха хаарбахтан саҥаҕа 40 тыһ.киһини көһөрүллүбүт.", "noisy": "Маныаха хаарбахтан саҥаҕа 40 тыһ.киһини көһөрүллүбүт.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 175, "split": "test", "profile": "ru_fold", "gold": "Тэлгэһэҕэ ыт, куурусса, сибиинньэ оҕото, коза кыыһа бары эйэ-дэмнээхик босхо сылдьаллара, сороҕор кыттыһан сыталлара.", "noisy": "Тэлгэhэгэ ыт, куурусса, сибиинньэ огото, коза кыыhа бары эйэ-дэмнээхик босхо сылдьаллара, сорогор кыттыhан сыталлара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 176, "split": "dev", "profile": "leontiev", "gold": "Онуоха урукку кролигы, хааһы, сибиинньэни, көтөрү иитии курдук түргэнник ситэр салааларга калифорнийскай чиэрбэлэри, тигээйилэри иитии көрүҥнэрин эбии киллэрдилэр.", "noisy": "Онуоха урукку кролигы, хааьы, сибиинньэни, кетеру иитии курдук тургэнник ситэр салааларга калифорнийскай чиэрбэлэри, тигээйилэри иитии керуннэрин эбии киллэрдилэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 177, "split": "test", "profile": "digits", "gold": "Киинэ уһулуута 2000 сыл балаҕан-алтынньы ыйдарыгар буолбута.", "noisy": "Киинэ уhулуута 2000 сыл бала5ан-алтынньы ыйдарыгар буолбута.", "source": "sah.wikipedia:Interstate 60"}
{"id": 178, "split": "test", "profile": "mixed", "gold": "Сибиинньэ буойуна-сыаҕын тутан, үлэҕэ киллэриэхтээхпит.", "noisy": "Сибиинньэ буойуна-сыа5ын тутан, yлэгэ киллэриэхтээхпит.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 179, "split": "dev", "profile": "partial", "gold": "Оҕолору эрчийэри таһынан, элбэх күрэхтэһиилэри тэрийсэр, олорого куруук судьуйалыыр.", "noisy": "Оголору эрчийэри таһынан, элбэх күрэхтэһиилэри тэрийсэр, олорого куруук судьуйалыыр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 180, "split": "test", "profile": "clean", "gold": "Улууспут аатын сэттиэ буолан көмүскээтибит.", "noisy": "Улууспут аатын сэттиэ буолан көмүскээтибит.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 181, "split": "test", "profile": "ru_fold", "gold": "Ол эбэтэр өрөспүүбүлүкэ бүддьүөтүн тыа хаһаайыстыбатын ыстатыйатыгар аан бастакытын 15 млрд.", "noisy": "Ол эбэтэр ороспуубулукэ буддьуотун тыа хаhаайыстыбатын ыстатыйатыгар аан бастакытын 15 млрд.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 182, "split": "dev", "profile": "leontiev", "gold": "Ону баара кини \"гусь\" көтөр уруһуйун эппэр тату түһэртэрбит дии санаабыт :))) наһаа наадалаах этэ :) ким тугу саныырынан :) Эр дьон бэлэмнэнии бөҕө.", "noisy": "Ону баара кини \"гусь\" кетер уруьуйун эппэр тату туьэртэрбит дии санаабыт :))) наьаа наадалаах этэ :) ким тугу саныырынан :) Эр дьон бэлэмнэнии беге.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 183, "split": "dev", "profile": "digits", "gold": "Ол кэмҥэ Чыамайыкы кыыһын Татьяна Васильевнаны кэргэн ылбыта.", "noisy": "Ол кэмнэ Чыамайыкы кыыhын Татьяна Васильевнаны кэргэн ылбыта.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 184, "split": "dev", "profile": "mixed", "gold": "Ийэлэрэ иистэнньэҥ буолан, оҕолорун бэйэтэ иистэнэн таҥыннартыыра.", "noisy": "Ийэлэрэ иистэнньэн буолан, охолорун бэйэтэ иистэнэн тангыннартыыра.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 185, "split": "dev", "profile": "partial", "gold": "Киһи бэйэтин өйүнэн-санаатынан салаллан олох тутаах көрдөбүл-лэрин, дьон бииргэ, эйэлээхтик олорууларын үгэстэрин толорботоҕуна, общество, дьон бөлөҕүн аатыттан ирдэбил үөскээн тахсар.", "noisy": "Киһи бэйэтин өйүнэн-санаатынан салаллан олох тутаах көрдөбүл-лэрин, дьон бииргэ, эйэлээхтик олорууларын үгэстэрин толорботогуна, общество, дьон бөлөгүн аатыттан ирдэбил үөскээн тахсар.", "source": "sah.wikipedia:Көрдөбүл уонна ирдэбил"}
{"id": 186, "split": "dev", "profile": "clean", "gold": "Алдан өрүскэ уу таһыма 5-тэн 35 см тиийэ үрдүүрүн бэлиэтээтилэр.", "noisy": "Алдан өрүскэ уу таһыма 5-тэн 35 см тиийэ үрдүүрүн бэлиэтээтилэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 187, "split": "dev", "profile": "ru_fold", "gold": "Ону билигин дойду баһылыга тириэньэр статуһун педагогтарга тэҥниир уонна тириэньэр хамнаһын үрдэтэр туһунан Сэбиэккэ эппититтэн астына сыл­дьабын.", "noisy": "Ону билигин дойду баhылыга тириэньэр статуhун педагогтарга тэнниир уонна тириэньэр хамнаhын урдэтэр туhунан Сэбиэккэ эппититтэн астына сыл­дьабын.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 188, "split": "dev", "profile": "leontiev", "gold": "- θксөкүлээх θлөксөй тылга аналлаах хас үлэлээ5ий?", "noisy": "- θксекулээх θлексей тылга аналлаах хас улэлээ5ий?", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 189, "split": "test", "profile": "digits", "gold": "Онон киһи этэ-сиинэ, ханнык эрэ уоргана ыалдьыбатаҕын үрдүнэн, саатар, сылга биирдэ МРТ-га түһэн бэрэбиэркэлиэхтээх.", "noisy": "Онон киhи этэ-сиинэ, ханнык эрэ уоргана ыалдьыбата5ын yрдyнэн, саатар, сылга биирдэ МРТ-га тyhэн бэрэбиэркэлиэхтээх.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 190, "split": "test", "profile": "mixed", "gold": "Иккиһинэн, тыабыт хаһаайыстыбатын төрүт дьарык быһыытынан аныгылыы тыыннаан сайыннарар, норуот өйдүүр, ылынар, өйүүр идеологията суоҕун курдук суох.", "noisy": "Иккиьинэн, тыабыт хасаайыстыбатын т8рут дьарык быhыытынан аныгылыы тыыннаан сайыннарар, норуот 8йдyур, ылынар, 8йyyр идеологията суогун курдук суох.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 191, "split": "test", "profile": "partial", "gold": "Онон киирэн биэрбэт гына оҕо тугу эрэ сөпкө оҥорбутун хайҕаа.", "noisy": "Онон киирэн биэрбэт гына ого тугу эрэ сөпкө онорбутун хайгаа.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 192, "split": "dev", "profile": "clean", "gold": "Онуоха бааһыран сытар уолаттар бэйэлэрэ санаабын көтөхпүттэрэ.", "noisy": "Онуоха бааһыран сытар уолаттар бэйэлэрэ санаабын көтөхпүттэрэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 193, "split": "dev", "profile": "ru_fold", "gold": "50-с сыллар бүтүүлэригэр Эльдар Рязанов «Карнавальная ночь» киинэтин кэнниттэн чаһы оонньуурдар тарҕаммыттара.", "noisy": "50-с сыллар бутуулэригэр Эльдар Рязанов «Карнавальная ночь» киинэтин кэнниттэн чаhы оонньуурдар таргаммыттара.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 194, "split": "dev", "profile": "leontiev", "gold": "Холобур: ахсаана, хайысхата, балаҕан ааныгар (аһаҕас эбэтэр сабыылаах буолуутугар), балаҕантан тахсар буруо (быһаҕаһыгар) болҕомтону уурар ирдэнэр.", "noisy": "Холобур: ахсаана, хайысхата, балаган ааныгар (аьагас эбэтэр сабыылаах буолуутугар), балагантан тахсар буруо (быьагаьыгар) болгомтону уурар ирдэнэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 195, "split": "test", "profile": "digits", "gold": "Николаев — Саха сиригэр аныгы үйэ реформатора» ыстатыйаны таһаарабыт.", "noisy": "Николаев — Саха сиригэр аныгы yйэ реформатора» ыстатыйаны таhаарабыт.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 196, "split": "dev", "profile": "mixed", "gold": "Испэктээкил кэнниттэн көрөөччүлэри кытары сэһэргэһии буолла.", "noisy": "Испэктээкил кэнниттэн к8р88ччyлэри кытары сэсэргэhии буолла.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 197, "split": "dev", "profile": "partial", "gold": "«Азия оҕолоро» норуоттар икки ардыларынааҕы кэмитиэт бэрэсидьиэнэ оонньуу сүрүн суолтатын кэпсээтэ.", "noisy": "«Азия оголоро» норуоттар икки ардыларынаагы кэмитиэт бэрэсидьиэнэ оонньуу сүрүн суолтатын кэпсээтэ.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 198, "split": "dev", "profile": "clean", "gold": "Кини Александр Жирковка иһитиннэрбитинэн, 2016 сыл бүтүүтүгэр Сербия Скупщинатын атын дойдулар дьыалаларыгар Кэмитиэтэ араас дойдулары кытта доҕордоһууга парламент 62 бөлөҕүн талбыт.", "noisy": "Кини Александр Жирковка иһитиннэрбитинэн, 2016 сыл бүтүүтүгэр Сербия Скупщинатын атын дойдулар дьыалаларыгар Кэмитиэтэ араас дойдулары кытта доҕордоһууга парламент 62 бөлөҕүн талбыт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 199, "split": "test", "profile": "ru_fold", "gold": "Дойду үрдүнэн, ордук Арассыыйа хоту эрэгийиэннэригэр, Уһук Илиҥҥэ экэниэмикэ туруга мөлтөөн, дьон олоҕо-дьаһаҕа ыараан балаһыанньа улам уустугуран испитэ.", "noisy": "Дойду урдунэн, ордук Арассыыйа хоту эрэгийиэннэригэр, Уhук Илиннэ экэниэмикэ туруга молтоон, дьон олого-дьаhага ыараан балаhыанньа улам уустугуран испитэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 200, "split": "test", "profile": "leontiev", "gold": "Үһүс бөлөххө оскуолаҕа киириэхтээх оҕолору дьарыктыахпыт.", "noisy": "Уьус белеххе оскуолага киириэхтээх оголору дьарыктыахпыт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 201, "split": "test", "profile": "digits", "gold": "Отут сыллааҕыта суох быһыы-майгы үөскээтэ.", "noisy": "Отут сыллаа5ыта суох быhыы-майгы y8скээтэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 202, "split": "dev", "profile": "mixed", "gold": "Быыстапкаҕа барыта уон киһи кытынна, түөрт уонча үлэ турда.", "noisy": "Быыстапкаха барыта уон киси кытынна, тyорт уонча улэ турда.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 203, "split": "dev", "profile": "partial", "gold": "Киэһэ үлэ кэнниттэн дьон мустан кини олоҥхолуурун истэллэрэ.", "noisy": "Киэһэ үлэ кэнниттэн дьон мустан кини олонхолуурун истэллэрэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 204, "split": "dev", "profile": "clean", "gold": "Сылгыһыт ичигэс таҥаһа-саба, ат киэргэлэ, ат тэрилэ хайдах, туохтан, хаһан оҥоһулларын, бэлэмнэнэрин туһунан үөрэҕи кырдьаҕастартан билиэхтэрэ, «Сиэлтэн оҥоһуктар» мастер кылааска, выставкаҕа сылдьыахтара.", "noisy": "Сылгыһыт ичигэс таҥаһа-саба, ат киэргэлэ, ат тэрилэ хайдах, туохтан, хаһан оҥоһулларын, бэлэмнэнэрин туһунан үөрэҕи кырдьаҕастартан билиэхтэрэ, «Сиэлтэн оҥоһуктар» мастер кылааска, выставкаҕа сылдьыахтара.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 205, "split": "test", "profile": "ru_fold", "gold": "Франкфуртка Америка армиятын штаб- квартирата Германияҕа баара, оттон куорат иккис аан дойду сэриитин бүппүтүн кэннэ Америка оккупациятын зонатыгар (нем.", "noisy": "Франкфуртка Америка армиятын штаб- квартирата Германияга баара, оттон куорат иккис аан дойду сэриитин буппутун кэннэ Америка оккупациятын зонатыгар (нем.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 206, "split": "dev", "profile": "leontiev", "gold": "Боруобалаһыы уолга, эр киһиэхэ булчут, булуу-талыы өйүн-санаатын уһугуннаран бииртэн-биир, атынтан-атын кыыһы боруобалаан иһиини саҕалыыр, сайыннарар.", "noisy": "Боруобалаьыы уолга, эр киьиэхэ булчут, булуу-талыы ейун-санаатын уьугуннаран бииртэн-биир, атынтан-атын кыыьы боруобалаан иьиини сагалыыр, сайыннарар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 207, "split": "dev", "profile": "digits", "gold": "Свинобоев Маттаҕа баар кэмнэригэр, Дмитрий Прокопьевич көҕүлээн, лесной оскуола сценатыгар «Ньургун Боотур» курдук сүрүн айымньы ситиһиилээхтик туруоруллан дьон-норуот улахан биһирэбилин ылбыта.", "noisy": "Свинобоев Матта5а баар кэмнэригэр, Дмитрий Прокопьевич к85yлээн, лесной оскуола сценатыгар «Ньургун Боотур» курдук сyрyн айымньы ситиhиилээхтик туруоруллан дьон-норуот улахан биhирэбилин ылбыта.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 208, "split": "test", "profile": "mixed", "gold": "Өстөөх таанкатын көмөтүнэн биһигини төгүрүйбүтэ, тула өттүбүтүттэн тохтоло суох ытыалыыллара, хаста да атаакаҕа киирбиттэрин төттөрү охсубуппут.", "noisy": "Осто8х таанкатын комотyнэн биhигини тогyруйбyтэ, тула 8ттyбутуттэн тохтоло суох ытыалыыллара, хаста да атаакаха киирбиттэрин тотт8рy охсубуппут.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 209, "split": "test", "profile": "partial", "gold": "Онон эрдэттэн ох курдук оҥостон, кустук курдук куоһанан тэринэр ордук бөҕө буоллаҕа.", "noisy": "Онон эрдэттэн ох курдук оностон, кустук курдук куоһанан тэринэр ордук бөгө буоллага.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 210, "split": "test", "profile": "clean", "gold": "Саха сирин олохтооҕо сылга 200-тэн тахса кг бэйэ үрүҥ аһын аһаабыт, 80-ча эрэ кг эрэ тастан кэлбит үүтү атыыласпыт.", "noisy": "Саха сирин олохтооҕо сылга 200-тэн тахса кг бэйэ үрүҥ аһын аһаабыт, 80-ча эрэ кг эрэ тастан кэлбит үүтү атыыласпыт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 211, "split": "dev", "profile": "ru_fold", "gold": "Мооро оскуолатыгар үөрэнэ сылдьан кыһыҥҥы тымныыга 1–2 ый ыалга дьиэлэнэрим.", "noisy": "Мооро оскуолатыгар уорэнэ сылдьан кыhынны тымныыга 1–2 ый ыалга дьиэлэнэрим.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 212, "split": "dev", "profile": "leontiev", "gold": "Биһиэхэ, эппитим курдук, норуоттар икки ар­дыларынааҕы кылаастаах маастардары бэлэмниир кыахтаах тириэньэрдэрдээхпит эрээри, Олимпиада чөмпүйүөннэрин, призердарын бэлэмниир таһымнаах тириэньэр өссө даҕаны көстө илик.", "noisy": "Биьиэхэ, эппитим курдук, норуоттар икки ар­дыларынаагы кылаастаах маастардары бэлэмниир кыахтаах тириэньэрдэрдээхпит эрээри, Олимпиада чемпуйуеннэрин, призердарын бэлэмниир таьымнаах тириэньэр ессе даганы кесте илик.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 213, "split": "test", "profile": "digits", "gold": "Ити курдук быһыы-майгы хаста да таҕыста.", "noisy": "Ити курдук быhыы-майгы хаста да та5ыста.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 214, "split": "test", "profile": "mixed", "gold": "Субу-субу саба түһэр, халыыр-талыыр өстөөхтөр.", "noisy": "Субу-субу саба тyhэр, халыыр-талыыр остоохтор.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 215, "split": "test", "profile": "partial", "gold": "Кыайыылаах бөлөҕү эҕэрдэлээн туран, тоҕо кыайбыттара буолуой дии санаатым.", "noisy": "Кыайыылаах бөлөгү эгэрдэлээн туран, того кыайбыттара буолуой дии санаатым.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 216, "split": "test", "profile": "clean", "gold": "Ол түмүгүнэн сэтинньи 13 уонна ахсынньы 3 күннэригэр Бэрдьигэстээх 2 орто оскуолаларыгар пед-консилиум буолан ааста.", "noisy": "Ол түмүгүнэн сэтинньи 13 уонна ахсынньы 3 күннэригэр Бэрдьигэстээх 2 орто оскуолаларыгар пед-консилиум буолан ааста.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 217, "split": "dev", "profile": "ru_fold", "gold": "Аан Дойдуга репарацийа бары төлөөбүттэрэ: Германия 1950-2010 сыллаахха дылы уопсайа 13 триллион евро харчыны 78 омук сиригэр төлөөбүтэ, сэриинэ тардыбыт компенсациата.", "noisy": "Аан Дойдуга репарацийа бары толообуттэрэ: Германия 1950-2010 сыллаахха дылы уопсайа 13 триллион евро харчыны 78 омук сиригэр толообутэ, сэриинэ тардыбыт компенсациата.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 218, "split": "dev", "profile": "leontiev", "gold": "Ол иһин Бастайааннай бэрэстэбиитэлистибэттэн былаах көрдөөн Дубровка музейыгар илдьэн биэрбиппит.", "noisy": "Ол иьин Бастайааннай бэрэстэбиитэлистибэттэн былаах кердеен Дубровка музейыгар илдьэн биэрбиппит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 219, "split": "dev", "profile": "digits", "gold": "Ол иһин мадьынылар олус эйэлээхтэр, омугуттан тутулуга суох доҕордоһоллор.", "noisy": "Ол иhин мадьынылар олус эйэлээхтэр, омугуттан тутулуга суох до5ордоhоллор.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 220, "split": "dev", "profile": "mixed", "gold": "Ньурба улууһун Таркаайы нэһилиэгэр төрөөбүтэ.", "noisy": "Ньурба улуусун Таркаайы нэhилиэгэр торообyтэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 221, "split": "dev", "profile": "partial", "gold": "Алтан чуораан уруокка ыҥырар лыҥкынас тыаһын, оҕо-аймах саҥата көрүдүөргэ күйгүөрэрин, үтүөҕэ-кэрэҕэ уһуйбут учууталларгын, бииргэ оонньообут доҕотторгун мэлдьи сүрэххэр чугастык тутаҕын.", "noisy": "Алтан чуораан уруокка ынырар лынкынас тыаһын, ого-аймах саната көрүдүөргэ күйгүөрэрин, үтүөгэ-кэрэгэ уһуйбут учууталларгын, бииргэ оонньообут доготторгун мэлдьи сүрэххэр чугастык тутагын.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 222, "split": "dev", "profile": "clean", "gold": "Онон Саха сиригэр эмиэ бөдөҥ хаһаайыстыбалар, кооперативтар тэриллиэх тустаахтар.", "noisy": "Онон Саха сиригэр эмиэ бөдөҥ хаһаайыстыбалар, кооперативтар тэриллиэх тустаахтар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 223, "split": "test", "profile": "ru_fold", "gold": "Оттон 70-тан үөһэ кг 9 бөҕөс суруттарда.", "noisy": "Оттон 70-тан уоhэ кг 9 богос суруттарда.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 224, "split": "dev", "profile": "leontiev", "gold": "Итиннэ олорон, кыра дьадаҥы дьон оҕолорун мунньан үөрэтэргэ халбаҥнаабат, кытаанах санааны булунан учууталлаан барбыта.", "noisy": "Итиннэ олорон, кыра дьаданы дьон оголорун мунньан уерэтэргэ халбаннаабат, кытаанах санааны булунан учууталлаан барбыта.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 225, "split": "dev", "profile": "digits", "gold": "Холобура, \"Оҕолоор, бу алааһы бүтэрэ охсон кэбиһиэҕиҥ, бүтэрдэхпитинэ бары оонньуохпутнь\" диирэ.", "noisy": "Холобура, \"О5олоор, бу алааhы бyтэрэ охсон кэбиhиэ5ин, бyтэрдэхпитинэ бары оонньуохпутнь\" диирэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 226, "split": "dev", "profile": "mixed", "gold": "Степанида Ильинична аҕатын батан ырыаһыт, Саха, Россия народнай артистката.", "noisy": "Степанида Ильинична агатын батан ырыаhыт, Саха, Россия народнай артистката.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 227, "split": "dev", "profile": "partial", "gold": "Кини дьиссипилиинэни, бэрээдэги тутар сыалтан үөрэтэр оҕолоруттан 5–7 чилиэҥнээх табаарыстыы суут быыбардатара.", "noisy": "Кини дьиссипилиинэни, бэрээдэги тутар сыалтан үөрэтэр оголоруттан 5–7 чилиэннээх табаарыстыы суут быыбардатара.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 228, "split": "dev", "profile": "clean", "gold": "Ол курдук саас, сайын саҥа «Ураалларынан” ыстаадалар сайылыыр мастарын тастарар, маһы икки сиргэ түһэттэрэр, ону биһиги “Бураннарынан” тиийэн сайын көһөр маршруппутунан тарҕатан кэбиһэбит.", "noisy": "Ол курдук саас, сайын саҥа «Ураалларынан” ыстаадалар сайылыыр мастарын тастарар, маһы икки сиргэ түһэттэрэр, ону биһиги “Бураннарынан” тиийэн сайын көһөр маршруппутунан тарҕатан кэбиһэбит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 229, "split": "dev", "profile": "ru_fold", "gold": "Былыр сэбиэскэйдэр былааһы ылыахтарын иннинэ түөлбэ аайы хастыы да улухан да, кыра да олоҥхоһут, ойуун дьон биһиэхэҕэ Мэҥэҕэ элбэхтэрин туһунан кырдьаҕастар кэпсииллэрин элбэхтик истэрбит.", "noisy": "Былыр сэбиэскэйдэр былааhы ылыахтарын иннинэ туолбэ аайы хастыы да улухан да, кыра да олонхоhут, ойуун дьон биhиэхэгэ Мэнэгэ элбэхтэрин туhунан кырдьагастар кэпсииллэрин элбэхтик истэрбит.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 230, "split": "dev", "profile": "leontiev", "gold": "Бу этии өй-санаа күүскэ чахчы кыаттарарын биллэрэрин тэҥэ, өйү-санааны туһалаах, сайдыыны, тупсууну аҕалар өттүгэр күүс эрэ илдьэрин, ол диэки хамсатарын быһаарар.", "noisy": "Бу этии ей-санаа куускэ чахчы кыаттарарын биллэрэрин тэнэ, ейу-санааны туьалаах, сайдыыны, тупсууну агалар еттугэр куус эрэ илдьэрин, ол диэки хамсатарын быьаарар.", "source": "sah.wikipedia:Көрдөбүл уонна ирдэбил"}
{"id": 231, "split": "test", "profile": "digits", "gold": "Холобур, сөбүлээбэтэххинэ, салгыы харчы төлөөн холботторбоккун.", "noisy": "Холобур, с8бyлээбэтэххинэ, салгыы харчы т8л88н холботторбоккун.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 232, "split": "test", "profile": "mixed", "gold": "Бүгүҥҥү туругунан, коронавируһу утары быһыы бастакы укуолун 604 599 киһи (улахан дьон 84,3%-ра) ылбыт.", "noisy": "Бугyнгнy туругунан, коронавируьу утары быhыы бастакы укуолун 604 599 киси (улахан дьон 84,3%-ра) ылбыт.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 233, "split": "dev", "profile": "partial", "gold": "Бу оҕо уонна төрөппүт күннээҕи түбүктэрин быыһыгар бииргэ түмсэн дууһаларын ууран туран оҥорбут оҥоһуктара үйэлээх буоллун!", "noisy": "Бу ого уонна төрөппүт күннээги түбүктэрин быыһыгар бииргэ түмсэн дууһаларын ууран туран онорбут оноһуктара үйэлээх буоллун!", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 234, "split": "test", "profile": "clean", "gold": "Туох эмит буолар түгэнигэр миэхэ этиэ диэн эрэллээх буолуҥ», — диэн сэрэтэр.", "noisy": "Туох эмит буолар түгэнигэр миэхэ этиэ диэн эрэллээх буолуҥ», — диэн сэрэтэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 235, "split": "dev", "profile": "ru_fold", "gold": "Онуоха кини бэрт улгумнук бу курдук кэпсээтэ: «Сүөһү ииттэр буолбуппут алта сыл буолла.", "noisy": "Онуоха кини бэрт улгумнук бу курдук кэпсээтэ: «Суоhу ииттэр буолбуппут алта сыл буолла.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 236, "split": "dev", "profile": "leontiev", "gold": "Этэ-сиинэ уонна өйө-санаата “Туох барыта икки өрүттээх” диэн айылҕа төрүт тутулугар сөп түбэһэннэр икки өрүттээхтэрэ уустуктар үөскүүллэрин өссө улаатыннарар: 1.", "noisy": "Этэ-сиинэ уонна ейе-санаата “Туох барыта икки еруттээх” диэн айылга терут тутулугар сеп тубэьэннэр икки еруттээхтэрэ уустуктар уескууллэрин ессе улаатыннарар: 1.", "source": "sah.wikipedia:Өй-санаа аһара барара элбэх"}
{"id": 237, "split": "dev", "profile": "digits", "gold": "Ханнык даҕаны чааһынай сирэйдэр эһиги үөрэххэ киирэргитин мэктиэлиир кыахтара суох”, — диэн сэрэттэ.", "noisy": "Ханнык да5аны чааhынай сирэйдэр эhиги y8рэххэ киирэргитин мэктиэлиир кыахтара суох”, — диэн сэрэттэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 238, "split": "test", "profile": "mixed", "gold": "Ааптар: Вера Канаева, Таатта – Үтүө күнүнэн, Элэгэнтэй!", "noisy": "Ааптар: Вера Канаева, Таатта – Утy8 кyнyнэн, Элэгэнтэй!", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 239, "split": "dev", "profile": "partial", "gold": "Бөкөҕө олорон Ворошилов аатынан колхозка үлэлии сылдьан, драматическай коллектив тэрийэн, Ноорой олоҥхотугар кыттан оройуоҥҥа, республикаҕа тиийэ кытталларын кэпсиирэ.", "noisy": "Бөкөгө олорон Ворошилов аатынан колхозка үлэлии сылдьан, драматическай коллектив тэрийэн, Ноорой олонхотугар кыттан оройуонна, республикага тиийэ кытталларын кэпсиирэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 240, "split": "dev", "profile": "clean", "gold": "Инньэ гынан, үрүҥ көмүс көһөҥөлөрү туурута ытыалаабыттара, аллараа төкүнүйэн түһэллэр эбит\".", "noisy": "Инньэ гынан, үрүҥ көмүс көһөҥөлөрү туурута ытыалаабыттара, аллараа төкүнүйэн түһэллэр эбит\".", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 241, "split": "test", "profile": "ru_fold", "gold": "Сиртэн хостонор баай, бурдук курдук, иккиһин, үсүһүн үүммэт.", "noisy": "Сиртэн хостонор баай, бурдук курдук, иккиhин, усуhун ууммэт.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 242, "split": "dev", "profile": "leontiev", "gold": "Аҕам соһуйбуттуу миигин үөһэттэн алаараа диэри одуулаата.", "noisy": "Агам соьуйбуттуу миигин уеьэттэн алаараа диэри одуулаата.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 243, "split": "test", "profile": "digits", "gold": "Хаартыскаларга Вероника Давыдова, Надежда Филиппова, Косиор Карманов түһэриилэрэ, «Дьөһөгөй» кулууп хаартыскалара.", "noisy": "Хаартыскаларга Вероника Давыдова, Надежда Филиппова, Косиор Карманов тyhэриилэрэ, «Дь8h8г8й» кулууп хаартыскалара.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 244, "split": "test", "profile": "mixed", "gold": "Дьиҥэр, улахан киһи уонна биириттэн үөһээ саастаах оҕо күҥҥэ биирдэ-иккитэ хайаан даҕаны тахсан киириэхтээх.", "noisy": "Дьингэр, улахан киси уонна биириттэн y8hээ саастаах ого кyннгэ биирдэ-иккитэ хайаан даганы тахсан киириэхтээх.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 245, "split": "dev", "profile": "partial", "gold": "Инньэ гынан, биһиги сурутууларбытыгар 15 %-наах чэпчэтии (почта өҥөтүттэн) көрүлүннэ.", "noisy": "Инньэ гынан, биһиги сурутууларбытыгар 15 %-наах чэпчэтии (почта өнөтүттэн) көрүлүннэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 246, "split": "dev", "profile": "clean", "gold": "Трамп кэлин өйдөнөн, быыбарын хампаанньатыгар кырдьык итийии, сылыйыы баар эбит.", "noisy": "Трамп кэлин өйдөнөн, быыбарын хампаанньатыгар кырдьык итийии, сылыйыы баар эбит.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 247, "split": "dev", "profile": "ru_fold", "gold": "Онон үөрэнээччилэр бүгүҥҥү тэрээһинтэн кынаттанан, өрөспүүбүлүкэ, дойду таһымнаах кэмпириэнсийэлэргэ ситиһиилээхтик кыттыахтара диэн эрэнэбит.", "noisy": "Онон уорэнээччилэр бугунну тэрээhинтэн кынаттанан, ороспуубулукэ, дойду таhымнаах кэмпириэнсийэлэргэ ситиhиилээхтик кыттыахтара диэн эрэнэбит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 248, "split": "test", "profile": "leontiev", "gold": "Ааспыт сылы ылан көрдөххө, өрөспүүбүлүкэ үрдүнэн киһи эчэйиилээх 988 суол быһылаана бэлиэтэннэ (2015 с.", "noisy": "Ааспыт сылы ылан кердеххе, ереспуубулукэ урдунэн киьи эчэйиилээх 988 суол быьылаана бэлиэтэннэ (2015 с.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 249, "split": "test", "profile": "digits", "gold": "Бу таһаарыы биир уратытынан, биир улуус бэйэтин айар дьоҕурдаах дьонун өйөөн, кинилэр айымньыларын хомуурунньук гынан таһаарбыта буолар.", "noisy": "Бу таhаарыы биир уратытынан, биир улуус бэйэтин айар дьо5урдаах дьонун 8й88н, кинилэр айымньыларын хомуурунньук гынан таhаарбыта буолар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 250, "split": "dev", "profile": "mixed", "gold": "Эт-сиин баҕа санаатын туспа уратыларын сайыннарыы куһаҕан кыдьыктаныы диэн ааттанар уонна киһи быһыылаах буолууга киирсибэт.", "noisy": "Эт-сиин баха санаатын туспа уратыларын сайыннарыы куьахан кыдьыктаныы диэн ааттанар уонна киhи бысыылаах буолууга киирсибэт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 251, "split": "dev", "profile": "partial", "gold": "Быыбар күн олорор сиргитинэн быыбардыыр хамыыһыйаҕа докумуоннаах уонна сайабылыанньалаах тиийэҕит.", "noisy": "Быыбар күн олорор сиргитинэн быыбардыыр хамыыһыйага докумуоннаах уонна сайабылыанньалаах тиийэгит.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 252, "split": "dev", "profile": "clean", "gold": "Сарыал баран иһэн эргиллэн Галя диэки көрөн ылла.", "noisy": "Сарыал баран иһэн эргиллэн Галя диэки көрөн ылла.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 253, "split": "dev", "profile": "ru_fold", "gold": "Попов оччо өр уччуйа сылдьан баран, дьиэтигэр төннөн кэлэн тутуллубут.", "noisy": "Попов оччо ор уччуйа сылдьан баран, дьиэтигэр тоннон кэлэн тутуллубут.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 254, "split": "test", "profile": "leontiev", "gold": "Сивцеви дьиэтиттэн ыларбытыгар кини уҥуоҕа халыр босхо барбыта, куттанара тута көстөр этэ.", "noisy": "Сивцеви дьиэтиттэн ыларбытыгар кини унуога халыр босхо барбыта, куттанара тута кестер этэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 255, "split": "test", "profile": "digits", "gold": "Бу кинигэ күн сирин көрбүтүн бэлиэтиир тэрээһиҥҥэ Герой Ийэлэр Сергеева Евдокия Семеновна, Сутакова Аграфена Егоровна уонна Борисова Аграфена Михайловна кэлэннэр ыалдьыттар уонна олохтоохтор үөрүүлэрин үксэттилэр.", "noisy": "Бу кинигэ кyн сирин к8рбyтyн бэлиэтиир тэрээhиннэ Герой Ийэлэр Сергеева Евдокия Семеновна, Сутакова Аграфена Егоровна уонна Борисова Аграфена Михайловна кэлэннэр ыалдьыттар уонна олохтоохтор y8рyyлэрин yксэттилэр.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 256, "split": "dev", "profile": "mixed", "gold": "Сирдэри-уоттары сайыннарыы социальнай-экэнэмиичэскэй өттүттэн көрдөххө, бу маршруту уларытыы туһатыгар дьоһун холобур буоларын эрэгийиэн баһылыга бэлиэтээтэ.", "noisy": "Сирдэри-уоттары сайыннарыы социальнай-экэнэмиичэскэй 8ттуттэн корд8ххо, бу маршруту уларытыы туhатыгар дьоьун холобур буоларын эрэгийиэн баьылыга бэлиэтээтэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 257, "split": "dev", "profile": "partial", "gold": "Билиҥҥи туругунан массыыналар сырыылара сөргүтүлүннэ диэн Саха сиринээҕи тырааныспар уонна суол-иис министиэристибэтэ иһитиннэрэр.", "noisy": "Билинни туругунан массыыналар сырыылара сөргүтүлүннэ диэн Саха сиринээги тырааныспар уонна суол-иис министиэристибэтэ иһитиннэрэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 258, "split": "test", "profile": "clean", "gold": "Манна диэн эттэххэ, Тыгын дуу, Лөгөй дуу, хайалара сөпкө дьаһаммыта биллибэт диир сатаммат.", "noisy": "Манна диэн эттэххэ, Тыгын дуу, Лөгөй дуу, хайалара сөпкө дьаһаммыта биллибэт диир сатаммат.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 259, "split": "dev", "profile": "ru_fold", "gold": "Ону интэриниэккэ көрдөөн, коза иитиитин интэриэһиргээбитим уонна бырайыак суруйан көмүскээбитим.", "noisy": "Ону интэриниэккэ кордоон, коза иитиитин интэриэhиргээбитим уонна бырайыак суруйан комускээбитим.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 260, "split": "dev", "profile": "leontiev", "gold": "Кини бастакы кэргэниттэн мин төрөөбүтүм, иккис кэргэниттэн 4 оҕолоох сүрдээх мындыр, күүстээх-уохтаах, сахаҕа кыанар киһи этэ.", "noisy": "Кини бастакы кэргэниттэн мин тереебутум, иккис кэргэниттэн 4 оголоох сурдээх мындыр, куустээх-уохтаах, сахага кыанар киьи этэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 261, "split": "test", "profile": "digits", "gold": "– Кыра кылаастартан саҕалаан оҕо үөрэҕин көтүппэтин курдук болҕомтолоохтук сыһыаннаһар ирдэнэр.", "noisy": "– Кыра кылаастартан са5алаан о5о y8рэ5ин к8тyппэтин курдук бол5омтолоохтук сыhыаннаhар ирдэнэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 262, "split": "dev", "profile": "mixed", "gold": "Ырыа Ыкынаачай оттоон иһэн ыллыы истэҕинэ иккис куолас ылласпыт.", "noisy": "Ырыа Ыкынаачай оттоон иhэн ыллыы истэ5инэ иккис куолас ылласпыт.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 263, "split": "dev", "profile": "partial", "gold": "Саҥа тыл дорҕоонун этэммин Дууһаҥ кылын тиирэ тардан Дьигиһитиэм баҕар бүгүн Төрөөбүт төрүт тыл уостубат Абылаҥ долгунун куустарыам.", "noisy": "Сана тыл доргоонун этэммин Дууһан кылын тиирэ тардан Дьигиһитиэм багар бүгүн Төрөөбүт төрүт тыл уостубат Абылан долгунун куустарыам.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 264, "split": "dev", "profile": "clean", "gold": "Үгүстэр Саха тыйаатырын кытары бутуйаллар.", "noisy": "Үгүстэр Саха тыйаатырын кытары бутуйаллар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 265, "split": "dev", "profile": "ru_fold", "gold": "Остуолларын тардан эргэ дьылларын атаараары олордохторуна, эмискэ ааны күүскэ тоҥсуйбуттара.", "noisy": "Остуолларын тардан эргэ дьылларын атаараары олордохторуна, эмискэ ааны куускэ тонсуйбуттара.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 266, "split": "dev", "profile": "leontiev", "gold": "Дьон испэктээги ылыныытын туһунан эттэххэ, санаа араас буоллаҕа дии.", "noisy": "Дьон испэктээги ылыныытын туьунан эттэххэ, санаа араас буоллага дии.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 267, "split": "dev", "profile": "digits", "gold": "Бастаан биир очконан сабырыйтаран, кыайтарбыттар бөлөхтөрүгэр түспүтүн, монгол бөҕөһө Ахмадига хотторон эмиэ ити бөлөххө түспүтэ.", "noisy": "Бастаан биир очконан сабырыйтаран, кыайтарбыттар б8л8хт8рyгэр тyспyтyн, монгол б858h8 Ахмадига хотторон эмиэ ити б8л8хх8 тyспyтэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 268, "split": "dev", "profile": "mixed", "gold": "Үтүөнү, үчүгэйи оҥорор баҕа санаалара үгэс буолбут киһи таҥаралаах киһи диэн буолар.", "noisy": "Утyонy, yчугэйи онорор бага санаалара yгэс буолбут киhи танаралаах киhи диэн буолар.", "source": "sah.wikipedia:Көрдөбүл уонна ирдэбил"}
{"id": 269, "split": "dev", "profile": "partial", "gold": "Онон оҕустарабыт, мустарабыт уонна, төһө кыалларынан, дьиэ таһыгар аҕала сатыыбыт.", "noisy": "Онон огустарабыт, мустарабыт уонна, төһө кыалларынан, дьиэ таһыгар агала сатыыбыт.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 270, "split": "test", "profile": "clean", "gold": "Билиҥҥи кэмҥэ нэһилиэнньэ ынах сүөһүнү, сылгыны иитиини таһынан түргэнник ситэр салааны улаханнык сэҥээрэр буолла.", "noisy": "Билиҥҥи кэмҥэ нэһилиэнньэ ынах сүөһүнү, сылгыны иитиини таһынан түргэнник ситэр салааны улаханнык сэҥээрэр буолла.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 271, "split": "test", "profile": "ru_fold", "gold": "Сэтинньи 26 күнүнээҕи туругунан учаастакка түөрт киһи кэлэн куоластаата».", "noisy": "Сэтинньи 26 кунунээги туругунан учаастакка туорт киhи кэлэн куоластаата».", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 272, "split": "dev", "profile": "leontiev", "gold": "Кэнсиэр хас биирдии нүөмэрин үөрэнээччилэр уонна учууталлар солбуһа сылдьан биллэрбиттэрэ сонун сүүрээн буолла.", "noisy": "Кэнсиэр хас биирдии нуемэрин уерэнээччилэр уонна учууталлар солбуьа сылдьан биллэрбиттэрэ сонун суурээн буолла.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 273, "split": "test", "profile": "digits", "gold": "Лаабыска киһитин хайдах да тылыгар киллэриэ суоҕун билэн соҕотоҕун төнүннэ.", "noisy": "Лаабыска киhитин хайдах да тылыгар киллэриэ суо5ун билэн со5ото5ун т8нyннэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 274, "split": "test", "profile": "mixed", "gold": "Аны уулуссаҕа дьон тохтото-тохтото хаартыскаҕа \"селфилиир\", хаартыскаҕа түһэр буолбуттара.", "noisy": "Аны уулуссага дьон тохтото-тохтото хаартыска5а \"селфилиир\", хаартыскага тyhэр буолбуттара.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 275, "split": "dev", "profile": "partial", "gold": "Кэргэнэ Колесова-Попова Аграфена Гаврильевна сэрии бастакы сылыгар сөтөл ыарыытттан өлбүтэ.", "noisy": "Кэргэнэ Колесова-Попова Аграфена Гаврильевна сэрии бастакы сылыгар сөтөл ыарыытттан өлбүтэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 276, "split": "dev", "profile": "clean", "gold": "Бу диэки кэлиэн баҕалаахтарга эттэххэ, үөрэ-көтө көрсүөхпүт.", "noisy": "Бу диэки кэлиэн баҕалаахтарга эттэххэ, үөрэ-көтө көрсүөхпүт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 277, "split": "test", "profile": "ru_fold", "gold": "Бастатан туран, үтүө дьыалаҕа кыттыбыккар махтал!", "noisy": "Бастатан туран, утуо дьыалага кыттыбыккар махтал!", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 278, "split": "test", "profile": "leontiev", "gold": "Бүгүн, олунньу 20 күнүгэр төрөөбүт тыл уонна сурук — бичик күнүн чэрчитинэн «Таптыыр сахам тылынан…» Республиканскай саха тылын диктант акциятыгар Бүлүү үс оскуолатын алын кылаас үөрэнээччилэрэ көхтөөх кыттыыны ыллылар.", "noisy": "Бугун, олунньу 20 кунугэр тереебут тыл уонна сурук — бичик кунун чэрчитинэн «Таптыыр сахам тылынан…» Республиканскай саха тылын диктант акциятыгар Булуу ус оскуолатын алын кылаас уерэнээччилэрэ кехтеех кыттыыны ыллылар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 279, "split": "test", "profile": "digits", "gold": "Субу көтөөрү тэринэн киирбит киһиэхэ онтон ордук хомолтолоох туох баар буолуой?!", "noisy": "Субу к8т88рy тэринэн киирбит киhиэхэ онтон ордук хомолтолоох туох баар буолуой?!", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 280, "split": "test", "profile": "mixed", "gold": "Маннык үөрэр-көтөр туһугар кыһалыннахха, тугу барытын кыайыахха сөп.", "noisy": "Маннык уорэр-котор тусугар кыьалыннахха, тугу барытын кыайыахха соп.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 281, "split": "dev", "profile": "partial", "gold": "Москубаҕа эмиэ волонтёрдар түмсүүлээхтик үлэлииллэр.", "noisy": "Москубага эмиэ волонтёрдар түмсүүлээхтик үлэлииллэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 282, "split": "test", "profile": "clean", "gold": "«Дьоллоох кыыс бэйэтин дойдутуттан ыраах сүктэн барар» диэн өйдүүллэр.", "noisy": "«Дьоллоох кыыс бэйэтин дойдутуттан ыраах сүктэн барар» диэн өйдүүллэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 283, "split": "dev", "profile": "ru_fold", "gold": "Поиск по хэштегу \"#сахалыы\" - Сур Бере - 17 июня 2019 г., 19:58 Британия учуонайдара чэгиэн уонна кэрэ сылдьарга төһө өр утуйаргын быһаарбыттар.", "noisy": "Поиск по хэштегу \"#сахалыы\" - Сур Бере - 17 июня 2019 г., 19:58 Британия учуонайдара чэгиэн уонна кэрэ сылдьарга тоhо ор утуйаргын быhаарбыттар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 284, "split": "test", "profile": "leontiev", "gold": "Дьаакып Кычкин көрүдьүөстэрэ | КИИН КУОРАТ СӨ үтүөлээх артыыһа Яков Кычкин испэктээк ханнык баҕарар геройун уобараһын кыайа-хото, итэҕэтиилээхтик толороро.", "noisy": "Дьаакып Кычкин керудьуестэрэ | КИИН КУОРАТ СЕ утуелээх артыыьа Яков Кычкин испэктээк ханнык багарар геройун уобараьын кыайа-хото, итэгэтиилээхтик толороро.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 285, "split": "dev", "profile": "digits", "gold": "Бу — почта өҥөтө үрдүү, Арассыыйаҕа хас эмэ уонунан хаһыат-сурунаал моҥкуруут баран сабылла, суруналыыс бөҕөтө үлэтэ суох хаала турар кэмигэр.", "noisy": "Бу — почта 8н8т8 yрдyy, Арассыыйа5а хас эмэ уонунан хаhыат-сурунаал монкуруут баран сабылла, суруналыыс б858т8 yлэтэ суох хаала турар кэмигэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 286, "split": "test", "profile": "mixed", "gold": "НУУЧЧА ТЫЛЫГАР АЛҔАСТАР – Нуучча тылын эксээмэнигэр оҕолор үксүн туохха сыыһалларый?", "noisy": "НУУЧЧА ТЫЛЫГАР АЛХАСТАР – Нуучча тылын эксээмэнигэр оголор уксун туохха сыыhалларый?", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 287, "split": "test", "profile": "partial", "gold": "Бу туһунан айылҕаттан айдарыылаах норуот эмчититтэн туоһуластыбыт.", "noisy": "Бу туһунан айылгаттан айдарыылаах норуот эмчититтэн туоһуластыбыт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 288, "split": "dev", "profile": "clean", "gold": "Чуолкайын билбэтим гынан баран, эһэм этэринэн, поэт, суруйааччы Күннүк Уурастыырап, бука, Майаҕа үлэлиир кэмэ буолуо, хонноро сытыаран олоҥхолоппут сурахтааҕа.", "noisy": "Чуолкайын билбэтим гынан баран, эһэм этэринэн, поэт, суруйааччы Күннүк Уурастыырап, бука, Майаҕа үлэлиир кэмэ буолуо, хонноро сытыаран олоҥхолоппут сурахтааҕа.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 289, "split": "dev", "profile": "ru_fold", "gold": "Бу саха кыыһа тоҕо эмиэ Виноград да Шина буоллай?", "noisy": "Бу саха кыыhа того эмиэ Виноград да Шина буоллай?", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 290, "split": "dev", "profile": "leontiev", "gold": "“Мин 2-7-с кылааска диэри үөрэхпэр туйгун этим.", "noisy": "“Мин 2-7-с кылааска диэри уерэхпэр туйгун этим.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 291, "split": "test", "profile": "digits", "gold": "Саха дьонун олохторун үөрэҕэ киһини көрсүө, сэмэй буол, сиэри, таһынан барыма, киһи быһыытын тутус диэн үөрэтэр.", "noisy": "Саха дьонун олохторун y8рэ5э киhини к8рсy8, сэмэй буол, сиэри, таhынан барыма, киhи быhыытын тутус диэн y8рэтэр.", "source": "sah.wikipedia:Сахалар олохторун үөрэҕин тутуспат буолуу"}
{"id": 292, "split": "test", "profile": "mixed", "gold": "Склифосовскай киинин лабораторията күҥҥэ 10000 ПЦР оҥорон, бастакы миэстэҕэ иһэр.", "noisy": "Склифосовскай киинин лабораторията кунгнгэ 10000 ПЦР онорон, бастакы миэстэхэ иьэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 293, "split": "dev", "profile": "partial", "gold": "Аныгы кэм оҕолоро тута интэриниэти хасыһан көрбүттэрэ, бу дьикти куруолуктара “аарыма куруолуктар” (“великаны-кролики”) буолан биэрбиттэрэ.", "noisy": "Аныгы кэм оголоро тута интэриниэти хасыһан көрбүттэрэ, бу дьикти куруолуктара “аарыма куруолуктар” (“великаны-кролики”) буолан биэрбиттэрэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 294, "split": "dev", "profile": "clean", "gold": "Лена Лукина, дьүүлүүр сүбэ салайааччыта: — Маннык тэрээһиннэр ыытыллаллара олус наадалааах.", "noisy": "Лена Лукина, дьүүлүүр сүбэ салайааччыта: — Маннык тэрээһиннэр ыытыллаллара олус наадалааах.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 295, "split": "test", "profile": "ru_fold", "gold": "Үгүс оҕону научнай-чинчийэр үлэҕэ сыһыаран үлэлэттэ.", "noisy": "Угус огону научнай-чинчийэр улэгэ сыhыаран улэлэттэ.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 296, "split": "dev", "profile": "leontiev", "gold": "«Вернувшиеся» бырайыакка кыысчаан ийэтэ, быыһыыр сулууспа үлэһиттэрэ кытыннылар.", "noisy": "«Вернувшиеся» бырайыакка кыысчаан ийэтэ, быыьыыр сулууспа улэьиттэрэ кытыннылар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 297, "split": "dev", "profile": "digits", "gold": "Киирии аҕа да буоллар, улахан кыргыттарын биирдэ да сэмэлээбэккэ, мөхпөккө-эппэккэ, аҕаларын оннугар аҕа буолан олорбута.", "noisy": "Киирии а5а да буоллар, улахан кыргыттарын биирдэ да сэмэлээбэккэ, м8хп8кк8-эппэккэ, а5аларын оннугар а5а буолан олорбута.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 298, "split": "dev", "profile": "mixed", "gold": "Пекарскай бэйэтигэр ылыммыт, онтон бу дьыалаҕа атын сыылынайдары уонна саха үөрэхтээхтэрин кытыннарбыт.", "noisy": "Пекарскай бэйэтигэр ылыммыт, онтон бу дьыалага атын сыылынайдары уонна саха y8рэхтээхтэрин кытыннарбыт.", "source": "sah.wikipedia:Күлүмнүүр (Никифоров Василий Васильевич)"}
{"id": 299, "split": "dev", "profile": "partial", "gold": "Социальнай ситимнэртэн элбэх интэриэһинэйи, ураты дьарыктаах дьону булан көрүөххэ сөп.", "noisy": "Социальнай ситимнэртэн элбэх интэриэһинэйи, ураты дьарыктаах дьону булан көрүөххэ сөп.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 300, "split": "dev", "profile": "clean", "gold": "Бигэргэтиллибит тарированнай нефтепродуктаны нэһилиэктэргэ тириэрдии навигацияннан уонна массыынаннан кыһыҥҥы суолунан оҥоһуллар.", "noisy": "Бигэргэтиллибит тарированнай нефтепродуктаны нэһилиэктэргэ тириэрдии навигацияннан уонна массыынаннан кыһыҥҥы суолунан оҥоһуллар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 301, "split": "test", "profile": "ru_fold", "gold": "65-тэн үөһээ саастаахтары таһырдьа муннугутун да быктарымаҥ диэн кытаанах бобуу буолбута быданнаата.", "noisy": "65-тэн уоhээ саастаахтары таhырдьа муннугутун да быктарыман диэн кытаанах бобуу буолбута быданнаата.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 302, "split": "dev", "profile": "leontiev", "gold": "Бэс ыйын 6 күнүгэр военкомакка ыҥырыллыбыта.", "noisy": "Бэс ыйын 6 кунугэр военкомакка ынырыллыбыта.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 303, "split": "dev", "profile": "digits", "gold": "Ыгыатта үрэх Мииринэй оройуонун сириттэн саҕаланар.", "noisy": "Ыгыатта yрэх Мииринэй оройуонун сириттэн са5аланар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 304, "split": "test", "profile": "mixed", "gold": "Баалабайга, ол аата барыта диэн, баччааҥҥа диэри ким да миэхэ өйдөнөр, кырдьыктаах диэн итэҕэтэр быһаарыы биэрбэтэх сыыппара \"муокаһа\" баар.", "noisy": "Баалабайга, ол аата барыта диэн, баччаангнга диэри ким да миэхэ ойдон8р, кырдьыктаах диэн итэгэтэр бысаарыы биэрбэтэх сыыппара \"муокаса\" баар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 305, "split": "dev", "profile": "partial", "gold": "Удачнай куоракка Айхальскай уулуссаҕа баар дьиэҕэ турбут баһаарга 1978 с.т.", "noisy": "Удачнай куоракка Айхальскай уулуссага баар дьиэгэ турбут баһаарга 1978 с.т.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 306, "split": "dev", "profile": "clean", "gold": "Бэйэлэрэ да чараас уйулҕалаах оҕолорбут ийэлэрэ балыыһаттан кырачаан оҕолоох тахсыахтааҕын күүтэр этилэр буоллаҕа.", "noisy": "Бэйэлэрэ да чараас уйулҕалаах оҕолорбут ийэлэрэ балыыһаттан кырачаан оҕолоох тахсыахтааҕын күүтэр этилэр буоллаҕа.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 307, "split": "dev", "profile": "ru_fold", "gold": "Бэйэтинэн маастардаабыт, ыйан-кэрдэн, суоран-көннөрөн, быһан-отон биэрбит, көбүс-көнөтүк бэртээхэй истиэнэни таһаарбыт.", "noisy": "Бэйэтинэн маастардаабыт, ыйан-кэрдэн, суоран-коннорон, быhан-отон биэрбит, кобус-конотук бэртээхэй истиэнэни таhаарбыт.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 308, "split": "dev", "profile": "leontiev", "gold": "Ол сылдьан Горнайтан төрүттээх Екатерина Кириллованы көрсөн ыал буолаллар.", "noisy": "Ол сылдьан Горнайтан теруттээх Екатерина Кириллованы керсен ыал буолаллар.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 309, "split": "dev", "profile": "digits", "gold": "Ол да иһин буолуо бука хос аатыттан улаханнык өһүргэнэр эбит.", "noisy": "Ол да иhин буолуо бука хос аатыттан улаханнык 8hyргэнэр эбит.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 310, "split": "dev", "profile": "mixed", "gold": "Мунньах кыттыылаахтара көхтөөхтүк кыттан, биир санаанан Сүбэ балаһыанньатын, үлэ былаанын ылыннылар.", "noisy": "Мунньах кыттыылаахтара кохто8хтyк кыттан, биир санаанан Сyбэ баласыанньатын, yлэ былаанын ылыннылар.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 311, "split": "dev", "profile": "partial", "gold": "Кинилэр эдэрдэргэ кыбартаалга биирдэ тахсар \"Свадебный Якутск\" буклеты уонна бакыат муҥунан уруу араас өҥөтүн оҥорор ааҕыныстыбалар флаердарын бэлэх ууналлар.", "noisy": "Кинилэр эдэрдэргэ кыбартаалга биирдэ тахсар \"Свадебный Якутск\" буклеты уонна бакыат мунунан уруу араас өнөтүн онорор аагыныстыбалар флаердарын бэлэх ууналлар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 312, "split": "test", "profile": "clean", "gold": "Ырыынак экэниэмикэтэ харчы көдьүүстээх үлэтин ирдиир, биир солкуобай икки, үс буолан, харчы төрөөн эргийэн кэлиэхтээх.", "noisy": "Ырыынак экэниэмикэтэ харчы көдьүүстээх үлэтин ирдиир, биир солкуобай икки, үс буолан, харчы төрөөн эргийэн кэлиэхтээх.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 313, "split": "dev", "profile": "ru_fold", "gold": "Салгыы «Буран» снегоходунан көрдүү айаннаабыппыт.", "noisy": "Салгыы «Буран» снегоходунан кордуу айаннаабыппыт.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 314, "split": "test", "profile": "leontiev", "gold": "Тааттатааҕы лесничество инженера Наталья Кузьминична Луковцева маннык хоруйдуур: Ойуур баһаарын умулларыы былаана оҥоһуллан бигэргэтиллибитэ.", "noisy": "Тааттатаагы лесничество инженера Наталья Кузьминична Луковцева маннык хоруйдуур: Ойуур баьаарын умулларыы былаана оноьуллан бигэргэтиллибитэ.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 315, "split": "dev", "profile": "digits", "gold": "Эпэрээссийэ кэмигэр сүрэх, мэйии, бүөр уо.д.а.", "noisy": "Эпэрээссийэ кэмигэр сyрэх, мэйии, бy8р уо.д.а.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 316, "split": "dev", "profile": "mixed", "gold": "Намҥа: 09:00–19:00 — Арбын, Көбөкөн, Фрунзе.", "noisy": "Намнга: 09:00–19:00 — Арбын, К8бокон, Фрунзе.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 317, "split": "dev", "profile": "partial", "gold": "Ол иһин, ити кэрчик кэмҥэ тахсыбыт сүҥкэн уларыйыылары булгуччу айымньыга оҕуруолуу тиһиэм дии саныыбын.", "noisy": "Ол иһин, ити кэрчик кэмнэ тахсыбыт сүнкэн уларыйыылары булгуччу айымньыга огуруолуу тиһиэм дии саныыбын.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 318, "split": "test", "profile": "clean", "gold": "«Ведомости» хаһыат муус устар 7 күнүнээҕи 61-с №-гэр «Не все Гохрану» диэн ыстатыйаны бэчээттээтэ.", "noisy": "«Ведомости» хаһыат муус устар 7 күнүнээҕи 61-с №-гэр «Не все Гохрану» диэн ыстатыйаны бэчээттээтэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 319, "split": "test", "profile": "ru_fold", "gold": "Ол курдук, батсаап бөлөхтөрүгэр Үчүгэйгэ биир киһи суолга көрсөн хоннорон баран ыыппытын, аара Алыһардаах күөл аттыгар балаакката турарын суруйбуттара.", "noisy": "Ол курдук, батсаап болохторугэр Учугэйгэ биир киhи суолга корсон хоннорон баран ыыппытын, аара Алыhардаах куол аттыгар балаакката турарын суруйбуттара.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 320, "split": "dev", "profile": "leontiev", "gold": "Элбэх ырыаһыттар, олоҥхоһуттар, остуоруйаһыттар бааллара» — диэн суруйар, уонна үөһээ ахтыллыбыт дьону үксүн ааттаталыыр.", "noisy": "Элбэх ырыаьыттар, олонхоьуттар, остуоруйаьыттар бааллара» — диэн суруйар, уонна уеьээ ахтыллыбыт дьону уксун ааттаталыыр.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 321, "split": "test", "profile": "digits", "gold": "Ылыныллыбыт сайдыы тосхоллоро, былааннар, өрөспүүбүлүкэ салалтатын өйөбүлэ, норуот күүһэ манна төһүү буолуоҕа.", "noisy": "Ылыныллыбыт сайдыы тосхоллоро, былааннар, 8р8спyyбyлyкэ салалтатын 8й8бyлэ, норуот кyyhэ манна т8hyy буолуо5а.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 322, "split": "test", "profile": "mixed", "gold": "Эдэр коллекционер Амма лицейин 8 кылааһын үөрэнээччитэ Өркөн Солдатов ааспыт үйэтээҕи сэдэх патефоннара, Валерий Ноев ырыаларын, онтон да атын ырыаһыттар пластинкалара дьон сэҥээриитин ыллылар.", "noisy": "Эдэр коллекционер Амма лицейин 8 кылааьын yорэнээччитэ 8рк8н Солдатов ааспыт yйэтээ5и сэдэх патефоннара, Валерий Ноев ырыаларын, онтон да атын ырыаhыттар пластинкалара дьон сэнээриитин ыллылар.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 323, "split": "test", "profile": "partial", "gold": "Бэс ыйын 25 күнүттэн РФ Төрүт Сокуонугар уларытыылары киллэрэргэ куоластааһын бара турар.", "noisy": "Бэс ыйын 25 күнүттэн РФ Төрүт Сокуонугар уларытыылары киллэрэргэ куоластааһын бара турар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 324, "split": "test", "profile": "clean", "gold": "Ыйга биирдэ аччыктыыр, чэпчэки аһы аһыыр диэн туһунан, оттон олох аһаабат – эмиэ туһунан.", "noisy": "Ыйга биирдэ аччыктыыр, чэпчэки аһы аһыыр диэн туһунан, оттон олох аһаабат – эмиэ туһунан.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 325, "split": "dev", "profile": "ru_fold", "gold": "Оннооҕор тыынар салгыммытын, иһэр уубутун, хаамар сирбитин күн аайы алгыһынан, махталынан, сиэринэн-туомунан төлүөхтээхпит.", "noisy": "Онноогор тыынар салгыммытын, иhэр уубутун, хаамар сирбитин кун аайы алгыhынан, махталынан, сиэринэн-туомунан толуохтээхпит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 326, "split": "dev", "profile": "leontiev", "gold": "Аһара киирэр-тахсар, билиэн-көрүөн баҕарар сахалары өлөрүөхпүт диэн куттууллар\".", "noisy": "Аьара киирэр-тахсар, билиэн-керуен багарар сахалары елеруехпут диэн куттууллар\".", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 327, "split": "dev", "profile": "digits", "gold": "Сайынын аайы колхоһугар хортуоппуй, оҕурсу, помидор, эриэппэ, турнепс үүннэриитигэр оҕолору салайан үлэлэтэрэ.", "noisy": "Сайынын аайы колхоhугар хортуоппуй, о5урсу, помидор, эриэппэ, турнепс yyннэриитигэр о5олору салайан yлэлэтэрэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 328, "split": "dev", "profile": "mixed", "gold": "Дьэ, манна саҕаламмыта, дьиҥнээх олох — олоҕум тосту уларыйбыта.", "noisy": "Дьэ, манна сагаламмыта, дьингнээх олох — ологум тосту уларыйбыта.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 329, "split": "dev", "profile": "partial", "gold": "Онон эһиги биир укка хаптаһынынан 60 см усталаах, эмиэ оччо туоралаах, дириҥнээх мас иһити оҥороргутугар, салгын киирэ-тахса сылдьарыгар анаан ойоҕосторунан хайаҕастыыргытыгар сүбэлиибин.", "noisy": "Онон эһиги биир укка хаптаһынынан 60 см усталаах, эмиэ оччо туоралаах, дириннээх мас иһити онороргутугар, салгын киирэ-тахса сылдьарыгар анаан ойогосторунан хайагастыыргытыгар сүбэлиибин.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 330, "split": "dev", "profile": "clean", "gold": "Күөрэбис оччолорго дьон мээнэ дьарыктана илик дьарыгын оҕуруот астарын олордуунан үлүһүйэрэ, луук, сүбүөкүлэ, моркуоп, турнепс баар буолара.", "noisy": "Күөрэбис оччолорго дьон мээнэ дьарыктана илик дьарыгын оҕуруот астарын олордуунан үлүһүйэрэ, луук, сүбүөкүлэ, моркуоп, турнепс баар буолара.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 331, "split": "dev", "profile": "ru_fold", "gold": "Сэрэтэр дьаһал Аны биир дьиктитэ диэн үөн-көйүүр мээнэ ыспат эбит.", "noisy": "Сэрэтэр дьаhал Аны биир дьиктитэ диэн уон-койуур мээнэ ыспат эбит.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 332, "split": "dev", "profile": "leontiev", "gold": "Хат утуйаллара уустугурар, ол иһин түүҥҥү эрэсиимнэрэ кэһиллэн хаалар.", "noisy": "Хат утуйаллара уустугурар, ол иьин туунну эрэсиимнэрэ кэьиллэн хаалар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 333, "split": "dev", "profile": "digits", "gold": "Ол саҕана мантан Бодойбоҕо үгүс ыал баран үлэлээн, хамнас аахсан араас таҥас-сап, туттар тэрил илдьэ кэлэллэрэбит, оннооҕор сорох дьон сатыы баралларын ахталлар.", "noisy": "Ол са5ана мантан Бодойбо5о yгyс ыал баран yлэлээн, хамнас аахсан араас танас-сап, туттар тэрил илдьэ кэлэллэрэбит, онноо5ор сорох дьон сатыы баралларын ахталлар.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 334, "split": "dev", "profile": "mixed", "gold": "Иванов-Чуона Мэхээлэ; РФ бочуоттаах судьуйата, СӨ бочуоттаах бэтэрээнэ, Бүлүү улууһун, куоратын, Халбаакы, Бөтүҥ нэһилиэктэрин бочуоттаах олохтоохторо, СӨ Суруйааччыларын сойууһун сүбэтин чилиэнэ Л.Г.", "noisy": "Иванов-Чуона Мэхээлэ; РФ бочуоттаах судьуйата, СО бочуоттаах бэтэрээнэ, Булyу улууьун, куоратын, Халбаакы, Ботунг нэсилиэктэрин бочуоттаах олохтоохторо, С8 Суруйааччыларын сойуусун сyбэтин чилиэнэ Л.Г.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 335, "split": "dev", "profile": "partial", "gold": "Маныаха, Захаров мэктиэтинэн Скрыбыкин үгүс оһолтон быыһаабыт.", "noisy": "Маныаха, Захаров мэктиэтинэн Скрыбыкин үгүс оһолтон быыһаабыт.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 336, "split": "test", "profile": "clean", "gold": "Ону биһигиттэн ытык сыал, нация интэриэһэ модьуйар”.", "noisy": "Ону биһигиттэн ытык сыал, нация интэриэһэ модьуйар”.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 337, "split": "dev", "profile": "ru_fold", "gold": "Дмитриев Табаҕа нэһилиэгин олохтоох кырдьаҕаһа М.", "noisy": "Дмитриев Табага нэhилиэгин олохтоох кырдьагаhа М.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 338, "split": "dev", "profile": "leontiev", "gold": "Нам улууһугар Граф Биэрэгэр училищеҕа үөрэнэр кэмигэр бөлөҕөр старосталаан, бииргэ үөрэнэр табаарыстарын туһугар элбэхтэ сүүрэн-көтөн, үөрэхтэрин бүтэрэллэригэр көмөлөспүтэ.", "noisy": "Нам улууьугар Граф Биэрэгэр училищега уерэнэр кэмигэр белегер старосталаан, бииргэ уерэнэр табаарыстарын туьугар элбэхтэ суурэн-кетен, уерэхтэрин бутэрэллэригэр кемелеспутэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 339, "split": "dev", "profile": "digits", "gold": "1893 сыллаахха сэтинньи 10 күнүгэр Таатта оройуонун Дьохсоҕон нэһилиэгэр төрөөбүтэ.", "noisy": "1893 сыллаахха сэтинньи 10 кyнyгэр Таатта оройуонун Дьохсо5он нэhилиэгэр т8р88бyтэ.", "source": "ailabykt/sakha-corpus-mono:childrens_lib"}
{"id": 340, "split": "test", "profile": "mixed", "gold": "Ол эрэн, өрөгөй чуораана күөрэйэрин, эйэ-дьол тойуга эйээрэрин туһугар ийэ барахсан ииппит уола дойдуну көмүскүү барыахтааҕын санатар уонна эрэлин биллэрэр.", "noisy": "Ол эрэн, орогой чуораана кy8рэйэрин, эйэ-дьол тойуга эйээрэрин туьугар ийэ барахсан ииппит уола дойдуну к8мускуy барыахтаахын санатар уонна эрэлин биллэрэр.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 341, "split": "dev", "profile": "partial", "gold": "Төрөппут да сотору сотору киирэн куруһуогу талан толоруута да киниэхэ мэһэйдиирэ биллэр.", "noisy": "Төрөппут да сотору сотору киирэн куруһуогу талан толоруута да киниэхэ мэһэйдиирэ биллэр.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 342, "split": "test", "profile": "clean", "gold": "Маннык хамсаныылары оҥоруу сыыһа-халты буолан хаалара элбиэн сөп.", "noisy": "Маннык хамсаныылары оҥоруу сыыһа-халты буолан хаалара элбиэн сөп.", "source": "sah.wikipedia:Күүс уонна хамсаныы"}
{"id": 343, "split": "dev", "profile": "ru_fold", "gold": "Хамандыырбыт лейтенант сыбаанньалаах, саҥа сүүрбэтин эрэ ааспыт эдэр уол этэ.", "noisy": "Хамандыырбыт лейтенант сыбаанньалаах, сана суурбэтин эрэ ааспыт эдэр уол этэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 344, "split": "test", "profile": "leontiev", "gold": "06.12.22 23:28 Путин ийэ хапытаалын сириэстибэлэриттэн оҕоҕо ыйдааҕы…", "noisy": "06.12.22 23:28 Путин ийэ хапытаалын сириэстибэлэриттэн огого ыйдаагы…", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 345, "split": "dev", "profile": "digits", "gold": "Каасса үлэлиир 34-13-31 Бука диэн сөптөөхтүк өйдүүргүтүн көрдөһөбүт.", "noisy": "Каасса yлэлиир 34-13-31 Бука диэн с8пт88хтyк 8йдyyргyтyн к8рд8h8бyт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 346, "split": "dev", "profile": "mixed", "gold": "Бу эбийиэктэргэ кумах-гравий булкааһа кутуллуоҕа.", "noisy": "Бу эбийиэктэргэ кумах-гравий булкааса кутуллуоха.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 347, "split": "dev", "profile": "partial", "gold": "Ханнык эрэ саайтка тус дааннайдаргытын киллэриэхтээх буоллаххытына, саайт аадырыһын болҕомтолоохтук көрүҥ, ордук чуолаан билбэт киһигит ссылка биэрбит буоллаҕына, сэрэхтээх буолуҥ.", "noisy": "Ханнык эрэ саайтка тус дааннайдаргытын киллэриэхтээх буоллаххытына, саайт аадырыһын болгомтолоохтук көрүн, ордук чуолаан билбэт киһигит ссылка биэрбит буоллагына, сэрэхтээх буолун.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 348, "split": "dev", "profile": "clean", "gold": "Маннык алҕаһы таһаараммыт нэһилиэнньэ сорох араҥатыгар мунаарыыны, атыныгар быраастар бастакы сийиэстэрэ саҥа буолла диэн сыыһа, омсолоох өйдөбүлү үөскэттибит бадахтаах.", "noisy": "Маннык алҕаһы таһаараммыт нэһилиэнньэ сорох араҥатыгар мунаарыыны, атыныгар быраастар бастакы сийиэстэрэ саҥа буолла диэн сыыһа, омсолоох өйдөбүлү үөскэттибит бадахтаах.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 349, "split": "test", "profile": "ru_fold", "gold": "Иккис миэстэни Нам спортивнай оскуолатын үһүс хамаандата буолла, 52 очколаах.", "noisy": "Иккис миэстэни Нам спортивнай оскуолатын уhус хамаандата буолла, 52 очколаах.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 350, "split": "dev", "profile": "leontiev", "gold": "Вице президеннаан олорбут Алберт Гор аан дойдуга биллибит эколог киһи Обама Президеҥҥа быыбарга турарыгар улаханнык өйөөбүтэ.", "noisy": "Вице президеннаан олорбут Алберт Гор аан дойдуга биллибит эколог киьи Обама Президенна быыбарга турарыгар улаханнык ейеебутэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 351, "split": "dev", "profile": "digits", "gold": "алтынньы 3–4 күннэригэр эмиэ Саха сирин эмин үлэһиттэрин уонна уопсастыбаннаһын сийиэстэрэ диэн аатынан ыытыллыбыта.", "noisy": "алтынньы 3–4 кyннэригэр эмиэ Саха сирин эмин yлэhиттэрин уонна уопсастыбаннаhын сийиэстэрэ диэн аатынан ыытыллыбыта.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 352, "split": "dev", "profile": "mixed", "gold": "1917 сыллаахха муус устарга суруйбут «Үлэһит ырыата» диэн биир бастакы хоһооно тахсар.", "noisy": "1917 сыллаахха муус устарга суруйбут «Yлэсит ырыата» диэн биир бастакы хосооно тахсар.", "source": "ailabykt/sakha-corpus-mono:childrens_lib"}
{"id": 353, "split": "test", "profile": "partial", "gold": "Кинилэр санаалара биир: “Дойдубут маннык ыарахан кэмигэр биһиги эдэр ыччат өйөөтөхпүтүнэ, сомоҕолостохпутуна, бу ыарыыны кыайыахпыт, ким да туора турбат, бары биир санаанан салайтаран үлэлиибит”, - дэһэллэр.", "noisy": "Кинилэр санаалара биир: “Дойдубут маннык ыарахан кэмигэр биһиги эдэр ыччат өйөөтөхпүтүнэ, сомоголостохпутуна, бу ыарыыны кыайыахпыт, ким да туора турбат, бары биир санаанан салайтаран үлэлиибит”, - дэһэллэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 354, "split": "test", "profile": "clean", "gold": "Маныаха 1977 сылтан саҕалаан көрдөххө, киһи суолга суорума суолланыыта муҥутаан, 2010 уонна 2015 сылларга аҕыйыы сылдьыбыта (119-туу киһи өлүүлээх).", "noisy": "Маныаха 1977 сылтан саҕалаан көрдөххө, киһи суолга суорума суолланыыта муҥутаан, 2010 уонна 2015 сылларга аҕыйыы сылдьыбыта (119-туу киһи өлүүлээх).", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 355, "split": "dev", "profile": "ru_fold", "gold": "Мин 3 сыл устата эрэйдэнэн, эллэнэн үһүс үрдүк үөрэхпин ылан турабын.", "noisy": "Мин 3 сыл устата эрэйдэнэн, эллэнэн уhус урдук уорэхпин ылан турабын.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 356, "split": "dev", "profile": "leontiev", "gold": "Бурнашев Иннокентий Васильевич — Алаадьы Лэгэнтэй, 1875 сыллаах төрүөх, 2 оҕолоох.", "noisy": "Бурнашев Иннокентий Васильевич — Алаадьы Лэгэнтэй, 1875 сыллаах теруех, 2 оголоох.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 357, "split": "dev", "profile": "digits", "gold": "кэпсээнинэн, абаҕабынаан Нууччалбалыын өрүү күрэстэһэллэр эбит.", "noisy": "кэпсээнинэн, аба5абынаан Нууччалбалыын 8рyy кyрэстэhэллэр эбит.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 358, "split": "test", "profile": "mixed", "gold": "Кини санаата оһоҕуттан остуолугар диэри 40-на уларыйар, кини ырыан баҕарара хайаан да бэнидиэнньиктэн саҕаланар.", "noisy": "Кини санаата осо5уттан остуолугар диэри 40-на уларыйар, кини ырыан бахарара хайаан да бэнидиэнньиктэн сахаланар.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 359, "split": "dev", "profile": "partial", "gold": "Нэһилиэк баһылыгын быыбара кэлэр сыл балаҕан ыйыгар буолуоҕа.", "noisy": "Нэһилиэк баһылыгын быыбара кэлэр сыл балаган ыйыгар буолуога.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 360, "split": "test", "profile": "clean", "gold": "Урут бу хос бибилэтиэкэ этэ, билигин муусука кэбиниэтэ буолан, үөрэнээччилэр киэҥ-куоҥ хоско үөрэ-көтө дьарыктаныахтара диэн эрэнэбин.", "noisy": "Урут бу хос бибилэтиэкэ этэ, билигин муусука кэбиниэтэ буолан, үөрэнээччилэр киэҥ-куоҥ хоско үөрэ-көтө дьарыктаныахтара диэн эрэнэбин.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 361, "split": "dev", "profile": "ru_fold", "gold": "Аны ити ылбыт күүстэриҥ санаабыккын барытын саҥаттаран, толотторон кулут буолбатыҥ, оройдоттуҥ да оҥотторон күлүүгэ ыытан испэттэрин туһугар үүннүүр-тэһиинниир Дьоһун диэн үтүө күүһү харбаан ылыахтааҕыҥ хаалбыт курдук.", "noisy": "Аны ити ылбыт куустэрин санаабыккын барытын санаттаран, толотторон кулут буолбатын, оройдоттун да онотторон кулуугэ ыытан испэттэрин туhугар ууннуур-тэhиинниир Дьоhун диэн утуо кууhу харбаан ылыахтаагын хаалбыт курдук.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 362, "split": "test", "profile": "leontiev", "gold": "Ол курдук үлэ-хамнас быыһыгар кинилэр дьоллоох олохторо хотоҕостуу субуллан холбоспуттара алтыс сылыгар иккис кыыстара күн сирин көрөн дьолломмуттара.", "noisy": "Ол курдук улэ-хамнас быыьыгар кинилэр дьоллоох олохторо хотогостуу субуллан холбоспуттара алтыс сылыгар иккис кыыстара кун сирин керен дьолломмуттара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 363, "split": "dev", "profile": "digits", "gold": "Бырайыак социальнай ис хоһоонноох буолар ол курдук манна 13 – 16 саастаах Амма, Бөтүҥ, Сатаҕай оскуолаларыттан соҕотох төрөппүттээх, элбэх оҕолоохтор, тулаайах, опекунствоҕа сылдьар уолаттар кытталлар.", "noisy": "Бырайыак социальнай ис хоhоонноох буолар ол курдук манна 13 – 16 саастаах Амма, Б8тyн, Сата5ай оскуолаларыттан со5отох т8р8ппyттээх, элбэх о5олоохтор, тулаайах, опекунство5а сылдьар уолаттар кытталлар.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 364, "split": "dev", "profile": "mixed", "gold": "\" Бурнашев Петр Павлович 1900 сыллаахха Тараҕай нэһилиэгин Эбэ күөлүн үрдүгэр Нооноҕой диэн алааска үһүс оҕонон күн сирин көрбүтэ.", "noisy": "\" Бурнашев Петр Павлович 1900 сыллаахха Тара5ай нэhилиэгин Эбэ кy8лун yрдугэр Нооно5ой диэн алааска yьyс охонон кyн сирин корбyтэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 365, "split": "dev", "profile": "partial", "gold": "Тыаҕа ыччат үлэ суох буолан таах сытар, санаа-оноо буолан барар уонна арыгылыыр.", "noisy": "Тыага ыччат үлэ суох буолан таах сытар, санаа-оноо буолан барар уонна арыгылыыр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 366, "split": "dev", "profile": "clean", "gold": "Миигин эрдэттэн сүрүн оруолга эмиэ көрбүттэр этэ.", "noisy": "Миигин эрдэттэн сүрүн оруолга эмиэ көрбүттэр этэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 367, "split": "dev", "profile": "ru_fold", "gold": "Өстүөкүлэттэн саарыктары, оҕуруону (бусы), муус чопчулары, прожектордары оҥороллоро.", "noisy": "Остуокулэттэн саарыктары, огуруону (бусы), муус чопчулары, прожектордары онороллоро.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 368, "split": "test", "profile": "leontiev", "gold": "«Аартык» түөлбэ салайааччыта Сардаана Степановна Стручкова эҕэрдэ суругун, сэмэй бэлэҕин анаата үбүлүөйдээх сааһын туолбут Говоров Геннадий Гаврильевичка.", "noisy": "«Аартык» туелбэ салайааччыта Сардаана Степановна Стручкова эгэрдэ суругун, сэмэй бэлэгин анаата убулуейдээх сааьын туолбут Говоров Геннадий Гаврильевичка.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 369, "split": "test", "profile": "digits", "gold": "Түгэнинэн туһанан «Утум»бириэмийэ кыайыылаахтарын итиитик-истиҥник эҕэрдэлиибит.", "noisy": "Тyгэнинэн туhанан «Утум»бириэмийэ кыайыылаахтарын итиитик-истинник э5эрдэлиибит.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 370, "split": "dev", "profile": "mixed", "gold": "«Биир эмэ түбэлтэни кэпсиэҥ дуо, итиччэ элбэх уордьан мээнэҕэ кэлбэтэ буолуо?» диибин.", "noisy": "«Биир эмэ тyбэлтэни кэпсиэнг дуо, итиччэ элбэх уордьан мээнэ5э кэлбэтэ буолуо?» диибин.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 371, "split": "test", "profile": "partial", "gold": "Урут барыта ТХМ чэрчитинэн барар эбит буоллаҕына, сорох боломуочуйаны улуус таһымыгар биэрбиттэрэ үчүгэй.", "noisy": "Урут барыта ТХМ чэрчитинэн барар эбит буоллагына, сорох боломуочуйаны улуус таһымыгар биэрбиттэрэ үчүгэй.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 372, "split": "dev", "profile": "clean", "gold": "Волонтердар саала туоларын кэтиэхтэрэ, тэрээһин саҕаламмытын кэннэ иллэҥ миэстэлэр баар буоллахтарына, көрүөн баҕалаах дьону успуорт дыбарыаһыгар киллэртиэхтэрэ.", "noisy": "Волонтердар саала туоларын кэтиэхтэрэ, тэрээһин саҕаламмытын кэннэ иллэҥ миэстэлэр баар буоллахтарына, көрүөн баҕалаах дьону успуорт дыбарыаһыгар киллэртиэхтэрэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 373, "split": "test", "profile": "ru_fold", "gold": "Ол балаһыанньаны “Айылҕа сирин-уотун үгэс курдук туһаныы» сокуона мэктиэлиир.", "noisy": "Ол балаhыанньаны “Айылга сирин-уотун угэс курдук туhаныы» сокуона мэктиэлиир.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 374, "split": "dev", "profile": "leontiev", "gold": "Ону үтүктэн, бырабыыталыстыбаҕа сурук суруйан көрбүтүм да, кыаллыбатаҕа.", "noisy": "Ону утуктэн, бырабыыталыстыбага сурук суруйан кербутум да, кыаллыбатага.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 375, "split": "dev", "profile": "digits", "gold": "Үөрэх туһунан ыйаах Ил Дархан эбээһинэһин быстах кэмҥэ толорооччу Айсен Николаев педагогтары кытта көрсүһүүтүгэр бэйэтин санааларын тиэртэ.", "noisy": "Y8рэх туhунан ыйаах Ил Дархан эбээhинэhин быстах кэмнэ толорооччу Айсен Николаев педагогтары кытта к8рсyhyyтyгэр бэйэтин санааларын тиэртэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 376, "split": "test", "profile": "mixed", "gold": "Арыыҕа элбэх үрэхтэр уонна өрүстэр бааллар, үксүн Краснозем почвалаах.", "noisy": "Арыыха элбэх yрэхтэр уонна орустэр бааллар, yксун Краснозем почвалаах.", "source": "sah.wikipedia:Саҥа Каледония"}
{"id": 377, "split": "dev", "profile": "partial", "gold": "1952 сыл диэки Амма Үөһээ Алтаныттан аҕам бииргэ төрөөбүт улахан балта Ааныскалаах биһиэхэ көһөн кэлбиттэрэ.", "noisy": "1952 сыл диэки Амма Үөһээ Алтаныттан агам бииргэ төрөөбүт улахан балта Ааныскалаах биһиэхэ көһөн кэлбиттэрэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 378, "split": "test", "profile": "clean", "gold": "Сайдыылаах буор куттаах киһи хамсаныылары оҥороро табатын уонна түргэнин былыргылар үөрэтэн билэн тылларыгар киллэрбиттэр.", "noisy": "Сайдыылаах буор куттаах киһи хамсаныылары оҥороро табатын уонна түргэнин былыргылар үөрэтэн билэн тылларыгар киллэрбиттэр.", "source": "sah.wikipedia:Күүс уонна хамсаныы"}
{"id": 379, "split": "test", "profile": "ru_fold", "gold": "Таҥас-сап, саппыкы эҥин барыта Арассыыйа киэннэрэ.", "noisy": "Танас-сап, саппыкы энин барыта Арассыыйа киэннэрэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 380, "split": "test", "profile": "leontiev", "gold": "Оттон маннык киинэлэр туох-ханнык иннинэ дьон санаатын өрө көтөҕөргө, бэйэлэрин омук, нация быһыытынан билинэллэригэр аналлаахтар.", "noisy": "Оттон маннык киинэлэр туох-ханнык иннинэ дьон санаатын ере кетегерге, бэйэлэрин омук, нация быьыытынан билинэллэригэр аналлаахтар.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 381, "split": "test", "profile": "digits", "gold": "Оҕолор куттара көтө сыһан хаһыытаспыттар уонна тэйиччи сиргэ диэри сүүрбүттэр.", "noisy": "О5олор куттара к8т8 сыhан хаhыытаспыттар уонна тэйиччи сиргэ диэри сyyрбyттэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 382, "split": "dev", "profile": "mixed", "gold": "\"Бэлэм буол+\" курдук оҕолорго анаммыт, үс араас омук тылынан тахсар хаһыат Арассыыйаҕа суох.", "noisy": "\"Бэлэм буол+\" курдук о5олорго анаммыт, ус араас омук тылынан тахсар хасыат Арассыыйа5а суох.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 383, "split": "dev", "profile": "partial", "gold": "Березкин \"Манчаары норуот номоҕор\", \"Өбүгэлэрбит уонна үөлээннээхтэрбит суолларынан\" кинигэлэргэ киирбиттэрэ.", "noisy": "Березкин \"Манчаары норуот номогор\", \"Өбүгэлэрбит уонна үөлээннээхтэрбит суолларынан\" кинигэлэргэ киирбиттэрэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 384, "split": "dev", "profile": "clean", "gold": "Үлэҕин кыайа-хото тутуоҥ, кэмигэр үмүрүтүөҥ.", "noisy": "Үлэҕин кыайа-хото тутуоҥ, кэмигэр үмүрүтүөҥ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 385, "split": "test", "profile": "ru_fold", "gold": "Интеллектуальнай оонньуубут түмүгүнэн «Кэнчээри» лааҕыр («Кэнчээри» ансамбль оҕолоро) 1 миэстэ, 2 миэстэ «Эрчим 1» (Мүрү №1-дээх орто оскуола), 3 миэстэ «Пресса» ( «Мүрү саһарҕата» редакция).", "noisy": "Интеллектуальнай оонньуубут тумугунэн «Кэнчээри» лаагыр («Кэнчээри» ансамбль оголоро) 1 миэстэ, 2 миэстэ «Эрчим 1» (Муру №1-дээх орто оскуола), 3 миэстэ «Пресса» ( «Муру саhаргата» редакция).", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 386, "split": "dev", "profile": "leontiev", "gold": "Кини ыаллыы нэһилиэк киһитигэр эргэ барбыт сураҕа иһиллибитэ.", "noisy": "Кини ыаллыы нэьилиэк киьитигэр эргэ барбыт сурага иьиллибитэ.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 387, "split": "test", "profile": "digits", "gold": "Тылгыны нэһилиэгин «Түһүлгэ» сынньалаҥ киинигэр «Тойон балык-2025» диэн нэһилиэк түөлбэлэрин икки ардыларыгар олус интэриэһинэй күрэх ыытылынна.", "noisy": "Тылгыны нэhилиэгин «Тyhyлгэ» сынньалан киинигэр «Тойон балык-2025» диэн нэhилиэк тy8лбэлэрин икки ардыларыгар олус интэриэhинэй кyрэх ыытылынна.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 388, "split": "dev", "profile": "mixed", "gold": "Кини “РФ Аартыкатын зонатыгар предпринимательствоны өйөөһүн туһунан” сокуон барылын оҥорууга Саха өрөспүүбүлүкэтин парламена көхтөөхтүк кыттыбытын иһин махтанна.", "noisy": "Кини “РФ Аартыкатын зонатыгар предпринимательствоны ойоосун тусунан” сокуон барылын онгорууга Саха ороспyубyлyкэтин парламена кохтоохтук кыттыбытын иьин махтанна.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 389, "split": "test", "profile": "partial", "gold": "Онуоха күүскэ баҕайытык көстүбэт илии баттаҕыттан иккитэ тарпыт!", "noisy": "Онуоха күүскэ багайытык көстүбэт илии баттагыттан иккитэ тарпыт!", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 390, "split": "test", "profile": "clean", "gold": "Айылҕа бэлэхтээбит иһэр уутун итинник ньыманан аҕаларга олохтоох дьонтон бэйэлэрин санааларын хаһыат нөҥүө этэллэригэр ыҥырабыт.", "noisy": "Айылҕа бэлэхтээбит иһэр уутун итинник ньыманан аҕаларга олохтоох дьонтон бэйэлэрин санааларын хаһыат нөҥүө этэллэригэр ыҥырабыт.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 391, "split": "dev", "profile": "ru_fold", "gold": "Сахалар ол иһин оҕону “Аһара барыма”, “Айыы диэмэ”, “Айыыны оҥорума” диэн этэн, өйө-санаата аһара барарын тохтотон, хааччахтаан иитэллэр, үөрэтэллэр.", "noisy": "Сахалар ол иhин огону “Аhара барыма”, “Айыы диэмэ”, “Айыыны онорума” диэн этэн, ойо-санаата аhара барарын тохтотон, хааччахтаан иитэллэр, уорэтэллэр.", "source": "sah.wikipedia:Өй-санаа аһара барара элбэх"}
{"id": 392, "split": "test", "profile": "leontiev", "gold": "Кыһыл көмүс кинигэҕэ киирбиттэринэн Судаарыстыбаннай турук аактатын суруйуу Ньурба оройуонунааҕы салаатын салайааччыта Альбина Алексеева үөрүүлээх быһыыга-майгыга «Кыһыл көмүс сыбаайба» сибидиэтэлистибэтин туттарда.", "noisy": "Кыьыл кемус кинигэгэ киирбиттэринэн Судаарыстыбаннай турук аактатын суруйуу Ньурба оройуонунаагы салаатын салайааччыта Альбина Алексеева уеруулээх быьыыга-майгыга «Кыьыл кемус сыбаайба» сибидиэтэлистибэтин туттарда.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 393, "split": "test", "profile": "digits", "gold": "Хамсаныылары хайдах оҥорортон тутулуктанан күүс олус кыраттан саҕалаан улахаҥҥа диэри уларыйан, сыыйа-баайа эбиллэн иһэрин быһаарар тыллар элбэхтэр: - Сылба.", "noisy": "Хамсаныылары хайдах онорортон тутулуктанан кyyс олус кыраттан са5алаан улаханна диэри уларыйан, сыыйа-баайа эбиллэн иhэрин быhаарар тыллар элбэхтэр: - Сылба.", "source": "sah.wikipedia:Күүс уонна хамсаныы"}
{"id": 394, "split": "test", "profile": "mixed", "gold": "Елисеев кимниин эрэ өстөһөн эбэтэр иирсэн маннык суорума суолламмыгар кими да уорбалаабаппын\".", "noisy": "Елисеев кимниин эрэ 8стоь8н эбэтэр иирсэн маннык суорума суолламмыгар кими да уорбалаабаппын\".", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 395, "split": "test", "profile": "partial", "gold": "Чакыр орто оскуолатын үөрэнээччилэрэ билиҥҥи кэмҥэ тыа сиригэр сыһыаннаах идэлэр тустарынан билистилэр.", "noisy": "Чакыр орто оскуолатын үөрэнээччилэрэ билинни кэмнэ тыа сиригэр сыһыаннаах идэлэр тустарынан билистилэр.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 396, "split": "test", "profile": "clean", "gold": "Эһигини күүтэллэр саҥа доҕоттор, дьигиһитэр арыйыылар уонна умнуллубат түгэннэр.", "noisy": "Эһигини күүтэллэр саҥа доҕоттор, дьигиһитэр арыйыылар уонна умнуллубат түгэннэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 397, "split": "dev", "profile": "ru_fold", "gold": "Өрөспүүбүлүкэ биллиилээх дьонун кытта көрсүөхтэрэ.", "noisy": "Ороспуубулукэ биллиилээх дьонун кытта корсуохтэрэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 398, "split": "test", "profile": "leontiev", "gold": "Бит-билгэ ٠Уҥа хааһыҥ кыһыйар – үөрэҕин.", "noisy": "Бит-билгэ ٠Уна хааьын кыьыйар – уерэгин.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 399, "split": "dev", "profile": "digits", "gold": "Аҕам уһун, сэдэх, эҥкилэ суох үтүө олоҕу олорон, кими да хомоппокко, күргүйдээбэккэ, көбүөлээбэккэ, кыыһырдыбакка, үтүөнү, үлэни өрө тутан сылдьыбыт олоҕо бэс ыйыгар 1973 сыллаахха быстыбыта.", "noisy": "А5ам уhун, сэдэх, энкилэ суох yтy8 оло5у олорон, кими да хомоппокко, кyргyйдээбэккэ, к8бy8лээбэккэ, кыыhырдыбакка, yтy8нy, yлэни 8р8 тутан сылдьыбыт оло5о бэс ыйыгар 1973 сыллаахха быстыбыта.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 400, "split": "dev", "profile": "mixed", "gold": "“Куоракка эмкэ барар ыарыһахтар мээнэ ускул-тэскил сылдьыбаттарын туһугар ыарыһаҕы арыаллыыр дьоҥҥо аналлаах Киин үлэлиир.", "noisy": "“Куоракка эмкэ барар ыарыьахтар мээнэ ускул-тэскил сылдьыбаттарын туhугар ыарыса5ы арыаллыыр дьонгнго аналлаах Киин yлэлиир.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 401, "split": "test", "profile": "partial", "gold": "Сүбэлииллэр-амалыыллар, ыйытыыгар сиһилии хоруйдууллар.", "noisy": "Сүбэлииллэр-амалыыллар, ыйытыыгар сиһилии хоруйдууллар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 402, "split": "dev", "profile": "clean", "gold": "Үөрэҕэр үчүгэйэ, ырыаҕа-үҥкүүгэ да дьоҕурдааҕа.", "noisy": "Үөрэҕэр үчүгэйэ, ырыаҕа-үҥкүүгэ да дьоҕурдааҕа.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 403, "split": "dev", "profile": "ru_fold", "gold": "Сэрии кэмигэр колхозка сыыппара, былаан түһэриллиитигэр сылгылары арыаллаан повестка ылан фроҥҥа барбыта уонна сураҕа суох сүппүтэ.", "noisy": "Сэрии кэмигэр колхозка сыыппара, былаан туhэриллиитигэр сылгылары арыаллаан повестка ылан фронна барбыта уонна сурага суох суппутэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 404, "split": "test", "profile": "leontiev", "gold": "сүөһү өссө аҕыйаан 233280 төбө буолбута.", "noisy": "суеьу ессе агыйаан 233280 тебе буолбута.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 405, "split": "dev", "profile": "digits", "gold": "Дьокуускайга ыытыллар күрэхтэһии 2024 сылга сааамай киэҥ масштабтаах умнуллубат тэрээһининэн буолуоҕа.", "noisy": "Дьокуускайга ыытыллар кyрэхтэhии 2024 сылга сааамай киэн масштабтаах умнуллубат тэрээhининэн буолуо5а.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 406, "split": "dev", "profile": "mixed", "gold": "Онон оҕолорун сайыҥҥы сынньалаҥнарын кэмигэр тыаҕа ыытан үлэҕэ үөрэтэр, олоҕу биллэрэр кыахтаахтар.", "noisy": "Онон охолорун сайынгны сынньалангнарын кэмигэр тыаха ыытан улэхэ y8рэтэр, оло5у биллэрэр кыахтаахтар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 407, "split": "test", "profile": "partial", "gold": "Үчүгэй холобурдара инникитин көлүөнэттэн көлүөнэҕэ бэриллэн, сирбит-дойдубут үтүө санаалаах дьонунан туола, элбии турдун.", "noisy": "Үчүгэй холобурдара инникитин көлүөнэттэн көлүөнэгэ бэриллэн, сирбит-дойдубут үтүө санаалаах дьонунан туола, элбии турдун.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 408, "split": "test", "profile": "clean", "gold": "Балтын оҕолорун бэйэтигэр олордон үөрэттэрбитэ, сайылатара.", "noisy": "Балтын оҕолорун бэйэтигэр олордон үөрэттэрбитэ, сайылатара.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 409, "split": "dev", "profile": "ru_fold", "gold": "— Өрөспүүбүлүкэ ыччатын парламена тугу дьарыктаныахтааҕа өйдөнөр, оттон улуус киэнэ?", "noisy": "— Ороспуубулукэ ыччатын парламена тугу дьарыктаныахтаага ойдонор, оттон улуус киэнэ?", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 410, "split": "dev", "profile": "leontiev", "gold": "1981 сыллаахха маҕаһыыҥҥа бары барыта дэписиит кэмэ этэ.", "noisy": "1981 сыллаахха магаьыынна бары барыта дэписиит кэмэ этэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 411, "split": "test", "profile": "digits", "gold": "*** Кыыһа уолун аармыйаҕа атаарарыгар хаартыскатын бэлэхтиир.", "noisy": "*** Кыыhа уолун аармыйа5а атаарарыгар хаартыскатын бэлэхтиир.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 412, "split": "test", "profile": "mixed", "gold": "ТПП эспиэрэ этэринэн, Саха сирин саҥа инвестицияҕа бэлиитикэтин тобуларга Айсен Николаев бэйэтин ыҥырыытыгар парламентарийдарга туһаайан буолбакка, хас биирдии киһини, уопсастыбаны кыттыһарыгар ыҥырбыта ордук биһирэнэр.", "noisy": "ТПП эспиэрэ этэринэн, Саха сирин санга инвестицияха бэлиитикэтин тобуларга Айсен Николаев бэйэтин ынгырыытыгар парламентарийдарга тусаайан буолбакка, хас биирдии кисини, уопсастыбаны кыттыьарыгар ынырбыта ордук биhирэнэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 413, "split": "test", "profile": "partial", "gold": "*** Эдэр испэсэлиис: — Миигин хайдах олорорго үөрэтэ-такайа сатаамаҥ, өйдөөҕүмсүйүмэҥ!", "noisy": "*** Эдэр испэсэлиис: — Миигин хайдах олорорго үөрэтэ-такайа сатааман, өйдөөгүмсүйүмэн!", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 414, "split": "dev", "profile": "clean", "gold": "Хаалтыһа суох сэһэргэһии — Михаил Дмитриевич, миниистир уонна дьокутаат бартыбыалларыттан хайата ордук ыйаа­һыннаах эбитий?", "noisy": "Хаалтыһа суох сэһэргэһии — Михаил Дмитриевич, миниистир уонна дьокутаат бартыбыалларыттан хайата ордук ыйаа­һыннаах эбитий?", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 415, "split": "dev", "profile": "ru_fold", "gold": "Олортон 2 кыһыл көмүс, 3 үрүҥ көмүс уонна 2 боруонса мэтээллэр.", "noisy": "Олортон 2 кыhыл комус, 3 урун комус уонна 2 боруонса мэтээллэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 416, "split": "test", "profile": "leontiev", "gold": "Кинини араас ыарыы, патология биир симптомун быһыытынан көрөллөр.", "noisy": "Кинини араас ыарыы, патология биир симптомун быьыытынан кереллер.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 417, "split": "dev", "profile": "digits", "gold": "Оскуола тутуллуохтаах, 2023 сылга былааҥҥа турар.", "noisy": "Оскуола тутуллуохтаах, 2023 сылга былаанна турар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 418, "split": "dev", "profile": "mixed", "gold": "Ол иһин аҕам оҕо иитиитинэн дьарыктаныыга күһэллибитэ буолуо.", "noisy": "Ол исин а5ам ого иитиитинэн дьарыктаныыга куьэллибитэ буолуо.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 419, "split": "test", "profile": "partial", "gold": "Үлэни оҥоруу хайдах оҥорортон тутулуктанан икки тус-туспа, утарыта көрүҥнэргэ, өрүттэргэ арахсар: 1.", "noisy": "Үлэни оноруу хайдах онорортон тутулуктанан икки тус-туспа, утарыта көрүннэргэ, өрүттэргэ арахсар: 1.", "source": "sah.wikipedia:Күүс уонна хамсаныы"}
{"id": 420, "split": "test", "profile": "clean", "gold": "Оҕолорго аналлаах бастакы хоһоонноро 1936 сыллаахха «Бэлэм буол» хаһыакка бэчээттэммиттэрэ уонна тута биһирэбили ылбыттар.", "noisy": "Оҕолорго аналлаах бастакы хоһоонноро 1936 сыллаахха «Бэлэм буол» хаһыакка бэчээттэммиттэрэ уонна тута биһирэбили ылбыттар.", "source": "sah.wikipedia:Дьячковскай Константин Николаевич - Туйаарыскай"}
{"id": 421, "split": "dev", "profile": "ru_fold", "gold": "«Баран иһэр караван ыт үрэригэр кыһаммат» диэн этии элбэхтэр хаһан баҕарар баһыйар оруолу ыланнар баҕарбыт сирдэрин диэки бэйэлэрэ дьаалаларынан бара туралларын биллэрэр.", "noisy": "«Баран иhэр караван ыт урэригэр кыhаммат» диэн этии элбэхтэр хаhан багарар баhыйар оруолу ыланнар багарбыт сирдэрин диэки бэйэлэрэ дьаалаларынан бара туралларын биллэрэр.", "source": "sah.wikipedia:Элбэхтэр"}
{"id": 422, "split": "test", "profile": "leontiev", "gold": "Онтон сүүмэрдээн, сүүрбэччэ оҕону ылбыппыт.", "noisy": "Онтон суумэрдээн, суурбэччэ огону ылбыппыт.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 423, "split": "test", "profile": "digits", "gold": "Маны таһынан, олохтоох хаһыат, улуустааҕы уонна өрөспүүбүлүкэ тэлэбиидэнньэтин көмөтүнэн биллэрии (ориентировка) оҥоһуллубута.", "noisy": "Маны таhынан, олохтоох хаhыат, улуустаа5ы уонна 8р8спyyбyлyкэ тэлэбиидэнньэтин к8м8тyнэн биллэрии (ориентировка) оноhуллубута.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 424, "split": "test", "profile": "mixed", "gold": "Оттон баяҥҥа Иван Бурцев (киномеханик) оонньуура, ону тэҥэ Иннокентий Готовцев (ырыаһыт Анастасия Готовцева аҕата) музыкальнай училищеҕа үөрэнэ сылдьан тахсан оскуола оҕолоругар оонньоон көрдөрөрө, ыллыыра.", "noisy": "Оттон баяннга Иван Бурцев (киномеханик) оонньуура, ону тэнэ Иннокентий Готовцев (ырыаhыт Анастасия Готовцева агата) музыкальнай училищеха у8рэнэ сылдьан тахсан оскуола оголоругар оонньоон к8рд8рор8, ыллыыра.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 425, "split": "dev", "profile": "partial", "gold": "Швейцарияттан Соҕуруу Эмиэрикэҕэ сиринэн тиийиэхтээхпин!", "noisy": "Швейцарияттан Согуруу Эмиэрикэгэ сиринэн тиийиэхтээхпин!", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 426, "split": "test", "profile": "clean", "gold": "Ол курдук, Алексей Иннокентьевич түргэн-тарҕан туттуутунан тиэргэни хомуйан, харбаан, оҕолор, үлэһиттэр уһуйааҥҥа кэлэллэригэр бэлэмниир.", "noisy": "Ол курдук, Алексей Иннокентьевич түргэн-тарҕан туттуутунан тиэргэни хомуйан, харбаан, оҕолор, үлэһиттэр уһуйааҥҥа кэлэллэригэр бэлэмниир.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 427, "split": "test", "profile": "ru_fold", "gold": "сарсыардатыгар баһаар иэнэ 130 га кэриҥэ буолла.", "noisy": "сарсыардатыгар баhаар иэнэ 130 га кэринэ буолла.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 428, "split": "dev", "profile": "leontiev", "gold": "Бу сырыыга кини оҕуруонан быысапкалаан айылҕа араас кэрэ көстүүтүн көрдөрдө.", "noisy": "Бу сырыыга кини огуруонан быысапкалаан айылга араас кэрэ кестуутун кердерде.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 429, "split": "test", "profile": "digits", "gold": "Ол эрээри улахан уола Аргылла уонна кыра уола Гиззатулла бөдөҥ-садаҥ, күүстээхуохтаах дьон буола улааппыттара.", "noisy": "Ол эрээри улахан уола Аргылла уонна кыра уола Гиззатулла б8д8н-садан, кyyстээхуохтаах дьон буола улааппыттара.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 430, "split": "dev", "profile": "mixed", "gold": "Владивостокка «Колмар» бирииһигэр мас тардыһыыга күрэс ыытыллар Илиҥҥи экэнэмиичэскэй форумҥа “Колмар” хампаанньа мас-рестлиҥҥэ күрэхтэһиини ыытар.", "noisy": "Владивостокка «Колмар» бирииhигэр мас тардыhыыга кyрэс ыытыллар Илинни экэнэмиичэскэй форумнга “Колмар” хампаанньа мас-рестлиннгэ кyрэхтэсиини ыытар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 431, "split": "test", "profile": "partial", "gold": "Бастаан Федоров өлүөхсүтү билэрин кыккыраччы аккаастаабыта.", "noisy": "Бастаан Федоров өлүөхсүтү билэрин кыккыраччы аккаастаабыта.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 432, "split": "dev", "profile": "clean", "gold": "Бу да сырыыга бу чааһыгар улахан мөккүөр, бутуур тахсыа диэн сылыктыыллар.", "noisy": "Бу да сырыыга бу чааһыгар улахан мөккүөр, бутуур тахсыа диэн сылыктыыллар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 433, "split": "test", "profile": "ru_fold", "gold": "Кийиит Кыысчааныгым биэстээх эрдэҕинэ, даачабыт тиэргэнигэр сибэкки бөҕөтө үүннэ.", "noisy": "Кийиит Кыысчааныгым биэстээх эрдэгинэ, даачабыт тиэргэнигэр сибэкки богото ууннэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 434, "split": "dev", "profile": "leontiev", "gold": "Бу курдук билиигэ тардыһыылаах, үлэҕэ дьоҕурдаах буола туруҥ!", "noisy": "Бу курдук билиигэ тардыьыылаах, улэгэ дьогурдаах буола турун!", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 435, "split": "dev", "profile": "digits", "gold": "солк., Дюймовочка, Буратино 100-түү тыһ.", "noisy": "солк., Дюймовочка, Буратино 100-тyy тыh.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 436, "split": "test", "profile": "mixed", "gold": "Быйылгы 2022‒2023 үөрэх сылын түмүгүнэн Саха Өрөспүүбүлүкэтигэр Арассыыйа бастыҥ үниверситеттарыгар киирбит элбэх үөрэнээччилэрдээх оскуолалар рейтиннэрэ таҕыста.", "noisy": "Быйылгы 2022‒2023 уорэх сылын тумyгунэн Саха Ор8спyубулукэтигэр Арассыыйа бастынг университеттарыгар киирбит элбэх yорэнээччилэрдээх оскуолалар рейтиннэрэ тагыста.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 437, "split": "dev", "profile": "partial", "gold": "Виктор кэпсэтэр латинын тыла рим кафедрата латин тылыгар көһүүтүгэр бэрт улаханнык дьайбыта, ол түмүгэр чопчу кини саҕана азиятааҕы епископтар Рим Таҥаратын дьиэтин талбыттарынан дьаһайаллара тохтообута.", "noisy": "Виктор кэпсэтэр латинын тыла рим кафедрата латин тылыгар көһүүтүгэр бэрт улаханнык дьайбыта, ол түмүгэр чопчу кини сагана азиятаагы епископтар Рим Танаратын дьиэтин талбыттарынан дьаһайаллара тохтообута.", "source": "sah.wikipedia:Христианство"}
{"id": 438, "split": "dev", "profile": "clean", "gold": "Онтон кинилэр төрүччүлэрэ САХА - ону кыра оҕо эрдэхтэн үөрэтэн такайан билэллэр...о.э.", "noisy": "Онтон кинилэр төрүччүлэрэ САХА - ону кыра оҕо эрдэхтэн үөрэтэн такайан билэллэр...о.э.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 439, "split": "dev", "profile": "ru_fold", "gold": "Ол иһин тыйаатыр уонна киинэ уратытын туһунан санааны этэр кыаҕым суох.", "noisy": "Ол иhин тыйаатыр уонна киинэ уратытын туhунан санааны этэр кыагым суох.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 440, "split": "dev", "profile": "leontiev", "gold": "Эһээбит Мэхээлэ тэрээк илиминэн Булуус эбэҕэ илим үтэн, чугас куобахха туһахтаан хараланаллара.", "noisy": "Эьээбит Мэхээлэ тэрээк илиминэн Булуус эбэгэ илим утэн, чугас куобахха туьахтаан хараланаллара.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 441, "split": "test", "profile": "digits", "gold": "Матифа эрин көрөн хараҕын уутун кыамматаҕа.", "noisy": "Матифа эрин к8р8н хара5ын уутун кыаммата5а.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 442, "split": "dev", "profile": "mixed", "gold": "Куруук биһиги Роман Дмитриевпытын кытта элбэх сыллар устата тустан эрийсибит бөҕөс.", "noisy": "Куруук биьиги Роман Дмитриевпытын кытта элбэх сыллар устата тустан эрийсибит бог8с.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 443, "split": "test", "profile": "partial", "gold": "Биэчэр иннинэ сакаасчыттарбын кытта көрсөн кэпсэтэбин, хайдах былааннаах буоларын торумнаһабыт.", "noisy": "Биэчэр иннинэ сакаасчыттарбын кытта көрсөн кэпсэтэбин, хайдах былааннаах буоларын торумнаһабыт.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 444, "split": "dev", "profile": "clean", "gold": "Саҥа дьыллааҕы таҥаска солко, баархат, шифон, күлүмүрдэс киэргэллээх клатч барсыа.", "noisy": "Саҥа дьыллааҕы таҥаска солко, баархат, шифон, күлүмүрдэс киэргэллээх клатч барсыа.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 445, "split": "test", "profile": "ru_fold", "gold": "Ол курдук, чуолаан, аатырбыт Бөтүрүөп куйааһа бу ый ортотугар диэри түһээччи.", "noisy": "Ол курдук, чуолаан, аатырбыт Ботуруоп куйааhа бу ый ортотугар диэри туhээччи.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 446, "split": "test", "profile": "leontiev", "gold": "Ольга Валерьевна өрүү буоларын курдук, хамсык кэмигэр сэрэтэр үлэ күүһүрэрэ наадатын бэлиэтээтэ.", "noisy": "Ольга Валерьевна еруу буоларын курдук, хамсык кэмигэр сэрэтэр улэ кууьурэрэ наадатын бэлиэтээтэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 447, "split": "dev", "profile": "digits", "gold": "Толуону уонна бэчээттэммит кумааҕыны быраҕыллыбат.", "noisy": "Толуону уонна бэчээттэммит кумаа5ыны быра5ыллыбат.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 448, "split": "dev", "profile": "mixed", "gold": "Бу нүөмэргэ Хаҥалас улууһун Өктөм сэлиэнньэтигэр олорор Ксенофонтовтары билсиҥ, сэргээҥ.", "noisy": "Бу нy8мэргэ Ханалас улууьун 8кт8м сэлиэнньэтигэр олорор Ксенофонтовтары билсин, сэргээн.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 449, "split": "test", "profile": "partial", "gold": "Сайын бары түмсэр буолан анаан үчүгэй ас, кэмпиэт, хомпуот, фрукта атыылаһан куонкурус тэрийэн ыллатан, хоһоон аахтаран, спортивнай күрэхтэһии тэрийэн бириистэрин тарҕаталлар, сиэннэр үөрүү бөҕө буолаллара.", "noisy": "Сайын бары түмсэр буолан анаан үчүгэй ас, кэмпиэт, хомпуот, фрукта атыылаһан куонкурус тэрийэн ыллатан, хоһоон аахтаран, спортивнай күрэхтэһии тэрийэн бириистэрин таргаталлар, сиэннэр үөрүү бөгө буолаллара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 450, "split": "test", "profile": "clean", "gold": "Олох олорор инниттэн киһи аһыахтаах, айылҕабыт оннук айан турар.", "noisy": "Олох олорор инниттэн киһи аһыахтаах, айылҕабыт оннук айан турар.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 451, "split": "dev", "profile": "ru_fold", "gold": "Өрөспүүбүлүкэ баһылыга Айсен Николаев элбэх омуктаах Саха сирин аатыттан эрэгийиэн олохтоохторун бырааһынньыгынан эҕэрдэлээтэ, диэн иһитиннэрэр Ил Дархан, бырабыыталыстыба пресс-сулууспата.", "noisy": "Ороспуубулукэ баhылыга Айсен Николаев элбэх омуктаах Саха сирин аатыттан эрэгийиэн олохтоохторун бырааhынньыгынан эгэрдэлээтэ, диэн иhитиннэрэр Ил Дархан, бырабыыталыстыба пресс-сулууспата.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 452, "split": "dev", "profile": "leontiev", "gold": "Оҕо сааспар «Хижина дяди Тома» диэн киниигэни ааҕан баран биирдэ эрэ ытаабыппын өйдүүбүн.", "noisy": "Ого сааспар «Хижина дяди Тома» диэн киниигэни ааган баран биирдэ эрэ ытаабыппын ейдуубун.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 453, "split": "dev", "profile": "digits", "gold": "1907 сыллаахха Саха сиригэр холуобунай буруйдаахтары көскө ыытары утарар ыстатыйата «Якутский край» хаһыакка тахсыбыт.", "noisy": "1907 сыллаахха Саха сиригэр холуобунай буруйдаахтары к8ск8 ыытары утарар ыстатыйата «Якутский край» хаhыакка тахсыбыт.", "source": "sah.wikipedia:Күлүмнүүр (Никифоров Василий Васильевич)"}
{"id": 454, "split": "dev", "profile": "mixed", "gold": "Моороттон биһиэхэ Төрүккэ күүлэйдии киирэрэ.", "noisy": "Моороттон биhиэхэ Торyккэ кyyлэйдии киирэрэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 455, "split": "test", "profile": "partial", "gold": "Биһиги бу саха омук сирбитигэр-уоппутугар тэһийэн олорорбутунан сибээстээн, дьиҥ бу күнтэн ыла сахалыы бэйэ бодотун тардынан, хас биирдии киһи олоххо сыаллаахтык-былааннаахтык кырдьыы бэрээдэгэр киирэригэр сүбэлиибин.", "noisy": "Биһиги бу саха омук сирбитигэр-уоппутугар тэһийэн олорорбутунан сибээстээн, дьин бу күнтэн ыла сахалыы бэйэ бодотун тардынан, хас биирдии киһи олоххо сыаллаахтык-былааннаахтык кырдьыы бэрээдэгэр киирэригэр сүбэлиибин.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 456, "split": "test", "profile": "clean", "gold": "Хайа да тэрилтэҕэ сүрдээх үлэһит, турбут-олорбут дьон баар буолаллар.", "noisy": "Хайа да тэрилтэҕэ сүрдээх үлэһит, турбут-олорбут дьон баар буолаллар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 457, "split": "dev", "profile": "ru_fold", "gold": "Ол бэрэсидьиэн баҕатын толороору буолбатаҕа чахчы – Арассыыйаҕа үөрэх хаачыстыбатын тупсараары.", "noisy": "Ол бэрэсидьиэн багатын толороору буолбатага чахчы – Арассыыйага уорэх хаачыстыбатын тупсараары.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 458, "split": "dev", "profile": "leontiev", "gold": "Мэҥэ уонна Илин Хаҥалас сүрүн нэһилиэктэрин холбоһууларыттан үөскээбитэ.", "noisy": "Мэнэ уонна Илин Ханалас сурун нэьилиэктэрин холбоьууларыттан уескээбитэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 459, "split": "dev", "profile": "digits", "gold": "“Төһө да ыарахаттар баалларын үрдүнэн, Саха сирин экэниэмикэтэ кэнники сылларга улаата турар.", "noisy": "“Т8h8 да ыарахаттар баалларын yрдyнэн, Саха сирин экэниэмикэтэ кэнники сылларга улаата турар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 460, "split": "dev", "profile": "mixed", "gold": "Бүгүн Арассыыйаны «ытарчалыы ылбыт» кириисис кытаанах кэмигэр олоробут.", "noisy": "Бугун Арассыыйаны «ытарчалыы ылбыт» кириисис кытаанах кэмигэр олоробут.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 461, "split": "dev", "profile": "partial", "gold": "Эһиэхэ туһаайан иһитиннэрэбит, СӨ Үөрэҕин уонна наукатын министиэристибэтэ ити курдук биллэриилэринэн уонна чааһынай сирэйдэр, тэрилтэлэр кэммиэрчэскэй этиилэригэр туох даҕаны сыһыана суох.", "noisy": "Эһиэхэ туһаайан иһитиннэрэбит, СӨ Үөрэгин уонна наукатын министиэристибэтэ ити курдук биллэриилэринэн уонна чааһынай сирэйдэр, тэрилтэлэр кэммиэрчэскэй этиилэригэр туох даганы сыһыана суох.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 462, "split": "dev", "profile": "clean", "gold": "Нэһилиэнньэтин ахсаана — 527 киһи (2007 сыл).", "noisy": "Нэһилиэнньэтин ахсаана — 527 киһи (2007 сыл).", "source": "sah.wikipedia:Алтан нэһилиэгэ (Мэҥэ-Хаҥалас улууһа)"}
{"id": 463, "split": "test", "profile": "ru_fold", "gold": "Уһун үйэлэргэ киһи өйө-санаата тупсан, сайдан киһи буолууну ситиһэн киһилии быһыылары оҥорор кыахтаммыта киһи диэн тыл үөскээн туттулларынан уонна үлэ сайдан иһиитин арыйан биэрэр тыллар баалларынан быһаарыллар.", "noisy": "Уhун уйэлэргэ киhи ойо-санаата тупсан, сайдан киhи буолууну ситиhэн киhилии быhыылары онорор кыахтаммыта киhи диэн тыл уоскээн туттулларынан уонна улэ сайдан иhиитин арыйан биэрэр тыллар баалларынан быhаарыллар.", "source": "sah.wikipedia:Сахалар олохторун үөрэҕин тутуспат буолуу"}
{"id": 464, "split": "test", "profile": "leontiev", "gold": "Бу тыл эт-сиин күүһүн тэҥэ, өйү-санааны быһаарыыга эмиэ туттуллар.", "noisy": "Бу тыл эт-сиин кууьун тэнэ, ейу-санааны быьаарыыга эмиэ туттуллар.", "source": "sah.wikipedia:Күүс уонна хамсаныы"}
{"id": 465, "split": "test", "profile": "digits", "gold": "Бэс ыйын 25 күнүгэр СӨ бырабыыталыстыбатын бэрэссэдээтэлин бастакы солбуйааччы Дмитрий Садовников кыстыкка бэлэмнэнии ыстаабын мунньаҕын ыытта.", "noisy": "Бэс ыйын 25 кyнyгэр С8 бырабыыталыстыбатын бэрэссэдээтэлин бастакы солбуйааччы Дмитрий Садовников кыстыкка бэлэмнэнии ыстаабын мунньа5ын ыытта.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 466, "split": "dev", "profile": "mixed", "gold": "Суруйааччы Суруйааччы — кимиэхэ да чопчу туһаайыллыбатах тыл көмөтүнэн суруллубут тиэкистэри айар киһи идэтэ.", "noisy": "Суруйааччы Суруйааччы — кимиэхэ да чопчу туьаайыллыбатах тыл к8м8тyнэн суруллубут тиэкистэри айар киьи идэтэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 467, "split": "test", "profile": "partial", "gold": "– Арассыыйаҕа монуогу оҥорор тэрилтэ төһө элбэҕий?", "noisy": "– Арассыыйага монуогу онорор тэрилтэ төһө элбэгий?", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 468, "split": "test", "profile": "clean", "gold": "Ордук үчүгэйдик «Эрэл» түөлбэ сиһилии билиһиннэрдэ.", "noisy": "Ордук үчүгэйдик «Эрэл» түөлбэ сиһилии билиһиннэрдэ.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 469, "split": "dev", "profile": "ru_fold", "gold": "Итинник ыра санааны ымыы оҥостон, сүүрэ-көтө сылдьар, хаһыакка ахтыы хомуйаары, биллэрии биэрэр сэрии кыттыылааҕа Н.Р.", "noisy": "Итинник ыра санааны ымыы оностон, суурэ-кото сылдьар, хаhыакка ахтыы хомуйаары, биллэрии биэрэр сэрии кыттыылаага Н.Р.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 470, "split": "test", "profile": "leontiev", "gold": "Сыанабыт, биллэн турар, маҕаһыын киэнинээҕэр лаппа үрдүк.", "noisy": "Сыанабыт, биллэн турар, магаьыын киэнинээгэр лаппа урдук.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 471, "split": "test", "profile": "digits", "gold": "Бары олохтоох ас элбиирин туһугар үлэлиибит.", "noisy": "Бары олохтоох ас элбиирин туhугар yлэлиибит.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 472, "split": "dev", "profile": "mixed", "gold": "Эһэм аҕам кэпсииринэн олоҥхолуур үһү, ону суруйааччылар кэлэн хаста да устан барбыттара диирэ.", "noisy": "Эьэм агам кэпсииринэн олонгхолуур уhy, ону суруйааччылар кэлэн хаста да устан барбыттара диирэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 473, "split": "dev", "profile": "partial", "gold": "Ол кэмтэн ыла, 20 кэриҥэ сыл ити эбийиэккэ үлэ баран, 1972 сыллаахха саҥа типовой, 50 миэстэлээх оҕо уһуйаана тутуллан киирэр.", "noisy": "Ол кэмтэн ыла, 20 кэринэ сыл ити эбийиэккэ үлэ баран, 1972 сыллаахха сана типовой, 50 миэстэлээх ого уһуйаана тутуллан киирэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 474, "split": "dev", "profile": "clean", "gold": "Күрэххэ дистанционнай кыттыы таһыма үрдээтэ, оҕолор, педагогтар араас таһымнаах күрэхтэргэ, көрүүлэргэ, научнай ааҕыыларга көхтөөхтүк кыттан үрдүк ситиһиилэннилэр.", "noisy": "Күрэххэ дистанционнай кыттыы таһыма үрдээтэ, оҕолор, педагогтар араас таһымнаах күрэхтэргэ, көрүүлэргэ, научнай ааҕыыларга көхтөөхтүк кыттан үрдүк ситиһиилэннилэр.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 475, "split": "dev", "profile": "ru_fold", "gold": "Киһи тутта-хапта сылдьара, быһыыта-майгыта, тыла-өһө үүннээх-тэһииннээх буоллаҕына, ол аата дьоһуна.", "noisy": "Киhи тутта-хапта сылдьара, быhыыта-майгыта, тыла-оhо ууннээх-тэhииннээх буоллагына, ол аата дьоhуна.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 476, "split": "dev", "profile": "leontiev", "gold": "Кинини көрбүт дьон орто уҥуохтаах, нүксүгүр, суон киһи этэ дииллэр.", "noisy": "Кинини кербут дьон орто унуохтаах, нуксугур, суон киьи этэ дииллэр.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 477, "split": "test", "profile": "digits", "gold": "Киһи куруук биир кэмҥэ биир дьайыыны оҥорор буоллаҕына, ол түмүгэр кэлин рефлекс үөскүүр.", "noisy": "Киhи куруук биир кэмнэ биир дьайыыны онорор буолла5ына, ол тyмyгэр кэлин рефлекс y8скyyр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 478, "split": "dev", "profile": "mixed", "gold": "Хас биирдии түмэл бэйэтэ аҕалбыт экспонатын үс күн устата көрөөччү сэҥээриитигэр таһаарда.", "noisy": "Хас биирдии тумэл бэйэтэ агалбыт экспонатын yс кyн устата к8рооччу сэнээриитигэр таьаарда.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 479, "split": "test", "profile": "partial", "gold": "Айар үлэтигэр күүрээннэрэ - Барык түөлбэ телесериал, Гулливер айаннара уонна Алиса Дьикти дойдуга битиктэр.", "noisy": "Айар үлэтигэр күүрээннэрэ - Барык түөлбэ телесериал, Гулливер айаннара уонна Алиса Дьикти дойдуга битиктэр.", "source": "sah.wikipedia:Interstate 60"}
{"id": 480, "split": "test", "profile": "clean", "gold": "Дьэ, манна экология боппуруоһа инники күөҥҥэ тахсан кэлэр.", "noisy": "Дьэ, манна экология боппуруоһа инники күөҥҥэ тахсан кэлэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 481, "split": "dev", "profile": "ru_fold", "gold": "Билигин 2016 сыллаахха Россияҕа өй-санаа сайдыыта ити турукка киирэн сылдьар.", "noisy": "Билигин 2016 сыллаахха Россияга ой-санаа сайдыыта ити турукка киирэн сылдьар.", "source": "sah.wikipedia:Элбэхтэр"}
{"id": 482, "split": "dev", "profile": "leontiev", "gold": "Дьон да истибэтигэр эрэ ааттыыллара үһү.", "noisy": "Дьон да истибэтигэр эрэ ааттыыллара уьу.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 483, "split": "test", "profile": "digits", "gold": "*** Өскөтүн эр киһи дьахтарга массыына аанын аһан биэрэр буоллаҕына — эбэтэр массыыната саҥа, эбэтэр саҥа кэргэннэммит.", "noisy": "*** 8ск8тyн эр киhи дьахтарга массыына аанын аhан биэрэр буолла5ына — эбэтэр массыыната сана, эбэтэр сана кэргэннэммит.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 484, "split": "test", "profile": "mixed", "gold": "Үлэһиттэр от үлэтин түмүктээтэхтэринэ, өрөмүөн үлэлэрэ саҕаланыахтаахтар.", "noisy": "Yлэситтэр от улэтин тyмуктээтэхтэринэ, 8р8муон yлэлэрэ са5аланыахтаахтар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 485, "split": "dev", "profile": "partial", "gold": "Өй-санаа мөлтөх, бэйэтэ күүһэ суоҕуттан, кыайбатыттан күүһү көмөлөһүннэрдэҕинэ эрэ табыллар, күүс көмөтүнэн хамсааһыны үөскэтэн сайдыыны ситиһиигэ тириэрдэрэ туһаны оҥорор.", "noisy": "Өй-санаа мөлтөх, бэйэтэ күүһэ суогуттан, кыайбатыттан күүһү көмөлөһүннэрдэгинэ эрэ табыллар, күүс көмөтүнэн хамсааһыны үөскэтэн сайдыыны ситиһиигэ тириэрдэрэ туһаны онорор.", "source": "sah.wikipedia:Көрдөбүл уонна ирдэбил"}
{"id": 486, "split": "dev", "profile": "clean", "gold": "Былыр Баһыр үйэтигэр (байыаннай былаас) бу оһуор Айыылар күүстэрин кэпсиирэ эбитэ буолуо.", "noisy": "Былыр Баһыр үйэтигэр (байыаннай былаас) бу оһуор Айыылар күүстэрин кэпсиирэ эбитэ буолуо.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 487, "split": "dev", "profile": "ru_fold", "gold": "Хара өҥ - аллараа, көстүбэт эйгэ, туох баар материальнай эйгэ онно айыллар.", "noisy": "Хара он - аллараа, костубэт эйгэ, туох баар материальнай эйгэ онно айыллар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 488, "split": "test", "profile": "leontiev", "gold": "Саҥа Каледония арыыттан уонна атын кыра арыылартан, соҕуруу-илин Чуумпу далайыгар уонна Меланезияҕа турар.", "noisy": "Сана Каледония арыыттан уонна атын кыра арыылартан, согуруу-илин Чуумпу далайыгар уонна Меланезияга турар.", "source": "sah.wikipedia:Саҥа Каледония"}
{"id": 489, "split": "test", "profile": "digits", "gold": "Кинилэр СӨ т/х туругун эрэбиисийэлээн, анаалыстаан, дьиҥнээх сыыппараҕа тиийэн баран, онтон саҕалыыллара буоллар ордук буолуо этэ.", "noisy": "Кинилэр С8 т/х туругун эрэбиисийэлээн, анаалыстаан, дьиннээх сыыппара5а тиийэн баран, онтон са5алыыллара буоллар ордук буолуо этэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 490, "split": "dev", "profile": "mixed", "gold": "Иккис-үһүс үйэлэргэ Дьэбэриэй Таҥаратын үөрэҕэ (Урукку кэриэс) биир дьиҥнээх Таҥаранан этитиллэн суруллубута диир христианнар бааллара.", "noisy": "Иккис-yсус yйэлэргэ Дьэбэриэй Танаратын уорэ5э (Урукку кэриэс) биир дьингнээх Тангаранан этитиллэн суруллубута диир христианнар бааллара.", "source": "sah.wikipedia:Христианство"}
{"id": 491, "split": "dev", "profile": "partial", "gold": "Мин биир идэлээхтэрим, чуолаан, эдэр хирурдарым тустарыгар үөрэбин.", "noisy": "Мин биир идэлээхтэрим, чуолаан, эдэр хирурдарым тустарыгар үөрэбин.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 492, "split": "test", "profile": "clean", "gold": "Эбэтэр олох билбэт, атын сиргэ тиийэн бараҥҥын, киэҥ алааска киирэн иһэн ол үүттээх тааһынан көрөҕүн.", "noisy": "Эбэтэр олох билбэт, атын сиргэ тиийэн бараҥҥын, киэҥ алааска киирэн иһэн ол үүттээх тааһынан көрөҕүн.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 493, "split": "dev", "profile": "ru_fold", "gold": "30-тан тахса сыллааҕыта дьылҕам бэйэтэ кинини эрэдээксийэбэр хаамтаран аҕалбыттаах.", "noisy": "30-тан тахса сыллаагыта дьылгам бэйэтэ кинини эрэдээксийэбэр хаамтаран агалбыттаах.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 494, "split": "test", "profile": "leontiev", "gold": "УЧУУТАЛТАН — ВАЙНЕРГА Ньургуйаана учууталлыы сылдьыбытым диэбитин өйдөөн, аны, бу тиэмэҕэ көстүм.", "noisy": "УЧУУТАЛТАН — ВАЙНЕРГА Ньургуйаана учууталлыы сылдьыбытым диэбитин ейдеен, аны, бу тиэмэгэ кестум.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 495, "split": "test", "profile": "digits", "gold": "Биирдэрэ таас көтөҕүүтүгэр, биирдэрэ тустууга кыайбыт икки бөҕөс аттарыгар бардылар.", "noisy": "Биирдэрэ таас к8т85yyтyгэр, биирдэрэ тустууга кыайбыт икки б858с аттарыгар бардылар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 496, "split": "dev", "profile": "mixed", "gold": "Киһи оҕо сылдьан хайдаҕый да, улааттаҕына да майгыта онтон уларыйбатын ама олоҕу олорбут сааһырбыт дьахтар билиэ суоҕа дуо?", "noisy": "Киhи охо сылдьан хайда5ый да, улаатта5ына да майгыта онтон уларыйбатын ама олоху олорбут саасырбыт дьахтар билиэ суоха дуо?", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 497, "split": "dev", "profile": "partial", "gold": "Төбөтүр хантаччы тутта сылдьар сөбүгэр уҥуохтаах, көбүс-көнө киһи эбит.", "noisy": "Төбөтүр хантаччы тутта сылдьар сөбүгэр унуохтаах, көбүс-көнө киһи эбит.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 498, "split": "test", "profile": "clean", "gold": "Дьиэм иһин киирэр-тахсар күннэрэ, Дьол, иэйии, имэҥ ыйдаҥалара...", "noisy": "Дьиэм иһин киирэр-тахсар күннэрэ, Дьол, иэйии, имэҥ ыйдаҥалара...", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 499, "split": "dev", "profile": "ru_fold", "gold": "Атын киһи сотторунан, суунар тэрилинэн туттуллубат, таҥаһын, бэргэһэтин кэтиллибэт.", "noisy": "Атын киhи сотторунан, суунар тэрилинэн туттуллубат, танаhын, бэргэhэтин кэтиллибэт.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 500, "split": "test", "profile": "leontiev", "gold": "Бастакы сезонун этэҥҥэ түмүктээтэхпитинэ, барыта табылыннаҕына, эһиил эмиэ устуохпут.", "noisy": "Бастакы сезонун этэннэ тумуктээтэхпитинэ, барыта табылыннагына, эьиил эмиэ устуохпут.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 501, "split": "dev", "profile": "digits", "gold": "Ону күн бүгүҥҥэ диэри 2 3 эрэ олоҥхоһут бэчээттэммитэ да туоһулуур.", "noisy": "Ону кyн бyгyннэ диэри 2 3 эрэ олонхоhут бэчээттэммитэ да туоhулуур.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 502, "split": "dev", "profile": "mixed", "gold": "Ол кэмҥэ биһиги эһэбит Наахараттан киирэн үлэлии сылдьыбыт.", "noisy": "Ол кэмнэ биhиги эсэбит Наахараттан киирэн yлэлии сылдьыбыт.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 503, "split": "test", "profile": "partial", "gold": "Биллэн турар, ордук тустуу уонна тааһы көтөҕүү туһунан кэпсэтэ сатыыр.", "noisy": "Биллэн турар, ордук тустуу уонна тааһы көтөгүү туһунан кэпсэтэ сатыыр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 504, "split": "test", "profile": "clean", "gold": "Ийэ айылҕаны кытары тэҥҥэ алтыһарга, дьикти кэрэ айылҕалаах, баай историялаах, ытык сиргэ төрөөн-үөскээн олорорбутунан киэн тутта, харыстыы, араҥаччылыы сылдьар ытык иэстээхпитин умнуо суохтаахпыт !", "noisy": "Ийэ айылҕаны кытары тэҥҥэ алтыһарга, дьикти кэрэ айылҕалаах, баай историялаах, ытык сиргэ төрөөн-үөскээн олорорбутунан киэн тутта, харыстыы, араҥаччылыы сылдьар ытык иэстээхпитин умнуо суохтаахпыт !", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 505, "split": "dev", "profile": "ru_fold", "gold": "Онно мас кэрдэн, бары тыраахтардары туһанан, маһын түрүлүөпкэлээн, тиэйэн киллэрбиттэрэ.", "noisy": "Онно мас кэрдэн, бары тыраахтардары туhанан, маhын турулуопкэлээн, тиэйэн киллэрбиттэрэ.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 506, "split": "dev", "profile": "leontiev", "gold": "Ыарыһах эпэрээссийэ бириэмэтигэр ханнык да ыарыыны билбэтин туһугар үлэлиибит.", "noisy": "Ыарыьах эпэрээссийэ бириэмэтигэр ханнык да ыарыыны билбэтин туьугар улэлиибит.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 507, "split": "dev", "profile": "digits", "gold": "Попова Мэҥэ-Хаҥалас улууһун Майа сэлиэнньэтигэр 1950 с.", "noisy": "Попова Мэнэ-Ханалас улууhун Майа сэлиэнньэтигэр 1950 с.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 508, "split": "test", "profile": "mixed", "gold": "Донской аатынан СӨ идэ таһымын үрдэтэр эбии үөрэхтээһин автономнай тэрилтэтэ, «Юные якутяне» ресурснай киин тэрийдилэр.", "noisy": "Донской аатынан СО идэ тасымын yрдэтэр эбии y8рэхтээсин автономнай тэрилтэтэ, «Юные якутяне» ресурснай киин тэрийдилэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 509, "split": "test", "profile": "partial", "gold": "Гаджет содула таайан быһыылаах элбэх киһи хараҕынан эрэйдэнэр буолла.", "noisy": "Гаджет содула таайан быһыылаах элбэх киһи харагынан эрэйдэнэр буолла.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 510, "split": "test", "profile": "clean", "gold": "Үһүйээн этэринэн, Крит ыраахтааҕыта Минос көссүүлэһэрин наһаа сөбүлүүр эбит.", "noisy": "Үһүйээн этэринэн, Крит ыраахтааҕыта Минос көссүүлэһэрин наһаа сөбүлүүр эбит.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 511, "split": "test", "profile": "ru_fold", "gold": "Быһата, бу биһиги туспутугар аҥаардас үтүөнү эрэ оҥоро сылдьар айыы тыыннаах хотугу айылҕабыт – саха омугун үөскэппит-үүннэрбит, күн санаалаабыт, үтүө сүрэхтээбит биһигэ”.", "noisy": "Быhата, бу биhиги туспутугар анаардас утуону эрэ оноро сылдьар айыы тыыннаах хотугу айылгабыт – саха омугун уоскэппит-ууннэрбит, кун санаалаабыт, утуо сурэхтээбит биhигэ”.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 512, "split": "dev", "profile": "leontiev", "gold": "Бэйэтэ олоҥхону, оһуокайы, ол саҕанааҕы ырыалары уонна тойугу ыллыыра, ыччаттарга үөрэтэрэ\".", "noisy": "Бэйэтэ олонхону, оьуокайы, ол саганаагы ырыалары уонна тойугу ыллыыра, ыччаттарга уерэтэрэ\".", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 513, "split": "dev", "profile": "digits", "gold": "Ити кэнниттэн титирик үөрбэнэн өссө бултаары гынна баран, ыраах сылдьар буоламмын, таһаҕаһын абааһы көрөммүн тохтообутум.", "noisy": "Ити кэнниттэн титирик y8рбэнэн 8сс8 бултаары гынна баран, ыраах сылдьар буоламмын, таhа5аhын абааhы к8р8ммyн тохтообутум.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 514, "split": "test", "profile": "mixed", "gold": "Ол курдук, тыыннаах муусука доҕуһуоллаах кэнсиэртэр, испиктээктэр ыытыллыахтара», — диэн санаатын үллэһиннэ.", "noisy": "Ол курдук, тыыннаах муусука догуhуоллаах кэнсиэртэр, испиктээктэр ыытыллыахтара», — диэн санаатын уллэсиннэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 515, "split": "dev", "profile": "partial", "gold": "Ол курдук Таатта Тыараһатын баайа, уола Хаҥалас кыыһын ойох ылбыт уруутугар Ырыа Киргиэлэйи анаан аҕалтаран үс хонугу быһа ыллаппыта, олоҥхолоппута үһү.", "noisy": "Ол курдук Таатта Тыараһатын баайа, уола Ханалас кыыһын ойох ылбыт уруутугар Ырыа Киргиэлэйи анаан агалтаран үс хонугу быһа ыллаппыта, олонхолоппута үһү.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 516, "split": "test", "profile": "clean", "gold": "Төттөрү түһэн буолбакка, төттөрү төннөн, купцов диэн бука көннөрөн аах.", "noisy": "Төттөрү түһэн буолбакка, төттөрү төннөн, купцов диэн бука көннөрөн аах.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 517, "split": "test", "profile": "ru_fold", "gold": "1976 сыллаахха кыыс дойдутугар Ньурбаҕа көһөн кэлиэхтэриттэн манна олохсуйан олороллор.", "noisy": "1976 сыллаахха кыыс дойдутугар Ньурбага коhон кэлиэхтэриттэн манна олохсуйан олороллор.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 518, "split": "test", "profile": "leontiev", "gold": "Бу туһунан СӨ Ил Дарханын уонна Бырабыыталыстыбатын дьаһалтатын пресс-сулууспата иһитиннэрэр.", "noisy": "Бу туьунан СЕ Ил Дарханын уонна Бырабыыталыстыбатын дьаьалтатын пресс-сулууспата иьитиннэрэр.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 519, "split": "dev", "profile": "digits", "gold": "Оттон төлөпүөнүнэн сүбэҕэ-амаҕа биир симиэнэҕэ 100-кэ чугаһыыр оператор олорор.", "noisy": "Оттон т8л8пy8нyнэн сyбэ5э-ама5а биир симиэнэ5э 100-кэ чугаhыыр оператор олорор.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 520, "split": "dev", "profile": "mixed", "gold": "Армада Англия быдан кыра ол гынан баран сылбырҕа хараабылларын 1588 сыл от ыйын 29 күнүгэр көрсүбүтэ.", "noisy": "Армада Англия быдан кыра ол гынан баран сылбыр5а хараабылларын 1588 сыл от ыйын 29 кyнyгэр к8рсyбyтэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 521, "split": "test", "profile": "partial", "gold": "Хас биирдии киһи дьиэлээх-уоттаах, иитиллибит, төрөөбүт түөлбэлээх.", "noisy": "Хас биирдии киһи дьиэлээх-уоттаах, иитиллибит, төрөөбүт түөлбэлээх.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 522, "split": "dev", "profile": "clean", "gold": "Профкөрүүнү ааһар дьон ыарыһах дьону кытта алтыһыа суохтаахтар, туспа кабинет ирдэнэр.", "noisy": "Профкөрүүнү ааһар дьон ыарыһах дьону кытта алтыһыа суохтаахтар, туспа кабинет ирдэнэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 523, "split": "dev", "profile": "ru_fold", "gold": "Онон олоҥхобутун нэдиэлэ курдук эрэ күүскэ турунан эрчиллибиппит.", "noisy": "Онон олонхобутун нэдиэлэ курдук эрэ куускэ турунан эрчиллибиппит.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 524, "split": "test", "profile": "leontiev", "gold": "Асчыт кыргыттар кэпсииллэринэн, манна күҥҥэ 80 киһи тото-хана аһыыр.", "noisy": "Асчыт кыргыттар кэпсииллэринэн, манна куннэ 80 киьи тото-хана аьыыр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 525, "split": "test", "profile": "digits", "gold": "Оттон бу дьыл ахсынньы 4 күнүгэр Нам улууһун дьаһалтатыгар сокуон барылын дьүүллэһэр төгүрүк остуолу тэрийдэ.", "noisy": "Оттон бу дьыл ахсынньы 4 кyнyгэр Нам улууhун дьаhалтатыгар сокуон барылын дьyyллэhэр т8гyрyк остуолу тэрийдэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 526, "split": "test", "profile": "mixed", "gold": "Тоҕо диэтэххэ, электро саҥата биир кэм, кус кэллин да бардын, уларыйбат буоллаҕына, үрүллэр монуок тыыннаах дорҕоону таһарар, эн кинини хайдах баҕарар уларытыаххын сөп.", "noisy": "Тохо диэтэххэ, электро сангата биир кэм, кус кэллин да бардын, уларыйбат буоллагына, уруллэр монуок тыыннаах доргоону тасарар, эн кинини хайдах бахарар уларытыаххын соп.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 527, "split": "test", "profile": "partial", "gold": "Ол сүһүрэн, сытыйан, алдьанан бардаҕына, ханнык эрэ кэминэн барыта урусхалланан, сытыйан, туһаттан тахсыа буолбатах дуо?", "noisy": "Ол сүһүрэн, сытыйан, алдьанан бардагына, ханнык эрэ кэминэн барыта урусхалланан, сытыйан, туһаттан тахсыа буолбатах дуо?", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 528, "split": "dev", "profile": "clean", "gold": "Суруйааччы диэн үксүн суруйар үлэтэ сүрүн дьарыга буолбут, эбэтэр сүрүн дьарыктарыттан биирдэстэрэ буолбут киһини ааттыыллар.", "noisy": "Суруйааччы диэн үксүн суруйар үлэтэ сүрүн дьарыга буолбут, эбэтэр сүрүн дьарыктарыттан биирдэстэрэ буолбут киһини ааттыыллар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 529, "split": "test", "profile": "ru_fold", "gold": "— Москваҕа 4 эрэ балыыһа ковиды эмтиир дуо?", "noisy": "— Москвага 4 эрэ балыыhа ковиды эмтиир дуо?", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 530, "split": "test", "profile": "leontiev", "gold": "Билигин 9 төбөттөн 60-диэри астыыр буоллубут.", "noisy": "Билигин 9 тебеттен 60-диэри астыыр буоллубут.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 531, "split": "dev", "profile": "digits", "gold": "Кини миигин «Артек» лааҕырга бэркэ кыһаллан тэрийэн, үтүө тылларынан алҕаан ыыппытын өйдүүбүн.", "noisy": "Кини миигин «Артек» лаа5ырга бэркэ кыhаллан тэрийэн, yтy8 тылларынан ал5аан ыыппытын 8йдyyбyн.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 532, "split": "dev", "profile": "mixed", "gold": "Ууга барар кутталлаах 11 нэһилиэккэ барыта 5191 сүөһү, 9323 сылгы баар.", "noisy": "Ууга барар кутталлаах 11 нэсилиэккэ барыта 5191 суоhу, 9323 сылгы баар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 533, "split": "test", "profile": "partial", "gold": "Өлүөхүмэ улууһугар 23 ойуур баһаарын салгыы умуруораллар, мантан ааспыт сууккаҕа түспүт ардах кэнниттэн тохтуура күүтэллэр.", "noisy": "Өлүөхүмэ улууһугар 23 ойуур баһаарын салгыы умуруораллар, мантан ааспыт сууккага түспүт ардах кэнниттэн тохтуура күүтэллэр.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 534, "split": "test", "profile": "clean", "gold": "Оҕо туох интэриэстээҕинэн, туох идэлээх буолуон баҕарарынан сүбэ-соргу быһыытынан кэпсээтибит.", "noisy": "Оҕо туох интэриэстээҕинэн, туох идэлээх буолуон баҕарарынан сүбэ-соргу быһыытынан кэпсээтибит.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 535, "split": "test", "profile": "ru_fold", "gold": "Таһаҕаһы таһыыга таһаҕаһы таһыы, кинини Европа аэропорда, Лондон Хитро кэнниттэн (англ.", "noisy": "Таhагаhы таhыыга таhагаhы таhыы, кинини Европа аэропорда, Лондон Хитро кэнниттэн (англ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 536, "split": "dev", "profile": "leontiev", "gold": "Архыыпка Кэмпэндээйи лааҕырыттан куоппут дьону тутууга-хабыыга \"үтүөтүн\" иһин хайҕалга сылдьыбыт Василий Васильевич Тетерин диэн стрелок туһунан докумуоннар көһүннүлэр.", "noisy": "Архыыпка Кэмпэндээйи лаагырыттан куоппут дьону тутууга-хабыыга \"утуетун\" иьин хайгалга сылдьыбыт Василий Васильевич Тетерин диэн стрелок туьунан докумуоннар кеьуннулэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 537, "split": "dev", "profile": "digits", "gold": "Бириискэбитигэр Павлов диэн араспаанньалаах саха киһитэ баар, оҕолоох-ойохтоох ыал киһи.", "noisy": "Бириискэбитигэр Павлов диэн араспаанньалаах саха киhитэ баар, о5олоох-ойохтоох ыал киhи.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 538, "split": "dev", "profile": "mixed", "gold": "Атыттарга атыннык, сороҕор сыыйан, сыналытан, сороҕор лүһүгүрэтэн тыаһатыахтаахпын сатаабакка, тохтоппуттара, кими салҕыы соруйбуттарын өйдөөбөппүн.", "noisy": "Атыттарга атыннык, соро5ор сыыйан, сыналытан, соро5ор лусугyрэтэн тыаhатыахтаахпын сатаабакка, тохтоппуттара, кими салгыы соруйбуттарын ойдообоппyн.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 539, "split": "test", "profile": "partial", "gold": "Биллэн турар, ханнык да бэстибээл дьүүллүүр сүбэтэ суох ааспат.", "noisy": "Биллэн турар, ханнык да бэстибээл дьүүллүүр сүбэтэ суох ааспат.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 540, "split": "dev", "profile": "clean", "gold": "1922 — Автономнай өрөспүүбүлүкэ биллэриллибитэ биир ый ааспытын кэннэ Дьокуускай куоратыттан осаднай балаһыанньа уһуллубут.", "noisy": "1922 — Автономнай өрөспүүбүлүкэ биллэриллибитэ биир ый ааспытын кэннэ Дьокуускай куоратыттан осаднай балаһыанньа уһуллубут.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 541, "split": "test", "profile": "ru_fold", "gold": "Бу сыл бүтүөр диэри АЛРОСА ити киин нөҥүө 500 мөл.", "noisy": "Бу сыл бутуор диэри АЛРОСА ити киин нонуо 500 мол.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 542, "split": "dev", "profile": "leontiev", "gold": "Онно 4 киһи олоҥхолуурун өйдүүбүн: Ларионов Г.", "noisy": "Онно 4 киьи олонхолуурун ейдуубун: Ларионов Г.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 543, "split": "dev", "profile": "digits", "gold": "Таһырдьаттан эбии хардаҕас киллэрэн көмүлүөк оһоҕу толору симнилэр.", "noisy": "Таhырдьаттан эбии харда5ас киллэрэн к8мyлy8к оhо5у толору симнилэр.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 544, "split": "test", "profile": "mixed", "gold": "— Бу тэпилииссэлэргэ уопсайа 2 тыһыынча арассаада үүнэр.", "noisy": "— Бу тэпилииссэлэргэ уопсайа 2 тыhыынча арассаада уунэр.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 545, "split": "dev", "profile": "partial", "gold": "Нэһилиэк баһылыгын эбээһинэһин толорооччунан Олег Владимирович Николаев буолла.", "noisy": "Нэһилиэк баһылыгын эбээһинэһин толорооччунан Олег Владимирович Николаев буолла.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 546, "split": "test", "profile": "clean", "gold": "Ол эбэтэр, историяҕа “оннук эбитэ буоллар” (сослагательное наколонение) диэн суох — онон “Лөгөй таҥнарыахсыт этэ” диэн халы-мааргы эрэ дьоннор этэр кыахтаахтар.", "noisy": "Ол эбэтэр, историяҕа “оннук эбитэ буоллар” (сослагательное наколонение) диэн суох — онон “Лөгөй таҥнарыахсыт этэ” диэн халы-мааргы эрэ дьоннор этэр кыахтаахтар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 547, "split": "dev", "profile": "ru_fold", "gold": "\"Элбэх оҕолонортон куттанымаҥ!\" Спиридоновтар 2007 сыллаахха өрөспүүбүлүкэтээҕи \"Бастыҥ дьиэ кэргэн\" күрэскэ кыайбыттара.", "noisy": "\"Элбэх оголонортон куттаныман!\" Спиридоновтар 2007 сыллаахха ороспуубулукэтээги \"Бастын дьиэ кэргэн\" курэскэ кыайбыттара.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 548, "split": "dev", "profile": "leontiev", "gold": "Ильина сахалыы сон киэбин бэлэмнээн түҥэттэ, сүбэлэри биэрдэ.", "noisy": "Ильина сахалыы сон киэбин бэлэмнээн тунэттэ, субэлэри биэрдэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 549, "split": "test", "profile": "digits", "gold": "Куораттан аэропорка диэри массыынаҕа, автобуска, электричекаҕа тиийиэххэ сөп.", "noisy": "Куораттан аэропорка диэри массыына5а, автобуска, электричека5а тиийиэххэ с8п.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 550, "split": "dev", "profile": "mixed", "gold": "Бэйэтин бэйэтэ көрүнэ-дьаһана сылдьарга, сиэрдээх быһыыга-майгыга иитии, үтүөҕэ-кэрэҕэ уһуйуу.", "noisy": "Бэйэтин бэйэтэ к8рунэ-дьасана сылдьарга, сиэрдээх бысыыга-майгыга иитии, yту85э-кэрэ5э усуйуу.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 551, "split": "test", "profile": "partial", "gold": "Амма улууһугар сарсыарда 8 чаастан бары быыбардыыр учаастактар аһыллыннылар.", "noisy": "Амма улууһугар сарсыарда 8 чаастан бары быыбардыыр учаастактар аһыллыннылар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 552, "split": "test", "profile": "clean", "gold": "Таҥарианство итэҕэлинэн от ыйын Үөһээ 8-с Халлааҥҥа олохтоох улахан Айыы — Чыҥыс Хаан уонна Сирдээҕи Айыы — Уу иччитэ Уукун кыттыһан салайаллар.", "noisy": "Таҥарианство итэҕэлинэн от ыйын Үөһээ 8-с Халлааҥҥа олохтоох улахан Айыы — Чыҥыс Хаан уонна Сирдээҕи Айыы — Уу иччитэ Уукун кыттыһан салайаллар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 553, "split": "test", "profile": "ru_fold", "gold": "Туох-ханнык иннинэ, таҥас-сап, куйах-бөҕөх, оҕуруо-оһуор симэхтэр, бөҕөхтөр-кылдьыылар киинэни ураты киэргэтэллэр.", "noisy": "Туох-ханнык иннинэ, танас-сап, куйах-богох, огуруо-оhуор симэхтэр, богохтор-кылдьыылар киинэни ураты киэргэтэллэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 554, "split": "dev", "profile": "leontiev", "gold": "Итилэртэн итэҕэһэ суох төрүттээх атын Евангелиелар, Дьайыылар, Суруктар, Апокалипсистар этэллэринэн Иисус сирдээҕи апостолларынан суруллубуттар.", "noisy": "Итилэртэн итэгэьэ суох теруттээх атын Евангелиелар, Дьайыылар, Суруктар, Апокалипсистар этэллэринэн Иисус сирдээги апостолларынан суруллубуттар.", "source": "sah.wikipedia:Христианство"}
{"id": 555, "split": "test", "profile": "digits", "gold": "Бу оптуобустары уонна пассажирдары тиэйиини “Лена-транс” тэрилтэ сүрүннүүр.", "noisy": "Бу оптуобустары уонна пассажирдары тиэйиини “Лена-транс” тэрилтэ сyрyннyyр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 556, "split": "dev", "profile": "mixed", "gold": "Ахтыы: Биллиилээх фольклорист Афанасий Семенович Порядин орто олоҥхоһут быһыытынан биллэр.", "noisy": "Ахтыы: Биллиилээх фольклорист Афанасий Семенович Порядин орто олонхосут быhыытынан биллэр.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 557, "split": "dev", "profile": "partial", "gold": "Олохтоох бириэмэнэн күнүс 13.00 чааска саҕаланыа.", "noisy": "Олохтоох бириэмэнэн күнүс 13.00 чааска сагаланыа.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 558, "split": "test", "profile": "clean", "gold": "Эдьиий Дора, норуот эмчитэ: — Бастатан туран, мин эһиэхэ доруобуйаны баҕарабын.", "noisy": "Эдьиий Дора, норуот эмчитэ: — Бастатан туран, мин эһиэхэ доруобуйаны баҕарабын.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 559, "split": "dev", "profile": "ru_fold", "gold": "Ол сылдьан кытайдары, ньиэмэстэри кытары бодоруспут, үлэлэрин-хамнастарын билсибит, бэл диэтэр, аҕыйах тылы-өһү билбит, кэпсэтэргэ үөрэммит.", "noisy": "Ол сылдьан кытайдары, ньиэмэстэри кытары бодоруспут, улэлэрин-хамнастарын билсибит, бэл диэтэр, агыйах тылы-оhу билбит, кэпсэтэргэ уорэммит.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 560, "split": "dev", "profile": "leontiev", "gold": "-- Биллэн турар, сүрүн оруолу толорор эппиэтинэстээх.", "noisy": "-- Биллэн турар, сурун оруолу толорор эппиэтинэстээх.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 561, "split": "test", "profile": "digits", "gold": "Белокуров Күннэни ойох эрэ быһыытынан көрөрө, артыыс ойох наадата суоҕа.", "noisy": "Белокуров Кyннэни ойох эрэ быhыытынан к8р8р8, артыыс ойох наадата суо5а.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 562, "split": "test", "profile": "mixed", "gold": "- Сыра диэн киһи этин-сиинин ис күүһэ, быстар хамсаныыларын оҥоруута ааттанар.", "noisy": "- Сыра диэн киьи этин-сиинин ис кyyhэ, быстар хамсаныыларын онгоруута ааттанар.", "source": "sah.wikipedia:Күүс уонна хамсаныы"}
{"id": 563, "split": "dev", "profile": "partial", "gold": "Ыарахан туруктаах, оһолломмут ыарыһахтар төттөрү-таары таһыллалларыгар эрэйи үөскэтэр.", "noisy": "Ыарахан туруктаах, оһолломмут ыарыһахтар төттөрү-таары таһыллалларыгар эрэйи үөскэтэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 564, "split": "test", "profile": "clean", "gold": "Бу хам паанньалар бородууксуйалара үчүгэйдик батарыллар, сорохтор бэйэлэрэ маҕаһыыннардаахтар.", "noisy": "Бу хам паанньалар бородууксуйалара үчүгэйдик батарыллар, сорохтор бэйэлэрэ маҕаһыыннардаахтар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 565, "split": "test", "profile": "ru_fold", "gold": "Московскай искибиэргэ оҕолорго саахар баататын, шариктары босхо түҥэтэллэр, ойуулук дьоруойдара, роботтар хаартыскаҕа түһэллэр.", "noisy": "Московскай искибиэргэ оголорго саахар баататын, шариктары босхо тунэтэллэр, ойуулук дьоруойдара, роботтар хаартыскага туhэллэр.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 566, "split": "dev", "profile": "leontiev", "gold": "«Өрөспүүбүлүкэ исписэлиистэрэ туппут түргэн уонна хаачыстыбалаах эбийиэктэрэ элбэҕи этэллэр дии саныыбын.", "noisy": "«Ереспуубулукэ исписэлиистэрэ туппут тургэн уонна хаачыстыбалаах эбийиэктэрэ элбэги этэллэр дии саныыбын.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 567, "split": "dev", "profile": "digits", "gold": "Ол иһин сыбаайба былаачыйатын салонугар киирэн икки тэҥ өҥнөөх таҥаһы булбатаххытына — соһуйумаҥ!", "noisy": "Ол иhин сыбаайба былаачыйатын салонугар киирэн икки тэн 8нн88х танаhы булбатаххытына — соhуйуман!", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 568, "split": "dev", "profile": "mixed", "gold": "«Туймаада» атыы-эргиэн киинигэр баар маҕаһыыннар сэтинньи 25 күнүгэр табаардарын улаханнык чэпчэтиэхтэрэ.", "noisy": "«Туймаада» атыы-эргиэн киинигэр баар магасыыннар сэтинньи 25 кyнyгэр табаардарын улаханнык чэпчэтиэхтэрэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 569, "split": "dev", "profile": "partial", "gold": "“Туох барыта икки өрүттээх” диэн этиигэ сөп түбэһэн көрдөөһүн аһара барыыта “Көрдөөбүккүн ылыаҥ” диэҥҥэ тиийэн хааллаҕына, кэһэйии, онно-манна түбэһии кэлиэн сөп.", "noisy": "“Туох барыта икки өрүттээх” диэн этиигэ сөп түбэһэн көрдөөһүн аһара барыыта “Көрдөөбүккүн ылыан” диэннэ тиийэн хааллагына, кэһэйии, онно-манна түбэһии кэлиэн сөп.", "source": "sah.wikipedia:Көрдөбүл уонна ирдэбил"}
{"id": 570, "split": "dev", "profile": "clean", "gold": "Тыл күүһүнэн оҕо уус-уран толкуйун сайыннарыы.", "noisy": "Тыл күүһүнэн оҕо уус-уран толкуйун сайыннарыы.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 571, "split": "dev", "profile": "ru_fold", "gold": "— Гаврил, тыйаатырыҥ туһунан кэпсээ эрэ.", "noisy": "— Гаврил, тыйаатырын туhунан кэпсээ эрэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 572, "split": "dev", "profile": "leontiev", "gold": "Өскөтүн дьиэ кыыла (ыт, куоска) ыалдьыбыт сибикитэ билиннэҕинэ, бэтэринээргэ көрдөрөн эмтэтиллэр.", "noisy": "Ескетун дьиэ кыыла (ыт, куоска) ыалдьыбыт сибикитэ билиннэгинэ, бэтэринээргэ кердерен эмтэтиллэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 573, "split": "dev", "profile": "digits", "gold": "Модьууҥҥа ыалдьыбыт киһи төбөтүгэр тахсар эбит.", "noisy": "Модьуунна ыалдьыбыт киhи т8б8тyгэр тахсар эбит.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 574, "split": "test", "profile": "mixed", "gold": "Маны таһынан «Киир» тимэх аттыгар алтыһаан тылын уларытар тимэх баар.", "noisy": "Маны таhынан «Киир» тимэх аттыгар алтыьаан тылын уларытар тимэх баар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 575, "split": "dev", "profile": "partial", "gold": "Элбэх оҕо бу куруһуокка умсугуйан дьарыктаммыта, дьоҕурдаах, талааннаах хомусчуттар да бааллара.", "noisy": "Элбэх ого бу куруһуокка умсугуйан дьарыктаммыта, дьогурдаах, талааннаах хомусчуттар да бааллара.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 576, "split": "dev", "profile": "clean", "gold": "Ол курдук, тохсунньу томороон тымныытыттан толлубакка, бүгүн икки ыалга мас хайытан, үтүө дьыаланы саҕалаатылар.", "noisy": "Ол курдук, тохсунньу томороон тымныытыттан толлубакка, бүгүн икки ыалга мас хайытан, үтүө дьыаланы саҕалаатылар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 577, "split": "dev", "profile": "ru_fold", "gold": "Бу систиэмэ үчүгэйдик үөрэтиллибэккэ үрдүттэн таах киллэрии буолан өйдөммөт өрүтэ элбэх.", "noisy": "Бу систиэмэ учугэйдик уорэтиллибэккэ урдуттэн таах киллэрии буолан ойдоммот орутэ элбэх.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 578, "split": "dev", "profile": "leontiev", "gold": "Дьэ, мантан инньэ балаһыанньа өссө тыҥаан, күүркэйэн иһиэҕэ.", "noisy": "Дьэ, мантан инньэ балаьыанньа ессе тынаан, кууркэйэн иьиэгэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 579, "split": "test", "profile": "digits", "gold": "Анал сыһыарыыны бэлэмнээн таһаарда суруналыыс Женни Стрюкова.", "noisy": "Анал сыhыарыыны бэлэмнээн таhаарда суруналыыс Женни Стрюкова.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 580, "split": "dev", "profile": "mixed", "gold": "Күн бүгүн ууга былдьаныан сөптөөх нэһилиэктэргэ улуус үрдүнэн 5965 киһи олорор, олортон 14 саастарыгар диэри — 1811 оҕо.", "noisy": "Кун бугyн ууга былдьаныан с8птоох нэсилиэктэргэ улуус yрдунэн 5965 киси олорор, олортон 14 саастарыгар диэри — 1811 ого.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 581, "split": "test", "profile": "partial", "gold": "Сүрдээх ыараханнык олорбуттар, хоргуйан иҥин.", "noisy": "Сүрдээх ыараханнык олорбуттар, хоргуйан инин.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 582, "split": "test", "profile": "clean", "gold": "Үөрэххэ кыһамньыгытын ууран, билиигэ тардыһыаххыт диэн эрэнэбит.", "noisy": "Үөрэххэ кыһамньыгытын ууран, билиигэ тардыһыаххыт диэн эрэнэбит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 583, "split": "dev", "profile": "ru_fold", "gold": "Ити кэмҥэ хомуллубут олоҥхолортон \"Ньургун Бөҕө\" 2011 сыллаахха, профессор Илларионов В.", "noisy": "Ити кэмнэ хомуллубут олонхолортон \"Ньургун Бого\" 2011 сыллаахха, профессор Илларионов В.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 584, "split": "dev", "profile": "leontiev", "gold": "Кини “Украшение копыт крупно-рогатого скота” диэн дьон болҕомтотун тардар, ураты тиэмэҕэ чинчийэр үлэ суруйбут.", "noisy": "Кини “Украшение копыт крупно-рогатого скота” диэн дьон болгомтотун тардар, ураты тиэмэгэ чинчийэр улэ суруйбут.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 585, "split": "dev", "profile": "digits", "gold": "Оскуолабын бүтэрдэхпинэ мэдиссиинэ идэтигэр туттарсыахпын баҕарабын”, – диэн Өлөөн оройуонун Эйик орто оскуолатын 11-с кылааһын үөрэнээччитэ Александрия Сергеева санаатын үллэстэр.", "noisy": "Оскуолабын бyтэрдэхпинэ мэдиссиинэ идэтигэр туттарсыахпын ба5арабын”, – диэн 8л88н оройуонун Эйик орто оскуолатын 11-с кылааhын y8рэнээччитэ Александрия Сергеева санаатын yллэстэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 586, "split": "test", "profile": "mixed", "gold": "«Эн түбүгүрүмэ, барытын оҥоруохпут» диирбит, билигин санаатахха, кини санаата дьиэтигэр-уотугар эбит.", "noisy": "«Эн тубугурyмэ, барытын онгоруохпут» диирбит, билигин санаатахха, кини санаата дьиэтигэр-уотугар эбит.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 587, "split": "test", "profile": "partial", "gold": "Оттон миэхэ тыйаатыр – сүрүн үлэм, киинэ – иккис былааҥҥа.", "noisy": "Оттон миэхэ тыйаатыр – сүрүн үлэм, киинэ – иккис былаанна.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 588, "split": "test", "profile": "clean", "gold": "Нам улууһа турар сирэ табыгастааҕынан, киэҥ бааһыналардааҕынан, гаас ситимэ тардыллыбытынан сир оҥоруутугар, үүнээйи салаатыгар ылсан дьарыктаналларыгар, онуоха биир бастакынан сир боппуруоһун быһааралларыгар баҕарда.", "noisy": "Нам улууһа турар сирэ табыгастааҕынан, киэҥ бааһыналардааҕынан, гаас ситимэ тардыллыбытынан сир оҥоруутугар, үүнээйи салаатыгар ылсан дьарыктаналларыгар, онуоха биир бастакынан сир боппуруоһун быһааралларыгар баҕарда.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 589, "split": "test", "profile": "ru_fold", "gold": "Ольга Семеновнаны үрдүк наҕарааданан ис сүрэхпиттэн эҕэрдэлиибин, үчүгэй доруобуйаны, уһун дьоллоох олоҕу баҕарабын.", "noisy": "Ольга Семеновнаны урдук нагарааданан ис сурэхпиттэн эгэрдэлиибин, учугэй доруобуйаны, уhун дьоллоох ологу багарабын.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 590, "split": "test", "profile": "leontiev", "gold": "Билиҥҥи кэмҥэ бу саамай табыгастаах, туттуллар матырыйаал.", "noisy": "Билинни кэмнэ бу саамай табыгастаах, туттуллар матырыйаал.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 591, "split": "test", "profile": "digits", "gold": "Аара «тыраасса иччитин» — Сөрүөскэни — уохтаах чекушканан айах тутуохтаахпыт.", "noisy": "Аара «тыраасса иччитин» — С8рy8скэни — уохтаах чекушканан айах тутуохтаахпыт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 592, "split": "test", "profile": "mixed", "gold": "Дойду үрдүнэн 37 филиаллааҕыттан биирэ — биһиги буолабыт.", "noisy": "Дойду урдyнэн 37 филиаллаагыттан биирэ — биhиги буолабыт.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 593, "split": "test", "profile": "partial", "gold": "Ол эбэтэр ити 1-кы нүөмэрдээх сорукпутунан буолар.", "noisy": "Ол эбэтэр ити 1-кы нүөмэрдээх сорукпутунан буолар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 594, "split": "test", "profile": "clean", "gold": "Алын кылаастан саҕалаан оскуоланы бүтэриэхпэр диэри \"Инникигэ хардыы\" научно-практическай конференцияҕа үлэ бөҕөтүн үлэлэлээн, ситиһии бөҕөтүн ылбыппыт, ол кэмнэри наһаа истиҥник, сылаастык саныыбын.", "noisy": "Алын кылаастан саҕалаан оскуоланы бүтэриэхпэр диэри \"Инникигэ хардыы\" научно-практическай конференцияҕа үлэ бөҕөтүн үлэлэлээн, ситиһии бөҕөтүн ылбыппыт, ол кэмнэри наһаа истиҥник, сылаастык саныыбын.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 595, "split": "test", "profile": "ru_fold", "gold": "Бу планета күүстээх өйү-санааны, иһирэх дууһаны, эппиэтинэстээх буолууну биэрэр.", "noisy": "Бу планета куустээх ойу-санааны, иhирэх дууhаны, эппиэтинэстээх буолууну биэрэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 596, "split": "dev", "profile": "leontiev", "gold": "Хаптаҕай нэһилиэгиттэн төрүттээх олоҥхоһут Романов Павел Григорьевич кыыһа Романова Анна Павловна, үлэ, тыыл ветерана, \"Бочуот знага\" орден ковалера, 87 саастаах.", "noisy": "Хаптагай нэьилиэгиттэн теруттээх олонхоьут Романов Павел Григорьевич кыыьа Романова Анна Павловна, улэ, тыыл ветерана, \"Бочуот знага\" орден ковалера, 87 саастаах.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 597, "split": "dev", "profile": "digits", "gold": "Онон аҕыйах мүнүүтэ иһигэр ыарыыларын кытары быраһаайдаһан, көрөлллөрө тупсубут дьон үөрэн-көтөн, махтанан бардылар.", "noisy": "Онон а5ыйах мyнyyтэ иhигэр ыарыыларын кытары быраhаайдаhан, к8р8ллл8р8 тупсубут дьон y8рэн-к8т8н, махтанан бардылар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 598, "split": "dev", "profile": "mixed", "gold": "Аҕам табалар суолларын хайан көрөн баран \"адьас ыраахтан кэлбиттэр\" диэн быһаарда.", "noisy": "Агам табалар суолларын хайан к8р8н баран \"адьас ыраахтан кэлбиттэр\" диэн быьаарда.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 599, "split": "test", "profile": "partial", "gold": "Бары үлэҕэ устудьуоннар улахан күүс-көмө буолаллар, кинилэр манна сылдьан элбэҕи билэллэр-көрөллөр.", "noisy": "Бары үлэгэ устудьуоннар улахан күүс-көмө буолаллар, кинилэр манна сылдьан элбэги билэллэр-көрөллөр.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 600, "split": "test", "profile": "clean", "gold": "Оттон иккиэннэрин тэҥҥэ ыыттахха, 8 киилэ отону хомуйаллара саарбах ээ…", "noisy": "Оттон иккиэннэрин тэҥҥэ ыыттахха, 8 киилэ отону хомуйаллара саарбах ээ…", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 601, "split": "test", "profile": "ru_fold", "gold": "Мииринэй сиригэр, Марха өрүс тардыытыгар ядернай дэлби тэптэриилэр ыырдара-дьаардара сир аннынааҕы тымырдарынан тарҕаммыт буолуохтаах.", "noisy": "Мииринэй сиригэр, Марха орус тардыытыгар ядернай дэлби тэптэриилэр ыырдара-дьаардара сир аннынаагы тымырдарынан таргаммыт буолуохтаах.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 602, "split": "dev", "profile": "leontiev", "gold": "Олохтоохтор онно-манна көһөр, кэлэр-барар буоллахтарына, ас-таҥас, туттар-бөҕөргөтүнэр мал саппааһын хааччынныннар диэн, үлэһиттэр хамнастарын уонна биэнсийэни эрдэ биэртэлээтилэр.", "noisy": "Олохтоохтор онно-манна кеьер, кэлэр-барар буоллахтарына, ас-танас, туттар-бегергетунэр мал саппааьын хааччынныннар диэн, улэьиттэр хамнастарын уонна биэнсийэни эрдэ биэртэлээтилэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 603, "split": "dev", "profile": "digits", "gold": "Кыргыттар сэттэ мүнүүтэ иһигэр миниистир мэтириэтин уруһуйдуу оҕустулар.", "noisy": "Кыргыттар сэттэ мyнyyтэ иhигэр миниистир мэтириэтин уруhуйдуу о5устулар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 604, "split": "dev", "profile": "mixed", "gold": "Сайылыкка бары көһөн киирбиттэрин кэннэ биир үтүө күн Алексей Прокопьевич ыччаттары түмэн булгунньах үрдүгэр тахсан Мэхээлэ Барашков олоҥхотун истибиттэр уонна сүбэлэһэн туруорарга быһаарбыттара.", "noisy": "Сайылыкка бары к8сон киирбиттэрин кэннэ биир yтyо кун Алексей Прокопьевич ыччаттары тyмэн булгунньах урдугэр тахсан Мэхээлэ Барашков олонгхотун истибиттэр уонна сyбэлэьэн туруорарга быьаарбыттара.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 605, "split": "test", "profile": "partial", "gold": "Петр Николаевиһчка \"ыл, түргэнник биэлсэри булан аҕала оҕус\" диэтим.", "noisy": "Петр Николаевиһчка \"ыл, түргэнник биэлсэри булан агала огус\" диэтим.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 606, "split": "dev", "profile": "clean", "gold": "Үлэҕэ үөрэммэтэх, төрөппүт бэлэмигэр иитиллибит оҕо кэнникитин ыарахаттарга түбэстэҕинэ сөптөөх суолу-ииһи кыайан тобулбат, ол түмүгэр сыыһа суолунан барар холобура бу олоххо элбэх.", "noisy": "Үлэҕэ үөрэммэтэх, төрөппүт бэлэмигэр иитиллибит оҕо кэнникитин ыарахаттарга түбэстэҕинэ сөптөөх суолу-ииһи кыайан тобулбат, ол түмүгэр сыыһа суолунан барар холобура бу олоххо элбэх.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 607, "split": "dev", "profile": "ru_fold", "gold": "Бу оҥоһуллар кинигэ, барыллааһын аата \"Мэҥэ-Хаҥалас улууһун олоҥхоһуттара, олоҥхону туруорааччылара, толорооччулара\" диэн буолуон сөп.", "noisy": "Бу оноhуллар кинигэ, барыллааhын аата \"Мэнэ-Ханалас улууhун олонхоhуттара, олонхону туруорааччылара, толорооччулара\" диэн буолуон соп.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 608, "split": "dev", "profile": "leontiev", "gold": "Туйаара Егоровна иитээччилээх иккис дьиэ кэргэн бөлөҕөр тиксибитим.", "noisy": "Туйаара Егоровна иитээччилээх иккис дьиэ кэргэн белегер тиксибитим.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 609, "split": "test", "profile": "digits", "gold": "Күүс диэн эт-сиин туруору күүһэ этиллэр, бу күүс уларыйыыта, эбиллиитэ эт-сиин туругуттан, төһө элбэҕиттэн быһаччы тутулуктанар: - Сылаа.", "noisy": "Кyyс диэн эт-сиин туруору кyyhэ этиллэр, бу кyyс уларыйыыта, эбиллиитэ эт-сиин туругуттан, т8h8 элбэ5иттэн быhаччы тутулуктанар: - Сылаа.", "source": "sah.wikipedia:Күүс уонна хамсаныы"}
{"id": 610, "split": "dev", "profile": "mixed", "gold": "СӨ тутуу министиэристибэтэ атын тутуу хампаанньаларын кытары үлэлэһэрин түмүгэр, икки дьиэҕэ үлэ салҕанар.", "noisy": "С8 тутуу министиэристибэтэ атын тутуу хампаанньаларын кытары улэлэhэрин тумyгэр, икки дьиэхэ yлэ салганар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 611, "split": "dev", "profile": "partial", "gold": "Биһиги саҕана үөрэхпит олус да үчүгэй уһуйар соруктардааҕа.", "noisy": "Биһиги сагана үөрэхпит олус да үчүгэй уһуйар соруктардаага.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 612, "split": "test", "profile": "clean", "gold": "Ол иһин ыарыы саҕаламмыта билиннэр эрэ, ыарыыга ылларбыт сордоохтору олохтоохтор, аһыммакка-хараһыйбакка, сааһыттан, дьахтарыттан-эр киһититтэн тутулуга суох, бэйэлэриттэн үүрэллэрэ, кыйдыыллара.", "noisy": "Ол иһин ыарыы саҕаламмыта билиннэр эрэ, ыарыыга ылларбыт сордоохтору олохтоохтор, аһыммакка-хараһыйбакка, сааһыттан, дьахтарыттан-эр киһититтэн тутулуга суох, бэйэлэриттэн үүрэллэрэ, кыйдыыллара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 613, "split": "dev", "profile": "ru_fold", "gold": "Ол курдук, оҕо 1 сааһыгар 10-тан тахса тылы саҥарар буолуохтааҕын, билиҥҥи төрөппүт оҕотун кытары кэпсэтэр оннугар төлөпүөнүнэн сааратан, оҕото 3-4-5 сааһыгар дьэ тылланарын бэлиэтээтэ.", "noisy": "Ол курдук, ого 1 сааhыгар 10-тан тахса тылы санарар буолуохтаагын, билинни тороппут оготун кытары кэпсэтэр оннугар толопуонунэн сааратан, огото 3-4-5 сааhыгар дьэ тылланарын бэлиэтээтэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 614, "split": "dev", "profile": "leontiev", "gold": "Абаҕам сааһыран баран өлбүтэ, 1964 1965 сс.", "noisy": "Абагам сааьыран баран елбутэ, 1964 1965 сс.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 615, "split": "test", "profile": "digits", "gold": "«Улууспутугар гааз киирэрэ буоллар, үөрүүбүт муҥура суох буолуо этэ» диэн баҕа санааларын этэллэр.", "noisy": "«Улууспутугар гааз киирэрэ буоллар, y8рyyбyт мунура суох буолуо этэ» диэн ба5а санааларын этэллэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 616, "split": "dev", "profile": "mixed", "gold": "Бу туһунан СИА-ҕа үөрэх министиэристибэтин пресс-сулууспата иһитиннэрэр.", "noisy": "Бу туhунан СИА-ха y8рэх министиэристибэтин пресс-сулууспата иьитиннэрэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 617, "split": "test", "profile": "partial", "gold": "Дьоҥҥо ыҥырыыга сылдьан үгүстүк үлэлиирин өйдүүбүн.", "noisy": "Дьонно ынырыыга сылдьан үгүстүк үлэлиирин өйдүүбүн.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 618, "split": "dev", "profile": "clean", "gold": "Оннооҕор сорох төрөппүттэр тыаҕа дьиэлэрин-уоттарын, сүөһүлэрин-астарын быраҕан, оҕолорун үөрэттэрэр аатыран, куоракка көһөн киирэллэр.", "noisy": "Оннооҕор сорох төрөппүттэр тыаҕа дьиэлэрин-уоттарын, сүөһүлэрин-астарын быраҕан, оҕолорун үөрэттэрэр аатыран, куоракка көһөн киирэллэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 619, "split": "test", "profile": "ru_fold", "gold": "Холобур, ньирэй көрүүгэ 1100 солкуобайы ылбытыттан 700 солкуобайын хамнаска, 400 солкуобайын хаһаайыстыба туһатыгар тыырар.", "noisy": "Холобур, ньирэй коруугэ 1100 солкуобайы ылбытыттан 700 солкуобайын хамнаска, 400 солкуобайын хаhаайыстыба туhатыгар тыырар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 620, "split": "test", "profile": "leontiev", "gold": "Үтүөнү оҥорортон киһи астыныыны, дуоһуйууну ылар, ким эрэ эн үлэлээбиккиттэн үөрэрэ күүскэ күүс эбэр…", "noisy": "Утуену онорортон киьи астыныыны, дуоьуйууну ылар, ким эрэ эн улэлээбиккиттэн уерэрэ куускэ куус эбэр…", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 621, "split": "test", "profile": "digits", "gold": "Аны туран, судаарыстыбаннай бэликилииньикэлэргэ МРТ-га түһэргэ анал толуону күүтүү диэн баар.", "noisy": "Аны туран, судаарыстыбаннай бэликилииньикэлэргэ МРТ-га тyhэргэ анал толуону кyyтyy диэн баар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 622, "split": "test", "profile": "mixed", "gold": "Олоҥхоҕо туох баар аймахтар мустаннар, үгүс сүөһүнү өлөрөннөр үс күннээх түүн сынньалаҥы билбэккэ аһаабыттара-көрүлээбиттэрэ, хойууларыгар бөппүттэрэ, убаҕастарыгар чачайбыттара хоһуллар.", "noisy": "Олонхохо туох баар аймахтар мустаннар, yгус су8суну 8лор8ннор yс куннээх туyн сынньаланы билбэккэ аhаабыттара-к8рyлээбиттэрэ, хойууларыгар б8ппyттэрэ, убагастарыгар чачайбыттара хосуллар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 623, "split": "dev", "profile": "partial", "gold": "Тоойук оччоҕо даҕаны аҕамсыйа барбыт киһи этэ.", "noisy": "Тоойук оччого даганы агамсыйа барбыт киһи этэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 624, "split": "test", "profile": "clean", "gold": "Биһиги республикабыт аһаҕас ампаарга кубулуйбута.", "noisy": "Биһиги республикабыт аһаҕас ампаарга кубулуйбута.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 625, "split": "dev", "profile": "ru_fold", "gold": "саҥа миэстэни таһаарар наадатын иһитиннэрдэ.", "noisy": "сана миэстэни таhаарар наадатын иhитиннэрдэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 626, "split": "test", "profile": "leontiev", "gold": "Итини этэн туран, чопчу бүгүн суһаллык быһаарыллары ирдиир тирээн турар сүрүн боппуруоспут — үүннэрэр бородууксуйабытын соҕотуопкалааһын уонна батарыы.", "noisy": "Итини этэн туран, чопчу бугун суьаллык быьаарыллары ирдиир тирээн турар сурун боппуруоспут — ууннэрэр бородууксуйабытын соготуопкалааьын уонна батарыы.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 627, "split": "test", "profile": "digits", "gold": "Бириэмэ биллибэтинэн, күнүс 12.00 чаас буола оҕуста.", "noisy": "Бириэмэ биллибэтинэн, кyнyс 12.00 чаас буола о5уста.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 628, "split": "dev", "profile": "mixed", "gold": "Кыайыы күнүн үөрүүтэ Кэрэ кэммит кэрчигэ, Салют уотун чаҕыла Таптал кыымын ыһара.", "noisy": "Кыайыы кунyн yоруyтэ Кэрэ кэммит кэрчигэ, Салют уотун ча5ыла Таптал кыымын ысара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 629, "split": "dev", "profile": "partial", "gold": "Холобур, кэргэним – мин баҕа санаабын, оттон мин кини баҕа санаатын толорорго көмөлөһөбүт.", "noisy": "Холобур, кэргэним – мин бага санаабын, оттон мин кини бага санаатын толорорго көмөлөһөбүт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 630, "split": "dev", "profile": "clean", "gold": "Биһиги сэлиэнньэбитигэр кэлиҥҥи кэмҥэ эдэр ыаллар саха төрүт дьарыгар — сүөһү иитиитигэр ылсан эрэллэрэ киһини үөрдэр эрэ.", "noisy": "Биһиги сэлиэнньэбитигэр кэлиҥҥи кэмҥэ эдэр ыаллар саха төрүт дьарыгар — сүөһү иитиитигэр ылсан эрэллэрэ киһини үөрдэр эрэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 631, "split": "test", "profile": "ru_fold", "gold": "Бу пуонданан бүддьүөтү таһынан үбүлээһини барытын соҥнообокко, саамай тутаах эрэ сыалга туттуллар көрүҥнэргэ үбүлүүр соруктуохха.", "noisy": "Бу пуонданан буддьуоту таhынан убулээhини барытын соннообокко, саамай тутаах эрэ сыалга туттуллар коруннэргэ убулуур соруктуохха.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 632, "split": "dev", "profile": "leontiev", "gold": "Маныаха манна куорат эрэ олохтоохторо буолбакка, Саха сирин хайа баҕарар муннугуттан кэлэн оҕолонор, кырачааҥҥа күн сирин көрдөрөр кыахтаахтар.", "noisy": "Маныаха манна куорат эрэ олохтоохторо буолбакка, Саха сирин хайа багарар муннугуттан кэлэн оголонор, кырачаанна кун сирин кердерер кыахтаахтар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 633, "split": "test", "profile": "digits", "gold": "Ойуунускай «Дойду оҕото Дорогуунап Ньукулайга» – Ньоондоор кулуба, Чингиз Айтматов «Хаарыан хампа күөх кытылым» – Мылгун, Иван Гоголев «Наара суоҕар» – Баачыка, о.д.а.", "noisy": "Ойуунускай «Дойду о5ото Дорогуунап Ньукулайга» – Ньоондоор кулуба, Чингиз Айтматов «Хаарыан хампа кy8х кытылым» – Мылгун, Иван Гоголев «Наара суо5ар» – Баачыка, о.д.а.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 634, "split": "test", "profile": "mixed", "gold": "Кини туох ааттааҕын-сололооҕун билбэппин эрээри, бу үлэтинэн кини саха омук култууратын лаппа үөһэ таһаарда.", "noisy": "Кини туох ааттаагын-сололоохун билбэппин эрээри, бу yлэтинэн кини саха омук култууратын лаппа уосэ таьаарда.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 635, "split": "dev", "profile": "partial", "gold": "колхозка сүөһү, сылгы боруодатын тупсарыы, сүөһү турар үчүгэй хотоннорун тутуоҕуҥ оччоҕо эрэ сүөһүгэ өлүүтэ-сүтүүтэ тохтуоҕа диирэ.", "noisy": "колхозка сүөһү, сылгы боруодатын тупсарыы, сүөһү турар үчүгэй хотоннорун тутуогун оччого эрэ сүөһүгэ өлүүтэ-сүтүүтэ тохтуога диирэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 636, "split": "dev", "profile": "clean", "gold": "Өрөспүүбүлүкэ баһылыга бырабыыталыстыба чилиэннэрин кытта туспа анаан-минээн көрсүһүөҕэ.", "noisy": "Өрөспүүбүлүкэ баһылыга бырабыыталыстыба чилиэннэрин кытта туспа анаан-минээн көрсүһүөҕэ.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 637, "split": "test", "profile": "ru_fold", "gold": "САНЫАҤ БҮГҮН ХАЙААН ДА Ахтар диэни даҕаны Сайҕаатаҕа кэм кэрдии, Ытыыр диэни даҕаны Уоскуттулар ырыалар.", "noisy": "САНЫАН БУГУН ХАЙААН ДА Ахтар диэни даганы Сайгаатага кэм кэрдии, Ытыыр диэни даганы Уоскуттулар ырыалар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 638, "split": "dev", "profile": "leontiev", "gold": "Ууруна (руна) битиг кистэлэҥэ арыллан оһуор-бичик саһыаран илдьэ сылдьыбыт сакральнай билиилэрин оһуорга баар бэлиэлэринэн уонна символларынан сирдэтэн ааҕар кыаҕы ыллыбыт.", "noisy": "Ууруна (руна) битиг кистэлэнэ арыллан оьуор-бичик саьыаран илдьэ сылдьыбыт сакральнай билиилэрин оьуорга баар бэлиэлэринэн уонна символларынан сирдэтэн аагар кыагы ыллыбыт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 639, "split": "test", "profile": "digits", "gold": "Кинигэни сэргээччи, суруйууну сэҥээрээччи үксүү турар эбээт.", "noisy": "Кинигэни сэргээччи, суруйууну сэнээрээччи yксyy турар эбээт.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 640, "split": "test", "profile": "mixed", "gold": "1 Агай – татаардыы аҕа саастаах киһини ытыктабыллаахтык ааттааһын.", "noisy": "1 Агай – татаардыы аха саастаах киьини ытыктабыллаахтык ааттааhын.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 641, "split": "test", "profile": "partial", "gold": "Сааскы өрүс уутугар кыдьымахтар аймана усталларын курдук, арҕааттан халлаан оройунан быстах былыттар айманаллар.", "noisy": "Сааскы өрүс уутугар кыдьымахтар аймана усталларын курдук, аргааттан халлаан оройунан быстах былыттар айманаллар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 642, "split": "test", "profile": "clean", "gold": "Сир титирэстээн, ойуур өрө эккирээн ылбыта.", "noisy": "Сир титирэстээн, ойуур өрө эккирээн ылбыта.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 643, "split": "dev", "profile": "ru_fold", "gold": "Федеральнай бырайыак Быйылгы мунньах тиэмэтэ – “Саха сирин саҥа үөрэҕэ”.", "noisy": "Федеральнай бырайыак Быйылгы мунньах тиэмэтэ – “Саха сирин сана уорэгэ”.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 644, "split": "test", "profile": "leontiev", "gold": "«Стальмост» диэн Тюмень собуотугар билигин сыбаайа тирэҕин оҥорорго 1473 туонна металлоконструкция оҥоһуллубут.", "noisy": "«Стальмост» диэн Тюмень собуотугар билигин сыбаайа тирэгин онорорго 1473 туонна металлоконструкция оноьуллубут.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 645, "split": "test", "profile": "digits", "gold": "Субсидияны биэрэр сүрүн усулуобуйатынан тэрилтэлэри оннунан хаалларыы буолар – кулун тутар ыйынааҕы дааннайынан киһитин ахсаанын 90%-тан итэҕэһэ суох хаалларыы буолара ирдэнэр.", "noisy": "Субсидияны биэрэр сyрyн усулуобуйатынан тэрилтэлэри оннунан хаалларыы буолар – кулун тутар ыйынаа5ы дааннайынан киhитин ахсаанын 90%-тан итэ5эhэ суох хаалларыы буолара ирдэнэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 646, "split": "test", "profile": "mixed", "gold": "Көрсүө, сэмэй киһи баҕа санаатын үлэлээн толорор кыахтааҕыттан дьолу билиитэ элбиир кыахтанар.", "noisy": "К8рсy8, сэмэй киси ба5а санаатын yлэлээн толорор кыахтаагыттан дьолу билиитэ элбиир кыахтанар.", "source": "sah.wikipedia:Сахалар олохторун үөрэҕин тутуспат буолуу"}
{"id": 647, "split": "dev", "profile": "partial", "gold": "Кини ааспыт күһүн кэргэниттэн арахсан барыаҕыттан ийэтигэр олорор.", "noisy": "Кини ааспыт күһүн кэргэниттэн арахсан барыагыттан ийэтигэр олорор.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 648, "split": "dev", "profile": "clean", "gold": "Оҕонньор күөлү көрөн олорон баран үөһэ тыынна: «Эн кырдьаҕастары убаастыыгын, онон кэпсиим даҕаны…", "noisy": "Оҕонньор күөлү көрөн олорон баран үөһэ тыынна: «Эн кырдьаҕастары убаастыыгын, онон кэпсиим даҕаны…", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 649, "split": "test", "profile": "ru_fold", "gold": "Ефремов кинини бэйэтин оннугар хаалларар баҕалааҕа, ол эрэн Леонид экс-миниистир туһатыгар кандидатуратын уһуларын биллэрдэ.", "noisy": "Ефремов кинини бэйэтин оннугар хаалларар багалаага, ол эрэн Леонид экс-миниистир туhатыгар кандидатуратын уhуларын биллэрдэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 650, "split": "test", "profile": "leontiev", "gold": "– Биһиги уонна да атын оҥорон таһаарааччылар бары кэриэтэ тылы “майлар” диэн таас уонна пластик икки ардынан матырыйаалтан оҥоробут.", "noisy": "– Биьиги уонна да атын онорон таьаарааччылар бары кэриэтэ тылы “майлар” диэн таас уонна пластик икки ардынан матырыйаалтан оноробут.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 651, "split": "dev", "profile": "digits", "gold": "Степанов-Ноорой дойдулара, Мэҥэ-Хаҥалас улууһа, олоҥхо утумнаан киэҥник тарҕаммыт уонна ситимнээхтик сайдыбыт түөлбэлэриттэн биир бастыҥнара буолар.", "noisy": "Степанов-Ноорой дойдулара, Мэнэ-Ханалас улууhа, олонхо утумнаан киэнник тар5аммыт уонна ситимнээхтик сайдыбыт тy8лбэлэриттэн биир бастыннара буолар.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 652, "split": "test", "profile": "mixed", "gold": "Маны оҕо оронун булбутун кэннэ оҥорор ордук.", "noisy": "Маны о5о оронун булбутун кэннэ онгорор ордук.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 653, "split": "dev", "profile": "partial", "gold": "Онно Боруукаан Өлөксөй, Сааба Ньукулааһа, Ньыла Байбал, Батаҥа Ньукулай диэн олоҥхоһуттар, сахалыы ырыаһыттар ыҥырыллыбыттарыттан Батаҥа Ньукулай ырыатын-тойугун, куолаһын сэргии истибитэ диэбиттээх.", "noisy": "Онно Боруукаан Өлөксөй, Сааба Ньукулааһа, Ньыла Байбал, Батана Ньукулай диэн олонхоһуттар, сахалыы ырыаһыттар ынырыллыбыттарыттан Батана Ньукулай ырыатын-тойугун, куолаһын сэргии истибитэ диэбиттээх.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 654, "split": "test", "profile": "clean", "gold": "Ол эрээри үгүс дьон бу күн бэйэтэ эрэ баарын билэн алдьанар, оттон биир эмит киьи олох диэн атын бүгүҥҥэннэн бүппэтин билэр.", "noisy": "Ол эрээри үгүс дьон бу күн бэйэтэ эрэ баарын билэн алдьанар, оттон биир эмит киьи олох диэн атын бүгүҥҥэннэн бүппэтин билэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 655, "split": "dev", "profile": "ru_fold", "gold": "Өскөтүн ол түмүгүнэн эрдэ сөптөөх сайабылыланньа туттарыллыбыта бигэргэннэҕинэ, учаастактааҕы хамыыһыйа быыбардыыр киһи ханна баарынан тиһиккэ киллэрэр.", "noisy": "Оскотун ол тумугунэн эрдэ соптоох сайабылыланньа туттарыллыбыта бигэргэннэгинэ, учаастактаагы хамыыhыйа быыбардыыр киhи ханна баарынан тиhиккэ киллэрэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 656, "split": "test", "profile": "leontiev", "gold": "Аттыгар үөрүүгүн үллэстэр чугас дьонуҥ суох буоллахтарына, олох туох да ис хоһооно суох буолар быһыылаах.", "noisy": "Аттыгар уеруугун уллэстэр чугас дьонун суох буоллахтарына, олох туох да ис хоьооно суох буолар быьыылаах.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 657, "split": "dev", "profile": "digits", "gold": "Ырыаһыт быһыытынан «Атыыр оҕус ырыата», «Тураах ырыата», «Мыла урэх ырыата» \"Саха норуодунай ырыалара\" кинигэҕэ киирбиттэрэ.", "noisy": "Ырыаhыт быhыытынан «Атыыр о5ус ырыата», «Тураах ырыата», «Мыла урэх ырыата» \"Саха норуодунай ырыалара\" кинигэ5э киирбиттэрэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 658, "split": "test", "profile": "mixed", "gold": "Миниистир Сергей Кравцов ыам ыйынааҕы бырааһынньыктар кэннилэриттэн биллиэҕэ диэн иһитиннэрбитэ.", "noisy": "Миниистир Сергей Кравцов ыам ыйынаахы бырааьынньыктар кэннилэриттэн биллиэгэ диэн иситиннэрбитэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 659, "split": "dev", "profile": "partial", "gold": "Бу ат тоннаҕа тиийэр таһаҕаһы тардар Ааллаахха сылдьыбыт аттарга бастыҥнара буолбут.", "noisy": "Бу ат тоннага тиийэр таһагаһы тардар Ааллаахха сылдьыбыт аттарга бастыннара буолбут.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 660, "split": "dev", "profile": "clean", "gold": "Ол туһунан брифиҥҥэ ыстаап салайааччыта Айыл Дьулурҕа иһитиннэрдэ.", "noisy": "Ол туһунан брифиҥҥэ ыстаап салайааччыта Айыл Дьулурҕа иһитиннэрдэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 661, "split": "dev", "profile": "ru_fold", "gold": "Ол иһин буолуо, өйбүттэн-санаабыттан сүппэт.", "noisy": "Ол иhин буолуо, ойбуттэн-санаабыттан суппэт.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 662, "split": "dev", "profile": "leontiev", "gold": "Федеральнай сокуоҥҥа ааспыт сыл от ыйыгар киирбит уларыйыыларынан, РФ Бэрэсидьиэнин быыбарыгар көхтөөхтүк кыттар туһуттан быыбарга олорор (бэрэпиискэлээх) сиргинэн эрэ буолбакка, ханна бааргынан куоластыырыҥ көҥүллэнэр.", "noisy": "Федеральнай сокуонна ааспыт сыл от ыйыгар киирбит уларыйыыларынан, РФ Бэрэсидьиэнин быыбарыгар кехтеехтук кыттар туьуттан быыбарга олорор (бэрэпиискэлээх) сиргинэн эрэ буолбакка, ханна бааргынан куоластыырын кенуллэнэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 663, "split": "test", "profile": "digits", "gold": "Манна духовкаҕа ханнык баҕарар балыгы буһаран аҕалан киэргэтии сыаналанна.", "noisy": "Манна духовка5а ханнык ба5арар балыгы буhаран а5алан киэргэтии сыаналанна.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 664, "split": "dev", "profile": "mixed", "gold": "Сүрүн салаалара: уҥаттан Туора Үрэх (63 км.), Дьириҥ (69 км.); хаҥастан Тихая (53 км.) уонна Кустаах Үрэх (83 км.) Якутская АССР, словарь-справочник, Якутск, 1980 г.", "noisy": "Сyрун салаалара: унаттан Туора Yрэх (63 км.), Дьирин (69 км.); хангастан Тихая (53 км.) уонна Кустаах Урэх (83 км.) Якутская АССР, словарь-справочник, Якутск, 1980 г.", "source": "sah.wikipedia:Балыктаах"}
{"id": 665, "split": "dev", "profile": "partial", "gold": "ыйылларынан, административнай ыстараабы төлөөбөтөхтөрүнэ, төлөммөтөх ыстараап сууматын икки төгүл (ол эрээри 1 тыһ.", "noisy": "ыйылларынан, административнай ыстараабы төлөөбөтөхтөрүнэ, төлөммөтөх ыстараап сууматын икки төгүл (ол эрээри 1 тыһ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 666, "split": "test", "profile": "clean", "gold": "Кылабыыһа иччилэрин аһатабыт диэн, ас кээспиппит.", "noisy": "Кылабыыһа иччилэрин аһатабыт диэн, ас кээспиппит.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 667, "split": "test", "profile": "ru_fold", "gold": "Төрөөбүт Сахатын сирэ сайдыытыгар киллэрбит дьоһуннаах кылаатын, үтүөтүн-өҥөтүн дьиҥнээхтик үйэтитэр наада.", "noisy": "Торообут Сахатын сирэ сайдыытыгар киллэрбит дьоhуннаах кылаатын, утуотун-онотун дьиннээхтик уйэтитэр наада.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 668, "split": "dev", "profile": "leontiev", "gold": "Тылынан этиллэр көрдөһүү хайдах этиллэриттэн, дорҕооннорун дьайыытыттан ордук улахан тутулуктааҕын көрдөһө үөрэммиттэр билэн таба туһаналлар.", "noisy": "Тылынан этиллэр кердеьуу хайдах этиллэриттэн, доргооннорун дьайыытыттан ордук улахан тутулуктаагын кердеье уерэммиттэр билэн таба туьаналлар.", "source": "sah.wikipedia:Көрдөбүл уонна ирдэбил"}
{"id": 669, "split": "test", "profile": "digits", "gold": "Онон улахан куйаас кэмэ Бөтүрүөбүнэн бүтэрэ буолуо диэххэ сөп.", "noisy": "Онон улахан куйаас кэмэ Б8тyрy8бyнэн бyтэрэ буолуо диэххэ с8п.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 670, "split": "test", "profile": "mixed", "gold": "– Хас биирдии саха киһитэ эн аймаҕыҥ, биир дойдулааҕыҥ…", "noisy": "– Хас биирдии саха киhитэ эн аймахын, биир дойдулаахын…", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 671, "split": "test", "profile": "partial", "gold": "Ааннарыгар ууран баран, ыраах соҕус турабыт, аскытын барытын сууйаарыҥ, бакыаккытын бөххө быраҕаарыҥ диэн сүбэлиибит.", "noisy": "Ааннарыгар ууран баран, ыраах согус турабыт, аскытын барытын сууйаарын, бакыаккытын бөххө бырагаарын диэн сүбэлиибит.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 672, "split": "dev", "profile": "clean", "gold": "Ол иһин, бастатан, федеральнай сокуоҥҥа уларытыы киллэриллиэх тустаах.", "noisy": "Ол иһин, бастатан, федеральнай сокуоҥҥа уларытыы киллэриллиэх тустаах.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 673, "split": "test", "profile": "ru_fold", "gold": "«Улыбка“ уһуйаан интерактивнай үөрэхтээһин платформатын оҥорон, “Бастыҥ хамаанда” анал аат кыайыылааҕынан ааттанна.", "noisy": "«Улыбка“ уhуйаан интерактивнай уорэхтээhин платформатын онорон, “Бастын хамаанда” анал аат кыайыылаагынан ааттанна.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 674, "split": "test", "profile": "leontiev", "gold": "Кини эрэ уҥмат, кыыһы кийиит оҥостоору кэлбит тоҕус аттаах дьон эмиэ уҥаллар.", "noisy": "Кини эрэ унмат, кыыьы кийиит оностоору кэлбит тогус аттаах дьон эмиэ уналлар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 675, "split": "test", "profile": "digits", "gold": "Кинилэр, сиилиир уолаттарыгар тэҥнээтэххэ, төһө эмэ аҕа, урукку олох сиэринэн былыргы дьону кытта ыкса алтыспыт, тыа олоҕун-дьаһаҕын толору билбит дьон буолалларын сэрэйэн көрүөххэ сөп...", "noisy": "Кинилэр, сиилиир уолаттарыгар тэннээтэххэ, т8h8 эмэ а5а, урукку олох сиэринэн былыргы дьону кытта ыкса алтыспыт, тыа оло5ун-дьаhа5ын толору билбит дьон буолалларын сэрэйэн к8рy8ххэ с8п...", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 676, "split": "test", "profile": "mixed", "gold": "Кыргыттар бэйэлэрэ туспа хостоох буоллулар, саҥа ороҥҥо сыттылар.", "noisy": "Кыргыттар бэйэлэрэ туспа хостоох буоллулар, санга оронгно сыттылар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 677, "split": "test", "profile": "partial", "gold": "Саха Сирин инники кэскилин тэрийсэр, наука уонна тиэхиньикэ үрдүк ситиһиилэрин иҥэриммит, дэгиттэр идэлээх дьону түргэнник бэлэмнээтэхпитинэ эрэ сатанар буолбутун дакылаатчыт тоһоҕолоон бэлиэтиир.", "noisy": "Саха Сирин инники кэскилин тэрийсэр, наука уонна тиэхиньикэ үрдүк ситиһиилэрин инэриммит, дэгиттэр идэлээх дьону түргэнник бэлэмнээтэхпитинэ эрэ сатанар буолбутун дакылаатчыт тоһоголоон бэлиэтиир.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 678, "split": "test", "profile": "clean", "gold": "Төрөппүттэрин удьуордаан ыллыыр, онтун таһынан мотуруос үҥкүүтүн толорор.", "noisy": "Төрөппүттэрин удьуордаан ыллыыр, онтун таһынан мотуруос үҥкүүтүн толорор.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 679, "split": "test", "profile": "ru_fold", "gold": "Мөҕүттэр, кыыһырсар, сирэр-талар кэм буолбатах билигин — саҥа, бэйэҕэ бүгэр кэм.", "noisy": "Могуттэр, кыыhырсар, сирэр-талар кэм буолбатах билигин — сана, бэйэгэ бугэр кэм.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 680, "split": "test", "profile": "leontiev", "gold": "Бу туһунан Ил Дархан уонна Бырабыыталыстыба дьаһалтатын пресс-киинэ уонна Саха сиринээҕи Епархия сайта иһитиннэрэллэр.", "noisy": "Бу туьунан Ил Дархан уонна Бырабыыталыстыба дьаьалтатын пресс-киинэ уонна Саха сиринээги Епархия сайта иьитиннэрэллэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 681, "split": "dev", "profile": "digits", "gold": "«РФ түөлбэлэригэр кинигэни бэчээттээһини сайыннарыы уонна күрэстэһэр кыаҕын үрдэтии суоллара» билим-быраактыка кэмпириэнсийэтэ үлэлиэ.", "noisy": "«РФ тy8лбэлэригэр кинигэни бэчээттээhини сайыннарыы уонна кyрэстэhэр кыа5ын yрдэтии суоллара» билим-быраактыка кэмпириэнсийэтэ yлэлиэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 682, "split": "test", "profile": "mixed", "gold": "Оттон оһоҕос үлэлээн бардаҕына, иһирдьэ баар хойууну сыыйа аллара баттаан барар үгэстээх.", "noisy": "Оттон оhохос yлэлээн барда5ына, иhирдьэ баар хойууну сыыйа аллара баттаан барар yгэстээх.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 683, "split": "dev", "profile": "partial", "gold": "Нам улууһугар Улуу Кыайыы 80 сылын көрсө алтынньы 7 күнүттэн 17 күнүгэр диэри күһүҥҥү санитарнай ырааһырдыы декадата биллэриллибитэ.", "noisy": "Нам улууһугар Улуу Кыайыы 80 сылын көрсө алтынньы 7 күнүттэн 17 күнүгэр диэри күһүннү санитарнай ырааһырдыы декадата биллэриллибитэ.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 684, "split": "dev", "profile": "clean", "gold": "Биһиги, биллэн турар, тигээйигэ ытыттарымаары, ыраахтан көрдүбүт.", "noisy": "Биһиги, биллэн турар, тигээйигэ ытыттарымаары, ыраахтан көрдүбүт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 685, "split": "test", "profile": "ru_fold", "gold": "Анжелика Ксенофонтова, Өймөкөөннөөҕү полиция салалтатын участковай боломуочунайа, полиция капитана: «Мин учаастагым Октябрьская уулусса.", "noisy": "Анжелика Ксенофонтова, Оймокоонноогу полиция салалтатын участковай боломуочунайа, полиция капитана: «Мин учаастагым Октябрьская уулусса.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 686, "split": "test", "profile": "leontiev", "gold": "Социальнай төлөбүрү оҥоруу усулуобуйата уонна бэрээдэгэ уларыйда», — диэн этиллэр.", "noisy": "Социальнай телебуру оноруу усулуобуйата уонна бэрээдэгэ уларыйда», — диэн этиллэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 687, "split": "test", "profile": "digits", "gold": "– Сөп чэ, эйиэхэ сөптөөх саҕынньаҕы булуохпут.", "noisy": "– С8п чэ, эйиэхэ с8пт88х са5ынньа5ы булуохпут.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 688, "split": "dev", "profile": "mixed", "gold": "Бу көрдөбүллэри халбаҥнаабакка толорор оҕо киһи буолууну ситиһэр уонна киһи быһыылаахтык биирдэ бэриллэр олоҕун олорор кыахтанар.", "noisy": "Бу корд8буллэри халбаннаабакка толорор ого киьи буолууну ситиьэр уонна киьи быhыылаахтык биирдэ бэриллэр ологун олорор кыахтанар.", "source": "sah.wikipedia:Көрдөбүл уонна ирдэбил"}
{"id": 689, "split": "dev", "profile": "partial", "gold": "Ийэм барахсан балыыһаҕа аҕабын көрүһүннэрэ илдьибитэ.", "noisy": "Ийэм барахсан балыыһага агабын көрүһүннэрэ илдьибитэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 690, "split": "test", "profile": "clean", "gold": "Мобильнайынан эбэтэр уу харчынан төлөһөллөрүн ыйытабыт.", "noisy": "Мобильнайынан эбэтэр уу харчынан төлөһөллөрүн ыйытабыт.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 691, "split": "test", "profile": "ru_fold", "gold": "Төхтүргэ, Аллараа Бэстээххэ, Төҥүлүгэ, Суолаҕа, Чүүйэҕэ, Хорообукка, Сыымахха быстах кэмҥэ үлэлиир тутуу биригээдэлэрин үлэһиттэрэ эмиэ бэрэбиэркэлэммиттэрэ.", "noisy": "Тохтургэ, Аллараа Бэстээххэ, Тонулугэ, Суолага, Чууйэгэ, Хорообукка, Сыымахха быстах кэмнэ улэлиир тутуу биригээдэлэрин улэhиттэрэ эмиэ бэрэбиэркэлэммиттэрэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 692, "split": "test", "profile": "leontiev", "gold": "Итинник учуоттуур тэрил төһө сыаналааҕын билэҕин дуо?", "noisy": "Итинник учуоттуур тэрил теье сыаналаагын билэгин дуо?", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 693, "split": "test", "profile": "digits", "gold": "Үөрэнэр ыччат боппуруоһун таарыйарыгар Бэрэсидьиэн үөрэхтээһиҥҥэ уруккуттан баар бэйэбит көдьүүстээх дьоһун үгэстэрбитигэр төннүөхтээхпитин бэлиэтээбитин биһирии иһиттибит.", "noisy": "Y8рэнэр ыччат боппуруоhун таарыйарыгар Бэрэсидьиэн y8рэхтээhиннэ уруккуттан баар бэйэбит к8дьyyстээх дьоhун yгэстэрбитигэр т8ннy8хтээхпитин бэлиэтээбитин биhирии иhиттибит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 694, "split": "dev", "profile": "mixed", "gold": "Онтон аны Дубровкаҕа баар музейга Орто Азия дьоно, «пятачокка» сэриилэспит биир дойдулаахтарын кэриэстээн, өрөспүүбүлүкэлэрин былааҕын тэнитэн туруортаабыттар.", "noisy": "Онтон аны Дубровкаха баар музейга Орто Азия дьоно, «пятачокка» сэриилэспит биир дойдулаахтарын кэриэстээн, 8роспyубyлyкэлэрин былаа5ын тэнитэн туруортаабыттар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 695, "split": "test", "profile": "partial", "gold": "Маны сэргэ, Орто Халыма оройуонуттан С.Н.Бандеров аатынан Орто Халыматааҕы кыраайы үөрэтэр түмэл филиала — Березовскайдааҕы нэһилиэк түмэлэ, «Тымныы полюһа» кыраайы үөрэтэр түмэл Дьааҥыттан аан бастан кытталлар.", "noisy": "Маны сэргэ, Орто Халыма оройуонуттан С.Н.Бандеров аатынан Орто Халыматаагы кыраайы үөрэтэр түмэл филиала — Березовскайдаагы нэһилиэк түмэлэ, «Тымныы полюһа» кыраайы үөрэтэр түмэл Дьааныттан аан бастан кытталлар.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 696, "split": "test", "profile": "clean", "gold": "Биир түгэни быһаарыым – эйгэлээх уонна айылҕалаах диэн өйдөбүллэр икки аҥыылар.", "noisy": "Биир түгэни быһаарыым – эйгэлээх уонна айылҕалаах диэн өйдөбүллэр икки аҥыылар.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 697, "split": "dev", "profile": "ru_fold", "gold": "ССРС Афганистаҥҥа уонна Финляндияҕа элбэх харчы төлөөбүтэ, онтукатын тулуйбакка биир сүрүн биричиинэтин ССРС хайдыыта.", "noisy": "ССРС Афганистанна уонна Финляндияга элбэх харчы толообутэ, онтукатын тулуйбакка биир сурун биричиинэтин ССРС хайдыыта.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 698, "split": "test", "profile": "leontiev", "gold": "“Тиэргэннэригэр яблоня, черемуха үүнэр” — Биһиги айанньыттар баксаалбытыттан астынан баралларын туһугар кыһанабыт.", "noisy": "“Тиэргэннэригэр яблоня, черемуха уунэр” — Биьиги айанньыттар баксаалбытыттан астынан баралларын туьугар кыьанабыт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 699, "split": "test", "profile": "digits", "gold": "БСНХСБ икки төгүллээх үрүҥ көмүс медалиһа.", "noisy": "БСНХСБ икки т8гyллээх yрyн к8мyс медалиhа.", "source": "sah.wikipedia:Федорова Галина Дмитриевна"}
{"id": 700, "split": "test", "profile": "mixed", "gold": "Онон сирбит баайын бары көрүҥнэрин кытаанахтык ааҕан-суоттаан, бастатан туран, государствобыт кыһалҕатыгар төһө-хачча наада буоларынан салайтаран, кэмчилээн туһаныахха наада ”.", "noisy": "Онон сирбит баайын бары к8рyннэрин кытаанахтык аахан-суоттаан, бастатан туран, государствобыт кыhалхатыгар тоh8-хачча наада буоларынан салайтаран, кэмчилээн туhаныахха наада ”.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 701, "split": "dev", "profile": "partial", "gold": "Ыарахан турукка сытар киһиэхэ бэйэ киһитин ийэлии кыһамньыта көннөрү баара, сахалыы кэпсэтэрэ даҕаны күн биир салаа сырдыгар, хааппыла да ууга тэҥнээх күндү.", "noisy": "Ыарахан турукка сытар киһиэхэ бэйэ киһитин ийэлии кыһамньыта көннөрү баара, сахалыы кэпсэтэрэ даганы күн биир салаа сырдыгар, хааппыла да ууга тэннээх күндү.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 702, "split": "dev", "profile": "clean", "gold": "Күндү дьонум, ыалдьымаҥ-сүтүмэҥ, дьаҥ-дьаһах дьалты сырыттын.", "noisy": "Күндү дьонум, ыалдьымаҥ-сүтүмэҥ, дьаҥ-дьаһах дьалты сырыттын.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 703, "split": "dev", "profile": "ru_fold", "gold": "Ыт хаһаайыныттан тутулуктааҕын баһылык быһааран биэрдэ.", "noisy": "Ыт хаhаайыныттан тутулуктаагын баhылык быhааран биэрдэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 704, "split": "dev", "profile": "leontiev", "gold": "Дойдум дьонун бүгүҥҥү үөрүүлээх, өрө күүрүүлээх сүдү суолталаах бырааһынньыгынан эҕэрдэлиибин!", "noisy": "Дойдум дьонун бугунну уеруулээх, ере кууруулээх суду суолталаах бырааьынньыгынан эгэрдэлиибин!", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 705, "split": "dev", "profile": "digits", "gold": "Ол иһин улууспар эмиэ улуус мунньаҕын иһинэн парламент тэрийбитим.", "noisy": "Ол иhин улууспар эмиэ улуус мунньа5ын иhинэн парламент тэрийбитим.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 706, "split": "dev", "profile": "mixed", "gold": "Ону Бы лахы уола Лэгэнтэй: «Бу киһи аймахтара, аҕата куоластара быстыан сатаммат», — диэн үҥсэн, миигин хаһаайыстыба арааран баран, куоласпын быһан кэбистилэр.", "noisy": "Ону Бы лахы уола Лэгэнтэй: «Бу киhи аймахтара, ахата куоластара быстыан сатаммат», — диэн унсэн, миигин хаьаайыстыба арааран баран, куоласпын быhан кэбистилэр.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 707, "split": "dev", "profile": "partial", "gold": "1920 сыллаахха «На борьбу с панами» диэн Дьокуускайга биир күннээх хаһыат тахсыбыт.", "noisy": "1920 сыллаахха «На борьбу с панами» диэн Дьокуускайга биир күннээх хаһыат тахсыбыт.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 708, "split": "dev", "profile": "clean", "gold": "Оҕолор барахсаттар чоҕулуйбут харахтарын араарбакка олоҥхоһут хас хамсаныытын ааҕа манаатылар, сөҕө көрдүлэр.", "noisy": "Оҕолор барахсаттар чоҕулуйбут харахтарын араарбакка олоҥхоһут хас хамсаныытын ааҕа манаатылар, сөҕө көрдүлэр.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 709, "split": "dev", "profile": "ru_fold", "gold": "Кинилэри Абый, Алдан, Аллайыаха, Анаабыр, Булуҥ, Үөһээ Бүлүү, Үөһээ Халыма, Дьааҥы, Эдьигээн, Муома, Мииринэй, Нам, Аллараа Халыма, Ньурба, Өлүөхүмэ, Өлөөн, Уус Алдан, Усуйаана оройуоттарыгар күүтэллэр.", "noisy": "Кинилэри Абый, Алдан, Аллайыаха, Анаабыр, Булун, Уоhээ Булуу, Уоhээ Халыма, Дьааны, Эдьигээн, Муома, Мииринэй, Нам, Аллараа Халыма, Ньурба, Олуохумэ, Олоон, Уус Алдан, Усуйаана оройуоттарыгар куутэллэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 710, "split": "dev", "profile": "leontiev", "gold": "Хас биирдии олоҕуҥ атыла эппиэттэтэр кэмэ кэллэҕинэ умса туттан, сыыла сылдьан: \"Алҕас гыммыппын,\"- диэн ааттаспат курдук олоҕу оруннаахтык олор.", "noisy": "Хас биирдии ологун атыла эппиэттэтэр кэмэ кэллэгинэ умса туттан, сыыла сылдьан: \"Алгас гыммыппын,\"- диэн ааттаспат курдук ологу оруннаахтык олор.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 711, "split": "dev", "profile": "digits", "gold": "Улаатан, саҥа билиини уонна сатабылы иҥэринэн истэхтэрин аайы, оҕолор социальнай-технологическай лифт көмөтүнэн салгыы тахсан иһиэхтэрэ», — диэн бэлиэтиир куорат баһылыга.", "noisy": "Улаатан, сана билиини уонна сатабылы инэринэн истэхтэрин аайы, о5олор социальнай-технологическай лифт к8м8тyнэн салгыы тахсан иhиэхтэрэ», — диэн бэлиэтиир куорат баhылыга.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 712, "split": "test", "profile": "mixed", "gold": "Оччо туораабыт турбанан илин эҥээр толору гаастаныахтаах курдуга да, оннооҕор чугас сытар Уус Алдаҥҥа баччааҥҥа диэри гаас сыта да суох.", "noisy": "Оччо туораабыт турбанан илин энээр толору гаастаныахтаах курдуга да, онноохор чугас сытар Уус Алдангна баччаанна диэри гаас сыта да суох.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 713, "split": "test", "profile": "partial", "gold": "Бу иннигэр төһө сулууну төлүүллэрэ быһаарыллар.", "noisy": "Бу иннигэр төһө сулууну төлүүллэрэ быһаарыллар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 714, "split": "dev", "profile": "clean", "gold": "Мэҥэ- Хаҥаласка Тараҕай нэһилиэгэр 1879 сыллаахха төрөөбүтэ.", "noisy": "Мэҥэ- Хаҥаласка Тараҕай нэһилиэгэр 1879 сыллаахха төрөөбүтэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 715, "split": "dev", "profile": "ru_fold", "gold": "Суруйаары гыннахха, үксүгэр ол кэмиҥ бэйэтэ эйигин салайар.", "noisy": "Суруйаары гыннахха, уксугэр ол кэмин бэйэтэ эйигин салайар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 716, "split": "test", "profile": "leontiev", "gold": "Сахалары биир санаалыыр, сомоҕолуур, түмэр дьулуур.", "noisy": "Сахалары биир санаалыыр, сомоголуур, тумэр дьулуур.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 717, "split": "dev", "profile": "digits", "gold": "Ол гынан баран, итинтэн үс гыммыт бииригэр эрэ интэриниэт аныгы үөрэх ирдэбилигэр эппиэттэһэр диэтэ.", "noisy": "Ол гынан баран, итинтэн yс гыммыт бииригэр эрэ интэриниэт аныгы y8рэх ирдэбилигэр эппиэттэhэр диэтэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 718, "split": "dev", "profile": "mixed", "gold": "Онон бу дьиэ кэргэн эмиэ нэһилиэк уонна оскуола сайдыыларыгар ахсаабат үтүөлээхтэр.", "noisy": "Онон бу дьиэ кэргэн эмиэ нэьилиэк уонна оскуола сайдыыларыгар ахсаабат yту8лээхтэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 719, "split": "test", "profile": "partial", "gold": "Ыам ыйыгар тахсар баһаардар айылҕаттан буолбакка, киһиттэн тутулуктаахтарын өйдүөххэ наада.", "noisy": "Ыам ыйыгар тахсар баһаардар айылгаттан буолбакка, киһиттэн тутулуктаахтарын өйдүөххэ наада.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 720, "split": "test", "profile": "clean", "gold": "Онон эттээх-сииннээх, ырарга туруммут дьоҥҥо аныаххайыҥ.", "noisy": "Онон эттээх-сииннээх, ырарга туруммут дьоҥҥо аныаххайыҥ.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 721, "split": "test", "profile": "ru_fold", "gold": "Үп, ас-үөл кырыымчыга, ол эрээри быстар куһаҕан этэ диир кыах суох.", "noisy": "Уп, ас-уол кырыымчыга, ол эрээри быстар куhаган этэ диир кыах суох.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 722, "split": "test", "profile": "leontiev", "gold": "– Кырыа хаарынан бүрүммүт, аам-даам тымныылаах кыһыҥҥы кэми сөбүлүүбүн.", "noisy": "– Кырыа хаарынан буруммут, аам-даам тымныылаах кыьынны кэми себулуубун.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 723, "split": "dev", "profile": "digits", "gold": "Манна живопись, төрүт иис, оҕуруонан быысапка, мулиненан быысапка, макраме, колье, суумкалар, паннолар бааллар.", "noisy": "Манна живопись, т8рyт иис, о5уруонан быысапка, мулиненан быысапка, макраме, колье, суумкалар, паннолар бааллар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 724, "split": "test", "profile": "mixed", "gold": "Сэрии ыарахан кэмин оҕолоро эрдэлээн үлэһит буолбуттара, үлэни кыайа-хото үлэлээбиттэрэ биллэр.", "noisy": "Сэрии ыарахан кэмин охолоро эрдэлээн улэhит буолбуттара, yлэни кыайа-хото yлэлээбиттэрэ биллэр.", "source": "sah.wikipedia:Сахалар олохторун үөрэҕин тутуспат буолуу"}
{"id": 725, "split": "dev", "profile": "partial", "gold": "1937 сыллаахха буоллаҕа буолуо Улуу Ойуунускай Нөөрүктээйигэ Ой-Бэскэ нэһилиэк олоҥхоһуттарын мунньан 3–4 күн устата суруйбута, истибитэ диэн Боруукаан Өлөксөй диэн кырдьаҕаһы кэпсээбиттээх.", "noisy": "1937 сыллаахха буоллага буолуо Улуу Ойуунускай Нөөрүктээйигэ Ой-Бэскэ нэһилиэк олонхоһуттарын мунньан 3–4 күн устата суруйбута, истибитэ диэн Боруукаан Өлөксөй диэн кырдьагаһы кэпсээбиттээх.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 726, "split": "test", "profile": "clean", "gold": "Сүлүөт сүрүн көстүүтүнэн табаһыттар күрэхтэрэ буолар.", "noisy": "Сүлүөт сүрүн көстүүтүнэн табаһыттар күрэхтэрэ буолар.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 727, "split": "dev", "profile": "ru_fold", "gold": "Хабыанньа Хабырыыс Мэҥэ-Хаҥаласка аан бастаан эдэр оҕолору көҕүлээн Платон Ойуунускай \"Дьулуруйар Ньургун Боотур\" олоҥхотуттан туруорбуттаах.", "noisy": "Хабыанньа Хабырыыс Мэнэ-Ханаласка аан бастаан эдэр оголору когулээн Платон Ойуунускай \"Дьулуруйар Ньургун Боотур\" олонхотуттан туруорбуттаах.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 728, "split": "test", "profile": "leontiev", "gold": "Бу үрдүк наҕарааданы Дьокуускай куоракка атырдьах ыйын 23 күнүгэр Ил Дархан Айсен Николаев учууталлар атырдьах ыйдааҕы сүбэ мунньахтарыгар үөрүүлээх-быһыыга-майгыга туттарда.", "noisy": "Бу урдук нагарааданы Дьокуускай куоракка атырдьах ыйын 23 кунугэр Ил Дархан Айсен Николаев учууталлар атырдьах ыйдаагы субэ мунньахтарыгар уеруулээх-быьыыга-майгыга туттарда.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 729, "split": "test", "profile": "digits", "gold": "Кэллиҥ да, 8801001403 төлөпүөҥҥэ эрийэн биллэр Дьиэҕэр, төһө кыалларынан, бэйэҥ олороруҥ ордук.", "noisy": "Кэллин да, 8801001403 т8л8пy8ннэ эрийэн биллэр Дьиэ5эр, т8h8 кыалларынан, бэйэн олорорун ордук.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 730, "split": "dev", "profile": "mixed", "gold": "Балыыһа аһа төһө да мөлтөҕө суоҕун иһин, өр сытар киһи хал буолар.", "noisy": "Балыыhа аьа тоhо да молт8хо суо5ун исин, ор сытар киhи хал буолар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 731, "split": "test", "profile": "partial", "gold": "Саха сирин бары муннугуттан ыччат кэлэн үөрэнэр, ким да кэлбитин кэмсиммэт.", "noisy": "Саха сирин бары муннугуттан ыччат кэлэн үөрэнэр, ким да кэлбитин кэмсиммэт.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 732, "split": "dev", "profile": "clean", "gold": "Биһиги сахабыт үгэһэ, таҥаһа-саба, туттар тэрилэ сүтэн хаалбатын диэн улахан, киэҥ, дириҥ ис хоһооноох үлэ сыл ахсын бара турарыттан наһаа астынабыт уонна төһө кыалларынан дьоммутун, киэҥ араҥаны кытыннара сатыыбыт.", "noisy": "Биһиги сахабыт үгэһэ, таҥаһа-саба, туттар тэрилэ сүтэн хаалбатын диэн улахан, киэҥ, дириҥ ис хоһооноох үлэ сыл ахсын бара турарыттан наһаа астынабыт уонна төһө кыалларынан дьоммутун, киэҥ араҥаны кытыннара сатыыбыт.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 733, "split": "dev", "profile": "ru_fold", "gold": "1 түһүмэх МЭҤЭ-ХАҤАЛАС ОЛОҤХОҺУТТАРА 1805 сыллаахха бэс ыйыгар Нөөрүктээйи нэһилиэгэр төрөөбүтэ.", "noisy": "1 туhумэх МЭНЭ-ХАНАЛАС ОЛОНХОHУТТАРА 1805 сыллаахха бэс ыйыгар Нооруктээйи нэhилиэгэр торообутэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 734, "split": "dev", "profile": "leontiev", "gold": "Бу кэмтэн ыла өрөспүүбүлүкэҕэ керлинг көрүҥүн интэриэһиргиир, дьарыктаныан баҕарар 70-ча киһи баар буолбута.", "noisy": "Бу кэмтэн ыла ереспуубулукэгэ керлинг керунун интэриэьиргиир, дьарыктаныан багарар 70-ча киьи баар буолбута.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 735, "split": "test", "profile": "digits", "gold": "Бэс ыйын 23 күнүгэр, Өлүөхүмэ улууһун Даппарай сэлиэнньэтин оҕолоро нэһилиэк ыһыаҕын кэнниттэн Өлүөнэ өрүскэ балыктыы сылдьан сэлии (мамонт) уҥуоҕун буллулар.", "noisy": "Бэс ыйын 23 кyнyгэр, 8лy8хyмэ улууhун Даппарай сэлиэнньэтин о5олоро нэhилиэк ыhыа5ын кэнниттэн 8лy8нэ 8рyскэ балыктыы сылдьан сэлии (мамонт) унуо5ун буллулар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 736, "split": "dev", "profile": "mixed", "gold": "Хаптаҕай нэһилиэгэр, \"Алаас\" диэн колхозка оҕо сааһым ааспыта.", "noisy": "Хапта5ай нэсилиэгэр, \"Алаас\" диэн колхозка охо сааьым ааспыта.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 737, "split": "dev", "profile": "partial", "gold": "Үйэни үйэнэн номнуо билгэлиир билгэһит диэн, улахан кэрэхсэбили ылбыт үлэтигэр киллэрбит.", "noisy": "Үйэни үйэнэн номнуо билгэлиир билгэһит диэн, улахан кэрэхсэбили ылбыт үлэтигэр киллэрбит.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 738, "split": "test", "profile": "clean", "gold": "Балыыһа үктэлигэр төбөтө, илиитэ, атаҕа босхо баран хаалла.", "noisy": "Балыыһа үктэлигэр төбөтө, илиитэ, атаҕа босхо баран хаалла.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 739, "split": "dev", "profile": "ru_fold", "gold": "Аҕатын ааттатар билигин 5 оҕолоох, элбэх сиэннэрдээх, хос сиэннэр да элбэхтэр.", "noisy": "Агатын ааттатар билигин 5 оголоох, элбэх сиэннэрдээх, хос сиэннэр да элбэхтэр.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 740, "split": "test", "profile": "leontiev", "gold": "Биэлсэр хачайдаан, тыын киллэрэн, укуол оҥорон Федоровы өлөр өлүүттэн быыһаатыбыт.", "noisy": "Биэлсэр хачайдаан, тыын киллэрэн, укуол онорон Федоровы елер елууттэн быыьаатыбыт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 741, "split": "dev", "profile": "digits", "gold": "Терапия балыыһатыгар ыарыһахтар иккис этээскэ сыталлара хайдах да табыллыбат, ыарыһахтары аллараа этээскэ түһэрии туһунан кылаабынай бырааска этилиннэ.", "noisy": "Терапия балыыhатыгар ыарыhахтар иккис этээскэ сыталлара хайдах да табыллыбат, ыарыhахтары аллараа этээскэ тyhэрии туhунан кылаабынай бырааска этилиннэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 742, "split": "test", "profile": "mixed", "gold": "Ону көҕүлүүр салайааччы билиҥҥитэ биһиэхэ суох.", "noisy": "Ону к8хулyур салайааччы билиннгитэ биьиэхэ суох.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 743, "split": "dev", "profile": "partial", "gold": "Арай түһээтэҕинэ Славалаах Сарыалы кытта сиэттиһэн баран иһэр.", "noisy": "Арай түһээтэгинэ Славалаах Сарыалы кытта сиэттиһэн баран иһэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 744, "split": "dev", "profile": "clean", "gold": "Элбэх оҕолоохторго судаарыстыба аныыр көмөтүн (сир учаастагын, массыына, дьиэ ыларга) барытын ылан, туһанан, Дьоруой Ийэ бырабыыталыстыбаҕа, Ил Дархаҥҥа ис сүрэҕиттэн махтанар.", "noisy": "Элбэх оҕолоохторго судаарыстыба аныыр көмөтүн (сир учаастагын, массыына, дьиэ ыларга) барытын ылан, туһанан, Дьоруой Ийэ бырабыыталыстыбаҕа, Ил Дархаҥҥа ис сүрэҕиттэн махтанар.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 745, "split": "test", "profile": "ru_fold", "gold": "Пуойас Саха сиригэр сылдьар буолбута олус үчүгэй, абыраллаах.", "noisy": "Пуойас Саха сиригэр сылдьар буолбута олус учугэй, абыраллаах.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 746, "split": "dev", "profile": "leontiev", "gold": "Ким да айаҕын бүөлээбэппин Хата эһиги Дыгын диэччилэри айахтарын бүөлүүгүт 3.", "noisy": "Ким да айагын буелээбэппин Хата эьиги Дыгын диэччилэри айахтарын буелуугут 3.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 747, "split": "dev", "profile": "digits", "gold": "Тыайа оскуолатыгар «Волонтёрское братство» диэн үрдүкү кылаас уолаттарыгар кылаас таһынан дьарык Василий Килижеков уонна Александр Аммосов салайыыларынан үлэлиир.", "noisy": "Тыайа оскуолатыгар «Волонтёрское братство» диэн yрдyкy кылаас уолаттарыгар кылаас таhынан дьарык Василий Килижеков уонна Александр Аммосов салайыыларынан yлэлиир.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 748, "split": "dev", "profile": "mixed", "gold": "Маны таһынан, \"Алтан, Моорук, Тараҕай нэһилиэктэрин төрүччүлэрэ\", \"Моорук нэһилиэгэ\" кинигэлэри хомуйан оҥорсубута.", "noisy": "Маны тасынан, \"Алтан, Моорук, Тарахай нэьилиэктэрин торyччyлэрэ\", \"Моорук нэhилиэгэ\" кинигэлэри хомуйан онорсубута.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 749, "split": "dev", "profile": "partial", "gold": "Михаил Дмитрьевич сөҕүмэр улэни оҥорбут киьи.", "noisy": "Михаил Дмитрьевич сөгүмэр улэни онорбут киьи.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 750, "split": "test", "profile": "clean", "gold": "Бары төрөөбүт тылгытынан саҥарар эбиккит.", "noisy": "Бары төрөөбүт тылгытынан саҥарар эбиккит.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 751, "split": "dev", "profile": "ru_fold", "gold": "Оттон икки бырааттара кини бачыымынан эти-аһы дэлэтэр нэһилиэк биир сүрүн бааһынайдара буолаллар.", "noisy": "Оттон икки бырааттара кини бачыымынан эти-аhы дэлэтэр нэhилиэк биир сурун бааhынайдара буолаллар.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 752, "split": "test", "profile": "leontiev", "gold": "Эр киһини эр киһи курдук, аҕаны аҕа курдук көрүөхтээхпит.", "noisy": "Эр киьини эр киьи курдук, аганы ага курдук керуехтээхпит.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 753, "split": "dev", "profile": "digits", "gold": "Кини төһө-хачча олоҥхону, ырыаны тойугу толорбута биллибэт, арай атынан өрүскэ киирэн истэҕинэ, абааһы ылласпытын кыайбытын туһунан кэпсээн номох буола сылдьар.", "noisy": "Кини т8h8-хачча олонхону, ырыаны тойугу толорбута биллибэт, арай атынан 8рyскэ киирэн истэ5инэ, абааhы ылласпытын кыайбытын туhунан кэпсээн номох буола сылдьар.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 754, "split": "dev", "profile": "mixed", "gold": "Үлэ-хамнас, олох туһунан уруккуну, билиҥҥини, инникини холбоон, уустаан-ураннаан ыллыыра диир.", "noisy": "Yлэ-хамнас, олох туhунан уруккуну, билингнгини, инникини холбоон, уустаан-ураннаан ыллыыра диир.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 755, "split": "test", "profile": "partial", "gold": "Манна линейнэй отдел сокуоннай сааһын ситэ илик оҕолор дьыалаларыгар иниспиэктэрдэр чэй иһэрдэн, бэчиэнньэ сиэтэн, оҕону уоскуппуттар уонна ханнык оҕо саадыгар сылдьарын ыйыппыттар.", "noisy": "Манна линейнэй отдел сокуоннай сааһын ситэ илик оголор дьыалаларыгар иниспиэктэрдэр чэй иһэрдэн, бэчиэнньэ сиэтэн, огону уоскуппуттар уонна ханнык ого саадыгар сылдьарын ыйыппыттар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 756, "split": "test", "profile": "clean", "gold": "Үлэһит илии тиийбэтэ үлэ тэтимин тохтотто.", "noisy": "Үлэһит илии тиийбэтэ үлэ тэтимин тохтотто.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 757, "split": "test", "profile": "ru_fold", "gold": "Витя манна кэлэн иһэн, киһини куттаан: «Дьэ, бүгүн, эйигин кылабыыһа иччилэригэр сиэртибэҕэ биэриэхпит!» — диэтэҕэ үһү.", "noisy": "Витя манна кэлэн иhэн, киhини куттаан: «Дьэ, бугун, эйигин кылабыыhа иччилэригэр сиэртибэгэ биэриэхпит!» — диэтэгэ уhу.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 758, "split": "test", "profile": "leontiev", "gold": "Киинэҕэ уһуллуон баҕалаах барыта икки сүүсчэ оҕо кэлбитэ.", "noisy": "Киинэгэ уьуллуон багалаах барыта икки суусчэ ого кэлбитэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 759, "split": "dev", "profile": "digits", "gold": "Епископтарын аата былыргы кытай тылыттан тылбаастаатахха Алобэнь, арааһа ити аат сирия малькпана (үөрэтээччи; атын гипотеза Авраам) эбэтэр Ардабан диэн перс тылыттан үөскээбит.", "noisy": "Епископтарын аата былыргы кытай тылыттан тылбаастаатахха Алобэнь, арааhа ити аат сирия малькпана (y8рэтээччи; атын гипотеза Авраам) эбэтэр Ардабан диэн перс тылыттан y8скээбит.", "source": "sah.wikipedia:Христианство"}
{"id": 760, "split": "test", "profile": "mixed", "gold": "Маалыкайга төрөөбүт биһиги биир дойдулаахпыт саха бастакы революци­онер­дарыттан биирдэстэрэ Михаил Васильевич Ксенофонтов (Мегежекскэй) бииргэ төрөөбүт быраата Василий Ксенофонтов.", "noisy": "Маалыкайга т8р88бут биьиги биир дойдулаахпыт саха бастакы революци­онер­дарыттан биирдэстэрэ Михаил Васильевич Ксенофонтов (Мегежекскэй) бииргэ торо8бyт быраата Василий Ксенофонтов.", "source": "sah.wikipedia:Ксенофонтов Василий Васильевич"}
{"id": 761, "split": "dev", "profile": "partial", "gold": "Кэлин Ноорой «Күн Эрили» олоҥхото саха эстрадатын сахалыы куоластаах ырыаһыттарын толоруутугар 2 компакт-дискэнэн, олоҥхоһут сиэнэ О.", "noisy": "Кэлин Ноорой «Күн Эрили» олонхото саха эстрадатын сахалыы куоластаах ырыаһыттарын толоруутугар 2 компакт-дискэнэн, олонхоһут сиэнэ О.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 762, "split": "dev", "profile": "clean", "gold": "Бэс ыйын 21 — Биир гектартан 29 центнер сэлиэһинэйи ылбытын иһин Өлүөхүмэ оройуонун Энгельс аатынан колхоз биригэдьиирэ Барамыгин Николай Константинович Социалистическай Үлэ Геройын аатын ылла.", "noisy": "Бэс ыйын 21 — Биир гектартан 29 центнер сэлиэһинэйи ылбытын иһин Өлүөхүмэ оройуонун Энгельс аатынан колхоз биригэдьиирэ Барамыгин Николай Константинович Социалистическай Үлэ Геройын аатын ылла.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 763, "split": "test", "profile": "ru_fold", "gold": "Бырааспыт Павлов Ян Вячеславович, кэргэнэ Павлова Саргылаана (кини түүн дьуһуурунай этэ).", "noisy": "Бырааспыт Павлов Ян Вячеславович, кэргэнэ Павлова Саргылаана (кини туун дьуhуурунай этэ).", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 764, "split": "dev", "profile": "leontiev", "gold": "Мин килбиэннээх сирэйим Киртийбитин курдук (Эн сирэйиҥ) Киртийэрин көрүөм дуо, Биирдии киһиэхэ аҕалан Туттарар абааһы суох.", "noisy": "Мин килбиэннээх сирэйим Киртийбитин курдук (Эн сирэйин) Киртийэрин керуем дуо, Биирдии киьиэхэ агалан Туттарар абааьы суох.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 765, "split": "dev", "profile": "digits", "gold": "Тус бэйэбэр туох да куһаҕаны оҥорботохторо.", "noisy": "Тус бэйэбэр туох да куhа5аны онорботохторо.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 766, "split": "dev", "profile": "mixed", "gold": "Хара нэһилиэгин сэбиэтин чилиэнинэн талыллар уонна колхозка ууһунан үлэлиир.", "noisy": "Хара нэhилиэгин сэбиэтин чилиэнинэн талыллар уонна колхозка ууhунан улэлиир.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 767, "split": "dev", "profile": "partial", "gold": "Саатар, хаххаланыаҕын, туундара ойууругар бдҥ мас суоҕа.", "noisy": "Саатар, хаххаланыагын, туундара ойууругар бдн мас суога.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 768, "split": "test", "profile": "clean", "gold": "Ол курдук, устудьуон уолаттар Фаридум Алексеев уонна Дьулусхан Павлов «кыдьымах» диэн тылы билбэттэрин сүөргүлээн, «улуу өйдөөхтөр» кыыһыран кыбдьырыннылар, сорох-сорохтор айар талааннарын таһааран хоһоон-үгэ айдылар.", "noisy": "Ол курдук, устудьуон уолаттар Фаридум Алексеев уонна Дьулусхан Павлов «кыдьымах» диэн тылы билбэттэрин сүөргүлээн, «улуу өйдөөхтөр» кыыһыран кыбдьырыннылар, сорох-сорохтор айар талааннарын таһааран хоһоон-үгэ айдылар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 769, "split": "test", "profile": "ru_fold", "gold": "Сунтаартан суукканы быһа айаннаан баран, мичээрдии-мичээрдии үҥкүүлүү тахсыбыттарыгар ССРС норуодунай артыыһа, сыана киһини уларытар даҕаны диэн сөхпүтүм.", "noisy": "Сунтаартан суукканы быhа айаннаан баран, мичээрдии-мичээрдии ункуулуу тахсыбыттарыгар ССРС норуодунай артыыhа, сыана киhини уларытар даганы диэн сохпутум.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 770, "split": "dev", "profile": "leontiev", "gold": "Убайдарбыт үлэлии-хамсыы сылдьарбытын көрөн, наһаа үөрэллэрэ.", "noisy": "Убайдарбыт улэлии-хамсыы сылдьарбытын керен, наьаа уерэллэрэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 771, "split": "test", "profile": "digits", "gold": "Саха академическай тыйаатыра Иннокентий Дмитриев-Сиэн Чолбодук суруйбут «Туос сандалы» диэн бэрт көрүдьүөс кэмиэдьийэтин режиссер Мария Осипова туруоруутугар көрдүбүт.", "noisy": "Саха академическай тыйаатыра Иннокентий Дмитриев-Сиэн Чолбодук суруйбут «Туос сандалы» диэн бэрт к8рyдьy8с кэмиэдьийэтин режиссер Мария Осипова туруоруутугар к8рдyбyт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 772, "split": "dev", "profile": "mixed", "gold": "Билиигэ баҕалаах, дьоҕурдаах киһи тимиргэ уһанар ньыматын уһуйан тимир ууһа идэлээх этэ.", "noisy": "Билиигэ ба5алаах, дьо5урдаах киhи тимиргэ усанар ньыматын усуйан тимир ууhа идэлээх этэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 773, "split": "test", "profile": "partial", "gold": "Ыытыллар үлэлэр көмөлөрүнэн уот тарҕаныыта тохтотулунна.", "noisy": "Ыытыллар үлэлэр көмөлөрүнэн уот тарганыыта тохтотулунна.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 774, "split": "test", "profile": "clean", "gold": "Мунньахха Арассыыйаҕа информацияны тарҕатыы эйгэтигэр үлэлиир элбэх дьон санааларын уонна бу салааҕа туох көмө оҥоһуллара наадатыгар этиилэрин киллэрдилэр.", "noisy": "Мунньахха Арассыыйаҕа информацияны тарҕатыы эйгэтигэр үлэлиир элбэх дьон санааларын уонна бу салааҕа туох көмө оҥоһуллара наадатыгар этиилэрин киллэрдилэр.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 775, "split": "dev", "profile": "ru_fold", "gold": "Сыл саҕаланыытыгар бастакы улахан тэрээһиммит быһыытынан Мииринэйдээҕи региональнай-техническэй колледжка «Үөрэх миэстэлэрин дьаарбаҥката».", "noisy": "Сыл сагаланыытыгар бастакы улахан тэрээhиммит быhыытынан Мииринэйдээги региональнай-техническэй колледжка «Уорэх миэстэлэрин дьаарбанката».", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 776, "split": "test", "profile": "leontiev", "gold": "Ону киинэҕэ тылынан биэрэр киһи омуктарга, нууччаларга интэриэһинэй буолуо этэ.", "noisy": "Ону киинэгэ тылынан биэрэр киьи омуктарга, нууччаларга интэриэьинэй буолуо этэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 777, "split": "dev", "profile": "digits", "gold": "Никея иннинээҕи Хоту Африка христианство эйгэтигэр Тертуллиан уонна Киприан Таҥара үөрэҕин трактаттарын, Минуций Феликс уонна Арногий апологияларын бэлэхтээбиттэрэ.", "noisy": "Никея иннинээ5и Хоту Африка христианство эйгэтигэр Тертуллиан уонна Киприан Танара y8рэ5ин трактаттарын, Минуций Феликс уонна Арногий апологияларын бэлэхтээбиттэрэ.", "source": "sah.wikipedia:Христианство"}
{"id": 778, "split": "dev", "profile": "mixed", "gold": "Оттон Федор Скрябин 50 сааһа ааспытынан ол сэрии хомууругар хабыллыбатаҕа.", "noisy": "Оттон Федор Скрябин 50 сааса ааспытынан ол сэрии хомууругар хабыллыбата5а.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 779, "split": "test", "profile": "partial", "gold": "Төһө да биэнсийэҕэ тахсыбытым ырааттар, үлэттэн хаһан да аккаастамматаҕым.", "noisy": "Төһө да биэнсийэгэ тахсыбытым ырааттар, үлэттэн хаһан да аккаастамматагым.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 780, "split": "test", "profile": "clean", "gold": "Анна Исакова, \"Виктория\" араадьыйа эрэдээктэрэ: — Хомойуох иһин, \"Азия оҕолоро\" оонньуу аһыллыытыгар кыайан барбатаҕым.", "noisy": "Анна Исакова, \"Виктория\" араадьыйа эрэдээктэрэ: — Хомойуох иһин, \"Азия оҕолоро\" оонньуу аһыллыытыгар кыайан барбатаҕым.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 781, "split": "test", "profile": "ru_fold", "gold": "Аҕа дойду сэриитин сылларыгар үлэҕэ килбиэнин иһин», В.И.Ленин төрөөбүтэ 100 сылыгар аналлаах юбилейнай мэтээллэр, тыыл ветерана бэлиэ уонна элбэх Бочуотунай Грамоталар.", "noisy": "Ага дойду сэриитин сылларыгар улэгэ килбиэнин иhин», В.И.Ленин торообутэ 100 сылыгар аналлаах юбилейнай мэтээллэр, тыыл ветерана бэлиэ уонна элбэх Бочуотунай Грамоталар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 782, "split": "dev", "profile": "leontiev", "gold": "Онон дьиэ кэргэн оруола манна көстөрө наһаа үчүгэй\".", "noisy": "Онон дьиэ кэргэн оруола манна кестере наьаа учугэй\".", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 783, "split": "dev", "profile": "digits", "gold": "Манчаары Булуука дьиэтигэр бардаҕына: \"Олус да уус тыллаах, үчүгэй куоластаах, дириҥ санаалаах, былас өйдөөх киһи\", — диирэ үһү.", "noisy": "Манчаары Булуука дьиэтигэр барда5ына: \"Олус да уус тыллаах, yчyгэй куоластаах, дирин санаалаах, былас 8йд88х киhи\", — диирэ yhy.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 784, "split": "dev", "profile": "mixed", "gold": "Быйыл бу нэдиэлэни түмүктүүр тэрээһин уратытынан улууска биллэр олоҥхоһут Афанасий Бурцев-Бөскөй Бөҕө ыалдьыттааһына буолла.", "noisy": "Быйыл бу нэдиэлэни тумуктуyр тэрээhин уратытынан улууска биллэр олонхоьут Афанасий Бурцев-Б8ской Б858 ыалдьыттааьына буолла.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 785, "split": "dev", "profile": "partial", "gold": "Бу өс хоһооно санааҕа ылларан хаалан бэйэҥ туран хаалбакка, тугу эмэ оҥордоххуна эрэ, баҕа санаа туолуон сөбүн биллэрэрэ өй уонна күүс уратыларын быһаарарга туһалыыр.", "noisy": "Бу өс хоһооно санаага ылларан хаалан бэйэн туран хаалбакка, тугу эмэ онордоххуна эрэ, бага санаа туолуон сөбүн биллэрэрэ өй уонна күүс уратыларын быһаарарга туһалыыр.", "source": "sah.wikipedia:Көрдөбүл уонна ирдэбил"}
{"id": 786, "split": "test", "profile": "clean", "gold": "Кинини үгүспүт вайнер, инстаграм \"сулуһун\" эрэ быһыытынан билэр буоллахпытына, бу кэпсэтииттэн атын өттүттэн арыйдаххыт буолуо диэн эрэнэбит.", "noisy": "Кинини үгүспүт вайнер, инстаграм \"сулуһун\" эрэ быһыытынан билэр буоллахпытына, бу кэпсэтииттэн атын өттүттэн арыйдаххыт буолуо диэн эрэнэбит.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 787, "split": "test", "profile": "ru_fold", "gold": "Саха уобалаһыттан бүтүннүүтүттэн ыарыһахтары булан, Бүлүүтээҕи лепрозорийга илдьэллэрэ.", "noisy": "Саха уобалаhыттан бутуннуутуттэн ыарыhахтары булан, Булуутээги лепрозорийга илдьэллэрэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 788, "split": "dev", "profile": "leontiev", "gold": "Ол чэрчитинэн быйыл сэтинньигэ Ил Түмэн дьокутааттара саҥа уокуруктары сокуоҥҥа бигэргэтэн тураллар.", "noisy": "Ол чэрчитинэн быйыл сэтинньигэ Ил Тумэн дьокутааттара сана уокуруктары сокуонна бигэргэтэн тураллар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 789, "split": "test", "profile": "digits", "gold": "Экологияҕа, айылҕаны туһаныыга уонна ойуур хаһаайыстыбатыгар миниистири солбуйааччы А ндрей Коноплев этэринэн, Саха сиригэр барыта 132 ойуур баһаара турбута биллэр.", "noisy": "Экология5а, айыл5аны туhаныыга уонна ойуур хаhаайыстыбатыгар миниистири солбуйааччы А ндрей Коноплев этэринэн, Саха сиригэр барыта 132 ойуур баhаара турбута биллэр.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 790, "split": "test", "profile": "mixed", "gold": "Сүһүөхпэр кыайан турбат буолуохпар диэри куттанным.", "noisy": "Сусуохпэр кыайан турбат буолуохпар диэри куттанным.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 791, "split": "test", "profile": "partial", "gold": "٠Атаҕыҥ уллуҥаҕа кыһыйар – эһиэхэ ыраахтан киһи кэлэр эбэтэр бэйэҥ айанныыгын.", "noisy": "٠Атагын уллунага кыһыйар – эһиэхэ ыраахтан киһи кэлэр эбэтэр бэйэн айанныыгын.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 792, "split": "dev", "profile": "clean", "gold": "Бу туһунан «Коммерсанть» хаһыат суруйар.", "noisy": "Бу туһунан «Коммерсанть» хаһыат суруйар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 793, "split": "dev", "profile": "ru_fold", "gold": "Ол эрээри өйдөрө-санаалара атына, уһун сыллар кинилэр икки ардыларыгар өйдөспөт үгүс түгэни үөскэппит эбит.", "noisy": "Ол эрээри ойдоро-санаалара атына, уhун сыллар кинилэр икки ардыларыгар ойдоспот угус тугэни уоскэппит эбит.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 794, "split": "dev", "profile": "leontiev", "gold": "Үөрэҕэр куруутун \"үчүгэйдэр\" кэккэлэригэр сылдьыбыта, ол да иһин буолуо, оччотооҕу куратора күн бүгүҥҥүгэ диэри сибээһин быспат.", "noisy": "Уерэгэр куруутун \"учугэйдэр\" кэккэлэригэр сылдьыбыта, ол да иьин буолуо, оччотоогу куратора кун бугуннугэ диэри сибээьин быспат.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 795, "split": "dev", "profile": "digits", "gold": "Оҕо уһуйааныгар бу нэдиэлэ бүтүүтэ бэртээхэй аралдьытыыга сырыттыбыт, үс бөлөх оҕолоро сүрдээҕин сонургуу көрүстүлэр, бары сахалыы таҥастаахтара көрүөхтэн эриэккэс.", "noisy": "О5о уhуйааныгар бу нэдиэлэ бyтyyтэ бэртээхэй аралдьытыыга сырыттыбыт, yс б8л8х о5олоро сyрдээ5ин сонургуу к8рyстyлэр, бары сахалыы танастаахтара к8рy8хтэн эриэккэс.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 796, "split": "dev", "profile": "mixed", "gold": "Бу көтөр хотугу полярнай эргимтэ таһыгар уйаланар (сорох ааптардар суруйалларынан ареалын соҕуруу кыраныыссата Дьокуускайга тиийэр).", "noisy": "Бу кот8р хотугу полярнай эргимтэ таьыгар уйаланар (сорох ааптардар суруйалларынан ареалын со5уруу кыраныыссата Дьокуускайга тиийэр).", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 797, "split": "dev", "profile": "partial", "gold": "Хайыы-үйэ уопутурбут волонтёрдар ким кимиэхэ тиийиэхтээҕин, туох наадатын быһаарса охсоллор.", "noisy": "Хайыы-үйэ уопутурбут волонтёрдар ким кимиэхэ тиийиэхтээгин, туох наадатын быһаарса охсоллор.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 798, "split": "test", "profile": "clean", "gold": "Хотуттан Олдьо өрүс чэрчилиир, соҕурууттан Силээннээх уонна Олдьо салаата Нэннэли өрүстэр билирдэрэ буолар.", "noisy": "Хотуттан Олдьо өрүс чэрчилиир, соҕурууттан Силээннээх уонна Олдьо салаата Нэннэли өрүстэр билирдэрэ буолар.", "source": "sah.wikipedia:Хадаранньа"}
{"id": 799, "split": "test", "profile": "ru_fold", "gold": "Военнай оскуола оҕолорун кытары бииргэ 1941 сыл от ыйын 25 күнүгэр сэриигэ барар буолбутум.", "noisy": "Военнай оскуола оголорун кытары бииргэ 1941 сыл от ыйын 25 кунугэр сэриигэ барар буолбутум.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 800, "split": "dev", "profile": "leontiev", "gold": "Аймахтара Арбита удьуорун утумнаабыт дьон, били олоҥхоһут Баһаарын сиэннэрэ.", "noisy": "Аймахтара Арбита удьуорун утумнаабыт дьон, били олонхоьут Баьаарын сиэннэрэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 801, "split": "dev", "profile": "digits", "gold": "Кыра саастарыттан научнай-чинчийэр үлэнэн үлүһүйэр талааннаах оҕолорго көмөлөһөр уонна кинилэри өйүүр хайаан да наада.", "noisy": "Кыра саастарыттан научнай-чинчийэр yлэнэн yлyhyйэр талааннаах о5олорго к8м8л8h8р уонна кинилэри 8йyyр хайаан да наада.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 802, "split": "test", "profile": "mixed", "gold": "Салайааччы кэнэҕэски үлэтигэр улахан күүһү иҥэрэр.", "noisy": "Салайааччы кэнэ5эски yлэтигэр улахан куyьу инэрэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 803, "split": "dev", "profile": "partial", "gold": "Санаабар, значоктаах мэтээлбин көрдүүрүм...", "noisy": "Санаабар, значоктаах мэтээлбин көрдүүрүм...", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 804, "split": "test", "profile": "clean", "gold": "Блокунуоттарынан көрдөххө, олох оскуолаттан саҕалаан устудьуоннуур сылларыгар наһаа элбэх хоһоону суруйбут.", "noisy": "Блокунуоттарынан көрдөххө, олох оскуолаттан саҕалаан устудьуоннуур сылларыгар наһаа элбэх хоһоону суруйбут.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 805, "split": "dev", "profile": "ru_fold", "gold": "\"Кэмниэ кэнэҕэс, хаарбах туруктанан, атын эбийиэккэ көһөргһ күһэллибиппит.", "noisy": "\"Кэмниэ кэнэгэс, хаарбах туруктанан, атын эбийиэккэ коhоргh куhэллибиппит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 806, "split": "dev", "profile": "leontiev", "gold": "Уолаттар Солооһун учаастагар күрүө маһын суоран хатырыктаатылар, мутук хомуйдулар.", "noisy": "Уолаттар Солооьун учаастагар куруе маьын суоран хатырыктаатылар, мутук хомуйдулар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 807, "split": "dev", "profile": "digits", "gold": "«Инньэ гынан бэйэбит өттүбүттэн ороскуот 30 %-нын уйуннубут.", "noisy": "«Инньэ гынан бэйэбит 8ттyбyттэн ороскуот 30 %-нын уйуннубут.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 808, "split": "dev", "profile": "mixed", "gold": "Төгүрүк остуолу Ассоциация толорооччу дириэктэрэ С.Г.", "noisy": "Т8гурук остуолу Ассоциация толорооччу дириэктэрэ С.Г.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 809, "split": "test", "profile": "partial", "gold": "Уопсайа сүүстэн тахса оруолу оонньообут.", "noisy": "Уопсайа сүүстэн тахса оруолу оонньообут.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 810, "split": "test", "profile": "clean", "gold": "Кэргэнин дьоно күтүөттэрин «хаал» дии сатаабыттарын, истибэккэ, уол Сахатын сиригэр төннөр.", "noisy": "Кэргэнин дьоно күтүөттэрин «хаал» дии сатаабыттарын, истибэккэ, уол Сахатын сиригэр төннөр.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 811, "split": "dev", "profile": "ru_fold", "gold": "Чуочабылга Марков Андрей Афанасьевич студенныы сылдьан каникулугар тахса сылдьан үс түүн олоҥхолоппут этэ.", "noisy": "Чуочабылга Марков Андрей Афанасьевич студенныы сылдьан каникулугар тахса сылдьан ус туун олонхолоппут этэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 812, "split": "dev", "profile": "leontiev", "gold": "Ону тэҥэ: кая — таас, очуос; коя (узб.) — таас; кия (тадж., түүр.", "noisy": "Ону тэнэ: кая — таас, очуос; коя (узб.) — таас; кия (тадж., туур.", "source": "sah.wikipedia:Кыйыы"}
{"id": 813, "split": "test", "profile": "digits", "gold": "Оттон презервативы киэҥник туһаныыны былыргы римляннар саҕалаабыттара этиллэр.", "noisy": "Оттон презервативы киэнник туhаныыны былыргы римляннар са5алаабыттара этиллэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 814, "split": "test", "profile": "mixed", "gold": "Иван Бурнашев Сүрүн хаартыскаҕа СӨ норуодунай артыыһа Владимир Заболоцкай ыллыы турар.", "noisy": "Иван Бурнашев Сyрyн хаартыска5а СО норуодунай артыыhа Владимир Заболоцкай ыллыы турар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 815, "split": "dev", "profile": "partial", "gold": "Киһи оҥорбут глобальнай сылыйыыта кэлэн тымныйыыны кытары утарсаллар.", "noisy": "Киһи онорбут глобальнай сылыйыыта кэлэн тымныйыыны кытары утарсаллар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 816, "split": "test", "profile": "clean", "gold": "— Маннык ньыманан эти-хааны барытын биирдэ чинчийтэрэр үчүгэй.", "noisy": "— Маннык ньыманан эти-хааны барытын биирдэ чинчийтэрэр үчүгэй.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 817, "split": "dev", "profile": "ru_fold", "gold": "Ол оннугар охсуулаах үлэ күнүн- көрдөөх оонньуу, үҥкүү түмүктүүр буолара.Ити лааҕырдар биһиги көлүөнэбитин үлэһит, мындыр, ыарахаттартан иҥнэн- толлон турбат буоларга үөрэппиттэрэ.", "noisy": "Ол оннугар охсуулаах улэ кунун- кордоох оонньуу, ункуу тумуктуур буолара.Ити лаагырдар биhиги колуонэбитин улэhит, мындыр, ыарахаттартан иннэн- толлон турбат буоларга уорэппиттэрэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 818, "split": "test", "profile": "leontiev", "gold": "\"Кини курдук учууталлар- оҕо дьолугар кэлбит учууталлар\" диэн бэйэм сыанабылбын биэрэбин уонна бу математика курдук уустук предмеккэ үчүгэйдик үөрэммитим олохпор кытта туһалаата.", "noisy": "\"Кини курдук учууталлар- ого дьолугар кэлбит учууталлар\" диэн бэйэм сыанабылбын биэрэбин уонна бу математика курдук уустук предмеккэ учугэйдик уерэммитим олохпор кытта туьалаата.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 819, "split": "dev", "profile": "digits", "gold": "Көрсүһүү түмүгэр Драгомир Карич Саха сирин парламенын спикеригэр сылаастык көрсүбүттэрин иһин махтанна.", "noisy": "К8рсyhyy тyмyгэр Драгомир Карич Саха сирин парламенын спикеригэр сылаастык к8рсyбyттэрин иhин махтанна.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 820, "split": "dev", "profile": "mixed", "gold": "Онтон пединститукка саха литературатын, чуолаан, фольклор курсун үөрэппитэ.", "noisy": "Онтон пединститукка саха литературатын, чуолаан, фольклор курсун у8рэппитэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 821, "split": "dev", "profile": "partial", "gold": "Нэһилиэк таһыгар агрокластерга эмиэ хотон туттан үчүгэйдик үлэлиир, бааһынай хаһаайыстыбалаах аймаҕар Николай Гаврильевка оттуур ходуһатын туран биэрэн өйүү сылдьар.", "noisy": "Нэһилиэк таһыгар агрокластерга эмиэ хотон туттан үчүгэйдик үлэлиир, бааһынай хаһаайыстыбалаах аймагар Николай Гаврильевка оттуур ходуһатын туран биэрэн өйүү сылдьар.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 822, "split": "test", "profile": "clean", "gold": "Бүгүҥҥү туругунан Өлүөхүмэ улууһугар эрэ 6 ойуур баһаара баара бэлиэтэнэр.", "noisy": "Бүгүҥҥү туругунан Өлүөхүмэ улууһугар эрэ 6 ойуур баһаара баара бэлиэтэнэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 823, "split": "test", "profile": "ru_fold", "gold": "Маассабай сыаналар, кыргыһыы хонуулара олус бэркэ оҥоһуллубуттар, дойдубут кэрэ айылҕата тыыннаах курдук көрдөрүллүбүт.", "noisy": "Маассабай сыаналар, кыргыhыы хонуулара олус бэркэ оноhуллубуттар, дойдубут кэрэ айылгата тыыннаах курдук кордоруллубут.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 824, "split": "test", "profile": "leontiev", "gold": "Ийээ, Эн, бука диэн, долгуйума, Барыта этэҥҥэ буолуоҕа.", "noisy": "Ийээ, Эн, бука диэн, долгуйума, Барыта этэннэ буолуога.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 825, "split": "test", "profile": "digits", "gold": "– Сиэр диэн олоҕу тутар, кэскили оҥорор, дьолу-үөрүүнү эрэ аҕалар майгы, өйдөбүл буолар.", "noisy": "– Сиэр диэн оло5у тутар, кэскили онорор, дьолу-y8рyyнy эрэ а5алар майгы, 8йд8бyл буолар.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 826, "split": "test", "profile": "mixed", "gold": "Сайыҥҥы кэмҥэ оҕо үлэлээн, бэйэтэ хамнастаах буолан дьиэ кэргэнигэр дохуот киллэрэрин өйүүр бырайыак инникитин оҕо бэйэтин идэтин таларыгар көмөлөөх буолуоҕа.", "noisy": "Сайынгны кэмнэ о5о улэлээн, бэйэтэ хамнастаах буолан дьиэ кэргэнигэр дохуот киллэрэрин 8йyур бырайыак инникитин ого бэйэтин идэтин таларыгар к8м8ло8х буолуо5а.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 827, "split": "test", "profile": "partial", "gold": "“Сельдорстрой” тэрилтэ тротуар олоҕун чиҥэтэн биэриэхтээх, плитканы хос ууруохтаах уонна үлэни ыам ыйа бүтүөр диэри түмүктүөхтээх.", "noisy": "“Сельдорстрой” тэрилтэ тротуар ологун чинэтэн биэриэхтээх, плитканы хос ууруохтаах уонна үлэни ыам ыйа бүтүөр диэри түмүктүөхтээх.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 828, "split": "dev", "profile": "clean", "gold": "Таах олорботубут үлэ бара турар, оҕолор сайдалларын туһугар туох баарбытынан үлэлиибит, ол курдук 2020, 2021 сылларга үлэ түмүгүнэн биһиги улууска эбии үөрэхтээһин тэрилтэлэригэр бастакы миэстэҕэ таҕыстыбыт.", "noisy": "Таах олорботубут үлэ бара турар, оҕолор сайдалларын туһугар туох баарбытынан үлэлиибит, ол курдук 2020, 2021 сылларга үлэ түмүгүнэн биһиги улууска эбии үөрэхтээһин тэрилтэлэригэр бастакы миэстэҕэ таҕыстыбыт.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 829, "split": "test", "profile": "ru_fold", "gold": "Алтынньы 2 күнүгэр Федор Попов автоматчигынан сулууспалыыр 81-с стрелковай дивизиятын 467-с полкатыгар Днепр өрүһү туораан өстөөҕү тохтоторго бирикээс кэлбитэ.", "noisy": "Алтынньы 2 кунугэр Федор Попов автоматчигынан сулууспалыыр 81-с стрелковай дивизиятын 467-с полкатыгар Днепр оруhу туораан остоогу тохтоторго бирикээс кэлбитэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 830, "split": "dev", "profile": "leontiev", "gold": "Кинини ити ыстаал куйахтаах күтүр үлүгэри кытта хайдах охсуһарга нуучча хамандыыра үөрэппитэ.", "noisy": "Кинини ити ыстаал куйахтаах кутур улугэри кытта хайдах охсуьарга нуучча хамандыыра уерэппитэ.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 831, "split": "test", "profile": "digits", "gold": "Говоров Геннадий Гаврильевичка – үлэ ветерана, Саха Республикатын Государственнай Мунньаҕын Ил Түмэн «Тыа хаҺаайыстыбатын сайдыытыгар кылаатын иҺин» бэлиэ хаһаайына, элбэх оҕо тапталлаах аҕата, эйэҕэс эһээтэ.", "noisy": "Говоров Геннадий Гаврильевичка – yлэ ветерана, Саха Республикатын Государственнай Мунньа5ын Ил Тyмэн «Тыа хаHаайыстыбатын сайдыытыгар кылаатын иHин» бэлиэ хаhаайына, элбэх о5о тапталлаах а5ата, эйэ5эс эhээтэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 832, "split": "test", "profile": "mixed", "gold": "Анна Васильевна таҥан оҥорбут «Верхоянье в судьбе Серошевского» диэн киинэтин 1 чааһыгар Дьааҥы улууһугар ыраахтааҕы саҕана 130-ча политсыылынай кэлэн олорбуттарын кэпсээтэ.", "noisy": "Анна Васильевна танган онгорбут «Верхоянье в судьбе Серошевского» диэн киинэтин 1 чааhыгар Дьаангы улууhугар ыраахтаахы сагана 130-ча политсыылынай кэлэн олорбуттарын кэпсээтэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 833, "split": "test", "profile": "partial", "gold": "Сэбирдэҕин эрийэн барыанньа оҥороллор, аска тума гыналлар.", "noisy": "Сэбирдэгин эрийэн барыанньа онороллор, аска тума гыналлар.", "source": "sah.wikipedia:Кииhилэ"}
{"id": 834, "split": "dev", "profile": "clean", "gold": "Маныаха нэһилиэк кэскиллээх ыччата Моисей Николаевич Борисов быйыл саас бэкээринэ тэринэн үлэлэтэр соруктаах саҕалааччы предприниматель гранын көмүскээбитэ.", "noisy": "Маныаха нэһилиэк кэскиллээх ыччата Моисей Николаевич Борисов быйыл саас бэкээринэ тэринэн үлэлэтэр соруктаах саҕалааччы предприниматель гранын көмүскээбитэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 835, "split": "dev", "profile": "ru_fold", "gold": "Захаров онтон бэрт элбэҕи булан, дьон билиитигэр-көрүүтүгэр таһаарда.", "noisy": "Захаров онтон бэрт элбэги булан, дьон билиитигэр-коруутугэр таhаарда.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 836, "split": "dev", "profile": "leontiev", "gold": "Василий Степанович олох дьэҥкирдик ыраастык ыллыырга үөрэтэр этэ.", "noisy": "Василий Степанович олох дьэнкирдик ыраастык ыллыырга уерэтэр этэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 837, "split": "dev", "profile": "digits", "gold": "Онон хантан эрэ үөһэттэн соҥноммут кэлии киһи – “варяг” – өрөспүүбүлүкэ 27 улууһуттан итэҕэли, баһылыктар уонна олохтоох дьокутааттар өйөбүллэрин ылан, илии баттааһынын хомуйбата биллэр.", "noisy": "Онон хантан эрэ y8hэттэн сонноммут кэлии киhи – “варяг” – 8р8спyyбyлyкэ 27 улууhуттан итэ5эли, баhылыктар уонна олохтоох дьокутааттар 8й8бyллэрин ылан, илии баттааhынын хомуйбата биллэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 838, "split": "dev", "profile": "mixed", "gold": "Айар куттаах Мария Еремеевна Поскачина Өлүөхүмэ улууһун ырыаҕа ылламмыт, хоһооҥҥо хоһуллубут Кыыллаах Арыытыттан төрүттээх.", "noisy": "Айар куттаах Мария Еремеевна Поскачина 8лy8хyмэ улууhун ырыага ылламмыт, хосоонгно хоьуллубут Кыыллаах Арыытыттан торуттээх.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 839, "split": "dev", "profile": "partial", "gold": "Ханна да сырыттахха, киһи кэрэхсиирэ, үөрэнэрэ үгүс буолуоҕа.", "noisy": "Ханна да сырыттахха, киһи кэрэхсиирэ, үөрэнэрэ үгүс буолуога.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 840, "split": "dev", "profile": "clean", "gold": "Олоруҥ билиҥҥи кэмҥэ улахан ситиһиинэн буолуох эбиттэр.", "noisy": "Олоруҥ билиҥҥи кэмҥэ улахан ситиһиинэн буолуох эбиттэр.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 841, "split": "test", "profile": "ru_fold", "gold": "Хайаан да сатамматын түөһэн, кыаллыбатын эрэ ороон таһааран итинник былааны эрдэттэн суох гына сатыыр майгыны Сталин саҕана куорҕаллааһын дииллэрэ.", "noisy": "Хайаан да сатамматын туоhэн, кыаллыбатын эрэ ороон таhааран итинник былааны эрдэттэн суох гына сатыыр майгыны Сталин сагана куоргаллааhын дииллэрэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 842, "split": "dev", "profile": "leontiev", "gold": "Бастатан туран, сэллик ыарыыта, эр киһи, дьахтар сиэрэ суох сексуальнай сыһыаннаһыыларыттан үөскүүр ыарыылар уонна ВИЧ, гепатит \"С\" ыарыылар ырытылыннылар.", "noisy": "Бастатан туран, сэллик ыарыыта, эр киьи, дьахтар сиэрэ суох сексуальнай сыьыаннаьыыларыттан уескуур ыарыылар уонна ВИЧ, гепатит \"С\" ыарыылар ырытылыннылар.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 843, "split": "dev", "profile": "digits", "gold": "РФ Нолуок кодексын 2019 ыстатыйатын 1 пуунун 3-с хос пуунун чэрчитинэн, бэйэҕэр, кэргэҥҥэр, төрөппүттэргэр уонна оҕолоргор медицинскэй өҥөнү ылбыт буоллаххына, төлөөбүт ороскуотуҥ 13%-н төнүннэриэххин сөп.", "noisy": "РФ Нолуок кодексын 2019 ыстатыйатын 1 пуунун 3-с хос пуунун чэрчитинэн, бэйэ5эр, кэргэннэр, т8р8ппyттэргэр уонна о5олоргор медицинскэй 8н8нy ылбыт буоллаххына, т8л88бyт ороскуотун 13%-н т8нyннэриэххин с8п.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 844, "split": "dev", "profile": "mixed", "gold": "Күөх моҕой обургу истэрин аһытан, эттэригэр-хааннарыгар эймэнитэ оонньоон, устунан быччыҥнара күүрэн барда.", "noisy": "Кyох могой обургу истэрин асытан, эттэригэр-хааннарыгар эймэнитэ оонньоон, устунан быччыннара куyрэн барда.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 845, "split": "dev", "profile": "partial", "gold": "Уокуруктааҕы дьаһалта тырааныспар сырыытыгар хааччахтааһын суолга куттал суох буолуутун хааччыйар сыаллаах оҥоһулларын өйдүүргүтүгэр көрдөһөр.", "noisy": "Уокуруктаагы дьаһалта тырааныспар сырыытыгар хааччахтааһын суолга куттал суох буолуутун хааччыйар сыаллаах оноһулларын өйдүүргүтүгэр көрдөһөр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 846, "split": "dev", "profile": "clean", "gold": "Ким иһэ топпут көрүдьүөс оҥостор киһитэ буолуоҥ.", "noisy": "Ким иһэ топпут көрүдьүөс оҥостор киһитэ буолуоҥ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 847, "split": "dev", "profile": "ru_fold", "gold": "Бу үлэ бөдөҥ тюркологтар, олор истэригэр аан дойдуга биллэр компаративист А.В.", "noisy": "Бу улэ бодон тюркологтар, олор истэригэр аан дойдуга биллэр компаративист А.В.", "source": "sah.wikipedia:Иванов Спиридон Алексеевич"}
{"id": 848, "split": "dev", "profile": "leontiev", "gold": "Мин оччолорго оскуолаҕа үөрэнэр этим, олоҥхо диэни олох да өйдөөбөт буоллаҕым.", "noisy": "Мин оччолорго оскуолага уерэнэр этим, олонхо диэни олох да ейдеебет буоллагым.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 849, "split": "test", "profile": "digits", "gold": "* * * Суот-учуот ыытар ньыма уларыйа турар, онон сөптөөх көрдөрүүнү булар — уустук сорудах.", "noisy": "* * * Суот-учуот ыытар ньыма уларыйа турар, онон с8пт88х к8рд8рyyнy булар — уустук сорудах.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 850, "split": "test", "profile": "mixed", "gold": "Дойдум дьонун өйөбүлэ баар буолан хомус тардыыга Гиннес рекордун идиэйэтэ олоххо киирбитэ.", "noisy": "Дойдум дьонун ой8булэ баар буолан хомус тардыыга Гиннес рекордун идиэйэтэ олоххо киирбитэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 851, "split": "dev", "profile": "partial", "gold": "Омук интэриниэт былаһааккалара дойдубутун утары үлэлээн, өстөөхтүү дьайыыларын иһин Арассыыйаҕа бобулуннулар.", "noisy": "Омук интэриниэт былаһааккалара дойдубутун утары үлэлээн, өстөөхтүү дьайыыларын иһин Арассыыйага бобулуннулар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 852, "split": "test", "profile": "clean", "gold": "Аҕыйах хонуктааҕыта Болгарияҕа Европа чөмпүйэнээтигэр саха уола Василий Егоров 49 киилэ ыйааһыҥҥа чаҕылхайдык кыайан, чөмпүйүөн үрдүк аатын сүкпүтэ.", "noisy": "Аҕыйах хонуктааҕыта Болгарияҕа Европа чөмпүйэнээтигэр саха уола Василий Егоров 49 киилэ ыйааһыҥҥа чаҕылхайдык кыайан, чөмпүйүөн үрдүк аатын сүкпүтэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 853, "split": "test", "profile": "ru_fold", "gold": "Быраастар этэллэринэн, кинилэр Москваҕа сэтинньи 16-22 күннэригэр түөрт килиниичэскэй балыыһаҕа сылдьан эмтииргэ үөрэммиттэр.", "noisy": "Быраастар этэллэринэн, кинилэр Москвага сэтинньи 16-22 куннэригэр туорт килиниичэскэй балыыhага сылдьан эмтииргэ уорэммиттэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 854, "split": "test", "profile": "leontiev", "gold": "Инфляция киһи үөйбэтэҕин курдук улаатта.", "noisy": "Инфляция киьи уейбэтэгин курдук улаатта.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 855, "split": "test", "profile": "digits", "gold": "– Туох да саарбаҕа суох, күрэстэһэр кыахтаах.", "noisy": "– Туох да саарба5а суох, кyрэстэhэр кыахтаах.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 856, "split": "test", "profile": "mixed", "gold": "Төлөбүрэ биир оҕоҕо ыйга — уон тыһыынча.", "noisy": "Тол8бyрэ биир о5ого ыйга — уон тысыынча.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 857, "split": "test", "profile": "partial", "gold": "\"Доставка\" үлэтэ арыгы атыытын бириэмэнэн хааччахтыыр сокуон тахсыаҕыттан ыла күүскэ сайынна.", "noisy": "\"Доставка\" үлэтэ арыгы атыытын бириэмэнэн хааччахтыыр сокуон тахсыагыттан ыла күүскэ сайынна.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 858, "split": "test", "profile": "clean", "gold": "Амма олохтоохторо, спорду сэҥээрээччилэр Үс иилээх хапсаҕайы сөбүлээтилэр, астыннылар.", "noisy": "Амма олохтоохторо, спорду сэҥээрээччилэр Үс иилээх хапсаҕайы сөбүлээтилэр, астыннылар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 859, "split": "dev", "profile": "ru_fold", "gold": "Аҥаардас быйыл бастакы кууруска уонтан тахса оҕо үөрэнэ сылдьабыт.", "noisy": "Анаардас быйыл бастакы кууруска уонтан тахса ого уорэнэ сылдьабыт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 860, "split": "test", "profile": "leontiev", "gold": "Маннык суох буоллаҕына олоҕу олорорго сүрдээх ыарахан буолуохтаах.", "noisy": "Маннык суох буоллагына ологу олорорго сурдээх ыарахан буолуохтаах.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 861, "split": "test", "profile": "digits", "gold": "Ол аата — тустаах Сокуон дьон туһугар үлэлиэхтээх.", "noisy": "Ол аата — тустаах Сокуон дьон туhугар yлэлиэхтээх.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 862, "split": "dev", "profile": "mixed", "gold": "Мэҥэ Хаҥаласка: 09:00–17:00 — Маттаҕа; 10:00–17:00 — Табаҕа, Тиэлиги, Бырама, Хочо, Даркылаах.", "noisy": "Мэнэ Ханаласка: 09:00–17:00 — Маттаха; 10:00–17:00 — Табаха, Тиэлиги, Бырама, Хочо, Даркылаах.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 863, "split": "test", "profile": "partial", "gold": "Биһиги Арассыыйаҕа үлэлиирбитигэр норуоттар икки ардыларынааҕы үс өрүттээх дуогабарга олоҕурабыт.", "noisy": "Биһиги Арассыыйага үлэлиирбитигэр норуоттар икки ардыларынаагы үс өрүттээх дуогабарга ологурабыт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 864, "split": "dev", "profile": "clean", "gold": "Көмө көрдөөн, Саха сиригэр бииргэ үөрэммит оҕолорбор суруйбутум.", "noisy": "Көмө көрдөөн, Саха сиригэр бииргэ үөрэммит оҕолорбор суруйбутум.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 865, "split": "test", "profile": "ru_fold", "gold": "Онон ньургуһун сибэккитин ыйыстар, сиир сатаммат, куртаҕы, оһоҕоһу бааһырдыахха сөп.", "noisy": "Онон ньургуhун сибэккитин ыйыстар, сиир сатаммат, куртагы, оhогоhу бааhырдыахха соп.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 866, "split": "dev", "profile": "leontiev", "gold": "Өрөспүүбүлүкэ тэрилтэлэрэ үп-харчы ресурсаларыгар тиксэр кыахтара күөмчүлэннэ«, — диэтэ Егор Афанасьевич.", "noisy": "Ереспуубулукэ тэрилтэлэрэ уп-харчы ресурсаларыгар тиксэр кыахтара куемчулэннэ«, — диэтэ Егор Афанасьевич.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 867, "split": "dev", "profile": "digits", "gold": "Дьэ, бу \"аптаах\" буклет туһатын киһи ааҕан сиппэт.", "noisy": "Дьэ, бу \"аптаах\" буклет туhатын киhи аа5ан сиппэт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 868, "split": "test", "profile": "mixed", "gold": "А661 автобус Соҕуруу өттүгэр Дармштадтан саҕаланар (нем.", "noisy": "А661 автобус Согуруу оттугэр Дармштадтан сагаланар (нем.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 869, "split": "test", "profile": "partial", "gold": "– диэн хамандыырдарын хаһыыта ханна эрэ ыраах тыҥкынаан иһиллэрэ.", "noisy": "– диэн хамандыырдарын хаһыыта ханна эрэ ыраах тынкынаан иһиллэрэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 870, "split": "test", "profile": "clean", "gold": "Олох-дьаһах хайдаҕын, тыа сиригэр туох кыһалҕа баарын биллибит, санаа атастастыбыт.", "noisy": "Олох-дьаһах хайдаҕын, тыа сиригэр туох кыһалҕа баарын биллибит, санаа атастастыбыт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 871, "split": "dev", "profile": "ru_fold", "gold": "10 саастаах Николай Григорьев Бурлов ынаҕын манаан аһатар эбээһинэстээх эбит.", "noisy": "10 саастаах Николай Григорьев Бурлов ынагын манаан аhатар эбээhинэстээх эбит.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 872, "split": "dev", "profile": "leontiev", "gold": "Киэн туттар дьоммут — учуонайдар — Ньурба дьоно-сэргэтэ, ол иһигэр Маалыкай тубэтин олохтоохторо советскай кэм саҕатган билиигэ-көрүүгэ тардыһыылара олус күүстээх этэ.", "noisy": "Киэн туттар дьоммут — учуонайдар — Ньурба дьоно-сэргэтэ, ол иьигэр Маалыкай тубэтин олохтоохторо советскай кэм сагатган билиигэ-керуугэ тардыьыылара олус куустээх этэ.", "source": "sah.wikipedia:Киэн туттар дьоммут — учуонайдар"}
{"id": 873, "split": "dev", "profile": "digits", "gold": "Ол түмүгэр билигин сөптөөх атах таҥаһын кэтэр буоллум.", "noisy": "Ол тyмyгэр билигин с8пт88х атах танаhын кэтэр буоллум.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 874, "split": "test", "profile": "mixed", "gold": "Оннооҕор боростуой хаамы ис иһигэр киирдэххэ сыалай искусство буоллаҕа даже ону сатаан суоттаабакка сылдьан тустууну хантан суоттуохпутуй.Сөпкө этэбин буотах дуо?", "noisy": "Онноохор боростуой хаамы ис иьигэр киирдэххэ сыалай искусство буоллаха даже ону сатаан суоттаабакка сылдьан тустууну хантан суоттуохпутуй.Сопко этэбин буотах дуо?", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 875, "split": "test", "profile": "partial", "gold": "Ол эрэн оннук \"судургу\" сакаас биирдэ эмэ түбэһэр, үксүгэр лаппа итирбит уолаттар \"эбинэ\" сылдьар буолаллар.", "noisy": "Ол эрэн оннук \"судургу\" сакаас биирдэ эмэ түбэһэр, үксүгэр лаппа итирбит уолаттар \"эбинэ\" сылдьар буолаллар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 876, "split": "test", "profile": "clean", "gold": "Кылаабынай вокзалтан чаас аайы автобустар Франкфурт-Хан (суолга — 1 чаас 45 мүнүүтэ) айанныыллар.", "noisy": "Кылаабынай вокзалтан чаас аайы автобустар Франкфурт-Хан (суолга — 1 чаас 45 мүнүүтэ) айанныыллар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 877, "split": "dev", "profile": "ru_fold", "gold": "— Онно өһүргэттэҕиҥ дии оччоҕуна, ол иһин миигин кытта кэпсэппэт.", "noisy": "— Онно оhургэттэгин дии оччогуна, ол иhин миигин кытта кэпсэппэт.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 878, "split": "dev", "profile": "leontiev", "gold": "Бу хамыыһыйаҕа анал сайабылыанньа толоруллар.", "noisy": "Бу хамыыьыйага анал сайабылыанньа толоруллар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 879, "split": "test", "profile": "digits", "gold": "Оҕолор үгүстэрэ ити саастарыгар суолларын быһаарына иликтэрин быһыытынан мэдиссиинэ, тиэхиньиичэскэй, гуманитарнай үрдүк үөрэхтэргэ, Казаньнааҕы федеральнай университет тас дойдулар сыһыаннаһыыларын институтугар, о.д.а.", "noisy": "О5олор yгyстэрэ ити саастарыгар суолларын быhаарына иликтэрин быhыытынан мэдиссиинэ, тиэхиньиичэскэй, гуманитарнай yрдyк y8рэхтэргэ, Казаньнаа5ы федеральнай университет тас дойдулар сыhыаннаhыыларын институтугар, о.д.а.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 880, "split": "dev", "profile": "mixed", "gold": "Үлэттэн куттаныма, үлэһит киһи ыыра ыраас, санаата сайаҕас.", "noisy": "Улэттэн куттаныма, yлэhит киhи ыыра ыраас, санаата сайа5ас.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 881, "split": "dev", "profile": "partial", "gold": "Сээркээн сэһэнньит, бэрт хоодуот кырдьаҕас лааҕыр кыыллыы усулуобуйатын тулуйбакка ыалдьан өлбүт.", "noisy": "Сээркээн сэһэнньит, бэрт хоодуот кырдьагас лаагыр кыыллыы усулуобуйатын тулуйбакка ыалдьан өлбүт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 882, "split": "test", "profile": "clean", "gold": "Бэдьимэттэн көһөн барбыт дьону үөрэтии саҕаламмыта.", "noisy": "Бэдьимэттэн көһөн барбыт дьону үөрэтии саҕаламмыта.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 883, "split": "dev", "profile": "ru_fold", "gold": "Эн бэйэҥ спорт ханнык көрүҥүнэн дьарыктана сылдьыбыккыный?", "noisy": "Эн бэйэн спорт ханнык корунунэн дьарыктана сылдьыбыккыный?", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 884, "split": "test", "profile": "leontiev", "gold": "Сылынан көрдөххө: ынах сүөһү ахсаана 2008 с.", "noisy": "Сылынан кердеххе: ынах суеьу ахсаана 2008 с.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 885, "split": "test", "profile": "digits", "gold": "Дьыссаат оҕотуттан оҕонньоругар диэри бары көрөрбүтүгэр көҥүл.", "noisy": "Дьыссаат о5отуттан о5онньоругар диэри бары к8р8рбyтyгэр к8нyл.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 886, "split": "dev", "profile": "mixed", "gold": "От-мас, Алаас сыһыы, Эбэ Хотун биир да ырыа дорҕоонун ыһыктымаары, көтөрү-сүүрэри аймаамаары иһийэ чуумпуруо, астынан налыйыа.", "noisy": "От-мас, Алаас сысыы, Эбэ Хотун биир да ырыа дорхоонун ысыктымаары, к8т8рy-сyурэри аймаамаары иhийэ чуумпуруо, астынан налыйыа.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 887, "split": "dev", "profile": "partial", "gold": "Баһаатайдарбыт лааҕыр сокуоннарыгар үөрэппиттэрэ: “закон поднятой руки” – чуумпураҕын, “закон моря” – муораҕа киирбэккин, “закон зеленой травы” – күөх оту тэпсибэккин, «закон 00” – ханна да хойутуо суохтааххын.", "noisy": "Баһаатайдарбыт лаагыр сокуоннарыгар үөрэппиттэрэ: “закон поднятой руки” – чуумпурагын, “закон моря” – муорага киирбэккин, “закон зеленой травы” – күөх оту тэпсибэккин, «закон 00” – ханна да хойутуо суохтааххын.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 888, "split": "test", "profile": "clean", "gold": "Федор Попов балта Марфа Попова-Филатова “Убайым Сүөдэр – бар дьонун сүрэҕэр” диэн өр сыллааҕы муспут ахтыыларын кинигэтин ааҕааччы киэҥ эйгэтигэр таһаарбыта.", "noisy": "Федор Попов балта Марфа Попова-Филатова “Убайым Сүөдэр – бар дьонун сүрэҕэр” диэн өр сыллааҕы муспут ахтыыларын кинигэтин ааҕааччы киэҥ эйгэтигэр таһаарбыта.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 889, "split": "dev", "profile": "ru_fold", "gold": "Уруккута үрүҥнэр баһылаан олорбут куораттара буолар, манна Куклуксклан салалтата баара (билигин да баар дииллэр).", "noisy": "Уруккута уруннэр баhылаан олорбут куораттара буолар, манна Куклуксклан салалтата баара (билигин да баар дииллэр).", "source": "sah.wikipedia:Литтл Рок"}
{"id": 890, "split": "test", "profile": "leontiev", "gold": "Хаһан да дьиэ кэргэҥҥэ мин тойоммун диэн үтүрүйбэккэ, кини санныгар өйөнөн олордохторо дии.", "noisy": "Хаьан да дьиэ кэргэннэ мин тойоммун диэн утуруйбэккэ, кини санныгар ейенен олордохторо дии.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 891, "split": "dev", "profile": "digits", "gold": "Никон Петрович ипотека ылан, тутуу биригээдэтин ыҥыран, онно бэйэтэ үлэлэһэн, дьиэ ааспыт кыһын тутуллубут.", "noisy": "Никон Петрович ипотека ылан, тутуу биригээдэтин ыныран, онно бэйэтэ yлэлэhэн, дьиэ ааспыт кыhын тутуллубут.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 892, "split": "dev", "profile": "mixed", "gold": "Матталар бырааһынньык аайы биһиги оскуолабытыгар мусталлара.", "noisy": "Матталар быраасынньык аайы бисиги оскуолабытыгар мусталлара.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 893, "split": "dev", "profile": "partial", "gold": "— Чөл олох тускулун тутуһан өрөспүүбүлүкэҕэ ыытыллар тэрээһиҥҥэ барытыгар кыттан иһэбит.", "noisy": "— Чөл олох тускулун тутуһан өрөспүүбүлүкэгэ ыытыллар тэрээһиннэ барытыгар кыттан иһэбит.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 894, "split": "dev", "profile": "clean", "gold": "Ити Ийэ түөстэрин Хайа мэтээл киэргэтиэй?", "noisy": "Ити Ийэ түөстэрин Хайа мэтээл киэргэтиэй?", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 895, "split": "test", "profile": "ru_fold", "gold": "Билиэти атыылаһыыга айаҥҥа хааччахтааһын суох, ханнык баҕарар хайысхаҕа айанныахха сөп.", "noisy": "Билиэти атыылаhыыга айанна хааччахтааhын суох, ханнык багарар хайысхага айанныахха соп.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 896, "split": "test", "profile": "leontiev", "gold": "Салайар, партийнай, хаһаайыстыбаннай үлэлэргэ үлэлээбитэ, гражданскай сэрии партизана.", "noisy": "Салайар, партийнай, хаьаайыстыбаннай улэлэргэ улэлээбитэ, гражданскай сэрии партизана.", "source": "sah.wikipedia:Ксенофонтов Василий Васильевич"}
{"id": 897, "split": "test", "profile": "digits", "gold": "Чахчы, биһиги оҕолорбут харахха быраҕыллар уратылар.", "noisy": "Чахчы, биhиги о5олорбут харахха быра5ыллар уратылар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 898, "split": "dev", "profile": "mixed", "gold": "(Маастар оҕонньор) олус сымнаҕас, көнө-көрсүө, аҕыйах саҥалаах киһи этэ.", "noisy": "(Маастар о5онньор) олус сымна5ас, к8н8-к8рсуо, а5ыйах саналаах киhи этэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 899, "split": "test", "profile": "partial", "gold": "Хачайдаабыппын кытары, босхо 50 ханаалы көрүөххүн сөп диэн сурук таҕыста.", "noisy": "Хачайдаабыппын кытары, босхо 50 ханаалы көрүөххүн сөп диэн сурук тагыста.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 900, "split": "dev", "profile": "clean", "gold": "Үс хонуктааҕыта култуура үлэһиттэрэ күргүөмүнэн тахсан субуотунньуктаан киирдибит.", "noisy": "Үс хонуктааҕыта култуура үлэһиттэрэ күргүөмүнэн тахсан субуотунньуктаан киирдибит.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 901, "split": "test", "profile": "ru_fold", "gold": "Ол иьин хаьан эрэ эмиэ манна суруйбутум: үөрэппитиҥ иннигэр түһүмэ диэн кытай омугун өс хоһооно олоххо уһуйааччыны убаастааһынтан буолбатах, кини үөрэнээччигэ харысхал.", "noisy": "Ол иьин хаьан эрэ эмиэ манна суруйбутум: уорэппитин иннигэр туhумэ диэн кытай омугун ос хоhооно олоххо уhуйааччыны убаастааhынтан буолбатах, кини уорэнээччигэ харысхал.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 902, "split": "dev", "profile": "leontiev", "gold": "Василий Петрович оройуоҥҥа, өрөспүүбүлүкэҕэ остуол тенниһигэр уонна гимнастикаҕа сайдыытыгар кылгас кэмҥэ да үлэлээтэр, сүҥкэн улахан кылаатын киллэрбитэ.", "noisy": "Василий Петрович оройуонна, ереспуубулукэгэ остуол тенниьигэр уонна гимнастикага сайдыытыгар кылгас кэмнэ да улэлээтэр, сункэн улахан кылаатын киллэрбитэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 903, "split": "test", "profile": "digits", "gold": "Ону кытта ааҕааччыларбар билиһиннэрэбин.", "noisy": "Ону кытта аа5ааччыларбар билиhиннэрэбин.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 904, "split": "dev", "profile": "mixed", "gold": "Манна олорор сиргитинэн ханнык быыбардыыр учаастакка киирэргит, нүөмэрэ уонна аадырыһа баар.", "noisy": "Манна олорор сиргитинэн ханнык быыбардыыр учаастакка киирэргит, нy8мэрэ уонна аадырыhа баар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 905, "split": "test", "profile": "partial", "gold": "Өссө төгүл бу үрдүк наҕарааданан эҕэрдэлиибит уонна күндү учууталбытыгар чэгиэн- чэбдик доруобуйаны баҕарабыт\", — диэн үөрүүлээх түгэнтэн оскуолабыт дириэктэрэ Иванна Шишигина эҕэрдэтин ыытар.", "noisy": "Өссө төгүл бу үрдүк нагарааданан эгэрдэлиибит уонна күндү учууталбытыгар чэгиэн- чэбдик доруобуйаны багарабыт\", — диэн үөрүүлээх түгэнтэн оскуолабыт дириэктэрэ Иванна Шишигина эгэрдэтин ыытар.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 906, "split": "dev", "profile": "clean", "gold": "Бүлүү өрүскэ муус ыам ыйын 11 күнүгэр барда.", "noisy": "Бүлүү өрүскэ муус ыам ыйын 11 күнүгэр барда.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 907, "split": "dev", "profile": "ru_fold", "gold": "Оҕо, эдэр сылдьан истибит олоҥхоһуттарын Амма-Наахараттан Филиппов В.", "noisy": "Ого, эдэр сылдьан истибит олонхоhуттарын Амма-Наахараттан Филиппов В.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 908, "split": "test", "profile": "leontiev", "gold": "Онон дьоммор Кэптэнигэ субуотаҕа эбэтэр баскыһыанньаҕа хайдах табылларынан ардыгар сатыы, сороҕор бэлэсипиэтинэн тиийэрим.", "noisy": "Онон дьоммор Кэптэнигэ субуотага эбэтэр баскыьыанньага хайдах табылларынан ардыгар сатыы, сорогор бэлэсипиэтинэн тиийэрим.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 909, "split": "dev", "profile": "digits", "gold": "М.Шишов саҥа баһылыктарга бэйэтин солбуйааччыларын, дьаһалта араас салаатын салайааччыларын билиһиннэрдэ, сотору кэминэн Дьокуускайга МТ саҥа баһылыктарыгар аналлаах уон күннээх сэминээр ыытыллыа диэтэ.", "noisy": "М.Шишов сана баhылыктарга бэйэтин солбуйааччыларын, дьаhалта араас салаатын салайааччыларын билиhиннэрдэ, сотору кэминэн Дьокуускайга МТ сана баhылыктарыгар аналлаах уон кyннээх сэминээр ыытыллыа диэтэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 910, "split": "dev", "profile": "mixed", "gold": "Оттон иккис ыйааһын финалыгар бэйэбит уолаттарбыт Ньургун Скрябин уонна Виктор Рассадин көрүстүлэр.", "noisy": "Оттон иккис ыйааьын финалыгар бэйэбит уолаттарбыт Ньургун Скрябин уонна Виктор Рассадин корyстулэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 911, "split": "dev", "profile": "partial", "gold": "Биирдэ Москваҕа, Саха Сирин культуратын уонна искусствотын көрдөрөр күннэргэ ыытаары гынан баран, комиссия, таҥалайынан, тииһинэн претензиялаан сыыйан таһаарбыттара, ол тоҕото биллэр уонна ону бэйэтэ да өйдөөбүтэ.", "noisy": "Биирдэ Москвага, Саха Сирин культуратын уонна искусствотын көрдөрөр күннэргэ ыытаары гынан баран, комиссия, таналайынан, тииһинэн претензиялаан сыыйан таһаарбыттара, ол тогото биллэр уонна ону бэйэтэ да өйдөөбүтэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 912, "split": "dev", "profile": "clean", "gold": "“Мин балыыһаттан оҕото суох тахсыбаппын, атын оҕото биэриҥ”, — диэн көрбүтүм да, ол тута кыаллыбат буоллаҕа.", "noisy": "“Мин балыыһаттан оҕото суох тахсыбаппын, атын оҕото биэриҥ”, — диэн көрбүтүм да, ол тута кыаллыбат буоллаҕа.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 913, "split": "test", "profile": "ru_fold", "gold": "\"Үөрэхпитин бүтэрээт, Дима аармыйаҕа сулууспалаан кэлиэхтээх, ол кэннэ сыбаайбалыахтаахпыт\" диэн эрдэттэн былааннаммыппыт.", "noisy": "\"Уорэхпитин бутэрээт, Дима аармыйага сулууспалаан кэлиэхтээх, ол кэннэ сыбаайбалыахтаахпыт\" диэн эрдэттэн былааннаммыппыт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 914, "split": "test", "profile": "leontiev", "gold": "Кинилэр уонна эр дьоҥҥо иккис буолбут Алексей Матвеев тэрилтэ сүүмэрдэммит хамаандатыгар киирэн, бу субуотаҕа “Сахабэчээт” аатын көмүскүөхтэрэ.", "noisy": "Кинилэр уонна эр дьонно иккис буолбут Алексей Матвеев тэрилтэ суумэрдэммит хамаандатыгар киирэн, бу субуотага “Сахабэчээт” аатын кемускуехтэрэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 915, "split": "dev", "profile": "digits", "gold": "Маска сыһыаннаах, уһанар буолан да буолуо, ол саҕана, 30-с сылларга, оройуон киинигэр Покровскайга мунньан тутуу бөҕөнү ыыппыт кэмнэригэр түбэһэн эһэбит эмиэ сылдьыбыт.", "noisy": "Маска сыhыаннаах, уhанар буолан да буолуо, ол са5ана, 30-с сылларга, оройуон киинигэр Покровскайга мунньан тутуу б858нy ыыппыт кэмнэригэр тyбэhэн эhэбит эмиэ сылдьыбыт.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 916, "split": "dev", "profile": "mixed", "gold": "Эбээбит барахсан өрүү сүүрэ-хаама сылдьар (дэлэҕэ Чыбылык Настаа дэниэ дуо) иҥииригэр хаппыт эмээхсин этэ.", "noisy": "Эбээбит барахсан 8руy сyyрэ-хаама сылдьар (дэлэ5э Чыбылык Настаа дэниэ дуо) инииригэр хаппыт эмээхсин этэ.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 917, "split": "test", "profile": "partial", "gold": "Киһи, кырдьык, сатаан былааннаммат даҕаны.", "noisy": "Киһи, кырдьык, сатаан былааннаммат даганы.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 918, "split": "dev", "profile": "clean", "gold": "Олоҥхо научнай-чинчийэр института Мэҥэ-Хаҥалас улууһун Олоҥхо түмсүүтүн кытта (салайааччы Ф.", "noisy": "Олоҥхо научнай-чинчийэр института Мэҥэ-Хаҥалас улууһун Олоҥхо түмсүүтүн кытта (салайааччы Ф.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 919, "split": "test", "profile": "ru_fold", "gold": "Үптэрэ-харчыта суоҕун билэ-билэ, улуустарга найылааһын барда.", "noisy": "Уптэрэ-харчыта суогун билэ-билэ, улуустарга найылааhын барда.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 920, "split": "test", "profile": "leontiev", "gold": "Сталин ыҥырыытын истэн баран комбайнер специальноһын баһылыырга бэйэм санаабын МТС дирекциятыгар биллэрбитим.", "noisy": "Сталин ынырыытын истэн баран комбайнер специальноьын баьылыырга бэйэм санаабын МТС дирекциятыгар биллэрбитим.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 921, "split": "dev", "profile": "digits", "gold": "Кини ыллаан доллоһуттаҕына кылыһахтаах куолаһа дьиэрэйэн дьону бэйэтин тула түмэрэ.", "noisy": "Кини ыллаан доллоhутта5ына кылыhахтаах куолаhа дьиэрэйэн дьону бэйэтин тула тyмэрэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 922, "split": "test", "profile": "mixed", "gold": "Дакылаакка этиллэрин курдук, кэлэр көлүөнэҕэ хаһаас кээһэр биһиэхэ сатаммат – барыта Арассыыйа баайа, биһиэхэ туохпут да суох.", "noisy": "Дакылаакка этиллэрин курдук, кэлэр к8лyонэхэ хаhаас кээьэр бисиэхэ сатаммат – барыта Арассыыйа баайа, биьиэхэ туохпут да суох.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 923, "split": "dev", "profile": "partial", "gold": "«Таптыыртан харах арахпат» дииллэринии, Галялаах Сарыал истиҥник көрсөн кэбиһэллэр.", "noisy": "«Таптыыртан харах арахпат» дииллэринии, Галялаах Сарыал истинник көрсөн кэбиһэллэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 924, "split": "dev", "profile": "clean", "gold": "Хас бардахпыт аайы, аҕыйах буолан төннөрбүт.", "noisy": "Хас бардахпыт аайы, аҕыйах буолан төннөрбүт.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 925, "split": "test", "profile": "ru_fold", "gold": "Кинилэри өссө Вьетнам, Бирма уонна Камбонджа кыргыттара эмиэ интэриэһиргэтэллэр.", "noisy": "Кинилэри оссо Вьетнам, Бирма уонна Камбонджа кыргыттара эмиэ интэриэhиргэтэллэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 926, "split": "dev", "profile": "leontiev", "gold": "Мунньах сүрүн чааһын иитэр үлэни уонна эбии үөрэхтээһини сүрүннүүр салаа исписэлииһэ Екатерина Хоютанова салайан ыытта.", "noisy": "Мунньах сурун чааьын иитэр улэни уонна эбии уерэхтээьини суруннуур салаа исписэлииьэ Екатерина Хоютанова салайан ыытта.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 927, "split": "dev", "profile": "digits", "gold": "солк, Таркаайы нэһилиэгин дьаһалтата — 16951 солк уонна улуус Олоҕу-дьаһаҕы хааччыйар сулууспата — 7500 солк.", "noisy": "солк, Таркаайы нэhилиэгин дьаhалтата — 16951 солк уонна улуус Оло5у-дьаhа5ы хааччыйар сулууспата — 7500 солк.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 928, "split": "test", "profile": "mixed", "gold": "Ол эрэн, үгэс курдук, бобуу-хаайыы сокуонун итэҕэстэрин булан бэйэлэрин туһаларыгар таһаарар дьон бу да сырыыга таах көрөн олорботтор.", "noisy": "Ол эрэн, yгэс курдук, бобуу-хаайыы сокуонун итэ5эстэрин булан бэйэлэрин тусаларыгар таьаарар дьон бу да сырыыга таах корон олорботтор.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 929, "split": "dev", "profile": "partial", "gold": "Суукканы эргиччи быһа линияҕа төлөпүөннүөххэ сөп: 8-800-100-3550 (Республиканский телефон доверия) 8-800-2000-122 (Всероссийский детский телефон доверия) 8-800-100-22-83 (Мобильная кризисная служба).", "noisy": "Суукканы эргиччи быһа линияга төлөпүөннүөххэ сөп: 8-800-100-3550 (Республиканский телефон доверия) 8-800-2000-122 (Всероссийский детский телефон доверия) 8-800-100-22-83 (Мобильная кризисная служба).", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 930, "split": "test", "profile": "clean", "gold": "Ону таһынан кыыл ииригирэр ыарыытыгар туһаналлара биллэр.", "noisy": "Ону таһынан кыыл ииригирэр ыарыытыгар туһаналлара биллэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 931, "split": "test", "profile": "ru_fold", "gold": "Судаарыстыбаннай ааттаах сахабыт тылыгар итинник сыһыаннаһаллара сыыһа курдук.", "noisy": "Судаарыстыбаннай ааттаах сахабыт тылыгар итинник сыhыаннаhаллара сыыhа курдук.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 932, "split": "test", "profile": "leontiev", "gold": "Били \"тыла суох үөрэх\" диэбит курдук, ардыгар көннөрү истибит уонна долоҕойгор тус толкуйгун хатыырыҥ туһалаах буолбакка?", "noisy": "Били \"тыла суох уерэх\" диэбит курдук, ардыгар кеннеру истибит уонна дологойгор тус толкуйгун хатыырын туьалаах буолбакка?", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 933, "split": "test", "profile": "digits", "gold": "– Бүгүн эн тоҕо эрэ соҥуорбут курдуккун ээ?", "noisy": "– Бyгyн эн то5о эрэ сонуорбут курдуккун ээ?", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 934, "split": "dev", "profile": "mixed", "gold": "Баайтан былдьаабыт малгын дьадаҥыларга тарҕат, бэйэҕэр иҥэринэ сатыыр буолаайаҕын», — диэн сүбэлиирэ үһү.", "noisy": "Баайтан былдьаабыт малгын дьаданыларга тархат, бэйэхэр инэринэ сатыыр буолаайахын», — диэн сyбэлиирэ yьy.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 935, "split": "dev", "profile": "partial", "gold": "Режиссер Гаврил Мэҥкээрэп Николай Калинович Шамаев-Чопчухаан (Үөһээ Бүлүү) олоҥхотунан туруоруутун Дьокуускай куорат хас да уһуйааныгар...", "noisy": "Режиссер Гаврил Мэнкээрэп Николай Калинович Шамаев-Чопчухаан (Үөһээ Бүлүү) олонхотунан туруоруутун Дьокуускай куорат хас да уһуйааныгар...", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 936, "split": "test", "profile": "clean", "gold": "Дьылҕа араас өрүттээх Уһун-кылгас үйэлээх: Сорох тута умнуллар, Сорох өлбөт үйэҕэ!", "noisy": "Дьылҕа араас өрүттээх Уһун-кылгас үйэлээх: Сорох тута умнуллар, Сорох өлбөт үйэҕэ!", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 937, "split": "test", "profile": "ru_fold", "gold": "Ол курдук, сарсыарда 11 чаастан уһуйааннар уонна оскуолалар салалталара бииргэ үлэлэһээһин докумуоннарыгар илии баттаһыахтара.", "noisy": "Ол курдук, сарсыарда 11 чаастан уhуйааннар уонна оскуолалар салалталара бииргэ улэлэhээhин докумуоннарыгар илии баттаhыахтара.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 938, "split": "test", "profile": "leontiev", "gold": "Онно 18 үйэҕэ Париж полициятын тойоно негр буолан соһутта.", "noisy": "Онно 18 уйэгэ Париж полициятын тойоно негр буолан соьутта.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 939, "split": "test", "profile": "digits", "gold": "— 139), онно 30 киһи суорума суолланна (2015 с.", "noisy": "— 139), онно 30 киhи суорума суолланна (2015 с.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 940, "split": "test", "profile": "mixed", "gold": "Оттон бу Саха сиригэр кэлэн баран аҥаардас уопсастыбаннас эрэ күүһүгэр тирэҕирэн сылдьабыт, официальнай былаас өттүттэн болҕомто көстүбэт.", "noisy": "Оттон бу Саха сиригэр кэлэн баран ангаардас уопсастыбаннас эрэ кyуhугэр тирэхирэн сылдьабыт, официальнай былаас оттуттэн бол5омто костyбэт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 941, "split": "dev", "profile": "partial", "gold": "Бу үлэ, үөрэх, сайдыы, тэрээһин туһунан суруйуу, кэпсэтии буолбатах...", "noisy": "Бу үлэ, үөрэх, сайдыы, тэрээһин туһунан суруйуу, кэпсэтии буолбатах...", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 942, "split": "test", "profile": "clean", "gold": "Нэһилиэктэртэн киирбит оҕолор үгүстэрэ үөрэх дьылын ситэ бүтэрбэккэ төннүтэлээбиттэрэ.", "noisy": "Нэһилиэктэртэн киирбит оҕолор үгүстэрэ үөрэх дьылын ситэ бүтэрбэккэ төннүтэлээбиттэрэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 943, "split": "dev", "profile": "ru_fold", "gold": "«Сокуон ылылыннаҕына, РФ бырабыыталыстыбатын уурааҕа тахсыахтаах.", "noisy": "«Сокуон ылылыннагына, РФ бырабыыталыстыбатын уураага тахсыахтаах.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 944, "split": "test", "profile": "leontiev", "gold": "Билиҥҥи оҕо хааман иһэн кытта телефонун хасыһа иһэр буолар, дьиэтигэр киирдэр эрэ, сыыһа-халты аһаат көмпүүтэргэ хам хатанар.", "noisy": "Билинни ого хааман иьэн кытта телефонун хасыьа иьэр буолар, дьиэтигэр киирдэр эрэ, сыыьа-халты аьаат кемпуутэргэ хам хатанар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 945, "split": "test", "profile": "digits", "gold": "Дүҥүрдээх, бытырыыстаах, былаайахтаах элбэх да, олох түктэри, сидьиҥ дьуоҕатыгар төннүбэттии тимирэн иһэр курдукпут.", "noisy": "Дyнyрдээх, бытырыыстаах, былаайахтаах элбэх да, олох тyктэри, сидьин дьуо5атыгар т8ннyбэттии тимирэн иhэр курдукпут.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 946, "split": "test", "profile": "mixed", "gold": "“Мин үгүс куоҥкурустар, математикаҕа уонна нуучча тылыгар өрөспүүбүлүкэтээҕи, Арассыыйатааҕы олимпиадалар кыттыылааҕа буолабын.", "noisy": "“Мин угус куонкурустар, математикаха уонна нуучча тылыгар ороспуубyлyкэтээги, Арассыыйатаахы олимпиадалар кыттыылааха буолабын.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 947, "split": "test", "profile": "partial", "gold": "Королев Геннадий СӨ 10 бастыҥ устудьуон спортсменын ахсааныгар киирдэ.", "noisy": "Королев Геннадий СӨ 10 бастын устудьуон спортсменын ахсааныгар киирдэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 948, "split": "dev", "profile": "clean", "gold": "Ол эрээри, киниэхэ саамай үрдүк наҕараада — оҕолорун, сиэннэрин махталлара, тапталлара…", "noisy": "Ол эрээри, киниэхэ саамай үрдүк наҕараада — оҕолорун, сиэннэрин махталлара, тапталлара…", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 949, "split": "test", "profile": "ru_fold", "gold": "Билигин кинилэр ырыаларын билбэт дьон аҕыйаҕа буолуо.", "noisy": "Билигин кинилэр ырыаларын билбэт дьон агыйага буолуо.", "source": "sah.wikipedia:Ponsash"}
{"id": 950, "split": "test", "profile": "leontiev", "gold": "Күөн күрэскэ киирбит үлэлэри дьүүллүүр сүбэ сыаналыыр.", "noisy": "Куен курэскэ киирбит улэлэри дьууллуур субэ сыаналыыр.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 951, "split": "dev", "profile": "digits", "gold": "Бухатыыр бэргэһэтин ат төбөлөөх гына туоһунан сыһыаран оҥорбутун оҕолоро өйдүүллэр\".", "noisy": "Бухатыыр бэргэhэтин ат т8б8л88х гына туоhунан сыhыаран онорбутун о5олоро 8йдyyллэр\".", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 952, "split": "dev", "profile": "mixed", "gold": "Элбэхтэр сабыдыалларынан туһанан аҕыйахтары букатын да биллибэт, иһиллибэт оҥорор кыахтаахтар.", "noisy": "Элбэхтэр сабыдыалларынан тусанан а5ыйахтары букатын да биллибэт, иhиллибэт онорор кыахтаахтар.", "source": "sah.wikipedia:Элбэхтэр"}
{"id": 953, "split": "dev", "profile": "partial", "gold": "Ат сүүрдүүтэ – саха үгэһирбит оонньуута.", "noisy": "Ат сүүрдүүтэ – саха үгэһирбит оонньуута.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 954, "split": "test", "profile": "clean", "gold": "Уопсайынан, ыччат наһаа үтүө санаалаах, кырдьаҕаска-кыаммакка көмөҕө ыҥырыаҥ эрэ кэрэх, кэлэ охсоллоро, төлөпүөнүнэн сакааспын эттэххэ, тулуйан истэллэрэ, суруналлара киһини эрэ үөрдэр.", "noisy": "Уопсайынан, ыччат наһаа үтүө санаалаах, кырдьаҕаска-кыаммакка көмөҕө ыҥырыаҥ эрэ кэрэх, кэлэ охсоллоро, төлөпүөнүнэн сакааспын эттэххэ, тулуйан истэллэрэ, суруналлара киһини эрэ үөрдэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 955, "split": "dev", "profile": "ru_fold", "gold": "Сүгэнэн атаҕын сүһүөҕүн уутун ыытан оһолломмут.", "noisy": "Сугэнэн атагын суhуогун уутун ыытан оhолломмут.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 956, "split": "dev", "profile": "leontiev", "gold": "Оройуоҥҥа муҥудайдар волейболга учууталбыт Василий Николаевич Оконешников салалтатынан кими да тулуппат этибит.", "noisy": "Оройуонна мунудайдар волейболга учууталбыт Василий Николаевич Оконешников салалтатынан кими да тулуппат этибит.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 957, "split": "dev", "profile": "digits", "gold": "Бу өлүү лааҕырыгар аҥаардас Чакыр (Күндэйэ) нэһилиэгиттэн 25 киһи киирэн өлбүтэ биллэр.", "noisy": "Бу 8лyy лаа5ырыгар анаардас Чакыр (Кyндэйэ) нэhилиэгиттэн 25 киhи киирэн 8лбyтэ биллэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 958, "split": "dev", "profile": "mixed", "gold": "2006 сыллаахха Сунтаарга ыытыллыбыт олоҥхо ыһыаҕын кыттыылааҕа.", "noisy": "2006 сыллаахха Сунтаарга ыытыллыбыт олонхо ысыа5ын кыттыылаага.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 959, "split": "dev", "profile": "partial", "gold": "Бу күн ол барыта түмүллэн тэриллибит тэрээһинтэн кыттааччылар бары даҕаны астыннылар, күндү ыалдьыттарга махтал истиҥин анаатылар, өссө даҕаны ыалдьыттыы кэлэллэригэр ыҥырдылар.", "noisy": "Бу күн ол барыта түмүллэн тэриллибит тэрээһинтэн кыттааччылар бары даганы астыннылар, күндү ыалдьыттарга махтал истинин анаатылар, өссө даганы ыалдьыттыы кэлэллэригэр ынырдылар.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 960, "split": "dev", "profile": "clean", "gold": "Мин кэргэним да, оҕолорум да үлэни сыаналыыр, билинэр, үлэлээччини өйүүр, хардарыта көмөлөсүһэри сатыыр дьон.", "noisy": "Мин кэргэним да, оҕолорум да үлэни сыаналыыр, билинэр, үлэлээччини өйүүр, хардарыта көмөлөсүһэри сатыыр дьон.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 961, "split": "dev", "profile": "ru_fold", "gold": "Ол эрээри, сахаларга биир киһини көрөн туран “эһиги” диэн туттар сыыһа.", "noisy": "Ол эрээри, сахаларга биир киhини корон туран “эhиги” диэн туттар сыыhа.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 962, "split": "dev", "profile": "leontiev", "gold": "Кинини дьыалата сүппүтүн кэннэ биирдэ 1944 сыл ыам ыйын 4 күнүгэр фроҥҥа ыыппыттар.", "noisy": "Кинини дьыалата суппутун кэннэ биирдэ 1944 сыл ыам ыйын 4 кунугэр фронна ыыппыттар.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 963, "split": "test", "profile": "digits", "gold": "Ону өйдөөн туран оҕо нуучча тылыгар эрдэттэн эппиэтинэстээхтик сыһыаннаһыахтаах.", "noisy": "Ону 8йд88н туран о5о нуучча тылыгар эрдэттэн эппиэтинэстээхтик сыhыаннаhыахтаах.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 964, "split": "dev", "profile": "mixed", "gold": "Анестезиолог-реаниматолог — сүрүн үлэһит.", "noisy": "Анестезиолог-реаниматолог — сyрун yлэсит.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 965, "split": "test", "profile": "partial", "gold": "Ону тэҥэ Герой Ийэлэр оҕолоро, сиэннэрэ эмиэ бэйэлэрин музыкальнай эҕэрдэлэрин тириэрпиттэрэ ийэлэр сүрэхтэригэр, тэрээһин бары кыттыылаахтарыгар сылаас тыынынан илгийдэ.", "noisy": "Ону тэнэ Герой Ийэлэр оголоро, сиэннэрэ эмиэ бэйэлэрин музыкальнай эгэрдэлэрин тириэрпиттэрэ ийэлэр сүрэхтэригэр, тэрээһин бары кыттыылаахтарыгар сылаас тыынынан илгийдэ.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 966, "split": "test", "profile": "clean", "gold": "Тэрилтэбитигэр үксэ дьахтар аймах буолан сүгүү, көтөҕүү үлэтигэр солбуллубат көмө буолар дьоммут.", "noisy": "Тэрилтэбитигэр үксэ дьахтар аймах буолан сүгүү, көтөҕүү үлэтигэр солбуллубат көмө буолар дьоммут.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 967, "split": "dev", "profile": "ru_fold", "gold": "Маннык холобур оҥостор инники көлүөнэ коллегаларбыт, сорохторо билигин бочуоттаах сынньалаҥҥа барбыттара, эрээри кинилэр тэлбит суоллара билигин үлэлиир эдэр педагогтарга холобур буолар.", "noisy": "Маннык холобур оностор инники колуонэ коллегаларбыт, сорохторо билигин бочуоттаах сынньаланна барбыттара, эрээри кинилэр тэлбит суоллара билигин улэлиир эдэр педагогтарга холобур буолар.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 968, "split": "dev", "profile": "leontiev", "gold": "Мин, омуммар, хас да паачыка жвачка, быламаастыр ылыммыппын өйдүүбүн.", "noisy": "Мин, омуммар, хас да паачыка жвачка, быламаастыр ылыммыппын ейдуубун.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 969, "split": "dev", "profile": "digits", "gold": "Ол да буоллар олоҥхо уопсай идейнэй тыына, сюжет сайдан иһиитэ, биллэн турар, үйэлээх үтүө үгэстэн туораабат.", "noisy": "Ол да буоллар олонхо уопсай идейнэй тыына, сюжет сайдан иhиитэ, биллэн турар, yйэлээх yтy8 yгэстэн туораабат.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 970, "split": "dev", "profile": "mixed", "gold": "Чугас, таптыыр дьоҥҥутун, доҕотторгутун кытта үгүстүк алтыһыҥ – маннык көрсүһүүлэр сүргэҕитин көтөҕүөхтэрэ.", "noisy": "Чугас, таптыыр дьонгнгутун, до5отторгутун кытта yгустyк алтысынг – маннык к8рсусуyлэр сyргэгитин кот8хy8хтэрэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 971, "split": "test", "profile": "partial", "gold": "Киһи сааһыран истэҕинэ араас ыарыылар, эрэйдэр элбээннэр олоҕо ыараан истэҕинэ санаата өссө кытаатан, бөҕөргөөн чокуур таас курдук кытаанах буолара эрэйиллэр.", "noisy": "Киһи сааһыран истэгинэ араас ыарыылар, эрэйдэр элбээннэр олого ыараан истэгинэ санаата өссө кытаатан, бөгөргөөн чокуур таас курдук кытаанах буолара эрэйиллэр.", "source": "sah.wikipedia:Сахалар олохторун үөрэҕин тутуспат буолуу"}
{"id": 972, "split": "dev", "profile": "clean", "gold": "Бу — саха диэн ураты омук буоларбытын илэ бааччы бигэргэтэр биир кэрэ көстүү.", "noisy": "Бу — саха диэн ураты омук буоларбытын илэ бааччы бигэргэтэр биир кэрэ көстүү.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 973, "split": "test", "profile": "ru_fold", "gold": "Дьиҥинэн, биһиги киин куорат атаах оҕолоругар буолбакка, тыа сирин оҕолоругар, ордук чуолаан оттоон-мастаан улааппыт уолаттарга, наадыйар этибит.", "noisy": "Дьининэн, биhиги киин куорат атаах оголоругар буолбакка, тыа сирин оголоругар, ордук чуолаан оттоон-мастаан улааппыт уолаттарга, наадыйар этибит.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 974, "split": "dev", "profile": "leontiev", "gold": "Снаряд эстибитигэр, үлтүркэйэ өрөспүүбүлүкэ бэлэхтээбит суруктаах-бичиктээх саха быһаҕар кэлэн түспүт, онон уолу улахан эчэйииттэн быыһаабыт.", "noisy": "Снаряд эстибитигэр, ултуркэйэ ереспуубулукэ бэлэхтээбит суруктаах-бичиктээх саха быьагар кэлэн туспут, онон уолу улахан эчэйииттэн быыьаабыт.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 975, "split": "test", "profile": "digits", "gold": "– Билигин муус аннынан балыктааһын саҕаланан эрэр.", "noisy": "– Билигин муус аннынан балыктааhын са5аланан эрэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 976, "split": "test", "profile": "mixed", "gold": "Сэбирдэҕин сүмэтин ыган ревматизмы, бааһы эмтииллэр.", "noisy": "Сэбирдэ5ин сумэтин ыган ревматизмы, бааhы эмтииллэр.", "source": "sah.wikipedia:Кииhилэ"}
{"id": 977, "split": "dev", "profile": "partial", "gold": "Ол быһыытынан, Бүлүүгэ, Үөһээ Бүлүүгэ, Ньурбаҕа, Сунтаарга Айыы итэҕэлигэр үлэлиир түмсүүлэр тэриллиэхтээхтэр.", "noisy": "Ол быһыытынан, Бүлүүгэ, Үөһээ Бүлүүгэ, Ньурбага, Сунтаарга Айыы итэгэлигэр үлэлиир түмсүүлэр тэриллиэхтээхтэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 978, "split": "dev", "profile": "clean", "gold": "Итинтэн сиэттэрэн кини Саха сиригэр ыытыллыбыт «Азия оҕолоро» норуоттар икки ардыларынааҕы күрэхтэһиигэ куһаҕана суохтук кыттыбыттарын аҕынна.", "noisy": "Итинтэн сиэттэрэн кини Саха сиригэр ыытыллыбыт «Азия оҕолоро» норуоттар икки ардыларынааҕы күрэхтэһиигэ куһаҕана суохтук кыттыбыттарын аҕынна.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 979, "split": "test", "profile": "ru_fold", "gold": "— Сахалыы мас дьиэ-уот, ас-үөл, айылҕа — барыта оҕо күннэтэ сылдьар сирэ буолара буоллар, куттуун-сүрдүүн дьиҥ сахалыы тыыннаах, култууралаах киһи иитиллэн тахсыа этэ.", "noisy": "— Сахалыы мас дьиэ-уот, ас-уол, айылга — барыта ого куннэтэ сылдьар сирэ буолара буоллар, куттуун-сурдуун дьин сахалыы тыыннаах, култууралаах киhи иитиллэн тахсыа этэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 980, "split": "dev", "profile": "leontiev", "gold": "Микроспорияҕа эбэтэр трихофитияҕа ыалдьыбыт кыыл түүтэ, тириитэ, тэллэйдээх хоһоҕото сиргэ түстэҕинэ, 1-3 ый устата ыарыыны тарҕатар кыахтаах.", "noisy": "Микроспорияга эбэтэр трихофитияга ыалдьыбыт кыыл туутэ, тириитэ, тэллэйдээх хоьогото сиргэ тустэгинэ, 1-3 ый устата ыарыыны таргатар кыахтаах.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 981, "split": "dev", "profile": "digits", "gold": "солк, Дьиикимдэ нэһилиэгин дьаһалтата — 100 тыһ.", "noisy": "солк, Дьиикимдэ нэhилиэгин дьаhалтата — 100 тыh.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 982, "split": "dev", "profile": "mixed", "gold": "Аан бастаан Сир ортотунааҕы байҕал регионун илин өттүгэр үөскээбит, элбэх дьэбэриэй секталарыттан биирдэстэрэ этэ.", "noisy": "Аан бастаан Сир ортотунаахы байгал регионун илин оттyгэр уоскээбит, элбэх дьэбэриэй секталарыттан биирдэстэрэ этэ.", "source": "sah.wikipedia:Христианство"}
{"id": 983, "split": "test", "profile": "partial", "gold": "Онон, ити хас биирдии киһи маҥкытыгар чуолкайдык киириэр, күүстээхтик охсуллуор диэри, \"кистэлэҥ эйгэни\" кэрэхсиирбит, дьулайдарбыт даҕаны, чуҥнуурбут тохтообото биллэр.", "noisy": "Онон, ити хас биирдии киһи манкытыгар чуолкайдык киириэр, күүстээхтик охсуллуор диэри, \"кистэлэн эйгэни\" кэрэхсиирбит, дьулайдарбыт даганы, чуннуурбут тохтообото биллэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 984, "split": "dev", "profile": "clean", "gold": "«Кыраһа хаарга кылыыта көстубэт кылбара маҥан аттаах, кылааннаах өргөстөөх Кыыс Ньургустай Куо» олоҥхону суруйбута.", "noisy": "«Кыраһа хаарга кылыыта көстубэт кылбара маҥан аттаах, кылааннаах өргөстөөх Кыыс Ньургустай Куо» олоҥхону суруйбута.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 985, "split": "dev", "profile": "ru_fold", "gold": "Онон туһанан, тириэньэрдэр хамнастарыгар сүүйтэрэллэрин, спорт стандартын сокуонунан ылынар туһунан этиилэри киллэрбитим.", "noisy": "Онон туhанан, тириэньэрдэр хамнастарыгар сууйтэрэллэрин, спорт стандартын сокуонунан ылынар туhунан этиилэри киллэрбитим.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 986, "split": "test", "profile": "leontiev", "gold": "Ол онтон астааччыга, хааччыйааччыга, сылгы, ынах сүөһү иитээччигэ төһөлүү бырыһыан тиксиэхтээҕэ ырылыччы суруллуохтаах.", "noisy": "Ол онтон астааччыга, хааччыйааччыга, сылгы, ынах суеьу иитээччигэ теьелуу бырыьыан тиксиэхтээгэ ырылыччы суруллуохтаах.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 987, "split": "dev", "profile": "digits", "gold": "Арахсыы Бу сурах Даша кулгааҕар алҕаска тиийбитэ.", "noisy": "Арахсыы Бу сурах Даша кулгаа5ар ал5аска тиийбитэ.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 988, "split": "test", "profile": "mixed", "gold": "Күрэх түмүгүнэн, Ньурба улууһа “Культура народов Саха” диэн виртуальнай бырайыагынан маҥнайгы, онтон Хаҥалас улууһа “Живые стенды” бырайыагынан иккис миэстэни ыллылар.", "noisy": "Курэх тумyгунэн, Ньурба улууьа “Культура народов Саха” диэн виртуальнай бырайыагынан мангнайгы, онтон Ханалас улууьа “Живые стенды” бырайыагынан иккис миэстэни ыллылар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 989, "split": "dev", "profile": "partial", "gold": "Ол да буоллар биһиги атын ыаллар оҕолоруттан итэҕэстик санамматахпыт.", "noisy": "Ол да буоллар биһиги атын ыаллар оголоруттан итэгэстик санамматахпыт.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 990, "split": "dev", "profile": "clean", "gold": "Ол курдук: СӨ үтүөлээх юриһа, РФ Суутун бочуоттаах үлэһитэ, астаапкалаах судьуйа, СӨ Суруйааччыларын сойууһун сүбэтин чилиэнэ М.Е.", "noisy": "Ол курдук: СӨ үтүөлээх юриһа, РФ Суутун бочуоттаах үлэһитэ, астаапкалаах судьуйа, СӨ Суруйааччыларын сойууһун сүбэтин чилиэнэ М.Е.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 991, "split": "test", "profile": "ru_fold", "gold": "Мантан Өлөөн Ээйигэ — 30, алмаастаах Накыын 15 көс.", "noisy": "Мантан Олоон Ээйигэ — 30, алмаастаах Накыын 15 кос.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 992, "split": "dev", "profile": "leontiev", "gold": "Дьон сокуона оннук, үлэ булгуччу төлөнүөхтээх.", "noisy": "Дьон сокуона оннук, улэ булгуччу теленуехтээх.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 993, "split": "test", "profile": "digits", "gold": "Ол эрээри дьон хай5ал саҥата Этиллиэ суо5а миэхэҕэ, Күүгүнэ ордук иьиллиэ.", "noisy": "Ол эрээри дьон хай5ал саната Этиллиэ суо5а миэхэ5э, Кyyгyнэ ордук иьиллиэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 994, "split": "dev", "profile": "mixed", "gold": "Айаҥҥа куруук ыллыы сылдьар этэ дииллэрэ.", "noisy": "Айангнга куруук ыллыы сылдьар этэ дииллэрэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 995, "split": "test", "profile": "partial", "gold": "Ίστρος) — Европа бөдөҥ өрүстэриттэн биирдэстэрэ, уһунунан Волгаттан иккис миэстэҕэ турар.", "noisy": "Ίστρος) — Европа бөдөн өрүстэриттэн биирдэстэрэ, уһунунан Волгаттан иккис миэстэгэ турар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 996, "split": "dev", "profile": "clean", "gold": "Киһи хайаан да оҥоруохтаах быһыыларыттан көрдөбүл үөскээн тахсар.", "noisy": "Киһи хайаан да оҥоруохтаах быһыыларыттан көрдөбүл үөскээн тахсар.", "source": "sah.wikipedia:Көрдөбүл уонна ирдэбил"}
{"id": 997, "split": "dev", "profile": "ru_fold", "gold": "нуучча оҕонньорун курдук сырдык сэбэрэлээх, бөдөҥ-садаҥ киһи, саҥарарыгар кыратык кэлэҕэйдиирэ.", "noisy": "нуучча огонньорун курдук сырдык сэбэрэлээх, бодон-садан киhи, санарарыгар кыратык кэлэгэйдиирэ.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 998, "split": "dev", "profile": "leontiev", "gold": "60-с сылларга тыа хаһаайыстыбатыгар сыһыаннаах оонньуурдар киэҥник тарҕаммыттара: помидор, моркуоп, кукуруза, килиэп, сэлиэһинэй бурдук, о.д.а.", "noisy": "60-с сылларга тыа хаьаайыстыбатыгар сыьыаннаах оонньуурдар киэнник таргаммыттара: помидор, моркуоп, кукуруза, килиэп, сэлиэьинэй бурдук, о.д.а.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 999, "split": "test", "profile": "digits", "gold": "Дьон бары үөрэ-көтө сырыттаҕына, бэйэм эрэ олоруом дуо, таарыйа харчылаһа түһүөм диэммин сөбүлэспитим.", "noisy": "Дьон бары y8рэ-к8т8 сырытта5ына, бэйэм эрэ олоруом дуо, таарыйа харчылаhа тyhy8м диэммин с8бyлэспитим.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1000, "split": "dev", "profile": "mixed", "gold": "Поисеева –СӨ Норуот хаһаайыстыбатын үтүөлээх үлэһитэ, СӨ Социальнай сулууспаҕа туйгуна, Ил Түмэн иккис, үһүс ыҥырыытын дьокутаата, СӨ Остуол тенниһигэр федерациятын Бочуоттаах бэрэсидьиэнэ; - Н.П.", "noisy": "Поисеева –С8 Норуот хаьаайыстыбатын утуолээх yлэситэ, СО Социальнай сулууспага туйгуна, Ил Тyмэн иккис, yhус ынырыытын дьокутаата, СО Остуол тенниhигэр федерациятын Бочуоттаах бэрэсидьиэнэ; - Н.П.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1001, "split": "dev", "profile": "partial", "gold": "Кинилэр эргэ да дьиэҕэ, кыараҕас усулуобуйаҕа 2013 сылтан ыла үрдүк технологиялаах эпэрээссийэлэри оҥорон кэллилэр.", "noisy": "Кинилэр эргэ да дьиэгэ, кыарагас усулуобуйага 2013 сылтан ыла үрдүк технологиялаах эпэрээссийэлэри онорон кэллилэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1002, "split": "test", "profile": "clean", "gold": "Олоххо тардыһыы киһи ис туругуттан тахсарын, эр киһи дьахтар сыһыаныттан, олоҕу олоруу дьүккүөрдээхтик күннэтэ туруулаһыыттан, мындыр сатабыллартан уонна тыынар тыыннаах олоҕун майгытын харыстыыртан ситимнээҕин санатар.", "noisy": "Олоххо тардыһыы киһи ис туругуттан тахсарын, эр киһи дьахтар сыһыаныттан, олоҕу олоруу дьүккүөрдээхтик күннэтэ туруулаһыыттан, мындыр сатабыллартан уонна тыынар тыыннаах олоҕун майгытын харыстыыртан ситимнээҕин санатар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1003, "split": "dev", "profile": "ru_fold", "gold": "Роман Васильевич оҕо эрдэҕиттэн ыллыырын-туойарын, олоҥхолуурун, остуоруйалыырын сөбүлүүр эбит.", "noisy": "Роман Васильевич ого эрдэгиттэн ыллыырын-туойарын, олонхолуурун, остуоруйалыырын собулуур эбит.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1004, "split": "dev", "profile": "leontiev", "gold": "150-тан тахса сыл анараа өттүгэр аан маҥнай аһылларыгар — тулаайах, көрөр-истэр дьоно суох оҕолору иитэр-харайар (приют) сиринэн ааттанара.", "noisy": "150-тан тахса сыл анараа еттугэр аан маннай аьылларыгар — тулаайах, керер-истэр дьоно суох оголору иитэр-харайар (приют) сиринэн ааттанара.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1005, "split": "dev", "profile": "digits", "gold": "Оттон сынньалаҥҥын хайдах атаараргын сөбүлүүгүнүй?", "noisy": "Оттон сынньаланнын хайдах атаараргын с8бyлyyгyнyй?", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1006, "split": "dev", "profile": "mixed", "gold": "«…Погонун көрбүтүм, генерал эбит» — Хаһыс да сылын сэриилэһэ сылдьабын, хаста да бааһыран үтүөрдүм.", "noisy": "«…Погонун к8рбyтyм, генерал эбит» — Хасыс да сылын сэриилэhэ сылдьабын, хаста да бааьыран yтуордум.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1007, "split": "dev", "profile": "partial", "gold": "Бу геологтар сир араҥатын, от үрэхтэри, айааннары, дүөдэлэри, күөллэри, сыныйан чинчийэллэр.", "noisy": "Бу геологтар сир аранатын, от үрэхтэри, айааннары, дүөдэлэри, күөллэри, сыныйан чинчийэллэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1008, "split": "test", "profile": "clean", "gold": "Кыһалыннахтарына син үрдүө эбитэ буолуо да...", "noisy": "Кыһалыннахтарына син үрдүө эбитэ буолуо да...", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1009, "split": "dev", "profile": "ru_fold", "gold": "Холобур, бу уоруйах итирик ыаллартан микроволновай оһох, тэлэбиисэр, таҥас сууйар массыына кытта «хайыһардаппыт».", "noisy": "Холобур, бу уоруйах итирик ыаллартан микроволновай оhох, тэлэбиисэр, танас сууйар массыына кытта «хайыhардаппыт».", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1010, "split": "dev", "profile": "leontiev", "gold": "Харыстанар информацияны кытта атын дьон көрөн турдаҕына үлэлээмэҥ.", "noisy": "Харыстанар информацияны кытта атын дьон керен турдагына улэлээмэн.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1011, "split": "test", "profile": "digits", "gold": "— Ол оннугар биһиги дьиэҕэ Лексус баар буола түстэ!", "noisy": "— Ол оннугар биhиги дьиэ5э Лексус баар буола тyстэ!", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1012, "split": "test", "profile": "mixed", "gold": "Үчүгэй, икки куьа5ан охсуьуутуттан эчэйиэххэ сөбүн сэрэтэр.", "noisy": "Учyгэй, икки куьа5ан охсуьуутуттан эчэйиэххэ собун сэрэтэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1013, "split": "dev", "profile": "partial", "gold": "Оонньуу-көр кэриэтэ эттэххэ, Виталий Гаврильев салайар тэрилтэтэ муус устар 1 күнүгэр тэриллибит (1993 сылга).", "noisy": "Оонньуу-көр кэриэтэ эттэххэ, Виталий Гаврильев салайар тэрилтэтэ муус устар 1 күнүгэр тэриллибит (1993 сылга).", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1014, "split": "dev", "profile": "clean", "gold": "Ханнык баҕарар үчүгэй тэрээһинтэн дьон астынарын, дуоһуйарын таһынан, туох эрэ билиини ылар, оччоҕо саҥа санаа үөскүүр.", "noisy": "Ханнык баҕарар үчүгэй тэрээһинтэн дьон астынарын, дуоһуйарын таһынан, туох эрэ билиини ылар, оччоҕо саҥа санаа үөскүүр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1015, "split": "dev", "profile": "ru_fold", "gold": "Эдэр эрчимнээх, салайар дьоҕурдаах учуутал спортивнай оскуолаҕа ананыаҕыттан үлэтигэр саҥаттан-саҥаны киллэрэн былааннаахтык үлэтин саҕалаабыта.", "noisy": "Эдэр эрчимнээх, салайар дьогурдаах учуутал спортивнай оскуолага ананыагыттан улэтигэр санаттан-сананы киллэрэн былааннаахтык улэтин сагалаабыта.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1016, "split": "dev", "profile": "leontiev", "gold": "Онно тута «Сахатранснефтегаз» АУо исписэлиистэрэ гаас быыһылыыр сирин булан, бүгүн сарсыардаттан аварийнай-чөлүгэр түһэрэр үлэни саҕалаатылар.", "noisy": "Онно тута «Сахатранснефтегаз» АУо исписэлиистэрэ гаас быыьылыыр сирин булан, бугун сарсыардаттан аварийнай-челугэр туьэрэр улэни сагалаатылар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1017, "split": "dev", "profile": "digits", "gold": "Дьиҥэр, атын эйгэ дьонугар атыннык да көстүөн сөп этэ.", "noisy": "Дьинэр, атын эйгэ дьонугар атыннык да к8стy8н с8п этэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1018, "split": "test", "profile": "mixed", "gold": "Оҕо эрдэҕиттэн компьютеры сөптөөхтүк туттар этэ, ол иһин инники ырыа айарыгар ити үөрэҕэ көмөлөспүтэ.", "noisy": "Охо эрдэгиттэн компьютеры с8птоохтyк туттар этэ, ол иhин инники ырыа айарыгар ити у8рэхэ ком8лоспyтэ.", "source": "sah.wikipedia:Ponsash"}
{"id": 1019, "split": "dev", "profile": "partial", "gold": "Онтон сотору инники күөҥҥэ сириятааҕы христианнар миссионердара күөрэйэн тахсаллар.", "noisy": "Онтон сотору инники күөннэ сириятаагы христианнар миссионердара күөрэйэн тахсаллар.", "source": "sah.wikipedia:Христианство"}
{"id": 1020, "split": "dev", "profile": "clean", "gold": "Олоҥхо геройдарын толорор дьоҥҥо образтарын арыйалларыгар үгүс көмөнү, сүбэни-аманы биэрэрэ, испиктээкили араас тыас-уус ньымаларынан киэргэтэрэ.", "noisy": "Олоҥхо геройдарын толорор дьоҥҥо образтарын арыйалларыгар үгүс көмөнү, сүбэни-аманы биэрэрэ, испиктээкили араас тыас-уус ньымаларынан киэргэтэрэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1021, "split": "dev", "profile": "ru_fold", "gold": "балаҕан ыйын 5–25 күннэригэр Лениград \"Мелодия\" фирматыгар «Дьулуруйар Ньургун Боотур\" олоҥхотун толоруута И.", "noisy": "балаган ыйын 5–25 куннэригэр Лениград \"Мелодия\" фирматыгар «Дьулуруйар Ньургун Боотур\" олонхотун толоруута И.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1022, "split": "test", "profile": "leontiev", "gold": "ыраах сытар, түөрт көтөр- түһэр балаһалаах уонна «нон- Стп»режимҥэ 265 хайысхалаах.", "noisy": "ыраах сытар, туерт кетер- туьэр балаьалаах уонна «нон- Стп»режимнэ 265 хайысхалаах.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1023, "split": "dev", "profile": "digits", "gold": "Криштиану Роналду аан дойду бары кэмнэрдээҕи биир бастыҥ футболист диэн хайҕаныллар.", "noisy": "Криштиану Роналду аан дойду бары кэмнэрдээ5и биир бастын футболист диэн хай5аныллар.", "source": "sah.wikipedia:Криштиану Роналду"}
{"id": 1024, "split": "dev", "profile": "mixed", "gold": "Арассыыйа бэрэсидьиэнин быыбара 2024 сыл кулун тутар 15 күнүттэн 17 күнүгэр диэри ыытыллыаҕа.", "noisy": "Арассыыйа бэрэсидьиэнин быыбара 2024 сыл кулун тутар 15 кунуттэн 17 кyнyгэр диэри ыытыллыаха.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1025, "split": "dev", "profile": "partial", "gold": "Попов кинигэҕэ киллэрбитин саатар туоһуласпкка хаалбыппын.", "noisy": "Попов кинигэгэ киллэрбитин саатар туоһуласпкка хаалбыппын.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1026, "split": "dev", "profile": "clean", "gold": "Аҕабын ыга кууһан иһэн ыксаан: \"Аҕаккаа, тохтоо даа\", диэбитим.", "noisy": "Аҕабын ыга кууһан иһэн ыксаан: \"Аҕаккаа, тохтоо даа\", диэбитим.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1027, "split": "dev", "profile": "ru_fold", "gold": "Буолар күнэ-дьыла: Бэс ыйын 26 күнэ Ыытыллар сирэ: Дьокуускай куорат Үс-Хатыҥ, Төрдүс нүөмэрдээх түһүлгэ Саҕаланыыта: 11 чаастан киэһээ 17 чааска дылы Этээччилэр ирдэбиллэрэ 18 – 35 дылы.", "noisy": "Буолар кунэ-дьыла: Бэс ыйын 26 кунэ Ыытыллар сирэ: Дьокуускай куорат Ус-Хатын, Тордус нуомэрдээх туhулгэ Сагаланыыта: 11 чаастан киэhээ 17 чааска дылы Этээччилэр ирдэбиллэрэ 18 – 35 дылы.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1028, "split": "test", "profile": "leontiev", "gold": "Эрдэ клиника сайтыгар киирэн хаһан көрдөрүөххүн баҕараргын суруйтараҕын, улахан ыарыылаах буоллаххына диагнозкын, выпискаҕын барытын электронно түһэрэн эрдэ ыытар ордук.", "noisy": "Эрдэ клиника сайтыгар киирэн хаьан кердеруеххун багараргын суруйтарагын, улахан ыарыылаах буоллаххына диагнозкын, выпискагын барытын электронно туьэрэн эрдэ ыытар ордук.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1029, "split": "test", "profile": "digits", "gold": "Өрөспүүбүлүкэтээҕи буокса турнирыгар Торговкин Денис (7кыл.) үөрэнээччитэ 3 миэстэ буолла (сал.", "noisy": "8р8спyyбyлyкэтээ5и буокса турнирыгар Торговкин Денис (7кыл.) y8рэнээччитэ 3 миэстэ буолла (сал.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1030, "split": "dev", "profile": "mixed", "gold": "Ол кэнниттэн дьахтар эмиэ ыалдьан өлбүт.", "noisy": "Ол кэнниттэн дьахтар эмиэ ыалдьан олбyт.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1031, "split": "test", "profile": "partial", "gold": "Уочараттаан-уочараттаан тиийбитиҥ кэннэ сатабыллаах, уопуттаах бырааска түбэһии – Таҥараҕа тиксэр кэриэтэ, эппэрээссийэҥ табыллара-табыллыбата эмиэ хаарты хараҕа.", "noisy": "Уочараттаан-уочараттаан тиийбитин кэннэ сатабыллаах, уопуттаах бырааска түбэһии – Танарага тиксэр кэриэтэ, эппэрээссийэн табыллара-табыллыбата эмиэ хаарты харага.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1032, "split": "test", "profile": "clean", "gold": "Сүүрбэччэ сыл анараа өттүгэр сүөһү көрөр дьон сааһырыа диэн, хаһыаттарга суруллан аҕай кэлбитэ.", "noisy": "Сүүрбэччэ сыл анараа өттүгэр сүөһү көрөр дьон сааһырыа диэн, хаһыаттарга суруллан аҕай кэлбитэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1033, "split": "test", "profile": "ru_fold", "gold": "Арыгылааһыны, наркоманияны бохсор, сэрэтэр үлэ биир көрүҥүн быһыытынан ыытыллар.", "noisy": "Арыгылааhыны, наркоманияны бохсор, сэрэтэр улэ биир корунун быhыытынан ыытыллар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1034, "split": "dev", "profile": "leontiev", "gold": "“Тыл оонньуута” эбии дьарык ис хоһооно, хайысхата: Саһылыкаан сүрүн оскуолата “Тыл оонньуута” эбии дьарык оҕо билиитэ-көрүүтэ кэҥииригэр оруола уонна суолтата.", "noisy": "“Тыл оонньуута” эбии дьарык ис хоьооно, хайысхата: Саьылыкаан сурун оскуолата “Тыл оонньуута” эбии дьарык ого билиитэ-керуутэ кэнииригэр оруола уонна суолтата.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1035, "split": "dev", "profile": "digits", "gold": "Мемориалга сэрииһиттэр испииһэктэригэр саха дьоно суруллубатахтар.", "noisy": "Мемориалга сэрииhиттэр испииhэктэригэр саха дьоно суруллубатахтар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1036, "split": "dev", "profile": "mixed", "gold": "Алтыспыт уолаттарбыт кэлин наҕараадаҕа тиксибиттэрэ.", "noisy": "Алтыспыт уолаттарбыт кэлин нахараада5а тиксибиттэрэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1037, "split": "dev", "profile": "partial", "gold": "Онон төһө да билигин суолга ыарахаттар баалларын иһин, суолу оҥорооччулар “Амма” айан суолун чөлүгэр түһэриэхтэрэ диэн эрэлин биллэрдэ.", "noisy": "Онон төһө да билигин суолга ыарахаттар баалларын иһин, суолу онорооччулар “Амма” айан суолун чөлүгэр түһэриэхтэрэ диэн эрэлин биллэрдэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1038, "split": "test", "profile": "clean", "gold": "Истэрим соччото суоҕа биллэр этэ, онон «үскэ» туттардым.", "noisy": "Истэрим соччото суоҕа биллэр этэ, онон «үскэ» туттардым.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1039, "split": "dev", "profile": "ru_fold", "gold": "Өбүгэ этэринэн, уу, салгын, сир-дойду, от-мас барыта иччилээх.", "noisy": "Обугэ этэринэн, уу, салгын, сир-дойду, от-мас барыта иччилээх.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1040, "split": "dev", "profile": "leontiev", "gold": "Климентов Бүөтүр — Тааҥка оҕонньор диэн убайдааҕа.", "noisy": "Климентов Буетур — Таанка огонньор диэн убайдаага.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1041, "split": "dev", "profile": "digits", "gold": "Бүлүү педучилищетыгар, Тыл, литература, история институтугар үлэлээбитэ.", "noisy": "Бyлyy педучилищетыгар, Тыл, литература, история институтугар yлэлээбитэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1042, "split": "dev", "profile": "mixed", "gold": "Ол кэмнэргэ 70 сааһын ситэн аҕыс уону бытарыппыт аҕамсыйбыт киһи буоллаҕа.", "noisy": "Ол кэмнэргэ 70 саасын ситэн агыс уону бытарыппыт агамсыйбыт киhи буоллаха.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1043, "split": "test", "profile": "partial", "gold": "Мунньах түмүгэр куорат баһылыга хантан үп-харчы көрүллүөн сөбүн үөрэтэргэ, аадырыстарынан былаан оҥорорго, “Горсвет” тэрилтэни уонна ИДьМ “Якутское” управлениетын кытта уопсай мунньаҕы тэрийэргэ соруйда.", "noisy": "Мунньах түмүгэр куорат баһылыга хантан үп-харчы көрүллүөн сөбүн үөрэтэргэ, аадырыстарынан былаан онорорго, “Горсвет” тэрилтэни уонна ИДьМ “Якутское” управлениетын кытта уопсай мунньагы тэрийэргэ соруйда.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1044, "split": "dev", "profile": "clean", "gold": "Бу таһаарыылаах бииргэ үлэлээһиммит саҕаланыыта эрэ буолар», — диэн Айсен Николаев эҕэрдэ телеграмматыгар бэлиэтээтэ.", "noisy": "Бу таһаарыылаах бииргэ үлэлээһиммит саҕаланыыта эрэ буолар», — диэн Айсен Николаев эҕэрдэ телеграмматыгар бэлиэтээтэ.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1045, "split": "dev", "profile": "ru_fold", "gold": "Айаннаан иһэн суол көрүллүбэт - уулары, чалбах буоллун, кута буоллун, одуулааһын.", "noisy": "Айаннаан иhэн суол коруллубэт - уулары, чалбах буоллун, кута буоллун, одуулааhын.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1046, "split": "dev", "profile": "leontiev", "gold": "Ол иһин киһи быһыытыттан-майгытыттан таҕыстаххына, олох самнара сатыыр, кэһэтэр-үөрэтэр, ону өссө өйдөөбөт буоллахха эстэр суолга киһи киирэр.", "noisy": "Ол иьин киьи быьыытыттан-майгытыттан тагыстаххына, олох самнара сатыыр, кэьэтэр-уерэтэр, ону ессе ейдеебет буоллахха эстэр суолга киьи киирэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1047, "split": "dev", "profile": "digits", "gold": "Үпкүн-харчыгын чугас дьоҥҥун кытары сүбэлэһэн баран уурдар эбэтэр ханна, туохха туттары былааннаа.", "noisy": "Yпкyн-харчыгын чугас дьоннун кытары сyбэлэhэн баран уурдар эбэтэр ханна, туохха туттары былааннаа.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1048, "split": "dev", "profile": "mixed", "gold": "училищены бүтэрбит сылын күһүнүгэр, Сэбиэскэй Армия кэккэтигэр ыҥырыллан сулууспалыы барбыта.", "noisy": "училищены бутэрбит сылын кусyнyгэр, Сэбиэскэй Армия кэккэтигэр ынырыллан сулууспалыы барбыта.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1049, "split": "test", "profile": "partial", "gold": "Билигин аан дойдуга андыны-ээбиллэни үтүктэр монуогу ким да оҥоро илик.", "noisy": "Билигин аан дойдуга андыны-ээбиллэни үтүктэр монуогу ким да оноро илик.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1050, "split": "test", "profile": "clean", "gold": "Национальнай пааркаҕа 20 сыл «Өлүөнэ туруук хайалара» айылҕа национальнай пааркатын дириэктэринэн 1995 сыллаахха анаммытым.", "noisy": "Национальнай пааркаҕа 20 сыл «Өлүөнэ туруук хайалара» айылҕа национальнай пааркатын дириэктэринэн 1995 сыллаахха анаммытым.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1051, "split": "dev", "profile": "ru_fold", "gold": "Өй-санаа сымнаҕас курдук көрдөбүллэрин толорботоххо күүс дьайыыта, ирдэбил үөскээтэҕинэ эрэ табыллар.", "noisy": "Ой-санаа сымнагас курдук кордобуллэрин толорботоххо куус дьайыыта, ирдэбил уоскээтэгинэ эрэ табыллар.", "source": "sah.wikipedia:Көрдөбүл уонна ирдэбил"}
{"id": 1052, "split": "dev", "profile": "leontiev", "gold": "Айыыһыт алгыһын тоһуйан ыламмын Мустубут бар дьоммор утары уунуоҕум.", "noisy": "Айыыьыт алгыьын тоьуйан ыламмын Мустубут бар дьоммор утары уунуогум.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1053, "split": "dev", "profile": "digits", "gold": "Уол үөрэҕин бүтэрэн ыал буолбутун истибитэ.", "noisy": "Уол y8рэ5ин бyтэрэн ыал буолбутун истибитэ.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1054, "split": "test", "profile": "mixed", "gold": "Толору киирдэҕинэ, т/х үрдүк таһымҥа таһаарбатахпытына, омук ас биэрэр илиитин эрэ кэтиир буолабыт.", "noisy": "Толору киирдэхинэ, т/х урдук таhымна тасаарбатахпытына, омук ас биэрэр илиитин эрэ кэтиир буолабыт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1055, "split": "dev", "profile": "partial", "gold": "Оттон дьокутаат сөптөөх сокуоннары оҥорон, са­лаа көдьүүстээхтик үлэлиирин, сайдарын хааччыйар.", "noisy": "Оттон дьокутаат сөптөөх сокуоннары онорон, са­лаа көдьүүстээхтик үлэлиирин, сайдарын хааччыйар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1056, "split": "test", "profile": "clean", "gold": "Көрүҥүнэн ооннньуу бүтүннүү блоктарынан оҥоһуллубут.", "noisy": "Көрүҥүнэн ооннньуу бүтүннүү блоктарынан оҥоһуллубут.", "source": "sah.wikipedia:Minecraft"}
{"id": 1057, "split": "dev", "profile": "ru_fold", "gold": "Ералаштарбытын «Саха» НКИК-кэ оҕо биэриитигэр көрдөрбүттэрэ.", "noisy": "Ералаштарбытын «Саха» НКИК-кэ ого биэриитигэр кордорбуттэрэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1058, "split": "dev", "profile": "leontiev", "gold": "Улуус дьаһалтата эмиэ анал үөрэҕи ыытыаҕа: юристар, экэнэмиистэр, улуус дьаһалтатын атын да үлэһиттэрэ дакылаат бэлэмниэхтэрэ.", "noisy": "Улуус дьаьалтата эмиэ анал уерэги ыытыага: юристар, экэнэмиистэр, улуус дьаьалтатын атын да улэьиттэрэ дакылаат бэлэмниэхтэрэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1059, "split": "dev", "profile": "digits", "gold": "Сыралаах айар үлэм үтүө түмүктээх, ситиһии көтөллөөх буолбутуттан астынным.", "noisy": "Сыралаах айар yлэм yтy8 тyмyктээх, ситиhии к8т8лл88х буолбутуттан астынным.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1060, "split": "dev", "profile": "mixed", "gold": "«Спортинг» Португалия кулуубугар профессиональнай карьератын саҕалаабыта, 2003 сыллаахха Англия Манчестер Юнайтед кулуубугар көспүтэ, 2009 сыллаахха Испания Реал Мадрид кулуубугар көспүтэ, 2018 с.", "noisy": "«Спортинг» Португалия кулуубугар профессиональнай карьератын са5алаабыта, 2003 сыллаахха Англия Манчестер Юнайтед кулуубугар к8спyтэ, 2009 сыллаахха Испания Реал Мадрид кулуубугар коспyтэ, 2018 с.", "source": "sah.wikipedia:Криштиану Роналду"}
{"id": 1061, "split": "test", "profile": "partial", "gold": "Аныгы мультиктарга көрдөрөр киһи икки, кыыл икки ардынан, туох эрэ хаппыт диэн ааттыыр сүрдээх маскараат буолла.", "noisy": "Аныгы мультиктарга көрдөрөр киһи икки, кыыл икки ардынан, туох эрэ хаппыт диэн ааттыыр сүрдээх маскараат буолла.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1062, "split": "test", "profile": "clean", "gold": "Улуус иһигэр чугас сопхуостар мас кэрдэр дэлээнэлэригэр үлэлиир дьону бэрэбиэркэлээһин саҕаламмыта.", "noisy": "Улуус иһигэр чугас сопхуостар мас кэрдэр дэлээнэлэригэр үлэлиир дьону бэрэбиэркэлээһин саҕаламмыта.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1063, "split": "dev", "profile": "ru_fold", "gold": "Оҕонньор сыанаҕа таҕыста, фарфоровай таас хамсатын умуруоран, сиэбигэр угунна уонна саҕалаата.", "noisy": "Огонньор сыанага тагыста, фарфоровай таас хамсатын умуруоран, сиэбигэр угунна уонна сагалаата.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1064, "split": "dev", "profile": "leontiev", "gold": "тиийэн эрэр уонна өрөспүүбүлүкэ үгэс курдук бу көрдөрүүтүнэн уон бастыҥ эрэгийиэн ахсааныгар киирсэр”, - диир Егор Борисов.", "noisy": "тиийэн эрэр уонна ереспуубулукэ угэс курдук бу кердеруутунэн уон бастын эрэгийиэн ахсааныгар киирсэр”, - диир Егор Борисов.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1065, "split": "test", "profile": "digits", "gold": "Сүүрдэллэр, онтон маамыкта быраҕан таппыт киһи 5 км.сыарҕалаах табанан сүүрдэр.", "noisy": "Сyyрдэллэр, онтон маамыкта быра5ан таппыт киhи 5 км.сыар5алаах табанан сyyрдэр.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1066, "split": "dev", "profile": "mixed", "gold": "Сыаллаах-соруктаах үлэ түмүгэ үчүгэй СӨ бастакы Бэрэсидьиэнэ Михаил Ефимович Николаев саҕалаабыт үгүс элбэх хамсааһыннарыттан, бырайыактарыттан биирдэстэринэн «Рисуем все» буолар.", "noisy": "Сыаллаах-соруктаах yлэ тyмyгэ учугэй СО бастакы Бэрэсидьиэнэ Михаил Ефимович Николаев сагалаабыт yгус элбэх хамсааьыннарыттан, бырайыактарыттан биирдэстэринэн «Рисуем все» буолар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1067, "split": "dev", "profile": "partial", "gold": "Оннооҕор олох да аймахтара буолбатах кырдьаҕастары Степанов Вас.", "noisy": "Онноогор олох да аймахтара буолбатах кырдьагастары Степанов Вас.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1068, "split": "dev", "profile": "clean", "gold": "Бу сылларга дьиҥнээх бырааттыы сыһыан олохтонно.", "noisy": "Бу сылларга дьиҥнээх бырааттыы сыһыан олохтонно.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1069, "split": "dev", "profile": "ru_fold", "gold": "Бэрт сытыы-хотуу киһи Эрилик сабыдыалынан маҥнайгы тыа хаһаайыстыбатын коммунатыгар киирэр, баайдары утары мунньахтарга уоттаах-төлөннөөх тыллары этэр.", "noisy": "Бэрт сытыы-хотуу киhи Эрилик сабыдыалынан маннайгы тыа хаhаайыстыбатын коммунатыгар киирэр, баайдары утары мунньахтарга уоттаах-толонноох тыллары этэр.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1070, "split": "dev", "profile": "leontiev", "gold": "Аны «Таҥха» диэн 45 мүнүүтэлээх киинэни устан көрдөрөн турардаахпыт.", "noisy": "Аны «Танха» диэн 45 мунуутэлээх киинэни устан кердерен турардаахпыт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1071, "split": "test", "profile": "digits", "gold": "Саша кыра эрдэҕиттэн ыллаан саҕалаабыта.", "noisy": "Саша кыра эрдэ5иттэн ыллаан са5алаабыта.", "source": "sah.wikipedia:Ponsash"}
{"id": 1072, "split": "dev", "profile": "mixed", "gold": "Аҕам уҥуоҕунан бөдөҥ, кыыһаан баттахтаах этэ.", "noisy": "А5ам унгуо5унан бод8нг, кыысаан баттахтаах этэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1073, "split": "dev", "profile": "partial", "gold": "Түөрт кыыс оҕоҕо күн сирин көрдөрбүттэрэ.", "noisy": "Түөрт кыыс огого күн сирин көрдөрбүттэрэ.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1074, "split": "test", "profile": "clean", "gold": "Эҕэрдэ сурук, анал сувенирдар туттарылыннылар 70 саастарыгар үктэммит ытык-мааны дьоһун дьоммутугар: Мохначевская Валентина Андреевнаҕа – үлэ ветерана, элбэх оҕо тапталлаах күн күбэй ийэтэ,элбэх сиэн эйэҕэс эбээтэ.", "noisy": "Эҕэрдэ сурук, анал сувенирдар туттарылыннылар 70 саастарыгар үктэммит ытык-мааны дьоһун дьоммутугар: Мохначевская Валентина Андреевнаҕа – үлэ ветерана, элбэх оҕо тапталлаах күн күбэй ийэтэ,элбэх сиэн эйэҕэс эбээтэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1075, "split": "test", "profile": "ru_fold", "gold": "Мин үрүҥмүн, харабын уонна азиаппын…» *** Аҕалара саахсаҕа саҥа төрөөбүт уолугар аат суруйтаран кэлбит уонна кэргэнигэр дьээбэлэнэн этэр: — Уолбутун Лексус диэн ааттаатым.", "noisy": "Мин урунмун, харабын уонна азиаппын…» *** Агалара саахсага сана торообут уолугар аат суруйтаран кэлбит уонна кэргэнигэр дьээбэлэнэн этэр: — Уолбутун Лексус диэн ааттаатым.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1076, "split": "dev", "profile": "leontiev", "gold": "Куонкурустуур хамыыһыйа быһаарыытынан, 19 вакансияҕа 18 кыайыылаах баар.", "noisy": "Куонкурустуур хамыыьыйа быьаарыытынан, 19 вакансияга 18 кыайыылаах баар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1077, "split": "test", "profile": "digits", "gold": "Дириҥ силистээх билиигинэн, киэҥ ыырдаах өйгүнэн-санааҕынан былыргыны, билиҥҥини, кэлэри ситимнээн АЙЫЫ ТАҤАРА ИТЭҔЭЛИН ААН ДОЙДУ ТАҺЫМЫГАР таһаарбыт дьоһун үлэҕинэн киэҥ туттабын, холобур оҥостобун.", "noisy": "Дирин силистээх билиигинэн, киэн ыырдаах 8йгyнэн-санаа5ынан былыргыны, билиннини, кэлэри ситимнээн АЙЫЫ ТАНАРА ИТЭ5ЭЛИН ААН ДОЙДУ ТАHЫМЫГАР таhаарбыт дьоhун yлэ5инэн киэн туттабын, холобур оностобун.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1078, "split": "dev", "profile": "mixed", "gold": "Үлэҕэр сыһыаннаах улахан бырайыагы билгин саҕалаама.", "noisy": "Улэхэр сыhыаннаах улахан бырайыагы билгин сахалаама.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1079, "split": "dev", "profile": "partial", "gold": "«Ийэ тыл илгэлээх сүмэтэ» олохтоох ааптардар кинигэлэрин быыстапкатын ыалдьыттар сэҥээрэ көрдүлэр.", "noisy": "«Ийэ тыл илгэлээх сүмэтэ» олохтоох ааптардар кинигэлэрин быыстапкатын ыалдьыттар сэнээрэ көрдүлэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1080, "split": "dev", "profile": "clean", "gold": "«Тоҕус былас долгуннаах суһуохтаах Туйаарыма Куо».", "noisy": "«Тоҕус былас долгуннаах суһуохтаах Туйаарыма Куо».", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1081, "split": "dev", "profile": "ru_fold", "gold": "- Салгын кут оҕо 5 эбэтэр 6 сааһыттан умнубат буолуута үөскээн барыытыттан үөрэҕи ылынан сайдан барара саҕаланар.", "noisy": "- Салгын кут ого 5 эбэтэр 6 сааhыттан умнубат буолуута уоскээн барыытыттан уорэги ылынан сайдан барара сагаланар.", "source": "sah.wikipedia:Өй-санаа аһара барара элбэх"}
{"id": 1082, "split": "test", "profile": "leontiev", "gold": "Оттон уолун бөдөҥө-садаҥа бэрдин иһин Боссоойко диэн ааттаабыттара уонна адьас бэйэлэрин киһилэринэн, саха бөҕөһүнэн ааҕаллара.", "noisy": "Оттон уолун бедене-садана бэрдин иьин Боссоойко диэн ааттаабыттара уонна адьас бэйэлэрин киьилэринэн, саха бегеьунэн аагаллара.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1083, "split": "test", "profile": "digits", "gold": "Уһуллан баран хирург Жирков Руслан Захаровичка көрдөрбүтүм, \"ойоҕоһуҥ тостон баран, үтүөрэн эрэр\" диэн буолла.", "noisy": "Уhуллан баран хирург Жирков Руслан Захаровичка к8рд8рбyтyм, \"ойо5оhун тостон баран, yтy8рэн эрэр\" диэн буолла.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1084, "split": "dev", "profile": "mixed", "gold": "Бэлэхтээ ол, эн биһи бу түүҥҥэ иккиэбит.", "noisy": "Бэлэхтээ ол, эн биси бу тyуннэ иккиэбит.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1085, "split": "test", "profile": "partial", "gold": "Биллибэт киһи кимин билэргэ бу фотороботы туһанан уонна ойуулааһынынан, таҥастарынан өрөспүүбүлүкэ бары ис дьыала отделларын үлэһиттэригэр бэриллибитэ.", "noisy": "Биллибэт киһи кимин билэргэ бу фотороботы туһанан уонна ойуулааһынынан, танастарынан өрөспүүбүлүкэ бары ис дьыала отделларын үлэһиттэригэр бэриллибитэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1086, "split": "dev", "profile": "clean", "gold": "Онно сылдьа түһэн баран аан өттүгэр кэлбиттэрэ биир куруукка икки тэбис-тэҥ уолаттар үҥкүүлүү сылдьаллар.", "noisy": "Онно сылдьа түһэн баран аан өттүгэр кэлбиттэрэ биир куруукка икки тэбис-тэҥ уолаттар үҥкүүлүү сылдьаллар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1087, "split": "test", "profile": "ru_fold", "gold": "Ол эрээри билигин да туруорсуу киирэриттэн көрөн, чочуллан иһиэн наада.", "noisy": "Ол эрээри билигин да туруорсуу киирэриттэн корон, чочуллан иhиэн наада.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1088, "split": "test", "profile": "leontiev", "gold": "Билиҥҥи үйэҕэ сокуон үлэһиттэрэ урукку курдук буолбатахтар, харчы эҥин биэрэн мээнэ куотуммаккын, хата ол оннугар дьыалаланан да хаалыаххын сөп.", "noisy": "Билинни уйэгэ сокуон улэьиттэрэ урукку курдук буолбатахтар, харчы энин биэрэн мээнэ куотуммаккын, хата ол оннугар дьыалаланан да хаалыаххын сеп.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1089, "split": "test", "profile": "digits", "gold": "Быраас кэлэн тыын киллэрэ сатаата, мин \"тыына быһынна\" дии-дии, өйө-төйө суох кууһа-кууһа ытаатым.", "noisy": "Быраас кэлэн тыын киллэрэ сатаата, мин \"тыына быhынна\" дии-дии, 8й8-т8й8 суох кууhа-кууhа ытаатым.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1090, "split": "test", "profile": "mixed", "gold": "Бу интэриниэт ситими айбыт Павел Дуров саха уруһуйдьут кыыһыттан, Кыыдаана Игнатьеваттан, уруһуйдууругар көрдөспүт.", "noisy": "Бу интэриниэт ситими айбыт Павел Дуров саха урусуйдьут кыыhыттан, Кыыдаана Игнатьеваттан, уруhуйдууругар к8рд8спут.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1091, "split": "test", "profile": "partial", "gold": "Манна Саха Өрөспүүбүлүкэтигэр дьахталларга медицинскэй көмө хаачыстыбатын уонна табыгастаах буолуутун үрдэтиигэ тэрээһин үлэлэриттэн саҕалаан, кинилэр доруобуйаларыгар сыһыаннаах боппуруостарга тохтуохтара.", "noisy": "Манна Саха Өрөспүүбүлүкэтигэр дьахталларга медицинскэй көмө хаачыстыбатын уонна табыгастаах буолуутун үрдэтиигэ тэрээһин үлэлэриттэн сагалаан, кинилэр доруобуйаларыгар сыһыаннаах боппуруостарга тохтуохтара.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1092, "split": "test", "profile": "clean", "gold": "Кини Далыр, Үөһээ Бүлүү оскуолаларын бүтэрэн 1921—22 сыллардаах үөрэх дьылыгар Булүүтээҕи иккис ступеннаах оскуолаҕа киирбитэ.", "noisy": "Кини Далыр, Үөһээ Бүлүү оскуолаларын бүтэрэн 1921—22 сыллардаах үөрэх дьылыгар Булүүтээҕи иккис ступеннаах оскуолаҕа киирбитэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1093, "split": "dev", "profile": "ru_fold", "gold": "2010 сыл түмүгүнэн РФ Биэнсийэҕэ пуондатын дохуота 7,62% тэҥнэстэ, онтон РОСГОССТРАХ судаарыстыбаннайа суох Биэнсийэ пуондата килийиэннэригэр 11,35% дохуоту хааччыйда.", "noisy": "2010 сыл тумугунэн РФ Биэнсийэгэ пуондатын дохуота 7,62% тэннэстэ, онтон РОСГОССТРАХ судаарыстыбаннайа суох Биэнсийэ пуондата килийиэннэригэр 11,35% дохуоту хааччыйда.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1094, "split": "test", "profile": "leontiev", "gold": "Икки сирэй буолар дьону кини адьас абааһы көрөрө.", "noisy": "Икки сирэй буолар дьону кини адьас абааьы керере.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1095, "split": "dev", "profile": "digits", "gold": "Онон куоласпын ылбытым уон биир сыл буолла дуу хайа үөдэн.", "noisy": "Онон куоласпын ылбытым уон биир сыл буолла дуу хайа y8дэн.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1096, "split": "test", "profile": "mixed", "gold": "Алта сүүс лабааҕын Хомустуу тардаҥҥын Олоҥхо тойугун Эн туойа тураҕын.", "noisy": "Алта сyyс лабаахын Хомустуу тарданнгын Олонхо тойугун Эн туойа тура5ын.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1097, "split": "dev", "profile": "partial", "gold": "— Айсен Николаев өрөспүүбүлүкэни салайа кэлиэҕиттэн, социальнай сайдыыга болҕомтотун уурбута, дьиэ кэргэн, ийэ буолуу, оҕо аймах институтун өйөөбүтэ.", "noisy": "— Айсен Николаев өрөспүүбүлүкэни салайа кэлиэгиттэн, социальнай сайдыыга болгомтотун уурбута, дьиэ кэргэн, ийэ буолуу, ого аймах институтун өйөөбүтэ.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1098, "split": "dev", "profile": "clean", "gold": "Ырыа Киргиэлэй итийэн-кутуйан олоҥхолоотоҕуна сыҥааҕа, уҥуох-уҥуохтара босхо баран хаалаллара үһү.", "noisy": "Ырыа Киргиэлэй итийэн-кутуйан олоҥхолоотоҕуна сыҥааҕа, уҥуох-уҥуохтара босхо баран хаалаллара үһү.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1099, "split": "test", "profile": "ru_fold", "gold": "Дьэ, онон музыкальнай оскуолаҕа үөрэниим миэхэ элбэҕи биэрбитэ.", "noisy": "Дьэ, онон музыкальнай оскуолага уорэниим миэхэ элбэги биэрбитэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1100, "split": "test", "profile": "leontiev", "gold": "Онон киһибит чугаһаан эрэрин эрдэттэн истэр-билэр этибит.", "noisy": "Онон киьибит чугаьаан эрэрин эрдэттэн истэр-билэр этибит.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1101, "split": "dev", "profile": "digits", "gold": "—Спорт национальнай көрүҥнэриттэн мас тардыһыытын аан дойду таһымыгар таһаардыбыт.", "noisy": "—Спорт национальнай к8рyннэриттэн мас тардыhыытын аан дойду таhымыгар таhаардыбыт.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1102, "split": "dev", "profile": "mixed", "gold": "Иккис-үһүс үйэлэргэ Таҥара эйгэни айбыта диир христианнар бааллара.", "noisy": "Иккис-yсус yйэлэргэ Тангара эйгэни айбыта диир христианнар бааллара.", "source": "sah.wikipedia:Христианство"}
{"id": 1103, "split": "dev", "profile": "partial", "gold": "Салалтабыт куруук эмтээһиҥҥэ саҥаны, инновационнай көрүҥнэри ирдиир.", "noisy": "Салалтабыт куруук эмтээһиннэ сананы, инновационнай көрүннэри ирдиир.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1104, "split": "dev", "profile": "clean", "gold": "Биэкэнэ үрэҕин сүнньүгэр баар «Төлөөкү» диэн алааска олорбут Моччойо Дьуона уола.", "noisy": "Биэкэнэ үрэҕин сүнньүгэр баар «Төлөөкү» диэн алааска олорбут Моччойо Дьуона уола.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1105, "split": "dev", "profile": "ru_fold", "gold": "Гимнастикаҕа, хайыһарга оройуонун чиэһин элбэх күрэхтэһиилэргэ ситиһиилээхтик көмүскээбитэ.", "noisy": "Гимнастикага, хайыhарга оройуонун чиэhин элбэх курэхтэhиилэргэ ситиhиилээхтик комускээбитэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1106, "split": "dev", "profile": "leontiev", "gold": "Кэлин подвал бөҕөнү илиитинэн хаһан оҥорбута.", "noisy": "Кэлин подвал бегену илиитинэн хаьан онорбута.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1107, "split": "dev", "profile": "digits", "gold": "Ити эрээри, быһаччы дьаһалы ылар кыаҕа суох.", "noisy": "Ити эрээри, быhаччы дьаhалы ылар кыа5а суох.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1108, "split": "dev", "profile": "mixed", "gold": "Кини \"Мэнэйик\" холкуос ыстахаанабыһа, тимир ууһун быһыытынан холкуос техникатын өрөмүөннээн, өссө тупсаран оҥорон уран уус, маастар быһыытынан кырдьаҕастар ахтыыларыгар суруйуллар\".", "noisy": "Кини \"Мэнэйик\" холкуос ыстахаанабыса, тимир ууьун бысыытынан холкуос техникатын ор8мy8ннээн, 8ссо тупсаран онорон уран уус, маастар бысыытынан кырдьа5астар ахтыыларыгар суруйуллар\".", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1109, "split": "test", "profile": "partial", "gold": "Ол аата монуок мөлтөх буолар дуу, үрээччитэ дуу?", "noisy": "Ол аата монуок мөлтөх буолар дуу, үрээччитэ дуу?", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1110, "split": "test", "profile": "clean", "gold": "Исидор үчүгэй үөрэҕи Бүлүү педучилищетыгар ылар, манна кини учууталларынан саха литературатын аҕалаатар аҕата Алексей Елисеевич Кулаковскай уонна инникитин муусука бөдөҥ деятелэ, оччолорго эдэр Марк Жирков этилэр.", "noisy": "Исидор үчүгэй үөрэҕи Бүлүү педучилищетыгар ылар, манна кини учууталларынан саха литературатын аҕалаатар аҕата Алексей Елисеевич Кулаковскай уонна инникитин муусука бөдөҥ деятелэ, оччолорго эдэр Марк Жирков этилэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1111, "split": "dev", "profile": "ru_fold", "gold": "365 Таҥара суоҕун билбэтэхтэрэй, дьиҥ Таҥара эйгэни айбыта диэни, эбэтэр Иисус өлбүтэ диэни?", "noisy": "365 Танара суогун билбэтэхтэрэй, дьин Танара эйгэни айбыта диэни, эбэтэр Иисус олбутэ диэни?", "source": "sah.wikipedia:Христианство"}
{"id": 1112, "split": "test", "profile": "leontiev", "gold": "Кини киин былааһы күүһүрдүү уонна ону тэҥэ тутулуктаах дойдулар дьыалаларыгар кыттыһыы политикатын ыыппыта.", "noisy": "Кини киин былааьы кууьурдуу уонна ону тэнэ тутулуктаах дойдулар дьыалаларыгар кыттыьыы политикатын ыыппыта.", "source": "sah.wikipedia:Дьанибэк"}
{"id": 1113, "split": "dev", "profile": "digits", "gold": "Чапаев колхоз төһүү үлэһитэ, ударнига, стахановеһа.", "noisy": "Чапаев колхоз т8hyy yлэhитэ, ударнига, стахановеhа.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1114, "split": "dev", "profile": "mixed", "gold": "Кинилэри элэккэй атыыһыттар, маҕаһыын үлэһиттэрэ сахалыы алаадьынан, арыылаах саламаатынан, кырылыы кыынньар кымыһынан, минньигэс суогунан, уохтаах сампааныскайынан айах тутан көрүстүлэр.", "noisy": "Кинилэри элэккэй атыыьыттар, магасыын yлэhиттэрэ сахалыы алаадьынан, арыылаах саламаатынан, кырылыы кыынньар кымыьынан, минньигэс суогунан, уохтаах сампааныскайынан айах тутан корyстyлэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1115, "split": "test", "profile": "partial", "gold": "ороскуоттаммыт үс сыллаах бырагыраама, чуолаан, үүккэ туолбатаҕын иһин ким да сэмэлэммэтэҕэ.", "noisy": "ороскуоттаммыт үс сыллаах бырагыраама, чуолаан, үүккэ туолбатагын иһин ким да сэмэлэммэтэгэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1116, "split": "dev", "profile": "clean", "gold": "Мин санаабар, Олег Васильевич олус кыахтаах, таһымнаах, өйдөөх салайааччы.", "noisy": "Мин санаабар, Олег Васильевич олус кыахтаах, таһымнаах, өйдөөх салайааччы.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1117, "split": "dev", "profile": "ru_fold", "gold": "«Оок, туох ааттаах туора тэппитэй — холун кыҥаабытым, кэлин ттүгэр түспүт!", "noisy": "«Оок, туох ааттаах туора тэппитэй — холун кынаабытым, кэлин ттугэр туспут!", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1118, "split": "dev", "profile": "leontiev", "gold": "Онуоха дьонум үөрүйэхтэр, туох да ый-хай суох.", "noisy": "Онуоха дьонум уеруйэхтэр, туох да ый-хай суох.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1119, "split": "test", "profile": "digits", "gold": "“Лермонтов уул.,138/4, аадырыс олохтоохторо олбуордарыгар видеонан кэтээн көрүүнү туруорбуппутугар махтаннылар.", "noisy": "“Лермонтов уул.,138/4, аадырыс олохтоохторо олбуордарыгар видеонан кэтээн к8рyyнy туруорбуппутугар махтаннылар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1120, "split": "test", "profile": "mixed", "gold": "Эйиигин бу үрдүк ситиһиигинэн итиитик-истиҥник, долгуйан туран эҕэрдэлиибин!", "noisy": "Эйиигин бу yрдук ситиhиигинэн итиитик-истинник, долгуйан туран э5эрдэлиибин!", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1121, "split": "test", "profile": "partial", "gold": "Ол эрээри кини атаҕастабылы тулуйар кыаҕа суоҕа, убайын ойоҕо аҕаларын алааһыттан үүрэ сатаан Матифаны үөҕэрэ, ытатара-соҥоторо сөп үһү дуо?", "noisy": "Ол эрээри кини атагастабылы тулуйар кыага суога, убайын ойого агаларын алааһыттан үүрэ сатаан Матифаны үөгэрэ, ытатара-соноторо сөп үһү дуо?", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1122, "split": "test", "profile": "clean", "gold": "Сирэйэ-хараҕа кубарыс гыммыт уонна чуумпу соҕустук: «Ким эрэ турар курдук көрөн ыллым», -- диэбит.", "noisy": "Сирэйэ-хараҕа кубарыс гыммыт уонна чуумпу соҕустук: «Ким эрэ турар курдук көрөн ыллым», -- диэбит.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1123, "split": "test", "profile": "ru_fold", "gold": "Кинилэр атыы-эргиэн дьыалатын чахчы баһылаатылар, дьон кыһалҕатын чэпчэтэ сатыыллар; хас биирдии дьиэ иккилии, үстүү омук массыыналаах, аныгы туйаарымалар онон эрэ сылдьаллар.", "noisy": "Кинилэр атыы-эргиэн дьыалатын чахчы баhылаатылар, дьон кыhалгатын чэпчэтэ сатыыллар; хас биирдии дьиэ иккилии, устуу омук массыыналаах, аныгы туйаарымалар онон эрэ сылдьаллар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1124, "split": "test", "profile": "leontiev", "gold": "Көҕөн киэнэ – дырылас, эриэн түөс хатан буолара ордук.", "noisy": "Кеген киэнэ – дырылас, эриэн туес хатан буолара ордук.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1125, "split": "dev", "profile": "digits", "gold": "Кыыс оҕо күлэр саҥатыттан, эр киһи оҥорор-тутар сүгэтин тыаһыттан ураты сылаас тыас киһи олоҕор суох.", "noisy": "Кыыс о5о кyлэр санатыттан, эр киhи онорор-тутар сyгэтин тыаhыттан ураты сылаас тыас киhи оло5ор суох.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1126, "split": "test", "profile": "mixed", "gold": "Бу сырыыга ити дьыаланы бары оҥорорго быһаарбыттар.", "noisy": "Бу сырыыга ити дьыаланы бары онгорорго бысаарбыттар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1127, "split": "dev", "profile": "partial", "gold": "Маанытык таҥнара, элбэҕи билэргэ-көрөргө дьулуһара.", "noisy": "Маанытык таннара, элбэги билэргэ-көрөргө дьулуһара.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1128, "split": "test", "profile": "clean", "gold": "Маны маннык оҥор, кыс, итинник буолбат, маннык буолар диэн үөрэх буолбатах.", "noisy": "Маны маннык оҥор, кыс, итинник буолбат, маннык буолар диэн үөрэх буолбатах.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1129, "split": "dev", "profile": "ru_fold", "gold": "Биһиги оҕо аймах ол репетицияларга олох үөрүүнэн кэлэр этибит.", "noisy": "Биhиги ого аймах ол репетицияларга олох уоруунэн кэлэр этибит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1130, "split": "dev", "profile": "leontiev", "gold": "Төрөөбүт дойдум Таатта буоларынан, «Олоҥхо дойдута — мин Тааттам» диэн хоһооммор ырыабын дьонум-сэргэм Таатта гииминин курдук ылыналларыттан сэмээр үөрэбин.", "noisy": "Тереебут дойдум Таатта буоларынан, «Олонхо дойдута — мин Тааттам» диэн хоьооммор ырыабын дьонум-сэргэм Таатта гииминин курдук ылыналларыттан сэмээр уерэбин.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1131, "split": "dev", "profile": "digits", "gold": "Өссө Үөһээ Бүлүү, Бүлүү улуустарыттан үлэһиттэр кэлэллэрэ күүтүллэр», — диэн вице-премьер иһитиннэрдэ.", "noisy": "8сс8 Y8hээ Бyлyy, Бyлyy улуустарыттан yлэhиттэр кэлэллэрэ кyyтyллэр», — диэн вице-премьер иhитиннэрдэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1132, "split": "test", "profile": "mixed", "gold": "Олоҥхо ыһыаҕар бэлэмнэниигэ нэһилиэнньэ барыта кыттар»- диэн кылгастык этэр.", "noisy": "Олонхо ыhыахар бэлэмнэниигэ нэhилиэнньэ барыта кыттар»- диэн кылгастык этэр.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1133, "split": "dev", "profile": "partial", "gold": "Профессиональнай үөрэхтээһиҥҥэ, каадырдары бэлэмнээһиҥҥэ уонна аттаран туруорууга республика миниистирэ Валерий Фридовскай студеннары кытта бу көрсүһүүгэ сырытта.", "noisy": "Профессиональнай үөрэхтээһиннэ, каадырдары бэлэмнээһиннэ уонна аттаран туруорууга республика миниистирэ Валерий Фридовскай студеннары кытта бу көрсүһүүгэ сырытта.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1134, "split": "dev", "profile": "clean", "gold": "Бу дьоҕурдары кыра кылаастан саҕалаан сайыннардахха үчүгэй түмүктэри ситиһиэххэ сөп.", "noisy": "Бу дьоҕурдары кыра кылаастан саҕалаан сайыннардахха үчүгэй түмүктэри ситиһиэххэ сөп.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1135, "split": "dev", "profile": "ru_fold", "gold": "Олоҥхолуур этэ, ыаллара бары сөбүлээн, астына истэллэрэ.", "noisy": "Олонхолуур этэ, ыаллара бары собулээн, астына истэллэрэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1136, "split": "test", "profile": "leontiev", "gold": "Оҕо, киһи бэйэтэ дьоҕурунан, баҕатынан уһаныахтаах, оччоҕо туһунан буочарданыан, үлэтэ тыыннаныан сөп.", "noisy": "Ого, киьи бэйэтэ дьогурунан, багатынан уьаныахтаах, оччого туьунан буочарданыан, улэтэ тыыннаныан сеп.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1137, "split": "dev", "profile": "digits", "gold": "35 улуустан биир эмэ баһылык боломуочуйатын устар түгэнигэр алта ый иһигэр хайаан да быыбар ыытыллыахтаах.", "noisy": "35 улуустан биир эмэ баhылык боломуочуйатын устар тyгэнигэр алта ый иhигэр хайаан да быыбар ыытыллыахтаах.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1138, "split": "test", "profile": "mixed", "gold": "Гаврилов аатынан Бүтэйдээх орто оскуолата төрүттэммитэ үбүлүөйдээх 130 сылын бэлиэтээтэ.", "noisy": "Гаврилов аатынан Бутэйдээх орто оскуолата т8рyттэммитэ yбyлу8йдээх 130 сылын бэлиэтээтэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1139, "split": "dev", "profile": "partial", "gold": "Аан маҥнай баҕа санааны үөскэтинии киһиттэн ирдэнэрин биллэрэр.", "noisy": "Аан маннай бага санааны үөскэтинии киһиттэн ирдэнэрин биллэрэр.", "source": "sah.wikipedia:Көрдөбүл уонна ирдэбил"}
{"id": 1140, "split": "test", "profile": "clean", "gold": "Улахан кыыс Лада юрист идэлээх, орто кыыс Анастасия сүрэх бырааһа, кыра кыыс Валерия Хотугулуу-Илиҥҥи федеральнай университет устудьуона.", "noisy": "Улахан кыыс Лада юрист идэлээх, орто кыыс Анастасия сүрэх бырааһа, кыра кыыс Валерия Хотугулуу-Илиҥҥи федеральнай университет устудьуона.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1141, "split": "dev", "profile": "ru_fold", "gold": "Кини Манчаарылыын бэркэ тапсан, санаалара кэлэн, ирэ-хоро кэпсэтэллэрэ үһү.", "noisy": "Кини Манчаарылыын бэркэ тапсан, санаалара кэлэн, ирэ-хоро кэпсэтэллэрэ уhу.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1142, "split": "test", "profile": "leontiev", "gold": "Бүгүҥҥү Итэҕэли тарҕатааччылар куруук хаһыс халлааҥҥа ханнык Айыылар олороллорун эрэ ыатараллар, араас кинигэ строкаларынан эрэ кэпсииллэр курдук, анаарыы, көрүү суох дии саныыбын.", "noisy": "Бугунну Итэгэли таргатааччылар куруук хаьыс халлаанна ханнык Айыылар олороллорун эрэ ыатараллар, араас кинигэ строкаларынан эрэ кэпсииллэр курдук, анаарыы, керуу суох дии саныыбын.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1143, "split": "test", "profile": "digits", "gold": "Билигин үүт, эт субсидията үрдүөн наада.", "noisy": "Билигин yyт, эт субсидията yрдy8н наада.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1144, "split": "dev", "profile": "mixed", "gold": "Тээтэбит биһигини — оҕолорун мөҕө-этэ сылдьыбат этэ, кытаанах баҕайытык көрөн кэбиһэрэ, дьэ ол улахан буойуу, сэмэлээһин миэрэтэ этэ.", "noisy": "Тээтэбит биьигини — о5олорун мого-этэ сылдьыбат этэ, кытаанах багайытык кор8н кэбисэрэ, дьэ ол улахан буойуу, сэмэлээьин миэрэтэ этэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1145, "split": "test", "profile": "partial", "gold": "Гиззатулланы сүллүгэһинэн сүнньүгэ биэрбиттэрин курдук буолла.", "noisy": "Гиззатулланы сүллүгэһинэн сүнньүгэ биэрбиттэрин курдук буолла.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1146, "split": "test", "profile": "clean", "gold": "Онон бу кэмҥэ судаарыстыба информационнай өттүнэн бөҕөргөтүнэригэр регионнарга бэчээт эйгэтин, интэриниэт СМИ-лэрин өйүүрэ, харыстыыра Арассыыйа олоҕор тыын суолталаах.", "noisy": "Онон бу кэмҥэ судаарыстыба информационнай өттүнэн бөҕөргөтүнэригэр регионнарга бэчээт эйгэтин, интэриниэт СМИ-лэрин өйүүрэ, харыстыыра Арассыыйа олоҕор тыын суолталаах.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1147, "split": "dev", "profile": "ru_fold", "gold": "оскуоланы бүтэрээри сылдьар: — Бу оскуолаҕа кэлиэм иннинэ үөрэммэтим тэҥэ этэ.", "noisy": "оскуоланы бутэрээри сылдьар: — Бу оскуолага кэлиэм иннинэ уорэммэтим тэнэ этэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1148, "split": "dev", "profile": "leontiev", "gold": "Бэрэбиэссэрдэр, тыл үөрэхтээхтэрэ, учуонайдар, учууталлар, көхтөөх ааҕааччылар кэлэн саҕаланыаҕыттан бүтүөр диэри ырытыы оҥорбуттара.", "noisy": "Бэрэбиэссэрдэр, тыл уерэхтээхтэрэ, учуонайдар, учууталлар, кехтеех аагааччылар кэлэн сагаланыагыттан бутуер диэри ырытыы онорбуттара.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1149, "split": "dev", "profile": "digits", "gold": "Лэгэнтэй дьоро киэһэлэргэ олоҥхолоон доллоһутан, бириэмэлээх кэмигэр былыргыны кэпсээн ыаһаахтаан, ордук оҕолорго остуоруйалаан биллибит, биһирэмнээх ыалдьыт буолбут.", "noisy": "Лэгэнтэй дьоро киэhэлэргэ олонхолоон доллоhутан, бириэмэлээх кэмигэр былыргыны кэпсээн ыаhаахтаан, ордук о5олорго остуоруйалаан биллибит, биhирэмнээх ыалдьыт буолбут.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1150, "split": "dev", "profile": "mixed", "gold": "Кини оҕо сааһыгар Мэҥэ-Хаҥалас улууһун биллиилээх олоҥхоһуттарын Оройкону, Көтөр Көстөкүүнү, Кылыс Байбалы, Төлөбүр Борокуоппайы уонна Таатта улууһун Хайахсыт нэһилиэгин Олоодо олоҥхуһуту батыһа сылдьан истэрэ үһү.", "noisy": "Кини охо саасыгар Мэнэ-Хангалас улуусун биллиилээх олонхоьуттарын Оройкону, Котор Кост8куyну, Кылыс Байбалы, Т8л8бур Борокуоппайы уонна Таатта улууhун Хайахсыт нэсилиэгин Олоодо олонхусуту батыьа сылдьан истэрэ уhy.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1151, "split": "dev", "profile": "partial", "gold": "Оччолорго туох таҥаһа кэлиэй, бары да эмэрикээнискэй куулу, хатырык уутугар оргутан, кырааскалаан таҥас оҥостубуттара.", "noisy": "Оччолорго туох танаһа кэлиэй, бары да эмэрикээнискэй куулу, хатырык уутугар оргутан, кырааскалаан танас оностубуттара.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1152, "split": "test", "profile": "clean", "gold": "- Тэтиэнэх диэн син сөбүгэр күүстээх, бэйэтин кыанар, үлэни кыайа-хото оҥорор киһи ааттанар.", "noisy": "- Тэтиэнэх диэн син сөбүгэр күүстээх, бэйэтин кыанар, үлэни кыайа-хото оҥорор киһи ааттанар.", "source": "sah.wikipedia:Күүс уонна хамсаныы"}
{"id": 1153, "split": "test", "profile": "ru_fold", "gold": "Онон өрөспүүбүлүкэтээҕи штаб кэҥээн, эбиллэн испитэ.", "noisy": "Онон ороспуубулукэтээги штаб кэнээн, эбиллэн испитэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1154, "split": "test", "profile": "leontiev", "gold": "Арай, инстаграмынан көрдөххө, Ньургууша күлүүлээх видео уста-уста олорор курдук, отой оннук буолбатах эбит.", "noisy": "Арай, инстаграмынан кердеххе, Ньургууша кулуулээх видео уста-уста олорор курдук, отой оннук буолбатах эбит.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1155, "split": "test", "profile": "digits", "gold": "Рим легионердарыгар ыраах походка баралларыгар \"боекомплект\" быһыытынан бараан хатарыллыбыт очоҕоһун түҥэтэллэрэ диэн буолар.", "noisy": "Рим легионердарыгар ыраах походка баралларыгар \"боекомплект\" быhыытынан бараан хатарыллыбыт очо5оhун тyнэтэллэрэ диэн буолар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1156, "split": "test", "profile": "mixed", "gold": "Онон сибээстээн мин сэтинньиттэн 11 кылааска үөрэнэр оскуолабыттан киэһээҥҥи “Үлэһит ыччат оскуолатыгар” көспүтүм.", "noisy": "Онон сибээстээн мин сэтинньиттэн 11 кылааска у8рэнэр оскуолабыттан киэьээнгни “Yлэhит ыччат оскуолатыгар” коспyтум.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1157, "split": "test", "profile": "partial", "gold": "Дьэ, биһиэхэ бу быһаарыллыбатаҕа ырааппыт, т/х хайа баҕарар салаатыгар үлэһит дьону эрэйгэ тэппит кыһалҕа.", "noisy": "Дьэ, биһиэхэ бу быһаарыллыбатага ырааппыт, т/х хайа багарар салаатыгар үлэһит дьону эрэйгэ тэппит кыһалга.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1158, "split": "dev", "profile": "clean", "gold": "Чөл олоҕу, чэбдик буолууну пропагандалыырын, хас да күннээх сүүрүүнү бастакынан олохтообутун, 2425 киһи кыттыылаах 97 араас таһымнаах пробегы тэрийтэлээбитин иһин махтаннылар.", "noisy": "Чөл олоҕу, чэбдик буолууну пропагандалыырын, хас да күннээх сүүрүүнү бастакынан олохтообутун, 2425 киһи кыттыылаах 97 араас таһымнаах пробегы тэрийтэлээбитин иһин махтаннылар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1159, "split": "dev", "profile": "ru_fold", "gold": "77 сааһыгар 1977 сыллаахха ыараханнык ыалдьан күн сириттэн туораабыта.", "noisy": "77 сааhыгар 1977 сыллаахха ыараханнык ыалдьан кун сириттэн туораабыта.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1160, "split": "test", "profile": "leontiev", "gold": "тэйиччи хаамыҥ, ким эрэ муус анныгар барар түгэнигэр көмөлөһөргө бэлэм буолуҥ.", "noisy": "тэйиччи хаамын, ким эрэ муус анныгар барар тугэнигэр кемелеьерге бэлэм буолун.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1161, "split": "test", "profile": "digits", "gold": "06.12.22 10:34 Олоҥхо күнүгэр уһулуччулаах эпостары билиһиннэрдилэр 25.11.22 23:07 Олоҥхо дэкээдэтэ саҕаланна 25.11.22 22:28 Өрөспүүбүлүкэ 10 оройуонун Олоҥхо дьиэлэрэ сөбүлэҥ…", "noisy": "06.12.22 10:34 Олонхо кyнyгэр уhулуччулаах эпостары билиhиннэрдилэр 25.11.22 23:07 Олонхо дэкээдэтэ са5аланна 25.11.22 22:28 8р8спyyбyлyкэ 10 оройуонун Олонхо дьиэлэрэ с8бyлэн…", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1162, "split": "dev", "profile": "mixed", "gold": "Кэнники ыйдарга Мииринэй оройуонун Дьарыктаах буолуутун киинин быһаччы кыттыһыытынан, балачча киһи быстах үлэ булунна.", "noisy": "Кэнники ыйдарга Мииринэй оройуонун Дьарыктаах буолуутун киинин быhаччы кыттысыытынан, балачча киhи быстах улэ булунна.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1163, "split": "test", "profile": "partial", "gold": "Уопсастыбаннай үлэҕэ кыттар туох куһаҕаннаах буолуой, куһаҕана суох бөҕө буоллаҕа дии.", "noisy": "Уопсастыбаннай үлэгэ кыттар туох куһаганнаах буолуой, куһагана суох бөгө буоллага дии.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1164, "split": "dev", "profile": "clean", "gold": "Онно: «Дьокуускайга оҥоһуллубут анаалыс көрдөрөрүнэн, Сунтаар улууһугар баар Мохсоҕоллоох уонна Дьүүктэ күөллэр бэйэлэрин химическэй састааптарынан атын уулардааҕар туспалаахтара көһүннэ.", "noisy": "Онно: «Дьокуускайга оҥоһуллубут анаалыс көрдөрөрүнэн, Сунтаар улууһугар баар Мохсоҕоллоох уонна Дьүүктэ күөллэр бэйэлэрин химическэй састааптарынан атын уулардааҕар туспалаахтара көһүннэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1165, "split": "dev", "profile": "ru_fold", "gold": "Николай Посельскай, эмиэ оҕо эрдэҕиттэн ыллыр.", "noisy": "Николай Посельскай, эмиэ ого эрдэгиттэн ыллыр.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1166, "split": "test", "profile": "leontiev", "gold": "Роббек — Хотугу аҕыйах ахсааннаах норуоттар кыһалҕаларын Институтун төрүттээччилэртэн биирдэстэрэ, 1992 сылтан 2008 сыллаахха дылы салайбыт.", "noisy": "Роббек — Хотугу агыйах ахсааннаах норуоттар кыьалгаларын Институтун теруттээччилэртэн биирдэстэрэ, 1992 сылтан 2008 сыллаахха дылы салайбыт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1167, "split": "dev", "profile": "digits", "gold": "диэки) Майа оскуолатыгар учууталлаабыта, оройуоннааҕы үөрэх управлениятыгар методкабинет сэбиэдиссэйинэн үлэлээбитэ.", "noisy": "диэки) Майа оскуолатыгар учууталлаабыта, оройуоннаа5ы y8рэх управлениятыгар методкабинет сэбиэдиссэйинэн yлэлээбитэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1168, "split": "test", "profile": "mixed", "gold": "Салгыы миниистир \"ону тэҥэ…\" диэн өссө ханнык сонун бырайыактар олоххо киирэллэрин бэлиэтээбитин бүгүҥҥү хаһыакка ааҕыҥ.", "noisy": "Салгыы миниистир \"ону тэнэ…\" диэн 8ссо ханнык сонун бырайыактар олоххо киирэллэрин бэлиэтээбитин бугуннгу хасыакка аахын.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1169, "split": "test", "profile": "partial", "gold": "Оҕо дьарыктанарыгар туспа кылаастаах, мультиктары көрдүн диэн кинотеатрдаах, киэҥ-куоҥ саалалардаах.", "noisy": "Ого дьарыктанарыгар туспа кылаастаах, мультиктары көрдүн диэн кинотеатрдаах, киэн-куон саалалардаах.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1170, "split": "test", "profile": "clean", "gold": "Бу туһунан тыаны уоттан харыстыыр суһал ыстаап мунньаҕар иһитиннэрдилэр.", "noisy": "Бу туһунан тыаны уоттан харыстыыр суһал ыстаап мунньаҕар иһитиннэрдилэр.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1171, "split": "dev", "profile": "ru_fold", "gold": "Биирэ куттаммыт курдук, күтүр баҕайытык көрөөт: \"Да, да, хорошо!\" — диэт, тахсар ааны былдьаста.", "noisy": "Биирэ куттаммыт курдук, кутур багайытык короот: \"Да, да, хорошо!\" — диэт, тахсар ааны былдьаста.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1172, "split": "dev", "profile": "leontiev", "gold": "Онно барытыгар истириэстии сырыттаҕына, бу оҕо ханна тиийэр, хайдах киһи хара буолар, тугу үлэлээн айаҕын ииттэр?", "noisy": "Онно барытыгар истириэстии сырыттагына, бу ого ханна тиийэр, хайдах киьи хара буолар, тугу улэлээн айагын ииттэр?", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1173, "split": "dev", "profile": "digits", "gold": "Ол кэмтэн уолаттарым өйбүттэн тахсыбатахтара.", "noisy": "Ол кэмтэн уолаттарым 8йбyттэн тахсыбатахтара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1174, "split": "test", "profile": "mixed", "gold": "Турбаны тардыы үлэтин үбүлээһин, баҕар, «АЛРОСА» АХ уйунаарай?", "noisy": "Турбаны тардыы улэтин yбулээьин, бахар, «АЛРОСА» АХ уйунаарай?", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1175, "split": "dev", "profile": "partial", "gold": "1974 сыллаахха Алма-Атаҕа физкультурнай институту бүтэрбитэ.", "noisy": "1974 сыллаахха Алма-Атага физкультурнай институту бүтэрбитэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1176, "split": "dev", "profile": "clean", "gold": "Харахха тута, чуолкайдык көстөрүн наадатыгар сылларынан көрөн табылыыссанан ыыппыппыт табыгсатаах дии саныыбыт.", "noisy": "Харахха тута, чуолкайдык көстөрүн наадатыгар сылларынан көрөн табылыыссанан ыыппыппыт табыгсатаах дии саныыбыт.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1177, "split": "test", "profile": "ru_fold", "gold": "Оттон хамандыырдара харса суох үөхсэр, саллааттарын кэнэйдиир, нагаанын угунан көхсүгэ саайталыыр эрээри бэйэтэ эмиэ куттанан дьон кэннигэр сөрүөстэ сылдьар.", "noisy": "Оттон хамандыырдара харса суох уохсэр, саллааттарын кэнэйдиир, нагаанын угунан кохсугэ саайталыыр эрээри бэйэтэ эмиэ куттанан дьон кэннигэр соруостэ сылдьар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1178, "split": "dev", "profile": "leontiev", "gold": "Оччолорго биһиги эдэр дьон ону оччо-бачча болҕойон истибэт эбиппит.", "noisy": "Оччолорго биьиги эдэр дьон ону оччо-бачча болгойон истибэт эбиппит.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1179, "split": "dev", "profile": "digits", "gold": "Бу бары да сырыы бөҕөтүн сылдьыбыт тайҕа бөрөлөрө, өр кэмҥэ каюрдаабыт дьон.", "noisy": "Бу бары да сырыы б858тyн сылдьыбыт тай5а б8р8л8р8, 8р кэмнэ каюрдаабыт дьон.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1180, "split": "dev", "profile": "mixed", "gold": "Дьэ, ол кэннэ эмиэ бэйэтэ туһунан бырааһынньык буолара.", "noisy": "Дьэ, ол кэннэ эмиэ бэйэтэ туhунан быраасынньык буолара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1181, "split": "test", "profile": "partial", "gold": "Онно землемерно-таксаторскай кылааска түбэспит, уонна 1863 сыллаахха диэри үөэммит.", "noisy": "Онно землемерно-таксаторскай кылааска түбэспит, уонна 1863 сыллаахха диэри үөэммит.", "source": "sah.wikipedia:Яковлев Иван Яковлевич"}
{"id": 1182, "split": "dev", "profile": "clean", "gold": "Кириллин Степан Николаевич Элэгэс Ахтыы: Олоҕун сыллара биллибэт, ахтыыларга латыынныы суруксуттуурун туһунан кэпсииллэр, ол аата 1939 сыллаахха диэри сурукка үөрэммит киһи.", "noisy": "Кириллин Степан Николаевич Элэгэс Ахтыы: Олоҕун сыллара биллибэт, ахтыыларга латыынныы суруксуттуурун туһунан кэпсииллэр, ол аата 1939 сыллаахха диэри сурукка үөрэммит киһи.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1183, "split": "dev", "profile": "ru_fold", "gold": "Сылгыта ииҥҥэ түһэн диэн, атыллан диэн, ампаарга хааллан диэн, көлөттөн диэн барыта өлөн хаалбыта.", "noisy": "Сылгыта ииннэ туhэн диэн, атыллан диэн, ампаарга хааллан диэн, колоттон диэн барыта олон хаалбыта.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1184, "split": "test", "profile": "leontiev", "gold": "\"Анаалыстарым олох көммөттөр\" диэн тыл быктарбыта.", "noisy": "\"Анаалыстарым олох кемметтер\" диэн тыл быктарбыта.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1185, "split": "test", "profile": "digits", "gold": "Сүһүөх ыарыыларыгар эмтээх сүмэһин оҥостон туттуу уруккуттан баар.", "noisy": "Сyhy8х ыарыыларыгар эмтээх сyмэhин оностон туттуу уруккуттан баар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1186, "split": "test", "profile": "mixed", "gold": "Сокуон үлэтин, аһыы утах атыыта аҕыйаабытын туһунан бэйэм испэт буоламмын, чопчу тугу да этэр кыаҕым суох.", "noisy": "Сокуон yлэтин, асыы утах атыыта агыйаабытын тусунан бэйэм испэт буоламмын, чопчу тугу да этэр кыахым суох.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1187, "split": "dev", "profile": "partial", "gold": "Рома маннык аһаҕастык кэпсэппэтэҕэ ырааппыт.", "noisy": "Рома маннык аһагастык кэпсэппэтэгэ ырааппыт.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1188, "split": "dev", "profile": "clean", "gold": "Онон эдэр ыаллар кытаатыҥ – “үбүлүөйдээх” уолу-кыыһы лабырҕатан иһиҥ.", "noisy": "Онон эдэр ыаллар кытаатыҥ – “үбүлүөйдээх” уолу-кыыһы лабырҕатан иһиҥ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1189, "split": "test", "profile": "ru_fold", "gold": "Ону үөрэхтээх, \"сайдыылаах\" көлүөнэ хайдах \"сайыннардыбытый\"?", "noisy": "Ону уорэхтээх, \"сайдыылаах\" колуонэ хайдах \"сайыннардыбытый\"?", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1190, "split": "dev", "profile": "leontiev", "gold": "Күрэхтэһиигэ Арассыыйа сүүмэрдэммит хамаандатыгар 51 киилэҕэ диэри ыйааһыҥҥа Арассыыйа биэс, Европа икки төгүллээх чөмпүйүөнэ, аан дойду чөмпүйэнээтин үрүҥ көмүс призера, успуорт үтүөлээх маастара Василий Егоров кыттар.", "noisy": "Курэхтэьиигэ Арассыыйа суумэрдэммит хамаандатыгар 51 киилэгэ диэри ыйааьынна Арассыыйа биэс, Европа икки тегуллээх чемпуйуенэ, аан дойду чемпуйэнээтин урун кемус призера, успуорт утуелээх маастара Василий Егоров кыттар.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1191, "split": "dev", "profile": "digits", "gold": "Хотугулуу-арҕааттан 5–7 с/м түргэннээх тыалырыа.", "noisy": "Хотугулуу-ар5ааттан 5–7 с/м тyргэннээх тыалырыа.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1192, "split": "dev", "profile": "mixed", "gold": "Массыына кыра гайкатын аһара күүскэ эрийэн резьбатын быһа тардан кэбистэххэ, улахан өрөмүөннээһин эрэ быыһыырыгар тиийэн хаалыахха сөбө, аһара туттуу куһаҕаны үөскэтэрэ улаханын биллэрэр.", "noisy": "Массыына кыра гайкатын асара кyускэ эрийэн резьбатын быьа тардан кэбистэххэ, улахан 8ромyоннээьин эрэ быыhыырыгар тиийэн хаалыахха собо, аьара туттуу кусаханы yоскэтэрэ улаханын биллэрэр.", "source": "sah.wikipedia:Өй-санаа аһара барара элбэх"}
{"id": 1193, "split": "dev", "profile": "partial", "gold": "Улаатан эрэр уол дьахтары боруобалаатаҕына, биллэҕинэ эр киһи буоларын билинэр.", "noisy": "Улаатан эрэр уол дьахтары боруобалаатагына, биллэгинэ эр киһи буоларын билинэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1194, "split": "dev", "profile": "clean", "gold": "Бу кини кэпсээнэ саха норуота дириҥ муударастааҕын туоһута буолар.", "noisy": "Бу кини кэпсээнэ саха норуота дириҥ муударастааҕын туоһута буолар.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1195, "split": "dev", "profile": "ru_fold", "gold": "Ол онно бу Киргиэлэй оҕонньор абааһы уолун сүрдээн-кэптээн толорбута сүрдээх этэ.", "noisy": "Ол онно бу Киргиэлэй огонньор абааhы уолун сурдээн-кэптээн толорбута сурдээх этэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1196, "split": "test", "profile": "leontiev", "gold": "Хорсуммун киллэрэн өрө тыынаат, сымыһахпын быһа ытыран баран тахсар аан диэки дьулустум.", "noisy": "Хорсуммун киллэрэн ере тыынаат, сымыьахпын быьа ытыран баран тахсар аан диэки дьулустум.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1197, "split": "dev", "profile": "digits", "gold": "Манчаары оонньууларын фондатыгар төһө үп угуллубутуй?", "noisy": "Манчаары оонньууларын фондатыгар т8h8 yп угуллубутуй?", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1198, "split": "dev", "profile": "mixed", "gold": "Тутуу матырыйаалын боппуруоһа быһаарылынна.", "noisy": "Тутуу матырыйаалын боппуруоса быьаарылынна.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1199, "split": "dev", "profile": "partial", "gold": "Биир үүнээйини сэбирдэҕин төбөтүн таарыйдаххына сабыллан хаалар, онтон тута аһыллар этэ.", "noisy": "Биир үүнээйини сэбирдэгин төбөтүн таарыйдаххына сабыллан хаалар, онтон тута аһыллар этэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1200, "split": "dev", "profile": "clean", "gold": "Бу дьиэҕэ үрдүк таһымнаах медицинэ өҥөтө оҥоһуллар, — диэтэ Алексей Дьячковскай.", "noisy": "Бу дьиэҕэ үрдүк таһымнаах медицинэ өҥөтө оҥоһуллар, — диэтэ Алексей Дьячковскай.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1201, "split": "dev", "profile": "ru_fold", "gold": "Саамай ыраата сылдьыбыт гастролларбыт Сыырдаах, Лөгөй.", "noisy": "Саамай ыраата сылдьыбыт гастролларбыт Сыырдаах, Логой.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1202, "split": "test", "profile": "leontiev", "gold": "Оҕо эбэтэр саастаах дьон үксүгэр туохтан эмэ импиэксийэлээн кыраадыстара таҕыстаҕына, эмиэ тартараллар.", "noisy": "Ого эбэтэр саастаах дьон уксугэр туохтан эмэ импиэксийэлээн кыраадыстара тагыстагына, эмиэ тартараллар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1203, "split": "dev", "profile": "digits", "gold": "Коля наар бастыырын сөбүлүүр, хайаан даҕаны инники буолар.", "noisy": "Коля наар бастыырын с8бyлyyр, хайаан да5аны инники буолар.", "source": "ailabykt/sakha-corpus-mono:childrens_lib"}
{"id": 1204, "split": "test", "profile": "mixed", "gold": "Рим Империята эстибитин кэннэ Рейн өттүттэн илин өттүгэр баар Германия сирин салайаллара.", "noisy": "Рим Империята эстибитин кэннэ Рейн оттуттэн илин оттyгэр баар Германия сирин салайаллара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1205, "split": "test", "profile": "partial", "gold": "Абыйтан, Кэбээйи Сиэгэн Күөлүттэн бэлэмнэнэн кэлбиттэр.", "noisy": "Абыйтан, Кэбээйи Сиэгэн Күөлүттэн бэлэмнэнэн кэлбиттэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1206, "split": "test", "profile": "clean", "gold": "Дьон саастаах өртө тото-хана аһаан, нуктаан-нухарыйан барбыттарыгар эдэр дьон, ону эрэ кэтэспит курдук, таһырдьаны былдьастылар.", "noisy": "Дьон саастаах өртө тото-хана аһаан, нуктаан-нухарыйан барбыттарыгар эдэр дьон, ону эрэ кэтэспит курдук, таһырдьаны былдьастылар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1207, "split": "test", "profile": "ru_fold", "gold": "Дойдубут төһө да чиэски курдугун иһин, аан дойду историята “суруллар” биир кииниттэн, холобур, Кытайтан олус ыраах буолбатах эбээт.", "noisy": "Дойдубут тоhо да чиэски курдугун иhин, аан дойду историята “суруллар” биир кииниттэн, холобур, Кытайтан олус ыраах буолбатах эбээт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1208, "split": "test", "profile": "leontiev", "gold": "Манна тимир суол үлэһиттэрэ, быраактыкаланар устудьуоннар аһаан абыраммыттар.", "noisy": "Манна тимир суол улэьиттэрэ, быраактыкаланар устудьуоннар аьаан абыраммыттар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1209, "split": "test", "profile": "digits", "gold": "Баран ону-маны өрө таппыта буолар, сатыы хааман дьаарбайар, тугу эрэ туһалыы сатыыр.", "noisy": "Баран ону-маны 8р8 таппыта буолар, сатыы хааман дьаарбайар, тугу эрэ туhалыы сатыыр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1210, "split": "test", "profile": "mixed", "gold": "Оттон республикатааҕы соҕотох харах балыыһатыгар сайын да, кыһын да атыыр уочарат.", "noisy": "Оттон республикатаахы соготох харах балыысатыгар сайын да, кысын да атыыр уочарат.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1211, "split": "dev", "profile": "partial", "gold": "\"Кэрэ көстүү\" маастар-кылааска эбээлэр, ийэлэр, кыргыттар сахалыы халадаай кэтэн, киэргэли-симэҕи көрдөрдүлэр.", "noisy": "\"Кэрэ көстүү\" маастар-кылааска эбээлэр, ийэлэр, кыргыттар сахалыы халадаай кэтэн, киэргэли-симэги көрдөрдүлэр.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1212, "split": "test", "profile": "clean", "gold": "Онон тыа сиригэр тахсыбыт испэсэлиискэ үлэлиир, сайдар кыаҕы биэрэр өйөбүл, мэктиэ эмиэ баар буолуохтаах.", "noisy": "Онон тыа сиригэр тахсыбыт испэсэлиискэ үлэлиир, сайдар кыаҕы биэрэр өйөбүл, мэктиэ эмиэ баар буолуохтаах.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1213, "split": "test", "profile": "ru_fold", "gold": "Кэбээйитээҕи врачебнай амбулаторияҕа ыалдьыттарбытын түһэрэн, онно эмтиир хостору бэлэмнээбиттэрэ.", "noisy": "Кэбээйитээги врачебнай амбулаторияга ыалдьыттарбытын туhэрэн, онно эмтиир хостору бэлэмнээбиттэрэ.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1214, "split": "dev", "profile": "leontiev", "gold": "Онтон бэйэм биир тамыйаҕы өлөрөн, буһаран, дьону аһатан, малааһын курдук оҥордум.", "noisy": "Онтон бэйэм биир тамыйагы елерен, буьаран, дьону аьатан, малааьын курдук онордум.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1215, "split": "test", "profile": "digits", "gold": "Иккис түһүмэҕинэн, станцияларынан оонньуу ыытылынна, манна хас станция аайы эдэр учууталлар толкуйдатар, сайыннарар оонньуулары бэлэмнээн оҕолору көрүстүлэр.", "noisy": "Иккис тyhyмэ5инэн, станцияларынан оонньуу ыытылынна, манна хас станция аайы эдэр учууталлар толкуйдатар, сайыннарар оонньуулары бэлэмнээн о5олору к8рyстyлэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1216, "split": "dev", "profile": "mixed", "gold": "Көрөн, истэн үөрэнии диэн өй-санаа ситиһэр үөрэҕэ.", "noisy": "К8рон, истэн y8рэнии диэн 8й-санаа ситисэр yорэгэ.", "source": "sah.wikipedia:Көрдөбүл уонна ирдэбил"}
{"id": 1217, "split": "dev", "profile": "partial", "gold": "Ый ахсын бастыҥ волонтердар наҕараадаланыахтара.", "noisy": "Ый ахсын бастын волонтердар нагараадаланыахтара.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1218, "split": "dev", "profile": "clean", "gold": "Бүгүннү түгэҥҥэ 1 Күүлэт нэһилиэгэр АЗС тутуута рентабельнайа суоҕунан сибээстээн, бу эҥэр сытар бөһүөлэктэр тарированнай нефтепродуктанан хааччыллыахтарын сөп.", "noisy": "Бүгүннү түгэҥҥэ 1 Күүлэт нэһилиэгэр АЗС тутуута рентабельнайа суоҕунан сибээстээн, бу эҥэр сытар бөһүөлэктэр тарированнай нефтепродуктанан хааччыллыахтарын сөп.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1219, "split": "test", "profile": "ru_fold", "gold": "Көхсүбэр тыҥыраҕынан хайа тардыы суола хаалбыт этэ.", "noisy": "Кохсубэр тынырагынан хайа тардыы суола хаалбыт этэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1220, "split": "dev", "profile": "leontiev", "gold": "Онон күн аайы сарсыардаттан окко тиэтэйэр дьон, ардахтан сылтаан тохтуурга күһэлиннилэр.", "noisy": "Онон кун аайы сарсыардаттан окко тиэтэйэр дьон, ардахтан сылтаан тохтуурга куьэлиннилэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1221, "split": "test", "profile": "digits", "gold": "Ол курдук 1348 сыллаахха Литва кинээһэ нуучча сирин сэриилээн ылаары Дьанибэктэн көмө көрдөөн киниэхэ илдьит ыыппытын, Дьанибэк ол илдьити нууччаларга туттарбыта.", "noisy": "Ол курдук 1348 сыллаахха Литва кинээhэ нуучча сирин сэриилээн ылаары Дьанибэктэн к8м8 к8рд88н киниэхэ илдьит ыыппытын, Дьанибэк ол илдьити нууччаларга туттарбыта.", "source": "sah.wikipedia:Дьанибэк"}
{"id": 1222, "split": "test", "profile": "mixed", "gold": "Маҕаһыыннар, атыы-эргиэн кииннэрэ мааската суох атыылаһааччылары киллэриэ суохтаахтар.", "noisy": "Махаьыыннар, атыы-эргиэн кииннэрэ мааската суох атыыласааччылары киллэриэ суохтаахтар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1223, "split": "test", "profile": "partial", "gold": "«Үрүйэ» үҥкүү коллективын толоруутугар «Алаас кыргыттара».", "noisy": "«Үрүйэ» үнкүү коллективын толоруутугар «Алаас кыргыттара».", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1224, "split": "test", "profile": "clean", "gold": "Уустук боппуруоһу быһаарарга, туруоруммут сыалы ситиһэргэ, дьаныардаах буоларга, араас ньыманы туттарга, сатабыллаах буоларга үөрэппитэ олохпутугар олус туһалаата.", "noisy": "Уустук боппуруоһу быһаарарга, туруоруммут сыалы ситиһэргэ, дьаныардаах буоларга, араас ньыманы туттарга, сатабыллаах буоларга үөрэппитэ олохпутугар олус туһалаата.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1225, "split": "test", "profile": "ru_fold", "gold": "Киһим туттара-хаптара түргэнэ сүр: көрүөх бэтэрээ өттүгэр наһатыыр таһааран, Федоров муннугар баатанан тутан, киһибит тыын ылан өрүһүннэ.", "noisy": "Киhим туттара-хаптара тургэнэ сур: коруох бэтэрээ оттугэр наhатыыр таhааран, Федоров муннугар баатанан тутан, киhибит тыын ылан оруhуннэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1226, "split": "dev", "profile": "leontiev", "gold": "Кинилэр Сиэр Биэ диэн сиргэ Сурдургуур Бүөтүргэ көрүстэхтэринэ, түүннэри-күнүстэри олоҥхолууллара эбитэ үһү\".", "noisy": "Кинилэр Сиэр Биэ диэн сиргэ Сурдургуур Буетургэ керустэхтэринэ, тууннэри-кунустэри олонхолууллара эбитэ уьу\".", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1227, "split": "test", "profile": "digits", "gold": "1992 сыл тоҕус ыйын көрдөрүүтүнэн, оҕо төрөөһүнүн ахсаана ааспыт 1991 сыл тоҕус ыйынааҕар Чурапчы оройуонугар 21 бырыһыан, Намҥа, Кэбээйигэ, Аммаҕа – 10-18 бырыһыан аччаабыт.", "noisy": "1992 сыл то5ус ыйын к8рд8рyyтyнэн, о5о т8р88hyнyн ахсаана ааспыт 1991 сыл то5ус ыйынаа5ар Чурапчы оройуонугар 21 бырыhыан, Намна, Кэбээйигэ, Амма5а – 10-18 бырыhыан аччаабыт.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1228, "split": "dev", "profile": "mixed", "gold": "Бастыҥтан бастыҥнар мэтээлинэн, дипломунан уонна харчынан наҕараадаланыахтара.", "noisy": "Бастынтан бастыннар мэтээлинэн, дипломунан уонна харчынан нахараадаланыахтара.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1229, "split": "dev", "profile": "partial", "gold": "—Олег Матыцин спорт миниистиринэн быйыл тохсунньу 21 күнүгэр эрэ анаммыта.", "noisy": "—Олег Матыцин спорт миниистиринэн быйыл тохсунньу 21 күнүгэр эрэ анаммыта.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1230, "split": "dev", "profile": "clean", "gold": "уонна Тоҥ Суорунтан \"Сылгы уола Дыырай Бухатыыр\" хаһыакка тахсыбыта.", "noisy": "уонна Тоҥ Суорунтан \"Сылгы уола Дыырай Бухатыыр\" хаһыакка тахсыбыта.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1231, "split": "dev", "profile": "ru_fold", "gold": "Мин бэйэм оннукпун уонна оннук киһини сөбүлүүбүн.", "noisy": "Мин бэйэм оннукпун уонна оннук киhини собулуубун.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1232, "split": "dev", "profile": "leontiev", "gold": "Боруобалаһыы салҕанан, сайдан барыытыттан ордук дьахталлар эрэйдэрэ эбиллэр, араас ыарыыларга ылларыахтарын сөп.", "noisy": "Боруобалаьыы салганан, сайдан барыытыттан ордук дьахталлар эрэйдэрэ эбиллэр, араас ыарыыларга ылларыахтарын сеп.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1233, "split": "test", "profile": "digits", "gold": "Москубаҕа зоопааркаҕа баран хотойу көрөн үтүктэн көрдөрөн, сочуот ылбытым.", "noisy": "Москуба5а зоопаарка5а баран хотойу к8р8н yтyктэн к8рд8р8н, сочуот ылбытым.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1234, "split": "test", "profile": "mixed", "gold": "Биһиги кинигэбит тахсарыгар 5 учуутал, 16 үөрэнээччи кыттыыны ыллылар.", "noisy": "Бисиги кинигэбит тахсарыгар 5 учуутал, 16 у8рэнээччи кыттыыны ыллылар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1235, "split": "dev", "profile": "partial", "gold": "Эһэм Николай Петрович Старостин курдук уус киһини, мин өссө көрө иликпин.", "noisy": "Эһэм Николай Петрович Старостин курдук уус киһини, мин өссө көрө иликпин.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1236, "split": "dev", "profile": "clean", "gold": "Хабарова “Харах балыыһатыгар баран 21 хонук уочараттаан баран үүрүллэн кэллим” диир.", "noisy": "Хабарова “Харах балыыһатыгар баран 21 хонук уочараттаан баран үүрүллэн кэллим” диир.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1237, "split": "dev", "profile": "ru_fold", "gold": "Премьерабыт от ыйын 14, 15, 16 күннэригэр буолуоҕа.", "noisy": "Премьерабыт от ыйын 14, 15, 16 куннэригэр буолуога.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1238, "split": "test", "profile": "leontiev", "gold": "Онтон төннөн иһэн, били халампааспытынан эмиэ көрбүппүт, онтубут били дьоммут омоонноро эмиэ баар этилэр.", "noisy": "Онтон теннен иьэн, били халампааспытынан эмиэ кербуппут, онтубут били дьоммут омоонноро эмиэ баар этилэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1239, "split": "dev", "profile": "digits", "gold": "Ону сорох нуучча дьоно туох да кэрээнэ, суобаһа суох дьааһыгынан сыһаҕастаһан бэйэлэригэр таһан барбыттара.", "noisy": "Ону сорох нуучча дьоно туох да кэрээнэ, суобаhа суох дьааhыгынан сыhа5астаhан бэйэлэригэр таhан барбыттара.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1240, "split": "dev", "profile": "mixed", "gold": "Иннокентий Семенович республикаҕа көҥүл тустуу киэҥник сайдарын туһугар уһун сыллар устата бэринилээхтик уонна ситиһиилээхтик үлэлии сылдьара, атыттарга чаҕылхай холобур буолара элбэх киһини үөрдэр.", "noisy": "Иннокентий Семенович республика5а конгул тустуу киэнник сайдарын туьугар уhун сыллар устата бэринилээхтик уонна ситисиилээхтик улэлии сылдьара, атыттарга ча5ылхай холобур буолара элбэх кисини y8рдэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1241, "split": "dev", "profile": "partial", "gold": "Ийэтэ Суола төрдүттэн төрүттээх, былыргы Мэҥэ улууһун Алтан нэһилиэгин Макаровтар кыыстара Биэрэ диэн.", "noisy": "Ийэтэ Суола төрдүттэн төрүттээх, былыргы Мэнэ улууһун Алтан нэһилиэгин Макаровтар кыыстара Биэрэ диэн.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1242, "split": "dev", "profile": "clean", "gold": "Тэрээһин анал байыаннай дьайыы туһунан Бүлүү олохтоохторугар атын көрүүнү, өйдөбүлү хаалларыаҕа, үүнэр кэнчээри ыччакка патриотическай иитиигэ биир хардыынан буолар.", "noisy": "Тэрээһин анал байыаннай дьайыы туһунан Бүлүү олохтоохторугар атын көрүүнү, өйдөбүлү хаалларыаҕа, үүнэр кэнчээри ыччакка патриотическай иитиигэ биир хардыынан буолар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1243, "split": "test", "profile": "ru_fold", "gold": "Маннык түгэҥҥэ хойуу хатыыта үксүгэр хроническай буолар.", "noisy": "Маннык тугэннэ хойуу хатыыта уксугэр хроническай буолар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1244, "split": "dev", "profile": "leontiev", "gold": "Үлэлиир кэмэ: 10.00 чаастан 19.00 чааска диэри.", "noisy": "Улэлиир кэмэ: 10.00 чаастан 19.00 чааска диэри.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1245, "split": "dev", "profile": "digits", "gold": "Кэргэн тахсан баран, оҕобун таҥыннарыахпын баҕаран, ыаллыы олорор Сөдүөрэ диэн эмээхсинтэн сүбэлэтэн, аан бастаан андаатар бэргэһэни тикпитим.", "noisy": "Кэргэн тахсан баран, о5обун таныннарыахпын ба5аран, ыаллыы олорор С8дy8рэ диэн эмээхсинтэн сyбэлэтэн, аан бастаан андаатар бэргэhэни тикпитим.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1246, "split": "test", "profile": "mixed", "gold": "Соторутааҕыта “Үктэл” диэн уус-уран хомуурунньук бастакы нүөмэрэ күн сирин көрдө.", "noisy": "Соторутаахыта “Уктэл” диэн уус-уран хомуурунньук бастакы ну8мэрэ кyн сирин кордо.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1247, "split": "dev", "profile": "partial", "gold": "Ол аата үөттэр төрдүлэрин, долоҕуна быыһын, дулҕалаах сирдэри хотуурунан охсон от минньигэһин, өлгөмүн онтон хостуура.", "noisy": "Ол аата үөттэр төрдүлэрин, дологуна быыһын, дулгалаах сирдэри хотуурунан охсон от минньигэһин, өлгөмүн онтон хостуура.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1248, "split": "test", "profile": "clean", "gold": "Ил Дархан ити ыҥырыыта төһө да эһиилги сылга туһуланнар, онно өрөспүүбүлүкэ экэниэмикэтин кэнэҕэс сайдыыта эмиэ торумнанар.", "noisy": "Ил Дархан ити ыҥырыыта төһө да эһиилги сылга туһуланнар, онно өрөспүүбүлүкэ экэниэмикэтин кэнэҕэс сайдыыта эмиэ торумнанар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1249, "split": "test", "profile": "ru_fold", "gold": "Эдэр дьон айар-тутар бырайыактары олоххо киллэриигэ кытталларын ааһан, ол бырайыактары бэйэлэрэ көҕүлүүллэр, эрэгийиэн, дойду уопсастыбаннай уонна бэлитиичэскэй олоҕор көхтөөхтүк кытталлар.", "noisy": "Эдэр дьон айар-тутар бырайыактары олоххо киллэриигэ кытталларын ааhан, ол бырайыактары бэйэлэрэ когулууллэр, эрэгийиэн, дойду уопсастыбаннай уонна бэлитиичэскэй ологор кохтоохтук кытталлар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1250, "split": "dev", "profile": "leontiev", "gold": "Судаарыстыба өйөбүлүн биллибит \", — диэн эбэн эттэ Бахилина.", "noisy": "Судаарыстыба ейебулун биллибит \", — диэн эбэн эттэ Бахилина.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1251, "split": "test", "profile": "digits", "gold": "Холобур, маннык идэлэри биэрэр: устар аалы ыытааччы, мэхээнньик көмөлөһөөччүтэ, элиэктирик, сыбааркаһыт, асчыт, кондитер, өрөмүөнү ыытар уонна көрөр-истэр бырааптаах электромонтер, силиэсэр, сиэстэрэ.", "noisy": "Холобур, маннык идэлэри биэрэр: устар аалы ыытааччы, мэхээнньик к8м8л8h88ччyтэ, элиэктирик, сыбааркаhыт, асчыт, кондитер, 8р8мy8нy ыытар уонна к8р8р-истэр бырааптаах электромонтер, силиэсэр, сиэстэрэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1252, "split": "test", "profile": "mixed", "gold": "Инфраструктура мөлтөхтүк сайдыбыт Саха сирин киэҥ-нэлэмэн сиригэр бөдөҥ биисинэһи үлэлэтии барыһа суох.", "noisy": "Инфраструктура молт8хтук сайдыбыт Саха сирин киэнг-нэлэмэн сиригэр б8д8н биисинэhи yлэлэтии барыhа суох.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1253, "split": "dev", "profile": "partial", "gold": "Онтон мин бу \"Үс ситим — үс кэрэ\" бырайыагым сырдыгы-ырааһы, үтүөнү, сылааһы эрэ тарҕаттын.", "noisy": "Онтон мин бу \"Үс ситим — үс кэрэ\" бырайыагым сырдыгы-ырааһы, үтүөнү, сылааһы эрэ таргаттын.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1254, "split": "test", "profile": "clean", "gold": "Цыпандин Афанасий Алексеевичка – үлэ ветерана, «Максим Горькай», «Мэҥэ» совхозтарга, тыа хаһаайыстыбатын эйгэтигэр эҥкилэ суох үлэлээбит ытык-мааны ветераммыт.", "noisy": "Цыпандин Афанасий Алексеевичка – үлэ ветерана, «Максим Горькай», «Мэҥэ» совхозтарга, тыа хаһаайыстыбатын эйгэтигэр эҥкилэ суох үлэлээбит ытык-мааны ветераммыт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1255, "split": "dev", "profile": "ru_fold", "gold": "Сивцев Доллу ахтыытыттан) Ахтыы: Верховцев Тихон (Отчут аҕата) диэн 70-ча саастаах, дьадаҥы, Тумулга курдаттыы көстөр, сыбаҕа түһэн хаалбыт, кыра сайылык саха дьиэтигэр сайылыырын өйдүүбүн.", "noisy": "Сивцев Доллу ахтыытыттан) Ахтыы: Верховцев Тихон (Отчут агата) диэн 70-ча саастаах, дьаданы, Тумулга курдаттыы костор, сыбага туhэн хаалбыт, кыра сайылык саха дьиэтигэр сайылыырын ойдуубун.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1256, "split": "dev", "profile": "leontiev", "gold": "Саха оҕолоро тыа да сиригэр сахалыы билбэт буолан иһэллэр.", "noisy": "Саха оголоро тыа да сиригэр сахалыы билбэт буолан иьэллэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1257, "split": "dev", "profile": "digits", "gold": "бэлэмнээһиннэринэн 2011 сыллаахха кинигэ буолан күн сирин көрбүтэ.", "noisy": "бэлэмнээhиннэринэн 2011 сыллаахха кинигэ буолан кyн сирин к8рбyтэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1258, "split": "test", "profile": "mixed", "gold": "Франкфурт аэропорда аан дойду уон бөдөҥ аэропорда киирэр уонна Европаҕа таһаҕаһы тиэйии сүрүн пуунунан буолар.", "noisy": "Франкфурт аэропорда аан дойду уон б8дон аэропорда киирэр уонна Европага таьахаhы тиэйии сyрун пуунунан буолар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1259, "split": "dev", "profile": "partial", "gold": "Аныгы кэм сайдыыны инники барыыны, оҕо туьугар дьиэ уот, үөрэтэр сир тупсуутун ирдиир.", "noisy": "Аныгы кэм сайдыыны инники барыыны, ого туьугар дьиэ уот, үөрэтэр сир тупсуутун ирдиир.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1260, "split": "test", "profile": "clean", "gold": "Маны таһынан, ыалдьыбыт дьон ахсааныттан 16 бырыһыана оҕолор буоларын өйдүөхтээхпит.", "noisy": "Маны таһынан, ыалдьыбыт дьон ахсааныттан 16 бырыһыана оҕолор буоларын өйдүөхтээхпит.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1261, "split": "test", "profile": "ru_fold", "gold": "Манна үлэнэн хааччыллыбыттары, биллэн турар, киһи мыыммат хамнаһа күүтэр.", "noisy": "Манна улэнэн хааччыллыбыттары, биллэн турар, киhи мыыммат хамнаhа куутэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1262, "split": "dev", "profile": "leontiev", "gold": "Оҕо оҕоттон үөрэнэр, бэйэ-бэйэлэрин үтүктэн, батыһан бараллар.", "noisy": "Ого оготтон уерэнэр, бэйэ-бэйэлэрин утуктэн, батыьан бараллар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1263, "split": "dev", "profile": "digits", "gold": "Ыйдарынан аралдьытыылара барыта туһунан тиэмэлээх, ис хоһоонноох.", "noisy": "Ыйдарынан аралдьытыылара барыта туhунан тиэмэлээх, ис хоhоонноох.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1264, "split": "dev", "profile": "mixed", "gold": "Биир көҕөммүт күнүс баран хаалар, түүн кэлэн манна хаһыытаан-ыһыытаан, айдаан бөҕөтүн таһаарар.", "noisy": "Биир к858ммут кyнyс баран хаалар, туун кэлэн манна хаьыытаан-ыьыытаан, айдаан б858тун тасаарар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1265, "split": "test", "profile": "partial", "gold": "Сэбиэскэй саллааттар Сэриигэ кыайаннар Бу бүгүн эн бааргын!", "noisy": "Сэбиэскэй саллааттар Сэриигэ кыайаннар Бу бүгүн эн бааргын!", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1266, "split": "test", "profile": "clean", "gold": "Чыгылла аҕатын курдук быһыылааҕа-таһаалааҕа, ортону үрдүнэн уҥуохтааҕа.", "noisy": "Чыгылла аҕатын курдук быһыылааҕа-таһаалааҕа, ортону үрдүнэн уҥуохтааҕа.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1267, "split": "dev", "profile": "ru_fold", "gold": "Билигин сааһыраммын, ол кэрэ кэмнэри умнубуппун, бу түмсүү, буолаары турар көрсүһүү тэрээһинэ, оҕо саас дьоллоох түгэнин санатта.", "noisy": "Билигин сааhыраммын, ол кэрэ кэмнэри умнубуппун, бу тумсуу, буолаары турар корсуhуу тэрээhинэ, ого саас дьоллоох тугэнин санатта.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1268, "split": "dev", "profile": "leontiev", "gold": "Билигин оскуола-интэринээти СӨ үөрэҕириитин туйгуна, РФ уопсай үөрэхтээһинин бочуоттаах үлэһитэ Ирена Слепцова салайар.", "noisy": "Билигин оскуола-интэринээти СЕ уерэгириитин туйгуна, РФ уопсай уерэхтээьинин бочуоттаах улэьитэ Ирена Слепцова салайар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1269, "split": "dev", "profile": "digits", "gold": "– естесственнэй-математическай уонна техническэй үөрэхтээһиннэргэ проректор буолбута.", "noisy": "– естесственнэй-математическай уонна техническэй y8рэхтээhиннэргэ проректор буолбута.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1270, "split": "dev", "profile": "mixed", "gold": "—Биһиги өрөспүүбүлүкэбитигэр ийэ уонна оҕо доруобуйатын харыстабылыгар улахан болҕомто ууруллар.", "noisy": "—Биhиги ор8спyубулукэбитигэр ийэ уонна о5о доруобуйатын харыстабылыгар улахан болгомто ууруллар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1271, "split": "dev", "profile": "partial", "gold": "Былыргы сахалар маннык быһыыны хайдах быһаараллара үөрэх буолар.", "noisy": "Былыргы сахалар маннык быһыыны хайдах быһаараллара үөрэх буолар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1272, "split": "test", "profile": "clean", "gold": "Дьокуускайга биэнсийэлээх уонна Нерюнгриттан тимир суол ыстаансыйатын үлэһитэ «ФСБ үлэһитэ» схемаҕа киирэн биэрэн, 190 тыһ.солк.", "noisy": "Дьокуускайга биэнсийэлээх уонна Нерюнгриттан тимир суол ыстаансыйатын үлэһитэ «ФСБ үлэһитэ» схемаҕа киирэн биэрэн, 190 тыһ.солк.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1273, "split": "dev", "profile": "ru_fold", "gold": "Оттон биһиги, Саха сирин олохтоохторо, иккитэ — дойду уонна өрөспүүбүлүкэ таһымыгар бэлиэтиир кыахтаахпыт.", "noisy": "Оттон биhиги, Саха сирин олохтоохторо, иккитэ — дойду уонна ороспуубулукэ таhымыгар бэлиэтиир кыахтаахпыт.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1274, "split": "test", "profile": "leontiev", "gold": "Холобур, быһыытынан аҕалар буоллахха, биир киһи төбөтө олус ыалдьан, мэйиитэ эргийэр эбит.", "noisy": "Холобур, быьыытынан агалар буоллахха, биир киьи тебете олус ыалдьан, мэйиитэ эргийэр эбит.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1275, "split": "test", "profile": "digits", "gold": "Аҕа-ийэ ууһунан олорор дьоҥҥо итинник умса-төннө түһүү баара буолуо дуо?", "noisy": "А5а-ийэ ууhунан олорор дьонно итинник умса-т8нн8 тyhyy баара буолуо дуо?", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1276, "split": "test", "profile": "mixed", "gold": "Ол иһин сыстыгана улааппыт, тарҕаныыта түргэтээбит.", "noisy": "Ол иhин сыстыгана улааппыт, тарханыыта тургэтээбит.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1277, "split": "test", "profile": "partial", "gold": "Бассаап бөлөхпүтүгэр суоппардардыын эҥин 241 кыттааччы баара.", "noisy": "Бассаап бөлөхпүтүгэр суоппардардыын энин 241 кыттааччы баара.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1278, "split": "dev", "profile": "clean", "gold": "Тыа дьонун социальнай хантараактар нөҥүө өйөөһүн кээмэйэ кэнники үс сылга үс төгүл эбиллибит.", "noisy": "Тыа дьонун социальнай хантараактар нөҥүө өйөөһүн кээмэйэ кэнники үс сылга үс төгүл эбиллибит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1279, "split": "test", "profile": "ru_fold", "gold": "Күннэ бэйэтиттэн 14 сыл балыс уолга иирдэ диэн тыл-өс бөҕө тарҕаммыта.", "noisy": "Куннэ бэйэтиттэн 14 сыл балыс уолга иирдэ диэн тыл-ос бого таргаммыта.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1280, "split": "test", "profile": "leontiev", "gold": "Олус соһуйдум, хаһан даҕаны маннык моһуоктаабатаҕа ээ.", "noisy": "Олус соьуйдум, хаьан даганы маннык моьуоктаабатага ээ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1281, "split": "dev", "profile": "digits", "gold": "Соннук, кырдьаҕас Афанасьевтар сүтэн хааллылар.", "noisy": "Соннук, кырдьа5ас Афанасьевтар сyтэн хааллылар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1282, "split": "test", "profile": "mixed", "gold": "Күннэ Саха сиригэр үгүс элбэх аймахтааҕыттан сөхпүтэ, аҕатын кытта долгуйа билсибитэ.", "noisy": "Кyннэ Саха сиригэр yгус элбэх аймахтаа5ыттан сохпутэ, ахатын кытта долгуйа билсибитэ.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1283, "split": "dev", "profile": "partial", "gold": "Попов бииргэ төрөөбүт улахан убайа Назар Кузьмич Попов уола.", "noisy": "Попов бииргэ төрөөбүт улахан убайа Назар Кузьмич Попов уола.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1284, "split": "test", "profile": "clean", "gold": "Санатар буоллахха, билиҥҥи кэмҥэ аан дойду үрдүнэн искэн ыарыыта элбэҕин туһунан истэ-билэ сылдьабыт.", "noisy": "Санатар буоллахха, билиҥҥи кэмҥэ аан дойду үрдүнэн искэн ыарыыта элбэҕин туһунан истэ-билэ сылдьабыт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1285, "split": "dev", "profile": "ru_fold", "gold": "Уонтан тахса сыл олорон баран күтүөт иһэн-аһаан Света арахсар аакка барбыта.", "noisy": "Уонтан тахса сыл олорон баран кутуот иhэн-аhаан Света арахсар аакка барбыта.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1286, "split": "test", "profile": "leontiev", "gold": "Ол кэлэн, арыт пиибэ да амсайарбыт, ии курдук төгүрүк оҥорон бараммыт, кылабыыһа иччилэрин ыҥыран да көрөрбүт, биир тылынан, үлүбээй сылдьарбыт…", "noisy": "Ол кэлэн, арыт пиибэ да амсайарбыт, ии курдук тегурук онорон бараммыт, кылабыыьа иччилэрин ыныран да керербут, биир тылынан, улубээй сылдьарбыт…", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1287, "split": "test", "profile": "digits", "gold": "Холобур, Руслан Тараховскай «Төлкөҕө» Дьаакыбылап кулуба оруолун, Сергей Потапов «Альберти циркэтигэр» Альберти оруолун итэҕэйдилэр.", "noisy": "Холобур, Руслан Тараховскай «Т8лк858» Дьаакыбылап кулуба оруолун, Сергей Потапов «Альберти циркэтигэр» Альберти оруолун итэ5эйдилэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1288, "split": "dev", "profile": "mixed", "gold": "Бу үлэлээбит кэммит устатыгар Арктика 13 оройуонун 89 нэһилиэнньэлээх пуунун олохтоохторун доруобуйатын көрдүбүт-иһиттибит (сорох улуустарга 2-3 төгүл сырыттыбыт).", "noisy": "Бу улэлээбит кэммит устатыгар Арктика 13 оройуонун 89 нэьилиэнньэлээх пуунун олохтоохторун доруобуйатын к8рдyбут-иhиттибит (сорох улуустарга 2-3 тогyл сырыттыбыт).", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1289, "split": "dev", "profile": "partial", "gold": "Петр Никифорович саха олоҥхото ЮНЕСКО киһи аймах культурнай нэһилиэстибэтин чулуу айымньыларын кэккэтигэр киирэн үрдүктүк сыаналанарыгар, биһирэниитигэр уонна билинэллэригэр күүскэ үлэлэспит дьоннортон биирдэстэрэ.", "noisy": "Петр Никифорович саха олонхото ЮНЕСКО киһи аймах культурнай нэһилиэстибэтин чулуу айымньыларын кэккэтигэр киирэн үрдүктүк сыаналанарыгар, биһирэниитигэр уонна билинэллэригэр күүскэ үлэлэспит дьоннортон биирдэстэрэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1290, "split": "test", "profile": "clean", "gold": "Уопсай түмүккэ 1 миэстэни — «Эрэл», 2-с миэстэ — «Кэнчээри», 3 миэстэ — «Баҕадьаан»түөлбэ буолан үөрдүлэр-көттүлэр.", "noisy": "Уопсай түмүккэ 1 миэстэни — «Эрэл», 2-с миэстэ — «Кэнчээри», 3 миэстэ — «Баҕадьаан»түөлбэ буолан үөрдүлэр-көттүлэр.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1291, "split": "test", "profile": "ru_fold", "gold": "Майгы уратылара аһара бардахтарына киһи элбэхтик сыыһа-халты туттунарыгар тириэрдэн кэбиһэллэр.", "noisy": "Майгы уратылара аhара бардахтарына киhи элбэхтик сыыhа-халты туттунарыгар тириэрдэн кэбиhэллэр.", "source": "sah.wikipedia:Сахалар олохторун үөрэҕин тутуспат буолуу"}
{"id": 1292, "split": "dev", "profile": "leontiev", "gold": "Бүөтүр өссө сүрдээх элбэх остуо-руйаны, үһүйээни билэрэ.", "noisy": "Буетур ессе сурдээх элбэх остуо-руйаны, уьуйээни билэрэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1293, "split": "test", "profile": "digits", "gold": "Олус да хомойдум бэйэтэ көрөн баран тоҕо \"хроническай бронхит\" диэн синиимэккэ ыыппытын.", "noisy": "Олус да хомойдум бэйэтэ к8р8н баран то5о \"хроническай бронхит\" диэн синиимэккэ ыыппытын.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1294, "split": "test", "profile": "mixed", "gold": "Киһи хаһан да кыайан толорбот ыра санааларыгар ыллара сылдьара туһалаах быһыылары оҥорорун аҕыйатар.", "noisy": "Киhи хаьан да кыайан толорбот ыра санааларыгар ыллара сылдьара туьалаах быьыылары онгорорун ахыйатар.", "source": "sah.wikipedia:Сахалар олохторун үөрэҕин тутуспат буолуу"}
{"id": 1295, "split": "dev", "profile": "partial", "gold": "— Лимон сыта киһи санаатын көтөҕөр, ыарыыга туруулаһар дьоҕурун күүһүрдэр.", "noisy": "— Лимон сыта киһи санаатын көтөгөр, ыарыыга туруулаһар дьогурун күүһүрдэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1296, "split": "dev", "profile": "clean", "gold": "Убаастабыллаах абитуриеннар уонна төрөппүттэр, үөрэххэ туттарсыы боппуруоһа барыбытын долгутар.", "noisy": "Убаастабыллаах абитуриеннар уонна төрөппүттэр, үөрэххэ туттарсыы боппуруоһа барыбытын долгутар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1297, "split": "test", "profile": "ru_fold", "gold": "Тэрээһин кыттыылаахтара Мииринэйгэ, Ленскэйгэ, Ньурбаҕа, Сунтаарга, Нерюнгригэ, Алдаҥҥа туризмы сайыннарыы боппуруостарын көрдүлэр.", "noisy": "Тэрээhин кыттыылаахтара Мииринэйгэ, Ленскэйгэ, Ньурбага, Сунтаарга, Нерюнгригэ, Алданна туризмы сайыннарыы боппуруостарын кордулэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1298, "split": "dev", "profile": "leontiev", "gold": "2006 сыллаахха «Сэһэн тоҕой» хаһыакка «Рактан көмүскүүр эмтээх» диэн ыстатыйа тахсыбыта.", "noisy": "2006 сыллаахха «Сэьэн тогой» хаьыакка «Рактан кемускуур эмтээх» диэн ыстатыйа тахсыбыта.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1299, "split": "dev", "profile": "digits", "gold": "Кынат аҕата Нуучча Дьаакып диэн уус киһи уола, бадьыыр баһын саҕа балаҕан дьиэлээх балыксыт Бакыныар Өлөксөй диэн.", "noisy": "Кынат а5ата Нуучча Дьаакып диэн уус киhи уола, бадьыыр баhын са5а бала5ан дьиэлээх балыксыт Бакыныар 8л8кс8й диэн.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1300, "split": "dev", "profile": "mixed", "gold": "Сороҕор улахан баҕайы этэрбэстээх атаҕын сото кэбиһэн олорон ыллыыра.", "noisy": "Сорогор улахан багайы этэрбэстээх атагын сото кэбиьэн олорон ыллыыра.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1301, "split": "test", "profile": "partial", "gold": "Үлэни уһуннук уонна түргэн тэтимнээхтик үлэлиир кыахтаах киһини тэтиэнэх диэн этэллэр.", "noisy": "Үлэни уһуннук уонна түргэн тэтимнээхтик үлэлиир кыахтаах киһини тэтиэнэх диэн этэллэр.", "source": "sah.wikipedia:Күүс уонна хамсаныы"}
{"id": 1302, "split": "dev", "profile": "clean", "gold": "Көлүөнэлэр өйдөспөттөрө аһара барыыта араас революциялар, өрө туруулар, “перестройка” хамсааһыннара үөскээн тахсыыларыгар тириэрдиэхтэрин сөп.", "noisy": "Көлүөнэлэр өйдөспөттөрө аһара барыыта араас революциялар, өрө туруулар, “перестройка” хамсааһыннара үөскээн тахсыыларыгар тириэрдиэхтэрин сөп.", "source": "sah.wikipedia:Көрдөбүл уонна ирдэбил"}
{"id": 1303, "split": "test", "profile": "ru_fold", "gold": "Ону бэйэм холокуонньабыттан ырытан көрүөм.", "noisy": "Ону бэйэм холокуонньабыттан ырытан коруом.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1304, "split": "test", "profile": "leontiev", "gold": "Бастакы кыыс этэр: — Мин спортсмеҥҥа кэргэн тахсыахпын баҕарабын.", "noisy": "Бастакы кыыс этэр: — Мин спортсменна кэргэн тахсыахпын багарабын.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1305, "split": "test", "profile": "digits", "gold": "Биһиги Хотой Айыылаахпыт, түмсүүнү, тэрээһини тутар.", "noisy": "Биhиги Хотой Айыылаахпыт, тyмсyyнy, тэрээhини тутар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1306, "split": "test", "profile": "mixed", "gold": "Онон сүөһү ахсаанын кырдьыгынан эрэбиисийэлиир киһи, уопсай ахсаана көҕүрээн таҕыстаҕына көҥүл.", "noisy": "Онон суосу ахсаанын кырдьыгынан эрэбиисийэлиир киьи, уопсай ахсаана кохyрээн тагыста5ына к8нгyл.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1307, "split": "test", "profile": "partial", "gold": "Айылҕалаах киһи таһыма үрдүк, эйгэлээх диэн биир эрэ хайысха.", "noisy": "Айылгалаах киһи таһыма үрдүк, эйгэлээх диэн биир эрэ хайысха.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1308, "split": "test", "profile": "clean", "gold": "Кинилэр үөрэтэн-такайан бэҕэһээҥҥи оскуола оҕолоруттан, эдэр дьонтон бу бүгүҥҥү үлэһит дьон буолан сырыттахпыт.", "noisy": "Кинилэр үөрэтэн-такайан бэҕэһээҥҥи оскуола оҕолоруттан, эдэр дьонтон бу бүгүҥҥү үлэһит дьон буолан сырыттахпыт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1309, "split": "dev", "profile": "ru_fold", "gold": "Биир-икки киһи сабыдыалынан өйө-санаата уһуктар.", "noisy": "Биир-икки киhи сабыдыалынан ойо-санаата уhуктар.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1310, "split": "dev", "profile": "leontiev", "gold": "— Ол кэннэ мин атын кыыһы кытта оптуобуска кэпсэппиппин истибитэ, көрбүтэ.", "noisy": "— Ол кэннэ мин атын кыыьы кытта оптуобуска кэпсэппиппин истибитэ, кербутэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1311, "split": "dev", "profile": "digits", "gold": "Ол эбэтэр кинилэр кыһыл көмүс сыбаайбалаах дьон дэнэллэр.", "noisy": "Ол эбэтэр кинилэр кыhыл к8мyс сыбаайбалаах дьон дэнэллэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1312, "split": "dev", "profile": "mixed", "gold": "Бу курдук, дүҥүрбүн хаарга көмө-көмө, кыыран истим.", "noisy": "Бу курдук, дyнурбун хаарга ком8-к8мо, кыыран истим.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1313, "split": "dev", "profile": "partial", "gold": "Кэтээн көрдөххө, оҕолор таһымнара сыл ахсын үрдээн иһэр.", "noisy": "Кэтээн көрдөххө, оголор таһымнара сыл ахсын үрдээн иһэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1314, "split": "dev", "profile": "clean", "gold": "Кыыһа Фенодора элбэх оҕолоох, эбиитин алта тулаайаҕы ииппит, Павловскайга олохсуйан олорор.", "noisy": "Кыыһа Фенодора элбэх оҕолоох, эбиитин алта тулаайаҕы ииппит, Павловскайга олохсуйан олорор.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1315, "split": "dev", "profile": "ru_fold", "gold": "авиацияҕа сыһыаннаах матырыйааллар бааллара.", "noisy": "авиацияга сыhыаннаах матырыйааллар бааллара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1316, "split": "test", "profile": "leontiev", "gold": "Арыгы атыыта хайа да түгэҥҥэ барыстаах буолар.", "noisy": "Арыгы атыыта хайа да тугэннэ барыстаах буолар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1317, "split": "dev", "profile": "digits", "gold": "Эһэлээх эбэбит аҕыс оҕоломмуттарыттан иккитин эрэ илиилэригэр тутан хаалбыттар.", "noisy": "Эhэлээх эбэбит а5ыс о5оломмуттарыттан иккитин эрэ илиилэригэр тутан хаалбыттар.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1318, "split": "test", "profile": "mixed", "gold": "Кэтиир-маныыр уорганнар кыраҕытык көрөн олороллор.", "noisy": "Кэтиир-маныыр уорганнар кыра5ытык к8р8н олороллор.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1319, "split": "dev", "profile": "partial", "gold": "Онон, пиибэни иһиэх иннинэ, толкуйданыҥ — кылгас кэмнээх дуоһуйуу маны барытын толуйар дуо?", "noisy": "Онон, пиибэни иһиэх иннинэ, толкуйданын — кылгас кэмнээх дуоһуйуу маны барытын толуйар дуо?", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1320, "split": "dev", "profile": "clean", "gold": "Саха АССР Үөрэх, доруобуйа харыстабылын уонна социальнай хааччыйыы наркомата — 1923 сыл күһүнүттэн Саха АССР-га үлэлээбит өрөспүүбүлүкэ совнаркомун (бырабыыталыстыбатын) бөдөҥ салаата.", "noisy": "Саха АССР Үөрэх, доруобуйа харыстабылын уонна социальнай хааччыйыы наркомата — 1923 сыл күһүнүттэн Саха АССР-га үлэлээбит өрөспүүбүлүкэ совнаркомун (бырабыыталыстыбатын) бөдөҥ салаата.", "source": "sah.wikipedia:Саха АССР Үөрэх, доруобуйа харыстабылын уонна социальнай хааччыйыы наркомата"}
{"id": 1321, "split": "dev", "profile": "ru_fold", "gold": "Тиит төргүү мутугунан тэбэр тураҕас аттаах Чүөчэбил Бэргэн обургу.", "noisy": "Тиит торгуу мутугунан тэбэр турагас аттаах Чуочэбил Бэргэн обургу.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1322, "split": "test", "profile": "leontiev", "gold": "Оһохторун оттон чачыгыраччы умайарын көрөн үөрэн, сахалыы алаадьы астаан аһаталлар, сиэри-туому тутуһаллар.", "noisy": "Оьохторун оттон чачыгыраччы умайарын керен уерэн, сахалыы алаадьы астаан аьаталлар, сиэри-туому тутуьаллар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1323, "split": "dev", "profile": "digits", "gold": "Араас памяткалар, ютуб канал нөҥүө, куйаар ситимнэринэн бэриллибиттэрэ.", "noisy": "Араас памяткалар, ютуб канал н8нy8, куйаар ситимнэринэн бэриллибиттэрэ.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1324, "split": "test", "profile": "mixed", "gold": "Омос көрдөххө, атыттартан чорбойбот, биллибэт-көстүбэт курдук эрээри, дьон быыһыгар сылдьан тустаах үлэлэрин үмүрүтэ охсубуттара эрэ баар.", "noisy": "Омос к8рд8ххо, атыттартан чорбойбот, биллибэт-к8стyбэт курдук эрээри, дьон быыьыгар сылдьан тустаах yлэлэрин умyрутэ охсубуттара эрэ баар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1325, "split": "test", "profile": "partial", "gold": "Бу киинэ экософия диэн дьиҥ айылҕа тыыныгар киһи дьүөрэлэһиитин визуальнай искусство технологияларын ньымаларынан туруорсара күүстээх контраст, аныгы киһиэхэ дьайар.", "noisy": "Бу киинэ экософия диэн дьин айылга тыыныгар киһи дьүөрэлэһиитин визуальнай искусство технологияларын ньымаларынан туруорсара күүстээх контраст, аныгы киһиэхэ дьайар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1326, "split": "dev", "profile": "clean", "gold": "Оччотугар талааннаах спортсменнар үрдүк таһымҥа идэтийэн дьарыктаналларыгар кыах баар.", "noisy": "Оччотугар талааннаах спортсменнар үрдүк таһымҥа идэтийэн дьарыктаналларыгар кыах баар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1327, "split": "test", "profile": "ru_fold", "gold": "Ол кэмҥэ кыргыттар быыстарыттан Хабырыыс тахсан кэлэн кууһа түстэ.", "noisy": "Ол кэмнэ кыргыттар быыстарыттан Хабырыыс тахсан кэлэн кууhа тустэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1328, "split": "dev", "profile": "leontiev", "gold": "Дьон | 26.11.2022 | 10:00 Мария Матвеева: «Дьоҥҥо үтүөнэн эрэ сырыттахха, олорорго чэпчэки» Тыа сиригэр көмүс куоластаахтар, үҥкүүһүттэр, айар, суруйар дьон баалларын куруук кэрэхсии, сэргии истэбит.", "noisy": "Дьон | 26.11.2022 | 10:00 Мария Матвеева: «Дьонно утуенэн эрэ сырыттахха, олорорго чэпчэки» Тыа сиригэр кемус куоластаахтар, ункууьуттэр, айар, суруйар дьон баалларын куруук кэрэхсии, сэргии истэбит.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1329, "split": "test", "profile": "digits", "gold": "Эһиил үөрэххин түмүктүөхтээххин, онон “Ньургуһун” уонна “Сардаана” оҕо саадтарыгар доҕуһуоллааччы буолуоҥ, биһиги музыкальнай оскуола аатыттан мэктиэлиэхпит”, – диэбитэ.", "noisy": "Эhиил y8рэххин тyмyктy8хтээххин, онон “Ньургуhун” уонна “Сардаана” о5о саадтарыгар до5уhуоллааччы буолуон, биhиги музыкальнай оскуола аатыттан мэктиэлиэхпит”, – диэбитэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1330, "split": "dev", "profile": "mixed", "gold": "Оттон мин өйдүүрбүнэн, абаҕам ийэм, аҕам хойукка диэри утуйбакка таһырдьа үлэлииллэрэ.", "noisy": "Оттон мин 8йдуyрбунэн, аба5ам ийэм, а5ам хойукка диэри утуйбакка тасырдьа yлэлииллэрэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1331, "split": "dev", "profile": "partial", "gold": "Эһээм Рево Феофанович, эбээм Мария Григорьевна сэниэтик олорор буолан, соҕуруу диэки элбэхтик айаннаан, күүлэйдээн кэлэллэрэ.", "noisy": "Эһээм Рево Феофанович, эбээм Мария Григорьевна сэниэтик олорор буолан, согуруу диэки элбэхтик айаннаан, күүлэйдээн кэлэллэрэ.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1332, "split": "dev", "profile": "clean", "gold": "Үөрэтэр семинардар: Дьокуускайдааҕы научнай чинчийэр институт специалистара «Кормопроизводство», тыа хаһаайыстыбатын специалистара сылгынан дьарыктаныы туһунан кэпсиэхтэрэ.", "noisy": "Үөрэтэр семинардар: Дьокуускайдааҕы научнай чинчийэр институт специалистара «Кормопроизводство», тыа хаһаайыстыбатын специалистара сылгынан дьарыктаныы туһунан кэпсиэхтэрэ.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1333, "split": "test", "profile": "ru_fold", "gold": "Бүтэр уһугар Сидор Сивцевтиин (Дүпсүн) иккиэйэҕин хаалбыппыт.", "noisy": "Бутэр уhугар Сидор Сивцевтиин (Дупсун) иккиэйэгин хаалбыппыт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1334, "split": "test", "profile": "leontiev", "gold": "Баттатыы Интэринээккэ кэлбитим, арай, миэхэ орон тиийбэккэ, остуол үрдүгэр утуйар таҥас бэлэмнээбиттэр.", "noisy": "Баттатыы Интэринээккэ кэлбитим, арай, миэхэ орон тиийбэккэ, остуол урдугэр утуйар танас бэлэмнээбиттэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1335, "split": "test", "profile": "digits", "gold": "– Дьэ оттон ол иһин эйигин манна ыҥырбытым ээ, доҕоччуок!", "noisy": "– Дьэ оттон ол иhин эйигин манна ынырбытым ээ, до5оччуок!", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1336, "split": "dev", "profile": "mixed", "gold": "Босхо ылбыт буоллаҕына эмиэ төттөрү босхо.биэрдтин ээ Про землю ипподрома речь вообще не идёт.", "noisy": "Босхо ылбыт буолла5ына эмиэ т8тторy босхо.биэрдтин ээ Про землю ипподрома речь вообще не идёт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1337, "split": "test", "profile": "partial", "gold": "иһигэр толорор эбит буоллахтарына, билигин 3-4 мүн.", "noisy": "иһигэр толорор эбит буоллахтарына, билигин 3-4 мүн.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1338, "split": "dev", "profile": "clean", "gold": "Ону таһынан төрүт олохтоохтор сир баайын хостооччулары кытары сыһыаннаһыыларыгар туспа ыстатыйа киирбит.", "noisy": "Ону таһынан төрүт олохтоохтор сир баайын хостооччулары кытары сыһыаннаһыыларыгар туспа ыстатыйа киирбит.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1339, "split": "test", "profile": "ru_fold", "gold": "Иккис этээскэ буокса, тустуу саалата уонна дьаһалта хоһо баар буолуоҕа.", "noisy": "Иккис этээскэ буокса, тустуу саалата уонна дьаhалта хоhо баар буолуога.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1340, "split": "dev", "profile": "leontiev", "gold": "Былыргы сахалар ыал олоҕун сыарҕалаах ат айаннаан иһэригэр холууллар.", "noisy": "Былыргы сахалар ыал ологун сыаргалаах ат айаннаан иьэригэр холууллар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1341, "split": "dev", "profile": "digits", "gold": "Киин куоракка быйыл 34,6 км суол өрөмүөннэнэрэ былааннаммыт эбит.", "noisy": "Киин куоракка быйыл 34,6 км суол 8р8мy8ннэнэрэ былааннаммыт эбит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1342, "split": "dev", "profile": "mixed", "gold": "Куукунабар \"ретро\" муннугу оҥордум — онно эбэм кэллиэксийэтин, сэбиэскэй кэмнээҕи \"Дулево\", \"ЗиК Конаково\" собуоттар сэдэх фарфор тэриэлкэлэрин, бүлүүһэлэрин истиэнэҕэ ыйаатым.", "noisy": "Куукунабар \"ретро\" муннугу онордум — онно эбэм кэллиэксийэтин, сэбиэскэй кэмнээхи \"Дулево\", \"ЗиК Конаково\" собуоттар сэдэх фарфор тэриэлкэлэрин, бyлууьэлэрин истиэнэ5э ыйаатым.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1343, "split": "test", "profile": "partial", "gold": "Ол курдук, археолог учуонайдар бигэргэтэллэринэн, былыргы хаһыыларга оччотооҕу дьон араас бэйэлээх оҕуруо симэхтээхтэрэ, солко таҥастаахтара биллэр.", "noisy": "Ол курдук, археолог учуонайдар бигэргэтэллэринэн, былыргы хаһыыларга оччотоогу дьон араас бэйэлээх огуруо симэхтээхтэрэ, солко танастаахтара биллэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1344, "split": "test", "profile": "clean", "gold": "Алексей Потапов, куорат кырдьаҕас олохтооҕо, Улахан Марха.", "noisy": "Алексей Потапов, куорат кырдьаҕас олохтооҕо, Улахан Марха.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1345, "split": "dev", "profile": "ru_fold", "gold": "Аралдьытыыга маны сэргэ, дьүөрэлээн, иитээччилэр ойбону көһөрүү, күлүүстэһии, тобук тардыһыы, быа эрийии диэн төрүт оонньуулары оонньотон оҕолор болҕомтолорун тартылар.", "noisy": "Аралдьытыыга маны сэргэ, дьуорэлээн, иитээччилэр ойбону коhоруу, кулуустэhии, тобук тардыhыы, быа эрийии диэн торут оонньуулары оонньотон оголор болгомтолорун тартылар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1346, "split": "dev", "profile": "leontiev", "gold": "Мас тардыһыы федерациятын континент аайы судаарыстыбаларынан тэринэн, күрэхтэһиилэри ыыталлар.", "noisy": "Мас тардыьыы федерациятын континент аайы судаарыстыбаларынан тэринэн, курэхтэьиилэри ыыталлар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1347, "split": "dev", "profile": "digits", "gold": "Ыттар атыыр тайаҕы тула сүүрэ сылдьан үрбүттэрэ.", "noisy": "Ыттар атыыр тайа5ы тула сyyрэ сылдьан yрбyттэрэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1348, "split": "test", "profile": "mixed", "gold": "“Ростелеком” тэрилтэ пилотнай бырайыак чэрчитинэн Сайсары уокуругар аһыы утаҕы атыылыыр маҕаһыыннар таһынааҕы дьиэлэр олбуордарыгар эбии сэттэ видеокамераны туруорда.", "noisy": "“Ростелеком” тэрилтэ пилотнай бырайыак чэрчитинэн Сайсары уокуругар аьыы утагы атыылыыр махасыыннар таьынаа5ы дьиэлэр олбуордарыгар эбии сэттэ видеокамераны туруорда.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1349, "split": "test", "profile": "partial", "gold": "Норуоттар сомолоһууларын күнүн чэрчитинэн, Күндэйэҕэ «Ааспыт кэм ахтылҕана…» диэн 70–80 -90–2000 сс.", "noisy": "Норуоттар сомолоһууларын күнүн чэрчитинэн, Күндэйэгэ «Ааспыт кэм ахтылгана…» диэн 70–80 -90–2000 сс.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1350, "split": "test", "profile": "clean", "gold": "Уолаттары уһугуннарымаары, тыаһа-ууһа суох сыгынньахтанан оронугар оҥостон баран аргыый аҕай сөҥ хойуу куолаһынан Дьаакыбын ыҥырар: — Дьаакыап, Дьаакыап!", "noisy": "Уолаттары уһугуннарымаары, тыаһа-ууһа суох сыгынньахтанан оронугар оҥостон баран аргыый аҕай сөҥ хойуу куолаһынан Дьаакыбын ыҥырар: — Дьаакыап, Дьаакыап!", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1351, "split": "test", "profile": "ru_fold", "gold": "Үөрэххэ тардыһыылаах уол 1926 сыллаахха МГУ этнология салаатыгар үөрэнэ киирбит.", "noisy": "Уорэххэ тардыhыылаах уол 1926 сыллаахха МГУ этнология салаатыгар уорэнэ киирбит.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1352, "split": "test", "profile": "leontiev", "gold": "Үһүс сылбытыгар биһигини оскуолаҕа буолар бэстибээллэргэ доҕуһуоллааччы быһыытынан кыттарбытыгар сорудахтаабыттара.", "noisy": "Уьус сылбытыгар биьигини оскуолага буолар бэстибээллэргэ догуьуоллааччы быьыытынан кыттарбытыгар сорудахтаабыттара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1353, "split": "test", "profile": "digits", "gold": "Бу тэрилтэ куруук киһи көрүүтүгэр наадыйар кырдьаҕас дьону эмтииргэ туһуламмыт анал пансионаттары тутуунан уонна сайыннарыынан дьарыктанар.", "noisy": "Бу тэрилтэ куруук киhи к8рyyтyгэр наадыйар кырдьа5ас дьону эмтииргэ туhуламмыт анал пансионаттары тутуунан уонна сайыннарыынан дьарыктанар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1354, "split": "dev", "profile": "mixed", "gold": "Кэргэнэ Светлана Давыдовна Арктика институтугар төрүт култуура салаатын бүтэрбитэ.", "noisy": "Кэргэнэ Светлана Давыдовна Арктика институтугар торyт култуура салаатын бyтэрбитэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1355, "split": "dev", "profile": "partial", "gold": "Кини этэринэн, бюджет туолуутугар судургута суох быһыы-майгы үөскээбит.", "noisy": "Кини этэринэн, бюджет туолуутугар судургута суох быһыы-майгы үөскээбит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1356, "split": "test", "profile": "clean", "gold": "Михаил Егорович билигин тыйаатыр ааспыт сылларын ахтан-санаан кэллэҕинэ, «чахчы даҕаны, саха үтүө-мааны саарыннарын уонна далбар хотуттарын кытта бииргэ алтыһан, сыанаҕа оруолларга үлэлээн кэлбиппин» диир.", "noisy": "Михаил Егорович билигин тыйаатыр ааспыт сылларын ахтан-санаан кэллэҕинэ, «чахчы даҕаны, саха үтүө-мааны саарыннарын уонна далбар хотуттарын кытта бииргэ алтыһан, сыанаҕа оруолларга үлэлээн кэлбиппин» диир.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1357, "split": "dev", "profile": "ru_fold", "gold": "Ол саҕана биһиги бириискэбитигэр туох да салалта, тойон-хотун суох.", "noisy": "Ол сагана биhиги бириискэбитигэр туох да салалта, тойон-хотун суох.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1358, "split": "test", "profile": "leontiev", "gold": "диэри көмө харчыга эрэниэхтэрин сөп – урут судаарыстыбыннай өйөбүлү ылбатах анимационный киинэлэр бастакы сиэрийэлэрин оҥорооччулар, итиэннэ кылгас анимационнай киинэлэри устууну маҥнайгы саҕалааччылара.", "noisy": "диэри кеме харчыга эрэниэхтэрин сеп – урут судаарыстыбыннай ейебулу ылбатах анимационный киинэлэр бастакы сиэрийэлэрин онорооччулар, итиэннэ кылгас анимационнай киинэлэри устууну маннайгы сагалааччылара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1359, "split": "dev", "profile": "digits", "gold": "Тарбаҕым төбөтүгэр туох эрэ сыраан курдук сынньылыс гынна.", "noisy": "Тарба5ым т8б8тyгэр туох эрэ сыраан курдук сынньылыс гынна.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1360, "split": "dev", "profile": "mixed", "gold": "Ахсааммытын өссө чопчулуубут Сэтинньи 29 күнүгэр Сахастат «Биэрэпис СӨ социальнай-экэнэмиичэскэй сайдыытыгар суолтата» диэн Төгүрүк остуолу ыытта.", "noisy": "Ахсааммытын оссо чопчулуубут Сэтинньи 29 кунугэр Сахастат «Биэрэпис С8 социальнай-экэнэмиичэскэй сайдыытыгар суолтата» диэн Тогyрук остуолу ыытта.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1361, "split": "test", "profile": "partial", "gold": "Кыра сиэн уол Ээйик күһүн дьонун ахтан куоракка дьиэтигэр киирээри «Мин куорат киһитэбин, куоратым суохтаатаҕа буолуо» – диэн үстээх киһибит соһутан кэпсэлгэ киирэн куораттаата.", "noisy": "Кыра сиэн уол Ээйик күһүн дьонун ахтан куоракка дьиэтигэр киирээри «Мин куорат киһитэбин, куоратым суохтаатага буолуо» – диэн үстээх киһибит соһутан кэпсэлгэ киирэн куораттаата.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1362, "split": "dev", "profile": "clean", "gold": "Суолу тутар-мантаастыыр үлэ сүрүнэ балаҕан ыйын 1 күнүгэр диэри, оттон улахан эбийиэктэргэ алтынньыга диэри түмүктэниэхтээх.", "noisy": "Суолу тутар-мантаастыыр үлэ сүрүнэ балаҕан ыйын 1 күнүгэр диэри, оттон улахан эбийиэктэргэ алтынньыга диэри түмүктэниэхтээх.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1363, "split": "dev", "profile": "ru_fold", "gold": "Айталыын, сс түрт ботуруону сабынан баайбыта уонна ыттар үрэр саҥаларын хоту барбыта.", "noisy": "Айталыын, сс турт ботуруону сабынан баайбыта уонна ыттар урэр саналарын хоту барбыта.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1364, "split": "dev", "profile": "leontiev", "gold": "Холобура, “дьахтар” диэн тылы билигин үөҕүү курдук ылынабыт.", "noisy": "Холобура, “дьахтар” диэн тылы билигин уегуу курдук ылынабыт.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1365, "split": "dev", "profile": "digits", "gold": "Ястремскай 1895 сыллаахха сурукка түһэрбит, бу олоҥхо аан бастаан бэчээккэ тахсыбыт, немец тылыгар тылбаастаммыт.", "noisy": "Ястремскай 1895 сыллаахха сурукка тyhэрбит, бу олонхо аан бастаан бэчээккэ тахсыбыт, немец тылыгар тылбаастаммыт.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1366, "split": "test", "profile": "mixed", "gold": "10-ус сылын Уус Ньараҕа участковайынан үлэлии сылдьар Анжелика Ксенофонтова, төһө да ыарахан үлэлээх буоллар, сулууспатын суобастаахтык толорон, күн бүгүн кини учаастагар буруйу көрдөрүү ахсаана аччаабыт.", "noisy": "10-ус сылын Уус Ньарага участковайынан улэлии сылдьар Анжелика Ксенофонтова, т8ь8 да ыарахан улэлээх буоллар, сулууспатын суобастаахтык толорон, кун бугyн кини учаастагар буруйу к8рд8руу ахсаана аччаабыт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1367, "split": "dev", "profile": "partial", "gold": "Көрөөччүлэр кини айар үлэтин маастарыстыбалаахтык туойарын сөҕөллөр этэ.", "noisy": "Көрөөччүлэр кини айар үлэтин маастарыстыбалаахтык туойарын сөгөллөр этэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1368, "split": "dev", "profile": "clean", "gold": "Араас таһымнаах күрэхтэһиилэргэ иитиллээччилэрин кытыннарарын таһынан, үөрэтэр-эрчиллэр сбордарга ыыталыыра.", "noisy": "Араас таһымнаах күрэхтэһиилэргэ иитиллээччилэрин кытыннарарын таһынан, үөрэтэр-эрчиллэр сбордарга ыыталыыра.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1369, "split": "test", "profile": "ru_fold", "gold": "- Күүс-кыах диэн холбуу этиини туһанан күүһү тэҥэ, өссө кыах диэн хамсаныылары оҥоруу түргэнэ, сыыдама эбиллэрин быһаарыы туттулларын биллэрэллэр.", "noisy": "- Куус-кыах диэн холбуу этиини туhанан кууhу тэнэ, оссо кыах диэн хамсаныылары оноруу тургэнэ, сыыдама эбиллэрин быhаарыы туттулларын биллэрэллэр.", "source": "sah.wikipedia:Күүс уонна хамсаныы"}
{"id": 1370, "split": "dev", "profile": "leontiev", "gold": "Манна киирэллэр: нефтепродуктаны АЗС-ка дылы тириэрдии, уот уонна оттук оросхуоттара, Саха Өрөспүүбүлүкэтин сыанаҕа политикатын комитета бигэргэппит надбавката.", "noisy": "Манна киирэллэр: нефтепродуктаны АЗС-ка дылы тириэрдии, уот уонна оттук оросхуоттара, Саха Ереспуубулукэтин сыанага политикатын комитета бигэргэппит надбавката.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1371, "split": "test", "profile": "digits", "gold": "Киһи үөйбэтэх өрүттэрдээх, үгүс уустуктардаах үйэбитигэр тутуу, үрдүк күүрүүлээх уот, гаас, суол курдук тыын боппуруостары быһаарарга, дьиҥнээх норуокка бэриниилээх депутаттары таларбыт кэм ирдэбилинэн буолбутун көрөбүт.", "noisy": "Киhи y8йбэтэх 8рyттэрдээх, yгyс уустуктардаах yйэбитигэр тутуу, yрдyк кyyрyyлээх уот, гаас, суол курдук тыын боппуруостары быhаарарга, дьиннээх норуокка бэриниилээх депутаттары таларбыт кэм ирдэбилинэн буолбутун к8р8бyт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1372, "split": "test", "profile": "mixed", "gold": "Улаатан баран кыра-кыралаан тардан, хомуска оонньуурга үөрэммитим.", "noisy": "Улаатан баран кыра-кыралаан тардан, хомуска оонньуурга y8рэммитим.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1373, "split": "dev", "profile": "partial", "gold": "Массыынаны уйбакка муус алдьаннаҕына туох содул үөскээн тахсарын өй-санаа билэр эрээри, “Баҕар уйуоҕа” диэн санаа баһыйарыттан маннык, сэрэҕэ суох быһыыны киһи оҥоруон сөп.", "noisy": "Массыынаны уйбакка муус алдьаннагына туох содул үөскээн тахсарын өй-санаа билэр эрээри, “Багар уйуога” диэн санаа баһыйарыттан маннык, сэрэгэ суох быһыыны киһи оноруон сөп.", "source": "sah.wikipedia:Көрдөбүл уонна ирдэбил"}
{"id": 1374, "split": "dev", "profile": "clean", "gold": "Атын киһи аатыттан мэктиэ суруктаах сайабылыанньаны туттарар көҥүллэммэт.", "noisy": "Атын киһи аатыттан мэктиэ суруктаах сайабылыанньаны туттарар көҥүллэммэт.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1375, "split": "test", "profile": "ru_fold", "gold": "Аҥардас 25 гроссмейстер баара элбэҕи этэр.", "noisy": "Анардас 25 гроссмейстер баара элбэги этэр.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1376, "split": "dev", "profile": "leontiev", "gold": "Алтынньы 17 күнэ, 12:52, 2018 Кэлин уулуссаҕа, уопсастыбаннай миэстэҕэ сылдьан саха киһитэ биир киһини көрөн туран “эһиги” диэн тылы туттарын элбэхтэ бэлиэтии көрөр буоллум.", "noisy": "Алтынньы 17 кунэ, 12:52, 2018 Кэлин уулуссага, уопсастыбаннай миэстэгэ сылдьан саха киьитэ биир киьини керен туран “эьиги” диэн тылы туттарын элбэхтэ бэлиэтии керер буоллум.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1377, "split": "dev", "profile": "digits", "gold": "Бу — олох, дьылҕа, тыын былдьаһыы, өлүү-сүтүү, инники олох иһин охсуһуу туһунан сэһэргэһии.", "noisy": "Бу — олох, дьыл5а, тыын былдьаhыы, 8лyy-сyтyy, инники олох иhин охсуhуу туhунан сэhэргэhии.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1378, "split": "test", "profile": "mixed", "gold": "Каадыр даҕаны бэлэмигэр ситиһиилэр бааллар.", "noisy": "Каадыр даханы бэлэмигэр ситисиилэр бааллар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1379, "split": "test", "profile": "partial", "gold": "1853 сылга Быраансыйа Саҥа Каледонияны бэйэтин хаһаайынынан биллэрдэ.", "noisy": "1853 сылга Быраансыйа Сана Каледонияны бэйэтин хаһаайынынан биллэрдэ.", "source": "sah.wikipedia:Саҥа Каледония"}
{"id": 1380, "split": "test", "profile": "clean", "gold": "Эрийдилэр да тутатына ханна уонна тугу илдьэрбин сэрэйэ түһэбин, үксүгэр сыыспаппын.", "noisy": "Эрийдилэр да тутатына ханна уонна тугу илдьэрбин сэрэйэ түһэбин, үксүгэр сыыспаппын.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1381, "split": "dev", "profile": "ru_fold", "gold": "Дойдуунускайга кулуупка сэбиэдиссэйдээн олорон, ол эргиннээҕи олоҥхоһуттан биир олоҥхону суруйбута сэриигэ барбытын кэннэ сүппүт.", "noisy": "Дойдуунускайга кулуупка сэбиэдиссэйдээн олорон, ол эргиннээги олонхоhуттан биир олонхону суруйбута сэриигэ барбытын кэннэ суппут.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1382, "split": "dev", "profile": "leontiev", "gold": "Олоҥхоһут, тойуксут, сэһэнньит, маскараатчыт.", "noisy": "Олонхоьут, тойуксут, сэьэнньит, маскараатчыт.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1383, "split": "test", "profile": "digits", "gold": "— Биһиги дьоммут ыараханнык аһарар курдуктар.", "noisy": "— Биhиги дьоммут ыараханнык аhарар курдуктар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1384, "split": "dev", "profile": "mixed", "gold": "Отчуоттан иһиттэххэ сөптөөх үлэ барбыт, кыаллыбатах да үлэлэр бааллар эбит.", "noisy": "Отчуоттан иьиттэххэ с8пт88х улэ барбыт, кыаллыбатах да yлэлэр бааллар эбит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1385, "split": "test", "profile": "partial", "gold": "бырагырааманан үүт ыаһына үрдүөн оннугар, аҕыйыыра былааннаммыт этэ.", "noisy": "бырагырааманан үүт ыаһына үрдүөн оннугар, агыйыыра былааннаммыт этэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1386, "split": "test", "profile": "clean", "gold": "Биллэн турар, \"испиискэҥ\" эҥин сыаната мөһөөҕүнэн ааҕыллар.", "noisy": "Биллэн турар, \"испиискэҥ\" эҥин сыаната мөһөөҕүнэн ааҕыллар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1387, "split": "test", "profile": "ru_fold", "gold": "Ол курдук баһаардар Уус Маайа, Өймөкөөн, Томпо, Ньурба, Сунтаар, Үөһээ Бүлүү, Мэҥэ Хаҥалас, Хаҥалас, Мииринэй улуустарыгар бааллар.", "noisy": "Ол курдук баhаардар Уус Маайа, Оймокоон, Томпо, Ньурба, Сунтаар, Уоhээ Булуу, Мэнэ Ханалас, Ханалас, Мииринэй улуустарыгар бааллар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1388, "split": "test", "profile": "leontiev", "gold": "Лоп курдук 20 сыллааҕыта, 1990 сыллаахха, өр сылларга умнулла сылдьан баран Дьокуускай ипподромугар култуура үлэһиттэрин кытта киин куорат аан бастакы официальнай ыһыаҕын — «Дьөһөгөй ыһыаҕын» — ыспыппыт.", "noisy": "Лоп курдук 20 сыллаагыта, 1990 сыллаахха, ер сылларга умнулла сылдьан баран Дьокуускай ипподромугар култуура улэьиттэрин кытта киин куорат аан бастакы официальнай ыьыагын — «Дьеьегей ыьыагын» — ыспыппыт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1389, "split": "test", "profile": "digits", "gold": "Ахсынньы 31 күнүттэн тохсунньу 5 күнүгэр диэри диэри 143 киһи быһыы ылбыт.", "noisy": "Ахсынньы 31 кyнyттэн тохсунньу 5 кyнyгэр диэри диэри 143 киhи быhыы ылбыт.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1390, "split": "test", "profile": "mixed", "gold": "Министиэристибэҕэ тэриллибит көрсүһүүгэ Дьокуускайдааҕы килиэп комбинатын товароведа Надежда Андрюшина, бырайыак үлэлиэҕиттэн хампаанньа маҕаһыыныгар олохтоох ас-үөл атыыланыыта 58 %-ынан үрдээбитин кэпсээбитэ.", "noisy": "Министиэристибэгэ тэриллибит к8рсyсуyгэ Дьокуускайдаагы килиэп комбинатын товароведа Надежда Андрюшина, бырайыак улэлиэхиттэн хампаанньа магаьыыныгар олохтоох ас-y8л атыыланыыта 58 %-ынан yрдээбитин кэпсээбитэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1391, "split": "test", "profile": "partial", "gold": "– Боссоойко туһунан суруйуоххун баҕараҕын?", "noisy": "– Боссоойко туһунан суруйуоххун багарагын?", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1392, "split": "test", "profile": "clean", "gold": "Наталия Николаевна 1988 сыллаахха Серго Орджоникидзе аатынан Дьокуускайдааҕы медицинскэй училищеҕа сиэстирэ идэтин ылан үөрэнэн бүтэрэн, Өнөр участковай балыаһатыгар палатнай…", "noisy": "Наталия Николаевна 1988 сыллаахха Серго Орджоникидзе аатынан Дьокуускайдааҕы медицинскэй училищеҕа сиэстирэ идэтин ылан үөрэнэн бүтэрэн, Өнөр участковай балыаһатыгар палатнай…", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1393, "split": "dev", "profile": "ru_fold", "gold": "Оччотооҕуга оскуола дириэктэринэн Виктор Николаевич Смирнов үлэлиирэ.", "noisy": "Оччотоогуга оскуола дириэктэринэн Виктор Николаевич Смирнов улэлиирэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1394, "split": "dev", "profile": "leontiev", "gold": "Оҕоҕо аналлаах оҥоһуктар бөҕө-таҕа буолуохтарын наада, ол иһин хаачыстыбалаах матырыйааллары туһаныҥ.", "noisy": "Огого аналлаах оноьуктар беге-тага буолуохтарын наада, ол иьин хаачыстыбалаах матырыйааллары туьанын.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1395, "split": "test", "profile": "digits", "gold": "Леонид Гайдай 1956 сыллаахха «Долгий путь» диэн бастакы киинэтин устарыгар Күннэ Игнатованы таба көрөн, сүрүн оруолга ыҥырбыта.", "noisy": "Леонид Гайдай 1956 сыллаахха «Долгий путь» диэн бастакы киинэтин устарыгар Кyннэ Игнатованы таба к8р8н, сyрyн оруолга ынырбыта.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1396, "split": "dev", "profile": "mixed", "gold": "Маны таһынан, судаарыстыбаннай өҥөлөрү толорор биир кэлим ситим нөҥүө бигэргэммит электроннай докумуоннаах сайабылыанньа толоруллар.", "noisy": "Маны таьынан, судаарыстыбаннай онол8рy толорор биир кэлим ситим н8нуо бигэргэммит электроннай докумуоннаах сайабылыанньа толоруллар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1397, "split": "dev", "profile": "partial", "gold": "Тутулла турар уораҕайбыт бүтэригэр үбэ-харчыта барыта көстүбүтүн этэн олохтоохтору үөртэ.", "noisy": "Тутулла турар уорагайбыт бүтэригэр үбэ-харчыта барыта көстүбүтүн этэн олохтоохтору үөртэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1398, "split": "dev", "profile": "clean", "gold": "Кини Уус Алдан улууһун дьаһалтатыгар пресс-сэкирэтээринэн үлэлээбитэ, билигин Дьокуускайга киин бибилэтиэкэ ситимин отделын сэбиэдиссэйинэн үлэлиир.", "noisy": "Кини Уус Алдан улууһун дьаһалтатыгар пресс-сэкирэтээринэн үлэлээбитэ, билигин Дьокуускайга киин бибилэтиэкэ ситимин отделын сэбиэдиссэйинэн үлэлиир.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1399, "split": "dev", "profile": "ru_fold", "gold": "Кини кэнниттэн Сэмэн оҕонньор өлөөрү сытан: «Бу ыарыы икки уолбун уонна бэйэбин тыыннаах хаалларыа эбит.", "noisy": "Кини кэнниттэн Сэмэн огонньор олоору сытан: «Бу ыарыы икки уолбун уонна бэйэбин тыыннаах хаалларыа эбит.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1400, "split": "test", "profile": "leontiev", "gold": "Маннык элбэх дьон мустуулаах улахан тойго үгүс үп-харчы баранар.", "noisy": "Маннык элбэх дьон мустуулаах улахан тойго угус уп-харчы баранар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1401, "split": "test", "profile": "digits", "gold": "2008-2018 сылларга 123 видеонан кэтээн көрөр камера туруоруллубута.", "noisy": "2008-2018 сылларга 123 видеонан кэтээн к8р8р камера туруоруллубута.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1402, "split": "test", "profile": "mixed", "gold": "Уон үс небоскребы кытта (150 миэтэрэ үрдүктээх дьиэ) 2016 сыл саҕаланыыта туругунан, Франкфурт Париж кэнниттэн үһүс миэстэҕэ (куорат таһыгар турар куорат таһыгар) уонна Лондонтан 16- лыы миэтэрэ үрдүктээх.", "noisy": "Уон yс небоскребы кытта (150 миэтэрэ урдуктээх дьиэ) 2016 сыл са5аланыыта туругунан, Франкфурт Париж кэнниттэн уhус миэстэгэ (куорат таьыгар турар куорат таьыгар) уонна Лондонтан 16- лыы миэтэрэ yрдyктээх.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1403, "split": "dev", "profile": "partial", "gold": "Олоххо араас элбэх абылаҥнар, эдэр киһи өйүн-санаатын сүүйээччилэр элбэхтэриттэн, субу кэмҥэ туһалааҕы булан ылыы, ону ситиһиигэ кыһаныы киһи буолуу үөрэҕин ситистэххэ эрэ кыаллара киһилии быһыыланыыга тириэрдэр.", "noisy": "Олоххо араас элбэх абыланнар, эдэр киһи өйүн-санаатын сүүйээччилэр элбэхтэриттэн, субу кэмнэ туһалаагы булан ылыы, ону ситиһиигэ кыһаныы киһи буолуу үөрэгин ситистэххэ эрэ кыаллара киһилии быһыыланыыга тириэрдэр.", "source": "sah.wikipedia:Көрдөбүл уонна ирдэбил"}
{"id": 1404, "split": "test", "profile": "clean", "gold": "Ону таьынан омугун о5ото ханнык быьыытын-майгытын сайыннаран атын омуктары кытта тэҥҥэ аахсыан сөбүн эмиэ суруйар.Ол ону бэйэ5ит өйдүөххүт.", "noisy": "Ону таьынан омугун о5ото ханнык быьыытын-майгытын сайыннаран атын омуктары кытта тэҥҥэ аахсыан сөбүн эмиэ суруйар.Ол ону бэйэ5ит өйдүөххүт.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1405, "split": "dev", "profile": "ru_fold", "gold": "Дьоҕурдаах киһи анаарыыта киэҥэ, этэр тыла оруннааҕа сөхтөрдө.", "noisy": "Дьогурдаах киhи анаарыыта киэнэ, этэр тыла оруннаага сохтордо.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1406, "split": "dev", "profile": "leontiev", "gold": "Табаарыстарын туһугар куруук көмөлөһөн, убаастабыллаахтык сыһыаннаһара.", "noisy": "Табаарыстарын туьугар куруук кемелеьен, убаастабыллаахтык сыьыаннаьара.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1407, "split": "test", "profile": "digits", "gold": "төрүүр дьахталлары суох гынаттаа ону истиэххин баҕараҕын быһыылаах Миигин үөҕэҕин дуу, саха литературатын төрүттээбит Сүдү Киьини үөҕэн аньыыны оҥосто олоро5ун дуу?", "noisy": "т8рyyр дьахталлары суох гынаттаа ону истиэххин ба5ара5ын быhыылаах Миигин y85э5ин дуу, саха литературатын т8рyттээбит Сyдy Киьини y85эн аньыыны оносто олоро5ун дуу?", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1408, "split": "test", "profile": "mixed", "gold": "Ханнык баҕарар киһи орто дойдуга оҕо буолан төрөөн, ача күөх ньаассын отугар үктэнэригэр анаммыт дьоҕурдаах, эйгэлээх буолан кэлэр дии саныыбын.", "noisy": "Ханнык ба5арар киhи орто дойдуга о5о буолан тор88н, ача ку8х ньаассын отугар yктэнэригэр анаммыт дьохурдаах, эйгэлээх буолан кэлэр дии саныыбын.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1409, "split": "dev", "profile": "partial", "gold": "Саамай сүрүнэ - айылҕаҕа сылдьан дьоннуун-доҕоттордуун алтыһыы буоллаҕа.", "noisy": "Саамай сүрүнэ - айылгага сылдьан дьоннуун-доготтордуун алтыһыы буоллага.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1410, "split": "test", "profile": "clean", "gold": "Дьэ бу маннык экэнэмиичэскэй кириисис сатыылаабыт, сыана босхо барбыт, инфляция илбиһирбит усулуобуйатыгар М.Е.Николаев өрөспүүбүлүкэ бүддьүөтүн бөҕөргөтөргө уонна толорон иһэргэ бары күүһүн уурбута.", "noisy": "Дьэ бу маннык экэнэмиичэскэй кириисис сатыылаабыт, сыана босхо барбыт, инфляция илбиһирбит усулуобуйатыгар М.Е.Николаев өрөспүүбүлүкэ бүддьүөтүн бөҕөргөтөргө уонна толорон иһэргэ бары күүһүн уурбута.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1411, "split": "test", "profile": "ru_fold", "gold": "1940 сыл от ыйыгар оччотооҕу колхоз уопсай мунньаҕын быһаарыытынан колхоз председателинэн быыбардаммытым.", "noisy": "1940 сыл от ыйыгар оччотоогу колхоз уопсай мунньагын быhаарыытынан колхоз председателинэн быыбардаммытым.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1412, "split": "dev", "profile": "leontiev", "gold": "Ону таһынан уонтан тахса нэһилиэктэргэ 1–2 лии энтузиаст дьон эмиэ 1–2 лии олоҥхону туруорбуттара табылыыссаттан көстөр.", "noisy": "Ону таьынан уонтан тахса нэьилиэктэргэ 1–2 лии энтузиаст дьон эмиэ 1–2 лии олонхону туруорбуттара табылыыссаттан кестер.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1413, "split": "test", "profile": "digits", "gold": "ИП Горохов Т.Г.) **** Сыарҕалаах табанан сүүрдүүгэ 5 км.", "noisy": "ИП Горохов Т.Г.) **** Сыар5алаах табанан сyyрдyyгэ 5 км.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1414, "split": "dev", "profile": "mixed", "gold": "Тукаам, тукаларыам диэн тыллары үгүстүк туттара.", "noisy": "Тукаам, тукаларыам диэн тыллары yгyстyк туттара.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1415, "split": "test", "profile": "partial", "gold": "Билигин импэрмээссийэ үйэтэ буолан, көрөөччү олус сайынна, ирдэбилэ эмиэ оннук.", "noisy": "Билигин импэрмээссийэ үйэтэ буолан, көрөөччү олус сайынна, ирдэбилэ эмиэ оннук.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1416, "split": "test", "profile": "clean", "gold": "Кини оччолорго бастыҥ сылгыһыт, биригэдьиир буолан норуот хаһаайыстыбатын ситиһиитин быыстапкатыгар (ВДНХ) кыттыыны ылар үрдүк чиэскэ тиксибитэ.", "noisy": "Кини оччолорго бастыҥ сылгыһыт, биригэдьиир буолан норуот хаһаайыстыбатын ситиһиитин быыстапкатыгар (ВДНХ) кыттыыны ылар үрдүк чиэскэ тиксибитэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1417, "split": "dev", "profile": "ru_fold", "gold": "Коркин аатынан турнир соҕотох биэс төгүллээх (!) кыайыылааҕынан буолла.", "noisy": "Коркин аатынан турнир соготох биэс тогуллээх (!) кыайыылаагынан буолла.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1418, "split": "dev", "profile": "leontiev", "gold": "Олимпийскай спорт көрүҥүн тарҕатыыга, сайыннарыыга ситиһиилэрин иһин «Прорыв года» анал аатынан, Бочуотунай грамотанан наҕараадаламмыттара.", "noisy": "Олимпийскай спорт керунун таргатыыга, сайыннарыыга ситиьиилэрин иьин «Прорыв года» анал аатынан, Бочуотунай грамотанан нагараадаламмыттара.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1419, "split": "dev", "profile": "digits", "gold": "- Эрдэ ыйыллыбытын курдук, бу дьыл кулун тутар 13 күнүттэн кулун тутар 17 күнүгэр олохтоох бириэмэнэн күнүс 2 чааска диэри эһиги ханна баҕараргытынан буолбакка, олохтоох быыбардыыр хамыыһыйаҕытыгар эрэ барыаххытын сөп.", "noisy": "- Эрдэ ыйыллыбытын курдук, бу дьыл кулун тутар 13 кyнyттэн кулун тутар 17 кyнyгэр олохтоох бириэмэнэн кyнyс 2 чааска диэри эhиги ханна ба5араргытынан буолбакка, олохтоох быыбардыыр хамыыhыйа5ытыгар эрэ барыаххытын с8п.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1420, "split": "test", "profile": "mixed", "gold": "диэри нэһилиэк баһылыга — нэһилиэнньэтин иннигэр, муус устар 1 к.", "noisy": "диэри нэьилиэк баьылыга — нэhилиэнньэтин иннигэр, муус устар 1 к.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1421, "split": "dev", "profile": "partial", "gold": "Василий Степановичтан күнтэн күн биһиги туох эрэ саҥаны кэтэһэрбит, күүтэрбит.", "noisy": "Василий Степановичтан күнтэн күн биһиги туох эрэ сананы кэтэһэрбит, күүтэрбит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1422, "split": "dev", "profile": "clean", "gold": "Ол былыргы абыычайынан, киһи ыалдьа сыттаҕына, харахтааҕы сиэбэттэр эбит.", "noisy": "Ол былыргы абыычайынан, киһи ыалдьа сыттаҕына, харахтааҕы сиэбэттэр эбит.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1423, "split": "test", "profile": "ru_fold", "gold": "Оконешникова салалтатынан ый аайы тахсар «Лицеист» диэн хаһыат үөрэнээччилэр, кэлэктиип ситиһиилэрин, кыһалҕаларын, интэриэстэрин сырдатар.", "noisy": "Оконешникова салалтатынан ый аайы тахсар «Лицеист» диэн хаhыат уорэнээччилэр, кэлэктиип ситиhиилэрин, кыhалгаларын, интэриэстэрин сырдатар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1424, "split": "test", "profile": "leontiev", "gold": "Бу аҕалар уонна уолаттар киэҥ эйгэҕэ тахсыбыттара кэрэхсэбиллээх.", "noisy": "Бу агалар уонна уолаттар киэн эйгэгэ тахсыбыттара кэрэхсэбиллээх.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1425, "split": "dev", "profile": "digits", "gold": "Хаһан эмэ “Орлёнок” лааҕырга баран, баһаатайбын булуохпун санаталыыбын.", "noisy": "Хаhан эмэ “Орлёнок” лаа5ырга баран, баhаатайбын булуохпун санаталыыбын.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1426, "split": "dev", "profile": "mixed", "gold": "Ойуунускай кэлэн суруйан барбыта диирин өйдүүбүн.", "noisy": "Ойуунускай кэлэн суруйан барбыта диирин 8йдyyбyн.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1427, "split": "dev", "profile": "partial", "gold": "Ону истэн Сэмэй ойуун Умсаннаах эбэтин төгүрүччү күрүөнэн бүтэйдээн кэбиһэр.", "noisy": "Ону истэн Сэмэй ойуун Умсаннаах эбэтин төгүрүччү күрүөнэн бүтэйдээн кэбиһэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1428, "split": "test", "profile": "clean", "gold": "Ким да өҥөйөн, бэрэбиэркэлээбэт муҥа буоллаҕа.", "noisy": "Ким да өҥөйөн, бэрэбиэркэлээбэт муҥа буоллаҕа.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1429, "split": "test", "profile": "ru_fold", "gold": "кэрэ аҥаары \"импортка\" киллэрэр туһунан толкуй киирбит.", "noisy": "кэрэ анаары \"импортка\" киллэрэр туhунан толкуй киирбит.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1430, "split": "dev", "profile": "leontiev", "gold": "\"Дьулуруйар Ньургун Боотур\" олоҥхоттон Үрүҥ уолан ырыата.", "noisy": "\"Дьулуруйар Ньургун Боотур\" олонхоттон Урун уолан ырыата.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1431, "split": "dev", "profile": "digits", "gold": "Эбии аһатыы Саас олордорбор буорга күлү уо.д.а.", "noisy": "Эбии аhатыы Саас олордорбор буорга кyлy уо.д.а.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1432, "split": "test", "profile": "mixed", "gold": "Биир суругар «элбэх хоһоон мунньулунна, таһаартарбыт киһи хоһоонум иккис кинигэтэ буолуо этэ» диэн суруйбутун буллум.", "noisy": "Биир суругар «элбэх хоhоон мунньулунна, таhаартарбыт киьи хосоонум иккис кинигэтэ буолуо этэ» диэн суруйбутун буллум.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1433, "split": "dev", "profile": "partial", "gold": "Ол да иһин, саҥа дириэктэр үлэлиир баҕатын, дьоҕурун сыаналаан, дьон-сэргэ тардыһан барбыта.", "noisy": "Ол да иһин, сана дириэктэр үлэлиир багатын, дьогурун сыаналаан, дьон-сэргэ тардыһан барбыта.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1434, "split": "dev", "profile": "clean", "gold": "Тыа баһаарын бохсорго Тыа баһаара туохтан тахсара, сүнньүнэн, биллэр.", "noisy": "Тыа баһаарын бохсорго Тыа баһаара туохтан тахсара, сүнньүнэн, биллэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1435, "split": "test", "profile": "ru_fold", "gold": "Үлэлээн ылбыт наҕараадаларым: «1941-1945 сс.", "noisy": "Улэлээн ылбыт нагараадаларым: «1941-1945 сс.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1436, "split": "dev", "profile": "leontiev", "gold": "Саха сирин наукатын киинигэр Петр Платонович Тоҥ Суорун тылыттан-өһүттэн суруйбут үс олоҥхото харалла сытар.", "noisy": "Саха сирин наукатын киинигэр Петр Платонович Тон Суорун тылыттан-еьуттэн суруйбут ус олонхото харалла сытар.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1437, "split": "test", "profile": "digits", "gold": "Оччолорго сылга аҕыйахтыы киинэ уһуллар буолан, хас тахсыбыт киинэ болҕомто киинигэр буола түһэрэ.", "noisy": "Оччолорго сылга а5ыйахтыы киинэ уhуллар буолан, хас тахсыбыт киинэ бол5омто киинигэр буола тyhэрэ.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1438, "split": "test", "profile": "mixed", "gold": "Ол бастакы тахсыыбар суукка кэриҥэ тохтоло суох сүүрбүтүм, сакаастары убайым эрийэн биэртэлиирэ.", "noisy": "Ол бастакы тахсыыбар суукка кэрингэ тохтоло суох суyрбyтyм, сакаастары убайым эрийэн биэртэлиирэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1439, "split": "test", "profile": "partial", "gold": "Сыл бастакы ыйдарыгар Айхаллааҕы ХБК урууданы тосхотуутун уонна табаарынай бородууксуйатын көрдөрүүтэ үчүгэй.", "noisy": "Сыл бастакы ыйдарыгар Айхаллаагы ХБК урууданы тосхотуутун уонна табаарынай бородууксуйатын көрдөрүүтэ үчүгэй.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1440, "split": "test", "profile": "clean", "gold": "Отут сыл устата итиннэ уларыйыы таҕыстаҕа дии.", "noisy": "Отут сыл устата итиннэ уларыйыы таҕыстаҕа дии.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1441, "split": "dev", "profile": "ru_fold", "gold": "Реанимацияҕа, биллэн турар, ыарахан ыарыһах, ардыгар өлөр-тиллэр дьылҕаламмыт дьон киирэр.", "noisy": "Реанимацияга, биллэн турар, ыарахан ыарыhах, ардыгар олор-тиллэр дьылгаламмыт дьон киирэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1442, "split": "dev", "profile": "leontiev", "gold": "Күндү устудьуоннар, аспираннар, дьоллоох түгэни мүччү тутумаҥ, көхтөөхтүк кыттыҥ!", "noisy": "Кунду устудьуоннар, аспираннар, дьоллоох тугэни муччу тутуман, кехтеехтук кыттын!", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1443, "split": "test", "profile": "digits", "gold": "Мэҥэ нэһилиэк дьаһалтата сайылыкка тиэрдэр суолу туох кыалларынан оҥоро сатыыра айаннаан истэххэ көстөр.", "noisy": "Мэнэ нэhилиэк дьаhалтата сайылыкка тиэрдэр суолу туох кыалларынан оноро сатыыра айаннаан истэххэ к8ст8р.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1444, "split": "dev", "profile": "mixed", "gold": "Муус устар 26 күнүгэр полиция дьуһуурунай чааһыгар Удачнай куоракка бырамыысыланнай тэрилтэҕэ үлэлиир, 40 саастаах Иркутскай уобаластан төрүттээх дьахтар үҥсүү киллэрбит.", "noisy": "Муус устар 26 кyнyгэр полиция дьусуурунай чаасыгар Удачнай куоракка бырамыысыланнай тэрилтэ5э улэлиир, 40 саастаах Иркутскай уобаластан т8руттээх дьахтар yнсyy киллэрбит.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1445, "split": "dev", "profile": "partial", "gold": "Итинник эрэ өйдөөх киһи үөрэнэриттэн туһа тахсыбат, үтүө киһи үөрэнэн үйэлэргэ ааттанар.", "noisy": "Итинник эрэ өйдөөх киһи үөрэнэриттэн туһа тахсыбат, үтүө киһи үөрэнэн үйэлэргэ ааттанар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1446, "split": "dev", "profile": "clean", "gold": "Таатта улууһун Өксөкүлээх Өлөксөй аатынан Дьохсоҕон орто оскуолатын иһинэн үлэлиир «Ситим» кыраайы үөрэтэр кулууп оҕолоро уонна учууталлара Алампа үөскээбит алааһыгар аһаҕас уруок ыыттылар.", "noisy": "Таатта улууһун Өксөкүлээх Өлөксөй аатынан Дьохсоҕон орто оскуолатын иһинэн үлэлиир «Ситим» кыраайы үөрэтэр кулууп оҕолоро уонна учууталлара Алампа үөскээбит алааһыгар аһаҕас уруок ыыттылар.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1447, "split": "test", "profile": "ru_fold", "gold": "— тыл үөрэҕин билимнэригэр доктор диссертациятын көмүскээбит.", "noisy": "— тыл уорэгин билимнэригэр доктор диссертациятын комускээбит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1448, "split": "test", "profile": "leontiev", "gold": "Көннөрөн уонна эбэн биэрэн Бикипиэдьийэҕэ көмөлөһүөххүн сөп.|", "noisy": "Кеннерен уонна эбэн биэрэн Бикипиэдьийэгэ кемелеьуеххун сеп.|", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1449, "split": "dev", "profile": "digits", "gold": "\"Цирк\" диэн киинэ көстүөҕүттэн, гимнастары, акробаттары, уо.д.а.", "noisy": "\"Цирк\" диэн киинэ к8стy85yттэн, гимнастары, акробаттары, уо.д.а.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1450, "split": "dev", "profile": "mixed", "gold": "Хаҥалас улууһа кыттыгас үбүлэһэргэ сөбүлэһэр.", "noisy": "Хангалас улууса кыттыгас убулэhэргэ с8бyлэсэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1451, "split": "test", "profile": "partial", "gold": "Тыа хаһаайыстыбатыгар 40 сыл үлэлииригэр биир да күн арыгы иһэн борогуллаабатаҕа, сэбиэскэй саҕана да сэмэ-суҥха суох этэ.", "noisy": "Тыа хаһаайыстыбатыгар 40 сыл үлэлииригэр биир да күн арыгы иһэн борогуллаабатага, сэбиэскэй сагана да сэмэ-сунха суох этэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1452, "split": "test", "profile": "clean", "gold": "Ити дьон соччото суох сыаллаах-соруктаах батыһан иһэллэрин сэрэйэн, кыыс куттаммыт, сүүрээри гыммыта суумката элбэх уонна ыарахан буолан биэрбит.", "noisy": "Ити дьон соччото суох сыаллаах-соруктаах батыһан иһэллэрин сэрэйэн, кыыс куттаммыт, сүүрээри гыммыта суумката элбэх уонна ыарахан буолан биэрбит.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1453, "split": "dev", "profile": "ru_fold", "gold": "Олоҥхо ыһыаҕын ис кута Өлүөхүмэбит тубуста Ыалдьыттары көрсөөрү, Олоҥхобут ыһыаҕын Түһүлгэтэ буолаары.", "noisy": "Олонхо ыhыагын ис кута Олуохумэбит тубуста Ыалдьыттары корсоору, Олонхобут ыhыагын Туhулгэтэ буолаары.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1454, "split": "dev", "profile": "leontiev", "gold": "Улууһум маастардарыгар сыллааҕы былааны сырдатыам, кэпсиэм диэн баҕа санаалаахпын.", "noisy": "Улууьум маастардарыгар сыллаагы былааны сырдатыам, кэпсиэм диэн бага санаалаахпын.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1455, "split": "dev", "profile": "digits", "gold": "Оҕолорго бэйэтэ айан остуоруйалыыра, ол да иһин оҕо аймах кутун тутара.", "noisy": "О5олорго бэйэтэ айан остуоруйалыыра, ол да иhин о5о аймах кутун тутара.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1456, "split": "dev", "profile": "mixed", "gold": "Онтон, дьэ, кэмниэ кэнэҕэс булла быһыылаах, үөрүү кыымнаах саҥа аллайыыны иһиттибит.", "noisy": "Онтон, дьэ, кэмниэ кэнэ5эс булла бысыылаах, y8руу кыымнаах сана аллайыыны иситтибит.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1457, "split": "test", "profile": "partial", "gold": "Саамай сүрүнэ, бука бары бииргэ түмүллэн, кыаҕы, күүһү мунньунан, уопсай санаанан турунан туран үлэлиирбит эрэйиллэр.", "noisy": "Саамай сүрүнэ, бука бары бииргэ түмүллэн, кыагы, күүһү мунньунан, уопсай санаанан турунан туран үлэлиирбит эрэйиллэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1458, "split": "dev", "profile": "clean", "gold": "Аныгыскы сырыыга туох аһынан күндүлүөхпүн, тугунан көмөлөһүөхпүн толкуйдуурум.", "noisy": "Аныгыскы сырыыга туох аһынан күндүлүөхпүн, тугунан көмөлөһүөхпүн толкуйдуурум.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1459, "split": "test", "profile": "ru_fold", "gold": "Арай гитараҕа үөрэппэтэхтэрин хомойо саныыр.", "noisy": "Арай гитарага уорэппэтэхтэрин хомойо саныыр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1460, "split": "dev", "profile": "leontiev", "gold": "Д.) улуустарыгар 200–300 олоҥхоһут үөскээн, ыллаан-туойан ааспыттарын аҕыннахтарына, саарбахтыы соҕус ылынарбыт.", "noisy": "Д.) улуустарыгар 200–300 олонхоьут уескээн, ыллаан-туойан ааспыттарын агыннахтарына, саарбахтыы согус ылынарбыт.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1461, "split": "test", "profile": "digits", "gold": "7, 10:15–15:00); Өрөспүүбүлүкэтээҕи 3 №-дээх килиниичэскэй балыыһа: (Киров уул.", "noisy": "7, 10:15–15:00); 8р8спyyбyлyкэтээ5и 3 №-дээх килиниичэскэй балыыhа: (Киров уул.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1462, "split": "test", "profile": "mixed", "gold": "Кырдьык, боростуой холкуостаах дьахтар оруолугар кини сөп түбэспэтэ.", "noisy": "Кырдьык, боростуой холкуостаах дьахтар оруолугар кини с8п тубэспэтэ.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1463, "split": "test", "profile": "partial", "gold": "гаа бааһынатын суох оҥордулар, 1,5 туонна марихуананы, 6 туонна кокаины, 31,8 мөл.", "noisy": "гаа бааһынатын суох онордулар, 1,5 туонна марихуананы, 6 туонна кокаины, 31,8 мөл.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1464, "split": "dev", "profile": "clean", "gold": "Ити сэрии кэнниттэн Мооро эбэ күөллэрэ уолан, алааска кус тохтоон ааһара, күһүн мусталлара.", "noisy": "Ити сэрии кэнниттэн Мооро эбэ күөллэрэ уолан, алааска кус тохтоон ааһара, күһүн мусталлара.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1465, "split": "dev", "profile": "ru_fold", "gold": "Кини кими да кытта хохочуоллаһа, мөккүһэ сылдьарын көрбөтөхпүт.", "noisy": "Кини кими да кытта хохочуоллаhа, моккуhэ сылдьарын корботохпут.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1466, "split": "dev", "profile": "leontiev", "gold": "Бастаан бэйэбит олоҕу билиэххэ, көрүнүөххэ, көннөрүнүөххэ.", "noisy": "Бастаан бэйэбит ологу билиэххэ, керунуеххэ, кеннерунуеххэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1467, "split": "dev", "profile": "digits", "gold": "Дойду сир тайаҕа, саамай улахана 4–5 сэнтиниэр буолара дуу, суоҕа дуу?", "noisy": "Дойду сир тайа5а, саамай улахана 4–5 сэнтиниэр буолара дуу, суо5а дуу?", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1468, "split": "dev", "profile": "mixed", "gold": "Уот быыһынан нэһиилэ дьоммутугар таҕыстыбыт.", "noisy": "Уот быыhынан нэhиилэ дьоммутугар тагыстыбыт.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1469, "split": "test", "profile": "partial", "gold": "Кыра саастаах оҕолорбут муусукаҕа наһаа сыстаҕастар.", "noisy": "Кыра саастаах оголорбут муусукага наһаа сыстагастар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1470, "split": "test", "profile": "clean", "gold": "Казахтарга жахут диэн күндү тааһы ааттыыллар, биһиги эһигини саха-якуттары жахуттар-күндү, сыаналаах таастар курдук санаатыбыт.", "noisy": "Казахтарга жахут диэн күндү тааһы ааттыыллар, биһиги эһигини саха-якуттары жахуттар-күндү, сыаналаах таастар курдук санаатыбыт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1471, "split": "dev", "profile": "ru_fold", "gold": "Атахтарын быстарбыт саха уолаттарын көрөөт, сүрэҕим хам тутан ылбыта.", "noisy": "Атахтарын быстарбыт саха уолаттарын короот, сурэгим хам тутан ылбыта.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1472, "split": "test", "profile": "leontiev", "gold": "Онно үс инфекционнай балыыһалаахпыт (100 куойкалаах), ПЦР анаалыһын Майаҕа оҥоробут.", "noisy": "Онно ус инфекционнай балыыьалаахпыт (100 куойкалаах), ПЦР анаалыьын Майага оноробут.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1473, "split": "test", "profile": "digits", "gold": "Биллэн турар, бу барыта уус-алданнар, Лөгөй тойон удьуордарыгар ыараханнык киирэрэ биллэр буоллаҕа.", "noisy": "Биллэн турар, бу барыта уус-алданнар, Л8г8й тойон удьуордарыгар ыараханнык киирэрэ биллэр буолла5а.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1474, "split": "test", "profile": "mixed", "gold": "Утарылаһарбыт, быыһыырбыт биир эрэ – Сиэрдээх буолууну хайдах өйдүүгүн?", "noisy": "Утарыласарбыт, быыьыырбыт биир эрэ – Сиэрдээх буолууну хайдах ойдуугун?", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1475, "split": "test", "profile": "partial", "gold": "Билигин араас тимир көлөлөөх дьон элбээн, массыына үксээн, уруулга олорор хас биирдии киһи эппиэтинэһэ үрдээн иһэр.", "noisy": "Билигин араас тимир көлөлөөх дьон элбээн, массыына үксээн, уруулга олорор хас биирдии киһи эппиэтинэһэ үрдээн иһэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1476, "split": "test", "profile": "clean", "gold": "Биһиэхэ билиҥҥитэ экэниэмикэни сайыннарыы ити үс тутаах тутул кумааҕыга оҥоһуллар, араас уураах ылыллар эрээри — көдьүүс суох.", "noisy": "Биһиэхэ билиҥҥитэ экэниэмикэни сайыннарыы ити үс тутаах тутул кумааҕыга оҥоһуллар, араас уураах ылыллар эрээри — көдьүүс суох.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1477, "split": "test", "profile": "ru_fold", "gold": "Ол да буоллар мунньахтаан, сүбэлэһэн баран ылыллар буолбуппун биллэрдилэр.", "noisy": "Ол да буоллар мунньахтаан, субэлэhэн баран ылыллар буолбуппун биллэрдилэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1478, "split": "dev", "profile": "leontiev", "gold": "Манна өрөбүлү туһанан Майаттан, Хараттан, Табаҕаттан, Тиэлигиттэн, Төҥүлүттэн аймахтар кэлэннэр, үлэ күөстүү оргуйда.", "noisy": "Манна еребулу туьанан Майаттан, Хараттан, Табагаттан, Тиэлигиттэн, Тенулуттэн аймахтар кэлэннэр, улэ куестуу оргуйда.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1479, "split": "test", "profile": "digits", "gold": "Хас биирдии түһүмэххэ инвестор сири (территоияны) талыыга толкуйдууругар ыыр кыччаан биэрэр.", "noisy": "Хас биирдии тyhyмэххэ инвестор сири (территоияны) талыыга толкуйдууругар ыыр кыччаан биэрэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1480, "split": "test", "profile": "mixed", "gold": "«Алҕаска өлөрбүт» диэн ыстатыйанан буруйданан кини 4 сылга диэри хаайыыга бириигэбэрдэниэн сөп этэ да, Мюррей буруйун адьас билиммэт уонна ону ханнык баҕарар суут саалатыгар дакаастаһарга бэлэм.", "noisy": "«Алгаска 8л8рбyт» диэн ыстатыйанан буруйданан кини 4 сылга диэри хаайыыга бириигэбэрдэниэн соп этэ да, Мюррей буруйун адьас билиммэт уонна ону ханнык бахарар суут саалатыгар дакаастасарга бэлэм.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1481, "split": "dev", "profile": "partial", "gold": "Анатолий Саввинов, Сүлдьүкээр, Мииринэй.", "noisy": "Анатолий Саввинов, Сүлдьүкээр, Мииринэй.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1482, "split": "test", "profile": "clean", "gold": "Аҕата Егор Иванович Семенов холкуос биир тутаах үлэһитэ буолан, Ааллаах Үүҥҥэ бэдэрээккэ тиийэ сылдьара үһү.", "noisy": "Аҕата Егор Иванович Семенов холкуос биир тутаах үлэһитэ буолан, Ааллаах Үүҥҥэ бэдэрээккэ тиийэ сылдьара үһү.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1483, "split": "test", "profile": "ru_fold", "gold": "Дьиҥэр, баара-суоҕа биир мөлүйүөн олохтоохпутун бэйэ аһылыгынан хааччыйар кыах суох буолбатах.", "noisy": "Дьинэр, баара-суога биир молуйуон олохтоохпутун бэйэ аhылыгынан хааччыйар кыах суох буолбатах.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1484, "split": "dev", "profile": "leontiev", "gold": "Биһиги биир дьыл кинилиин бииргэ олорбуппут (кини мин саҥаһым Өкүлүүнэ эдьиийэ).", "noisy": "Биьиги биир дьыл кинилиин бииргэ олорбуппут (кини мин санаьым Екулуунэ эдьиийэ).", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1485, "split": "dev", "profile": "digits", "gold": "Биһиги үксүн аккаастаабаппыт, утары барабыт.", "noisy": "Биhиги yксyн аккаастаабаппыт, утары барабыт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1486, "split": "dev", "profile": "mixed", "gold": "Арктика оройуоннарыгар, соҕуруулуу-арҕаа, арҕаа, хотугулуу-илин сорох сиринэн хаар, инчэҕэй хаар, күнүс соҕуруулуу-арҕаа сорох сиринэн күүстээх ардах түһэрэ күүтүллэр.", "noisy": "Арктика оройуоннарыгар, со5уруулуу-архаа, аргаа, хотугулуу-илин сорох сиринэн хаар, инчэ5эй хаар, кунyс согуруулуу-аргаа сорох сиринэн кyустээх ардах тусэрэ кyyтyллэр.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1487, "split": "dev", "profile": "partial", "gold": "Оҕобутугар, уолбутугар махтанабыт, ылсыбыт дьыалата ситиһиилэннин,”—диэн үөрүүлэрин үллэстэллэр.", "noisy": "Огобутугар, уолбутугар махтанабыт, ылсыбыт дьыалата ситиһиилэннин,”—диэн үөрүүлэрин үллэстэллэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1488, "split": "dev", "profile": "clean", "gold": "-Балаҕан уола Миисэ, Тыыллыма нэһилиэгэр Гаврильев Захар-Ырыа Чоҥкунаан, Яковлев Е.", "noisy": "-Балаҕан уола Миисэ, Тыыллыма нэһилиэгэр Гаврильев Захар-Ырыа Чоҥкунаан, Яковлев Е.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1489, "split": "test", "profile": "ru_fold", "gold": "Ити кэмҥэ түүн балачча хараҥарар, үрүҥ түүннэр бүтэллэр.", "noisy": "Ити кэмнэ туун балачча харанарар, урун тууннэр бутэллэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1490, "split": "dev", "profile": "leontiev", "gold": "Уһун үйэлээх сахалар үөрэхтэригэр «Туох барыта икки өрүттээх» диэн этиллэрин олоххо таба туһанар буолуу хаһан да хаалан хаалбат.", "noisy": "Уьун уйэлээх сахалар уерэхтэригэр «Туох барыта икки еруттээх» диэн этиллэрин олоххо таба туьанар буолуу хаьан да хаалан хаалбат.", "source": "sah.wikipedia:Элбэхтэр"}
{"id": 1491, "split": "dev", "profile": "digits", "gold": "Бэйэҕин хаһан да сэнэнимэ, аһыныма,үөрэҕи ылыа суох буоллаххына атаҕастаммыт саҕа сананыма.", "noisy": "Бэйэ5ин хаhан да сэнэнимэ, аhыныма,y8рэ5и ылыа суох буоллаххына ата5астаммыт са5а сананыма.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1492, "split": "dev", "profile": "mixed", "gold": "— 2008 сылтан тыйаатырбыт Ытык Күөлгэ баар.", "noisy": "— 2008 сылтан тыйаатырбыт Ытык Кyолгэ баар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1493, "split": "test", "profile": "partial", "gold": "Ол курдук, биэс сыл устата эти оҥорууну 10 төгүл улаатыннарыахтаахпыт.", "noisy": "Ол курдук, биэс сыл устата эти онорууну 10 төгүл улаатыннарыахтаахпыт.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1494, "split": "test", "profile": "clean", "gold": "Онуоха, холобур, коза, куруолук иитээччилэр түмсүүлэрин тэрийэн, уопут атастаһан, дохуот аахсыытыгар үлэлэһэргэ сүбэлээтэ.", "noisy": "Онуоха, холобур, коза, куруолук иитээччилэр түмсүүлэрин тэрийэн, уопут атастаһан, дохуот аахсыытыгар үлэлэһэргэ сүбэлээтэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1495, "split": "test", "profile": "ru_fold", "gold": "Онно олоҕуран өйдөөтөххө, сыал-сорук туолбут.", "noisy": "Онно ологуран ойдоотоххо, сыал-сорук туолбут.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1496, "split": "dev", "profile": "leontiev", "gold": "Сир Сүрэҕин итэҕэлиттэн атын илии-атах, эт-хаан итэҕэллэрэ үөскээбиттэрэ.", "noisy": "Сир Сурэгин итэгэлиттэн атын илии-атах, эт-хаан итэгэллэрэ уескээбиттэрэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1497, "split": "dev", "profile": "digits", "gold": "Ол кэннэ быйылгы сезон саҥа туруорууларын өссө төгүл көрөөччүгэ бэлэхтиэхтэрэ.", "noisy": "Ол кэннэ быйылгы сезон сана туруорууларын 8сс8 т8гyл к8р88ччyгэ бэлэхтиэхтэрэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1498, "split": "dev", "profile": "mixed", "gold": "Итиэннэ дьикти ээ, кини, миигиннээҕэр ордук омугу суолталыыр буолан, оҕолорбут сахалыы тылланалларын ситиспит үтүөлээх.", "noisy": "Итиэннэ дьикти ээ, кини, миигиннээ5эр ордук омугу суолталыыр буолан, оголорбут сахалыы тылланалларын ситиспит yтyолээх.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1499, "split": "dev", "profile": "partial", "gold": "Тоҕо диэтэххэ, суһал сулууспаҕа үлэлиир буолан, улахан үөрүйэхтэнэллэр.", "noisy": "Того диэтэххэ, суһал сулууспага үлэлиир буолан, улахан үөрүйэхтэнэллэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1500, "split": "test", "profile": "clean", "gold": "Хамсаныылартан күүс уларыйара, соһуччу эбиллиэн кэлиэн сөбө сахабыт тылыгар олус былыргы кэмнэртэн, физика үөрэҕэ үөскүөн быдан инниттэн киирэн иҥмит.", "noisy": "Хамсаныылартан күүс уларыйара, соһуччу эбиллиэн кэлиэн сөбө сахабыт тылыгар олус былыргы кэмнэртэн, физика үөрэҕэ үөскүөн быдан инниттэн киирэн иҥмит.", "source": "sah.wikipedia:Күүс уонна хамсаныы"}
{"id": 1501, "split": "test", "profile": "ru_fold", "gold": "Бэйэбит аадырыска диэри илдьэн уонна, өссө, олордон биэриэхпитин сөп.", "noisy": "Бэйэбит аадырыска диэри илдьэн уонна, оссо, олордон биэриэхпитин соп.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1502, "split": "dev", "profile": "leontiev", "gold": "Протестааннартан эбии хайдыылар сиэктэ хабааннаахтар, билигин 250-тан тахсалар Эрдэтээҥи христианство Эрдэтээҥи христианство олус элбэх көрүҥнээҕэ христианнарбыт дэнэр дьон Таҥараларын үөрэҕэр көстөр.", "noisy": "Протестааннартан эбии хайдыылар сиэктэ хабааннаахтар, билигин 250-тан тахсалар Эрдэтээни христианство Эрдэтээни христианство олус элбэх керуннээгэ христианнарбыт дэнэр дьон Танараларын уерэгэр кестер.", "source": "sah.wikipedia:Христианство"}
{"id": 1503, "split": "test", "profile": "digits", "gold": "Киинэҕэ хотой сүрүн дьоруой, кини үгүс омукка ытык көтөр.", "noisy": "Киинэ5э хотой сyрyн дьоруой, кини yгyс омукка ытык к8т8р.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1504, "split": "dev", "profile": "mixed", "gold": "Ыытыллар тэрээһиннэрбит, иитэр-үөрэтэр үлэбит барыта ити бэлиэ дааталарга ананаллар.", "noisy": "Ыытыллар тэрээсиннэрбит, иитэр-y8рэтэр yлэбит барыта ити бэлиэ дааталарга ананаллар.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1505, "split": "dev", "profile": "partial", "gold": "Кини быһа эпииргэ бэйэтэ уонна оҕолору дьарыктыыр дьиэтээҕи спортсаалатыттан таҕыста.", "noisy": "Кини быһа эпииргэ бэйэтэ уонна оголору дьарыктыыр дьиэтээги спортсаалатыттан тагыста.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1506, "split": "test", "profile": "clean", "gold": "Кыра тыаллаах буолла да, уот мастар үрдүлэринэн сиэн барар.", "noisy": "Кыра тыаллаах буолла да, уот мастар үрдүлэринэн сиэн барар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1507, "split": "test", "profile": "ru_fold", "gold": "Кыайыы биһиэнэ буолуо!\" Бу уһун, быһыыны-майгыны сиһилии иһитиннэриилээх тыл этиитин хаһыаппыт кэрэспэдьиэннэрэ бэрт ыксалынан тылбаастаан биэрбиттэрэ көстөр.", "noisy": "Кыайыы биhиэнэ буолуо!\" Бу уhун, быhыыны-майгыны сиhилии иhитиннэриилээх тыл этиитин хаhыаппыт кэрэспэдьиэннэрэ бэрт ыксалынан тылбаастаан биэрбиттэрэ костор.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1508, "split": "dev", "profile": "leontiev", "gold": "Геннадий Хабаров 1955 сыллаахха сэтинньи 16 күнүгэр Абый улууһун Дружина бөһүөлэгэр төрөөбүтэ.", "noisy": "Геннадий Хабаров 1955 сыллаахха сэтинньи 16 кунугэр Абый улууьун Дружина беьуелэгэр тереебутэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1509, "split": "dev", "profile": "digits", "gold": "Сорудах: Фигуралары тутан-хабан көрөн олоңхо геройдарыгар, орто дойду олохтоохторугар тэңнээн, холоон көруң.", "noisy": "Сорудах: Фигуралары тутан-хабан к8р8н олоңхо геройдарыгар, орто дойду олохтоохторугар тэңнээн, холоон к8руң.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1510, "split": "dev", "profile": "mixed", "gold": "Оҕолор үөрэ-көтө \"үлэлэлэригэр\" кэлэллэр.", "noisy": "О5олор уорэ-кото \"улэлэлэригэр\" кэлэллэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1511, "split": "test", "profile": "partial", "gold": "Арааһа, пассажирдар бары да оннук саныыллар быһыылаах.", "noisy": "Арааһа, пассажирдар бары да оннук саныыллар быһыылаах.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1512, "split": "dev", "profile": "clean", "gold": "Кулун тутар 24 күнүгэр 19:40 чааска СӨ Быыһыыр сулууспатыгар Кэбээйи улууһун диэки погрузчик тиэхиньикэнэн айаннаабыт икки эр киһи, ыйыллыбыт кэмигэр кэлбэтэхтэрин туһунан суһал иһитиннэрии киирбит.", "noisy": "Кулун тутар 24 күнүгэр 19:40 чааска СӨ Быыһыыр сулууспатыгар Кэбээйи улууһун диэки погрузчик тиэхиньикэнэн айаннаабыт икки эр киһи, ыйыллыбыт кэмигэр кэлбэтэхтэрин туһунан суһал иһитиннэрии киирбит.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1513, "split": "test", "profile": "ru_fold", "gold": "Туох-ханнык иннинэ өстөөхтөр саба түһүүлэриттэн көмүскэнээри бииргэлэһии.", "noisy": "Туох-ханнык иннинэ остоохтор саба туhуулэриттэн комускэнээри бииргэлэhии.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1514, "split": "test", "profile": "leontiev", "gold": "Кэпэрэтиип куорат иһигэр фирменнэй маҕаһыыны уонна хас да киосканы арыйан, улуустартан киллэриллэр ас-үөл батарыллар суолун тобулар үлэтин саҕалаабыта.", "noisy": "Кэпэрэтиип куорат иьигэр фирменнэй магаьыыны уонна хас да киосканы арыйан, улуустартан киллэриллэр ас-уел батарыллар суолун тобулар улэтин сагалаабыта.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1515, "split": "test", "profile": "digits", "gold": "Дьэ, онтон бэҕэһээ: «Киһибит Өймөкөөнү этэҥҥэ булла», — диэн иһитиннэрдилэр.", "noisy": "Дьэ, онтон бэ5эhээ: «Киhибит 8йм8к88нy этэннэ булла», — диэн иhитиннэрдилэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1516, "split": "dev", "profile": "mixed", "gold": "Аны туран нууччалар сахалары баттыыллар эбит, ууратыам диэн куттаан түөкүннэргэ уган биэрэллэр.", "noisy": "Аны туран нууччалар сахалары баттыыллар эбит, ууратыам диэн куттаан тy8куннэргэ уган биэрэллэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1517, "split": "test", "profile": "partial", "gold": "Хайдах оннук эбитэ буолла диэн сөҕө-махтайа саныырым.", "noisy": "Хайдах оннук эбитэ буолла диэн сөгө-махтайа саныырым.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1518, "split": "dev", "profile": "clean", "gold": "Кини дойдутугар, Ньурба Маарыгар, өр сылларга оскуолаҕа төрөппүт кэмитиэтин бэрэссэдээтэлинэн, түөлбэ салайааччытынан үлэлээбитэ.", "noisy": "Кини дойдутугар, Ньурба Маарыгар, өр сылларга оскуолаҕа төрөппүт кэмитиэтин бэрэссэдээтэлинэн, түөлбэ салайааччытынан үлэлээбитэ.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1519, "split": "test", "profile": "ru_fold", "gold": "Кинини түүн тутан барбыттара буолуо диэн, ийэм санаарҕыырын өйдүүбүн.", "noisy": "Кинини туун тутан барбыттара буолуо диэн, ийэм санааргыырын ойдуубун.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1520, "split": "dev", "profile": "leontiev", "gold": "Бу Готовцевтар 19-с үйэттэн саҕалаан, саха баар-суох мааны, бастыҥ, чулуу, өркөн өйдөөх дьонун кытта алтыспыт, үлэлэспит, интэлигиэнсийэ бэрэстэбиитэллэрэ буоллахтара.", "noisy": "Бу Готовцевтар 19-с уйэттэн сагалаан, саха баар-суох мааны, бастын, чулуу, еркен ейдеех дьонун кытта алтыспыт, улэлэспит, интэлигиэнсийэ бэрэстэбиитэллэрэ буоллахтара.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1521, "split": "dev", "profile": "digits", "gold": "Саха сирин эр дьонугар саха быһаҕа ытык суолталаах.", "noisy": "Саха сирин эр дьонугар саха быhа5а ытык суолталаах.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1522, "split": "dev", "profile": "mixed", "gold": "Бүтүн Арассыыйатааҕы мас-рестлинг федерациятын бэрэсидьиэнэ, педагогика билимин дуоктара чыыннаах-хааннаах аҕа табаарыспын көрсөн, өрдөөҕүттэн билэр-билсэр киһи сиэринэн, үтэн-анньан көрдүм.", "noisy": "Бутун Арассыыйатаахы мас-рестлинг федерациятын бэрэсидьиэнэ, педагогика билимин дуоктара чыыннаах-хааннаах ага табаарыспын корсон, 8рдо8хуттэн билэр-билсэр киhи сиэринэн, yтэн-анньан кордум.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1523, "split": "test", "profile": "partial", "gold": "Субсидияны 5 сылга суоттаан ылынан баран, инфляция бырыһыаныттан көрөн, ол үрдээн иһиэхтээх диэн, сокуоҥҥа чопчу ыйыахха.", "noisy": "Субсидияны 5 сылга суоттаан ылынан баран, инфляция бырыһыаныттан көрөн, ол үрдээн иһиэхтээх диэн, сокуонна чопчу ыйыахха.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1524, "split": "test", "profile": "clean", "gold": "Эрэдээксийэлэргэ саҥа социальнай ситимнэргэ үлэлииргэ үөрэх тиһигин тэрийэргэ; 5.", "noisy": "Эрэдээксийэлэргэ саҥа социальнай ситимнэргэ үлэлииргэ үөрэх тиһигин тэрийэргэ; 5.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1525, "split": "dev", "profile": "ru_fold", "gold": "Биһиги бары биир киһи курдук ыараханнары туоруурга санаабытын холбоотубут, күүспүтүн түмтүбүт.", "noisy": "Биhиги бары биир киhи курдук ыараханнары туоруурга санаабытын холбоотубут, кууспутун тумтубут.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1526, "split": "dev", "profile": "leontiev", "gold": "Оччолорго дьону арылдьытаҕыт диэн ааттаан правления салайааччылара бобон кэбиспиттэрэ үһү.", "noisy": "Оччолорго дьону арылдьытагыт диэн ааттаан правления салайааччылара бобон кэбиспиттэрэ уьу.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1527, "split": "dev", "profile": "digits", "gold": "Кимнээх буолан Кимим ситиһиэй, Туохтаах буолан Тугум иэстэһиэй?!", "noisy": "Кимнээх буолан Кимим ситиhиэй, Туохтаах буолан Тугум иэстэhиэй?!", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1528, "split": "dev", "profile": "mixed", "gold": "\" диэн тиэмэҕэ кандидатскай диссертациятын 1994 с., \"Проблема Человека в социокультурной системе\" диэн тиэмэҕэ докторскай диссертациятын көмүскээбитэ.", "noisy": "\" диэн тиэмэ5э кандидатскай диссертациятын 1994 с., \"Проблема Человека в социокультурной системе\" диэн тиэмэгэ докторскай диссертациятын комускээбитэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1529, "split": "test", "profile": "partial", "gold": "Икки пилорама тэҥинэн үлэлиирэ буоллар, олохпут уйгута тупсуо этэ дииллэр.", "noisy": "Икки пилорама тэнинэн үлэлиирэ буоллар, олохпут уйгута тупсуо этэ дииллэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1530, "split": "test", "profile": "clean", "gold": "Оттон кырдьаҕас, саҥата-иҥэтэ суох дьону кытары аргыстастахха, суолуҥ уһуурга дылы гынар.", "noisy": "Оттон кырдьаҕас, саҥата-иҥэтэ суох дьону кытары аргыстастахха, суолуҥ уһуурга дылы гынар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1531, "split": "test", "profile": "ru_fold", "gold": "Кырасаабысса кыыска уол бөҕө «ыалдьара», бэл, ССРС чаҕылхай сулуһа буолбут Вася Лановой Күннэни сырсыбыт кэмнээҕэ...", "noisy": "Кырасаабысса кыыска уол бого «ыалдьара», бэл, ССРС чагылхай сулуhа буолбут Вася Лановой Куннэни сырсыбыт кэмнээгэ...", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1532, "split": "test", "profile": "leontiev", "gold": "Саха сиригэр кутталлаах быһыы-майгы эрэсиимэ уһулунна Бүгүҥҥүттэн ойуурга Саха сиригэр кутталлаах быһыы-майгы эрэсиимэ уһулунна, ол туһунан ыйааҕа Ил Дархан Айсен Николаев таһаарда.", "noisy": "Саха сиригэр кутталлаах быьыы-майгы эрэсиимэ уьулунна Бугуннуттэн ойуурга Саха сиригэр кутталлаах быьыы-майгы эрэсиимэ уьулунна, ол туьунан ыйаага Ил Дархан Айсен Николаев таьаарда.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1533, "split": "test", "profile": "digits", "gold": "Күн баччатыгар диэри үүппүт харчыта эһиил төһө буолуоҕун, сүөһү ахсааныгар үп көрүллүөн биитэр көрүллүмүөн билбэккэ олоробут.", "noisy": "Кyн баччатыгар диэри yyппyт харчыта эhиил т8h8 буолуо5ун, сy8hy ахсааныгар yп к8рyллy8н биитэр к8рyллyмy8н билбэккэ олоробут.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1534, "split": "test", "profile": "mixed", "gold": "Үлэ кэлэр бэнидиэнньиктэн, ол эбэтэр ыам ыйын 24 күнүттэн, саҕаланыаҕа.", "noisy": "Yлэ кэлэр бэнидиэнньиктэн, ол эбэтэр ыам ыйын 24 кунyттэн, сагаланыа5а.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1535, "split": "test", "profile": "partial", "gold": "Оһуокай искибиэрин аллеятыгар хаһыллан хаалбыт аһаҕас сирдэр бетоннаммыттара.", "noisy": "Оһуокай искибиэрин аллеятыгар хаһыллан хаалбыт аһагас сирдэр бетоннаммыттара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1536, "split": "test", "profile": "clean", "gold": "Ону тэҥэ, наркотигы оҥорор 192 лабораторияны, опиумнаах маак үүнэр 14 тыһ.", "noisy": "Ону тэҥэ, наркотигы оҥорор 192 лабораторияны, опиумнаах маак үүнэр 14 тыһ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1537, "split": "test", "profile": "ru_fold", "gold": "Олоҥхо дьиэтигэр сцена диэн суох, онон адьас \"тутан олорон\" талааннаах артыыстарбыт субу аттыбыгар хайдах курдук итэҕэтиилээхтик, көрүдьүөстүк оонньууларын көрөн дуоһуйа күллүбүт.", "noisy": "Олонхо дьиэтигэр сцена диэн суох, онон адьас \"тутан олорон\" талааннаах артыыстарбыт субу аттыбыгар хайдах курдук итэгэтиилээхтик, корудьуостук оонньууларын корон дуоhуйа куллубут.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1538, "split": "test", "profile": "leontiev", "gold": "Сиэмэн аҕалаллара буоллар, бэйэлэрэ да абырахтыыр баҕалаахтар.", "noisy": "Сиэмэн агалаллара буоллар, бэйэлэрэ да абырахтыыр багалаахтар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1539, "split": "test", "profile": "digits", "gold": "Ливия ДРУГИНА, Х кылаас, Боронук орто оскуолата, Үөһээ Дьааңы улууһа", "noisy": "Ливия ДРУГИНА, Х кылаас, Боронук орто оскуолата, Y8hээ Дьааңы улууhа", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1540, "split": "dev", "profile": "mixed", "gold": "“Полярные авиалинии” авиахампаанньа Ми-8 бөртөлүөтүнэн Дьокуускай-Аллараа Бэстээх хайысхаҕа дьону уонна таһаҕаһы тиэйэн саҕалыыр.", "noisy": "“Полярные авиалинии” авиахампаанньа Ми-8 бортолу8тунэн Дьокуускай-Аллараа Бэстээх хайысхаха дьону уонна тасахаьы тиэйэн сагалыыр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1541, "split": "test", "profile": "partial", "gold": "Манна эрдэттэн бэлэмнэнии үлэтэ барбыта уонна айылҕа бэйэтэ көмөлөстүлэр.", "noisy": "Манна эрдэттэн бэлэмнэнии үлэтэ барбыта уонна айылга бэйэтэ көмөлөстүлэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1542, "split": "test", "profile": "clean", "gold": "Алексеев»(Дьүлэй) холбоһон Петр Алексеев аатынан колхоз буолбута.", "noisy": "Алексеев»(Дьүлэй) холбоһон Петр Алексеев аатынан колхоз буолбута.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1543, "split": "dev", "profile": "ru_fold", "gold": "Үлэһит дьону, төрөппүттэригэр көмөлөһөр оҕолору холобур оҥосторго такайара.", "noisy": "Улэhит дьону, тороппуттэригэр комолоhор оголору холобур оносторго такайара.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1544, "split": "test", "profile": "leontiev", "gold": "Тиис уратытын , ону эмтээһин туһунан эҥин.", "noisy": "Тиис уратытын , ону эмтээьин туьунан энин.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1545, "split": "dev", "profile": "digits", "gold": "Киэһэ аайы көмүлүөк оһох имик-самык уотугар, түүн үөһүгэр диэри олоҥхолуура.", "noisy": "Киэhэ аайы к8мyлy8к оhох имик-самык уотугар, тyyн y8hyгэр диэри олонхолуура.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1546, "split": "test", "profile": "mixed", "gold": "Бэстибээлгэ киин куорат алын уонна орто анал үөрэҕин кыһаларыттан барыта алта бөлөх кытынна.", "noisy": "Бэстибээлгэ киин куорат алын уонна орто анал y8рэ5ин кыьаларыттан барыта алта болох кытынна.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1547, "split": "dev", "profile": "partial", "gold": "Ону таһынан, элбэх саҥаны билэллэр, көрөллөр, мүччүргэннээх сырыылары, тургутуулары ааһаллар.", "noisy": "Ону таһынан, элбэх сананы билэллэр, көрөллөр, мүччүргэннээх сырыылары, тургутуулары ааһаллар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1548, "split": "dev", "profile": "clean", "gold": "Туостан маннык иһиттэри тигэллэр: үүт уурар чабычах, отоннуур чабычах, арыы баттыыр чабычах, мээрэй мэһэмээн, мэһэмээн, үүт кутар ыаҕайа, биэ ыыр ыаҕас, кымыска саар ыаҕас уонна сылгы чабычаҕа.", "noisy": "Туостан маннык иһиттэри тигэллэр: үүт уурар чабычах, отоннуур чабычах, арыы баттыыр чабычах, мээрэй мэһэмээн, мэһэмээн, үүт кутар ыаҕайа, биэ ыыр ыаҕас, кымыска саар ыаҕас уонна сылгы чабычаҕа.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1549, "split": "dev", "profile": "ru_fold", "gold": "Дьэ, ити түгэнтэн саҕалаан, кинилэр оҕону үлэнэн иитэр 12 оҕолоох ыал буолалларын биир дойдулаахтара көрө-истэ, киэн тутта сылдьаллар.", "noisy": "Дьэ, ити тугэнтэн сагалаан, кинилэр огону улэнэн иитэр 12 оголоох ыал буолалларын биир дойдулаахтара коро-истэ, киэн тутта сылдьаллар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1550, "split": "dev", "profile": "leontiev", "gold": "Күүстээх үлэ кэнниттэн колхоз эдэр уолаттара, кыргыттара мустан ыллыыллара-туойаллара.", "noisy": "Куустээх улэ кэнниттэн колхоз эдэр уолаттара, кыргыттара мустан ыллыыллара-туойаллара.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1551, "split": "dev", "profile": "digits", "gold": "Ол курдук, биэс сыл анараа өттүгэр Хатаска «Тускул» кииҥҥэ ойуулуур-дьүһүннүүр ускуустубанан дьарыктаныан баҕалаахтар түмсүбүттэрэ.", "noisy": "Ол курдук, биэс сыл анараа 8ттyгэр Хатаска «Тускул» кииннэ ойуулуур-дьyhyннyyр ускуустубанан дьарыктаныан ба5алаахтар тyмсyбyттэрэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1552, "split": "dev", "profile": "mixed", "gold": "Ол иһин аҕалаах ийэм таһыйыы бөҕөнү таһыйаллара, дьаныйаллара.", "noisy": "Ол исин ахалаах ийэм таhыйыы бо5онy таьыйаллара, дьаныйаллара.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1553, "split": "test", "profile": "partial", "gold": "Сүүмэрдээһини ыытар сирбитигэр биһиги университеппытыгар үөрэнэр оҕолорбутун олордон баран, быыс булан, хас да улахан тэрээһиннэргэ сырыттыбыт.", "noisy": "Сүүмэрдээһини ыытар сирбитигэр биһиги университеппытыгар үөрэнэр оголорбутун олордон баран, быыс булан, хас да улахан тэрээһиннэргэ сырыттыбыт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1554, "split": "test", "profile": "clean", "gold": "Үөрэх эйгэтин үлэһиттэрэ араас технологиялары баһылаан, төлөпүөн сыһыарыыларын, интерактивнай оонньуулары, араас таһымнаах порталлары оҥорууга кыахтаахтарын көрдөрдүлэр.", "noisy": "Үөрэх эйгэтин үлэһиттэрэ араас технологиялары баһылаан, төлөпүөн сыһыарыыларын, интерактивнай оонньуулары, араас таһымнаах порталлары оҥорууга кыахтаахтарын көрдөрдүлэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1555, "split": "dev", "profile": "ru_fold", "gold": "Оттон «киһи аймах утары буруйу оҥоруу» диэн буоллаҕына — 30 сылга.", "noisy": "Оттон «киhи аймах утары буруйу оноруу» диэн буоллагына — 30 сылга.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1556, "split": "test", "profile": "leontiev", "gold": "Ылан, аҥаар харахпын симэн, утары тутан көрөн баран, соһуйан өлө сыстым: икки киһи омооно турар эбит уонна оруобуна биһиги кэннибитинэн турарбыт курдуктар.", "noisy": "Ылан, анаар харахпын симэн, утары тутан керен баран, соьуйан еле сыстым: икки киьи омооно турар эбит уонна оруобуна биьиги кэннибитинэн турарбыт курдуктар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1557, "split": "dev", "profile": "digits", "gold": "Олус быстардахпытына, сайынын ардах уутун иһэргэ күһэллэбит.", "noisy": "Олус быстардахпытына, сайынын ардах уутун иhэргэ кyhэллэбит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1558, "split": "dev", "profile": "mixed", "gold": "Ол уол ыллыырын Лучиано Паворотти курдук ыллыыр диэн сөҕөр этибит.", "noisy": "Ол уол ыллыырын Лучиано Паворотти курдук ыллыыр диэн с8г8р этибит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1559, "split": "dev", "profile": "partial", "gold": "Биллэн турар, наар көр-нар эрэ буолбакка, ыччат араас кыһалҕатын эмиэ быһаарарга дьулуһабыт.", "noisy": "Биллэн турар, наар көр-нар эрэ буолбакка, ыччат араас кыһалгатын эмиэ быһаарарга дьулуһабыт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1560, "split": "test", "profile": "clean", "gold": "Ол этиини Ил Түмэн бастакы вице-спикерэ Александр Жирков уонна спикер Алексей Еремеев этиилэринэн дьокутааттар өйөөбөтөхтөрө, бырабыыталыстыбаҕа төнүннэрбиттэрэ.", "noisy": "Ол этиини Ил Түмэн бастакы вице-спикерэ Александр Жирков уонна спикер Алексей Еремеев этиилэринэн дьокутааттар өйөөбөтөхтөрө, бырабыыталыстыбаҕа төнүннэрбиттэрэ.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1561, "split": "test", "profile": "ru_fold", "gold": "Ньургуһун испииргэ да, ууга да оҥоһуллубут настойкатын эккэ ууран баран хам баайар, бэрэбээскилиир олох сатаммат.", "noisy": "Ньургуhун испииргэ да, ууга да оноhуллубут настойкатын эккэ ууран баран хам баайар, бэрэбээскилиир олох сатаммат.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1562, "split": "test", "profile": "leontiev", "gold": "Ол оҕо саастартан Бэтэрээн дьоннордуун Алтыһан улаатан Билэбин суолтатын.", "noisy": "Ол ого саастартан Бэтэрээн дьоннордуун Алтыьан улаатан Билэбин суолтатын.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1563, "split": "test", "profile": "digits", "gold": "Уол нэһиилэ хараҕын аһар уонна: — Уонна килиэптэ.", "noisy": "Уол нэhиилэ хара5ын аhар уонна: — Уонна килиэптэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1564, "split": "dev", "profile": "mixed", "gold": "Ол гынан баран сыбаайба былаачыйатын салоннарын кэрийии үгүс бириэмэни уонна күүһү-уоҕу эрэйэр.", "noisy": "Ол гынан баран сыбаайба былаачыйатын салоннарын кэрийии угyс бириэмэни уонна куyьy-уо5у эрэйэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1565, "split": "test", "profile": "partial", "gold": "- 1898 сыл балаҕан ыйын 24 күнүгэр церковнай-приходской оскуоланы В.Я.Слепцов –Хайа Харбыыр уола туттаран астарбыт.", "noisy": "- 1898 сыл балаган ыйын 24 күнүгэр церковнай-приходской оскуоланы В.Я.Слепцов –Хайа Харбыыр уола туттаран астарбыт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1566, "split": "dev", "profile": "clean", "gold": "Эр киһи, уол оҕото кыыс оҕону, ыал ийэтэ буолуохтаах киһини харыстыыр, көрөр-истэр өйгө-санааҕа иитиллэр.", "noisy": "Эр киһи, уол оҕото кыыс оҕону, ыал ийэтэ буолуохтаах киһини харыстыыр, көрөр-истэр өйгө-санааҕа иитиллэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1567, "split": "dev", "profile": "ru_fold", "gold": "Санааҥ күүстээх буоллаҕына, туруоруммут сыалыҥ-соругуҥ хайаан да туолуо.", "noisy": "Санаан куустээх буоллагына, туруоруммут сыалын-соругун хайаан да туолуо.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1568, "split": "dev", "profile": "leontiev", "gold": "Торбоһу, кутаа отуннаран баран, уокка быраҕан, кутуран-алҕаан Үөһээ Кумааһа хотуҥҥа, Кутаччы тойоҥҥо үтэйбитим.", "noisy": "Торбоьу, кутаа отуннаран баран, уокка быраган, кутуран-алгаан Уеьээ Кумааьа хотунна, Кутаччы тойонно утэйбитим.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1569, "split": "dev", "profile": "digits", "gold": "диэри олохтоохтор хомуйбут, сурукка киллэрбит 120-чэ олоҥхоһуттарыгар 90-ча киһи эбиллэн, билиҥҥи туругунан 212 олоҥхоһут, олоҥхону туруорааччы аата билиннэ.", "noisy": "диэри олохтоохтор хомуйбут, сурукка киллэрбит 120-чэ олонхоhуттарыгар 90-ча киhи эбиллэн, билинни туругунан 212 олонхоhут, олонхону туруорааччы аата билиннэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1570, "split": "dev", "profile": "mixed", "gold": "Багынанова салайааччылаах бөлөҕө киэргэтэн, поэттар хоһооннорун аахтылар.", "noisy": "Багынанова салайааччылаах болого киэргэтэн, поэттар хосооннорун аахтылар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1571, "split": "dev", "profile": "partial", "gold": "Онуоха олоҥхону чинчийбит иннинээҕи учуонайдарбыт саха сирин үрдүнэн 700-чэкэ олоҥхоһут олорон ааспыт диэн суруйууларыгар тирэнэрбит.", "noisy": "Онуоха олонхону чинчийбит иннинээги учуонайдарбыт саха сирин үрдүнэн 700-чэкэ олонхоһут олорон ааспыт диэн суруйууларыгар тирэнэрбит.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1572, "split": "dev", "profile": "clean", "gold": "диэн ырыаһыт, алгысчыт, сэһэнньит, остуоруйаһыт, олоҥхоһут.", "noisy": "диэн ырыаһыт, алгысчыт, сэһэнньит, остуоруйаһыт, олоҥхоһут.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1573, "split": "dev", "profile": "ru_fold", "gold": "Ох саанан ытыыга өрөспүүбүлүкэ сүрүн тириэньэрэ Андрей Андреевич Инсман Паралимпийскай оонньуу боруонса призерун, аан дойду чөмпүйүөнүн Степанида Артахинованы үүннэрдэ.", "noisy": "Ох саанан ытыыга ороспуубулукэ сурун тириэньэрэ Андрей Андреевич Инсман Паралимпийскай оонньуу боруонса призерун, аан дойду чомпуйуонун Степанида Артахинованы ууннэрдэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1574, "split": "test", "profile": "leontiev", "gold": "Бастакыта, дьон хаһаайыстыбатын кэҥэтэригэр, сүөһүтүн элбэтэригэр наадалаах.", "noisy": "Бастакыта, дьон хаьаайыстыбатын кэнэтэригэр, суеьутун элбэтэригэр наадалаах.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1575, "split": "dev", "profile": "digits", "gold": "Икки сыл сэрии өһөгөйүн Хааннаах хабыр хапсыһыыга киирсибитим.", "noisy": "Икки сыл сэрии 8h8г8йyн Хааннаах хабыр хапсыhыыга киирсибитим.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1576, "split": "dev", "profile": "mixed", "gold": "Онтон олоҥхоһуттар ортолоругар (Абрамовтар, Степанов В.", "noisy": "Онтон олонхоьуттар ортолоругар (Абрамовтар, Степанов В.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1577, "split": "test", "profile": "partial", "gold": "Бастаан бүгүҥҥүнү анаара үөрэниэ этилэр.", "noisy": "Бастаан бүгүннүнү анаара үөрэниэ этилэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1578, "split": "test", "profile": "clean", "gold": "Түгэни мүччү туппакка, көхтөөхтүк кыттыахха!", "noisy": "Түгэни мүччү туппакка, көхтөөхтүк кыттыахха!", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1579, "split": "dev", "profile": "ru_fold", "gold": "Ити сыл өрөспүүбүлүкэ оҕолор тыйаатырдарын «Синяя птица» куонкуруска 1-гы истиэпэннээх лауреат буолбуттара.", "noisy": "Ити сыл ороспуубулукэ оголор тыйаатырдарын «Синяя птица» куонкуруска 1-гы истиэпэннээх лауреат буолбуттара.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1580, "split": "dev", "profile": "leontiev", "gold": "Аҕыйахтар этиилэрин элбэхтэр истиилэригэр хааччаҕа суох таһаарыыны демократия сокуоннара ирдиирин дьон бары толордохторуна аҥар өттүгэр халыйыы суох буолар.", "noisy": "Агыйахтар этиилэрин элбэхтэр истиилэригэр хааччага суох таьаарыыны демократия сокуоннара ирдиирин дьон бары толордохторуна анар еттугэр халыйыы суох буолар.", "source": "sah.wikipedia:Элбэхтэр"}
{"id": 1581, "split": "dev", "profile": "digits", "gold": "курдук дьон ыллам ырыалара, дорҕооннох тойуктара дьон-сэргэ өйүгэр-санаатыгар сөҥөн хаалбыт.", "noisy": "курдук дьон ыллам ырыалара, дор5ооннох тойуктара дьон-сэргэ 8йyгэр-санаатыгар с8н8н хаалбыт.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1582, "split": "dev", "profile": "mixed", "gold": "Оттон мас тардыһыыга тэҥнээҕин булбатах спорт маастара, педагогическай наука кандидата Егор Кудрин оҥочо мотуорунан бэлиэтэннэ.", "noisy": "Оттон мас тардысыыга тэнгнээхин булбатах спорт маастара, педагогическай наука кандидата Егор Кудрин онгочо мотуорунан бэлиэтэннэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1583, "split": "dev", "profile": "partial", "gold": "Күндэйэ олохтооҕо Сардаана Николаева ынахтарын икки хонуктааҕыта Улахан күөлгэ, Дьэпсэй булгунньаҕа диэн сиргэ уулата сылдьан, бөрө суолун көрбүт.", "noisy": "Күндэйэ олохтоого Сардаана Николаева ынахтарын икки хонуктаагыта Улахан күөлгэ, Дьэпсэй булгунньага диэн сиргэ уулата сылдьан, бөрө суолун көрбүт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1584, "split": "test", "profile": "clean", "gold": "Онуоха оҕолор тулаларын көрүммүттэр даҕаны, ким да суоҕун билэн, салгыы кэпсэппиттэр.", "noisy": "Онуоха оҕолор тулаларын көрүммүттэр даҕаны, ким да суоҕун билэн, салгыы кэпсэппиттэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1585, "split": "dev", "profile": "ru_fold", "gold": "БЫРАЙЫАКТАР ДЬАРЫКТААХ ОҤОРОЛЛОР Ксенофонтовтар оҕолорун дьарыктыыр туһуттан кыралаан хаһаайыстыбаларын кэҥэттэллэр.", "noisy": "БЫРАЙЫАКТАР ДЬАРЫКТААХ ОНОРОЛЛОР Ксенофонтовтар оголорун дьарыктыыр туhуттан кыралаан хаhаайыстыбаларын кэнэттэллэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1586, "split": "test", "profile": "leontiev", "gold": "Ыарыыҥ туһунан сиһилии кэпсээн баран, аны уруһуйдуу-уруһуйдуу хайдах ньыманан эппэрээссийэлииллэрин кытары кэпсээн-көрдөрөн биэрэллэр.", "noisy": "Ыарыын туьунан сиьилии кэпсээн баран, аны уруьуйдуу-уруьуйдуу хайдах ньыманан эппэрээссийэлииллэрин кытары кэпсээн-кердерен биэрэллэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1587, "split": "dev", "profile": "digits", "gold": "Аан бастаан кэлэллэригэр улаханнык «хаһыытаатахтарына», оҕолор соһуйан сырсан кэлэллэр этэ.", "noisy": "Аан бастаан кэлэллэригэр улаханнык «хаhыытаатахтарына», о5олор соhуйан сырсан кэлэллэр этэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1588, "split": "dev", "profile": "mixed", "gold": "Баҕа санаа — Биир саастыылаахтарбар, устудьуоннарга кытаатан, кыһаллан үөрэнэргитигэр баҕарабын!", "noisy": "Ба5а санаа — Биир саастыылаахтарбар, устудьуоннарга кытаатан, кыhаллан y8рэнэргитигэр бахарабын!", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1589, "split": "test", "profile": "partial", "gold": "Волонтердар – билиҥҥи кэм дьоруойдара Кулун тутар ыйтан Дьокуускайбытыгар волонтердар хамсааһыннара үлэлээн барбыта.", "noisy": "Волонтердар – билинни кэм дьоруойдара Кулун тутар ыйтан Дьокуускайбытыгар волонтердар хамсааһыннара үлэлээн барбыта.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1590, "split": "test", "profile": "clean", "gold": "Бу баай – биһиги эрэ көлүөнэҕэ анаан айыллыбыт баай буолбатах.", "noisy": "Бу баай – биһиги эрэ көлүөнэҕэ анаан айыллыбыт баай буолбатах.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1591, "split": "dev", "profile": "ru_fold", "gold": "Ааты иҥэриигэ Николай Бястинов эмиэ сыһыаннаах, кини радиоҕа биэриитигэр Евгений Григорьев ыалдьыттыы кэлбитигэр, аһаҕас биэриигэ бу туруорсуу туһунан истээччи ыйыппыта.", "noisy": "Ааты инэриигэ Николай Бястинов эмиэ сыhыаннаах, кини радиога биэриитигэр Евгений Григорьев ыалдьыттыы кэлбитигэр, аhагас биэриигэ бу туруорсуу туhунан истээччи ыйыппыта.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1592, "split": "test", "profile": "leontiev", "gold": "Салгыы ол ылбыт өйдөбүлүн айымньыны ырытарыгар, таба саҥарарыгар, суруйарыгар а.э.", "noisy": "Салгыы ол ылбыт ейдебулун айымньыны ырытарыгар, таба санарарыгар, суруйарыгар а.э.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1593, "split": "dev", "profile": "digits", "gold": "Улууспут дьоно вакцинаны көхтөөхтүк ылан эрэллэр, — диэтэ.", "noisy": "Улууспут дьоно вакцинаны к8хт88хтyк ылан эрэллэр, — диэтэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1594, "split": "test", "profile": "mixed", "gold": "Аан дойду иккис сэриитин кэмигэр биһиги эһэлэрбит, хос эһэлэрбит төрөөбүт дойдуларын эрэ буолбакка, аан дойдуга фашизм суох буоларын иһин сэриилэспиттэрэ.", "noisy": "Аан дойду иккис сэриитин кэмигэр биьиги эьэлэрбит, хос эсэлэрбит торообyт дойдуларын эрэ буолбакка, аан дойдуга фашизм суох буоларын иьин сэриилэспиттэрэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1595, "split": "test", "profile": "partial", "gold": "Саха сиригэр стратегическай суолталаах Өлүөнэ муостатын сыбаайаларын туруоруу төһө да тымныы халлаан турдар салҕанар.", "noisy": "Саха сиригэр стратегическай суолталаах Өлүөнэ муостатын сыбаайаларын туруоруу төһө да тымныы халлаан турдар салганар.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1596, "split": "test", "profile": "clean", "gold": "Ити сыл аайы отчуоттан отчуокка соһуллан көһөн иһэр 100-чэкэ тыһ.", "noisy": "Ити сыл аайы отчуоттан отчуокка соһуллан көһөн иһэр 100-чэкэ тыһ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1597, "split": "dev", "profile": "ru_fold", "gold": "Аҕата Романов Николай Николаевич, ийэтэ Елена Петровна диэн этилэр, түөрт бииргэ төрөөбүттээх.", "noisy": "Агата Романов Николай Николаевич, ийэтэ Елена Петровна диэн этилэр, туорт бииргэ торообуттээх.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1598, "split": "dev", "profile": "leontiev", "gold": "Дьокуускайга атырдьах ыйын 7 күнүн түүнүгэр суол оҥорооччулар Курашов уулуссатыттан Орджоникидзе болуоссакка диэри суол учаастагын аспаалынан бүрүйэн саҕалаатылар.", "noisy": "Дьокуускайга атырдьах ыйын 7 кунун туунугэр суол онорооччулар Курашов уулуссатыттан Орджоникидзе болуоссакка диэри суол учаастагын аспаалынан буруйэн сагалаатылар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1599, "split": "test", "profile": "digits", "gold": "Доруобуйа харыстабылын бүтүн аан дойдутааҕы тэрилтэтин чахчытынан, аан дойдуга 2,2 миллиард киһи көрөрүгэр кыһалҕалаах, 45 мөлүйүөн киһи олох көрбөт.", "noisy": "Доруобуйа харыстабылын бyтyн аан дойдутаа5ы тэрилтэтин чахчытынан, аан дойдуга 2,2 миллиард киhи к8р8рyгэр кыhал5алаах, 45 м8лyйy8н киhи олох к8рб8т.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1600, "split": "dev", "profile": "mixed", "gold": "Мэҥэ-Хаҥалас улууһун Матта нэһилиэгэр 1950 с.", "noisy": "Мэнэ-Ханалас улууьун Матта нэьилиэгэр 1950 с.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1601, "split": "test", "profile": "partial", "gold": "Балаһыанньаны суһаллык тупсарбатахха, ынах сүөһү ахсаана өссө аҕыйыыр кутталлаах.", "noisy": "Балаһыанньаны суһаллык тупсарбатахха, ынах сүөһү ахсаана өссө агыйыыр кутталлаах.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1602, "split": "dev", "profile": "clean", "gold": "Үөрэҕэ суох хараҥа дьону Советскай былаас политикатын өйдөтүүгэ, баайдар батталларыгар, албыннарыгар олороллорун, арыйыыга утумнаахтык, дьаныардаахтык үлэлэспитэ.", "noisy": "Үөрэҕэ суох хараҥа дьону Советскай былаас политикатын өйдөтүүгэ, баайдар батталларыгар, албыннарыгар олороллорун, арыйыыга утумнаахтык, дьаныардаахтык үлэлэспитэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1603, "split": "dev", "profile": "ru_fold", "gold": "Эһэбит Маастар оҕонньор 4-тэ кэргэннэнэ сылдьыбыт.", "noisy": "Эhэбит Маастар огонньор 4-тэ кэргэннэнэ сылдьыбыт.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1604, "split": "test", "profile": "leontiev", "gold": "Пуойаһынан айанныыр үчүгэйин эриэхсит Саха сиригэр БАМ тутуута саҕаланыаҕыттан тимир суол хаһан кэлэрин эрэнэ күүппүппүт.", "noisy": "Пуойаьынан айанныыр учугэйин эриэхсит Саха сиригэр БАМ тутуута сагаланыагыттан тимир суол хаьан кэлэрин эрэнэ кууппуппут.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1605, "split": "test", "profile": "digits", "gold": "Маныаха оскуола оҕолоруттан, учууталлартан, төрөппүттэртэн саҕалаан ким баҕарар бу идэлэргэ кылгас кэм иһигэр үөрэниэхтэрин сөп.", "noisy": "Маныаха оскуола о5олоруттан, учууталлартан, т8р8ппyттэртэн са5алаан ким ба5арар бу идэлэргэ кылгас кэм иhигэр y8рэниэхтэрин с8п.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1606, "split": "dev", "profile": "mixed", "gold": "Хаптаҕайга олорон урукку детдом дьиэтин аттыгар прачка дьиэҕэ Тоҥ Суоруну, Семен Дмитриевич Алексеевы ыҥыран үһүөн олоҥхолуур этилэр.", "noisy": "Хапта5айга олорон урукку детдом дьиэтин аттыгар прачка дьиэ5э Тон Суоруну, Семен Дмитриевич Алексеевы ыныран усуон олонгхолуур этилэр.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1607, "split": "dev", "profile": "partial", "gold": "Оннооҕор эһэм Баһылаччаан, хос эһэм Төкүнүк Борукуоппай олоҥхоһуттарын туһунан Г.", "noisy": "Онноогор эһэм Баһылаччаан, хос эһэм Төкүнүк Борукуоппай олонхоһуттарын туһунан Г.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1608, "split": "dev", "profile": "clean", "gold": "Аныгы үйэ түөкүттэригэр киирэн биэрбэт туһугар, хас даҕаны судургу көмүскэнэр ньымалары өйдүү, туһана сылдьыахтааххыт: Сэрэхтээх буолуҥ.", "noisy": "Аныгы үйэ түөкүттэригэр киирэн биэрбэт туһугар, хас даҕаны судургу көмүскэнэр ньымалары өйдүү, туһана сылдьыахтааххыт: Сэрэхтээх буолуҥ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1609, "split": "dev", "profile": "ru_fold", "gold": "Убайым Сергучев Иннокентий Егорович бэйэтин хоһооннорун хомуурунньугар удьуордарын туһунан киллэрбитэ, онно эһэбитин улуу олоҥхоһутунан ахтан аһарар.", "noisy": "Убайым Сергучев Иннокентий Егорович бэйэтин хоhооннорун хомуурунньугар удьуордарын туhунан киллэрбитэ, онно эhэбитин улуу олонхоhутунан ахтан аhарар.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1610, "split": "dev", "profile": "leontiev", "gold": "Ол эрэн сэһэргэһиибин хайдах-туох саҕалыахпын тобуларбар олус ыарахан этэ.", "noisy": "Ол эрэн сэьэргэьиибин хайдах-туох сагалыахпын тобуларбар олус ыарахан этэ.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1611, "split": "dev", "profile": "digits", "gold": "бэчээттэнэн тахсыбыт уонна ааҕаччылар киэҥ биһирэбиллэрин ылбыт «Кыымтан төлөн күөдьүйэр» романыгар оҥорбута.", "noisy": "бэчээттэнэн тахсыбыт уонна аа5аччылар киэн биhирэбиллэрин ылбыт «Кыымтан т8л8н кy8дьyйэр» романыгар онорбута.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1612, "split": "dev", "profile": "mixed", "gold": "Тыа хаһаайыстыбатыгар өтөн киирбит бөдөҥ корпорациялары кытта конкуренциялаһар кыһалҕаттан бытархай фермердэр кыттыһыыларыттан саҕаламмыта!", "noisy": "Тыа хаьаайыстыбатыгар отон киирбит б8дон корпорациялары кытта конкуренциялаhар кыьал5аттан бытархай фермердэр кыттыьыыларыттан сахаламмыта!", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1613, "split": "dev", "profile": "partial", "gold": "Ол им бэлиэтэ сахалыы итинник ааттанна уонна көстүүтэ эмиэ итинник.", "noisy": "Ол им бэлиэтэ сахалыы итинник ааттанна уонна көстүүтэ эмиэ итинник.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1614, "split": "dev", "profile": "clean", "gold": "Ол сайын Рома кэлбитин кылааһын оҕолоро истэн көрсүбэтэхтэрэ ырааппыт дьон, дьэ көрсүспүттэрэ.", "noisy": "Ол сайын Рома кэлбитин кылааһын оҕолоро истэн көрсүбэтэхтэрэ ырааппыт дьон, дьэ көрсүспүттэрэ.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1615, "split": "dev", "profile": "ru_fold", "gold": "саҥатыгар аан дойдуга 1.5 — 2.1 млрд кэриҥэ христиан баар.", "noisy": "санатыгар аан дойдуга 1.5 — 2.1 млрд кэринэ христиан баар.", "source": "sah.wikipedia:Христианство"}
{"id": 1616, "split": "dev", "profile": "leontiev", "gold": "Олохтоохтор манна кимнээҕэр көхтөөхтүк, эйэ-дэмнээхтик олороллор, үлэлииллэр-хамсыыллар.", "noisy": "Олохтоохтор манна кимнээгэр кехтеехтук, эйэ-дэмнээхтик олороллор, улэлииллэр-хамсыыллар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1617, "split": "dev", "profile": "digits", "gold": "Сүрэххин, дууһаҕын таарыйар Сахалыы саҥаны сатыам дуо?", "noisy": "Сyрэххин, дууhа5ын таарыйар Сахалыы сананы сатыам дуо?", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1618, "split": "dev", "profile": "mixed", "gold": "Кини онно тыа сирин үлэһит үтүөтэ, салайааччы бастыҥа дьахталлара өрөспүүбүлүкэ социальнай-экэнэмиичэскэй сайдыытыгар киллэрбит кылааттарын анаан бэлиэтээбитэ.", "noisy": "Кини онно тыа сирин улэсит yтyотэ, салайааччы бастына дьахталлара ороспуyбулyкэ социальнай-экэнэмиичэскэй сайдыытыгар киллэрбит кылааттарын анаан бэлиэтээбитэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1619, "split": "dev", "profile": "partial", "gold": "И переводов песен сэргэстэһэ хаамсыахха түүҥҥэ барыахха, бэлэхтээ эн хос ырыата.", "noisy": "И переводов песен сэргэстэһэ хаамсыахха түүннэ барыахха, бэлэхтээ эн хос ырыата.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1620, "split": "dev", "profile": "clean", "gold": "Бастакы болдьоҕор олоххо киирбэтэҕин, күргэни тутуу көһөрүллэн, эрэннэриллибитин курдук харчыга былааннамматаҕа туох охсуулаах буолуой?", "noisy": "Бастакы болдьоҕор олоххо киирбэтэҕин, күргэни тутуу көһөрүллэн, эрэннэриллибитин курдук харчыга былааннамматаҕа туох охсуулаах буолуой?", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1621, "split": "dev", "profile": "ru_fold", "gold": "Эмтиир бырааһы кытары бииргэ көрөбүт, карточкатын толоробут, анаалыстарын үөрэтэбит, ханнык «узкай» идэлээх бырааһы ыҥыран сүбэлэтиэххэ сөбүн толкуйдуубут уо.д.а.", "noisy": "Эмтиир бырааhы кытары бииргэ коробут, карточкатын толоробут, анаалыстарын уорэтэбит, ханнык «узкай» идэлээх бырааhы ыныран субэлэтиэххэ собун толкуйдуубут уо.д.а.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1622, "split": "test", "profile": "leontiev", "gold": "Лауреаттар: Саха норуотун көмүс куоластаах ырыаһыта Валерий Ноев сырдык аатын үйэтитэн бүгүн Аммабыт улууһугар ырыа куттаах үтүө дьоммут кэлэннэр ырыа түһүлгэтин бэлэхтээбиттэригэр махтанабыт.", "noisy": "Лауреаттар: Саха норуотун кемус куоластаах ырыаьыта Валерий Ноев сырдык аатын уйэтитэн бугун Аммабыт улууьугар ырыа куттаах утуе дьоммут кэлэннэр ырыа туьулгэтин бэлэхтээбиттэригэр махтанабыт.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1623, "split": "test", "profile": "digits", "gold": "Көрсүө, сэмэй майгылаах киһи оҥорор быһыытын таба сыаналаан ыксаабакка, тиэтэйбэккэ, киһиргээбэккэ эрэ оҥорорунан үчүгэй, туһалаах буолан тахсарыгар тириэрдэн барыһы киллэрэри ситиһэр.", "noisy": "К8рсy8, сэмэй майгылаах киhи онорор быhыытын таба сыаналаан ыксаабакка, тиэтэйбэккэ, киhиргээбэккэ эрэ онорорунан yчyгэй, туhалаах буолан тахсарыгар тириэрдэн барыhы киллэрэри ситиhэр.", "source": "sah.wikipedia:Сахалар олохторун үөрэҕин тутуспат буолуу"}
{"id": 1624, "split": "test", "profile": "mixed", "gold": "Хата, олохтоох дьаһалтаҕа \"уопсастыба бэрээдэгин көрөр испэсэлиис\" диэн хамнастаах үлэһиттээхтэрин истэн соһуйа үөрдүбүт.", "noisy": "Хата, олохтоох дьаhалтага \"уопсастыба бэрээдэгин к8р8р испэсэлиис\" диэн хамнастаах улэьиттээхтэрин истэн соhуйа y8рдубут.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1625, "split": "test", "profile": "partial", "gold": "Дьэ, билигин кини төрөөбүт өрөспүүбүлүкэтэ сайдарын туһугар оҥорбут үтүөлэрин барытын аахпакка эрэ, кинини салайааччы быһыытынан үлэтин сыаналааһыҥҥа бэйэм санаабын этиэм этэ.", "noisy": "Дьэ, билигин кини төрөөбүт өрөспүүбүлүкэтэ сайдарын туһугар онорбут үтүөлэрин барытын аахпакка эрэ, кинини салайааччы быһыытынан үлэтин сыаналааһынна бэйэм санаабын этиэм этэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1626, "split": "test", "profile": "clean", "gold": "Даркыат илин өртүттэн баар уонна бад- Хомбурга (нем.", "noisy": "Даркыат илин өртүттэн баар уонна бад- Хомбурга (нем.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1627, "split": "dev", "profile": "ru_fold", "gold": "Айылҕаҕа сыһыаннаах эр дьон “сылдьан буоллаҕа” диэхтэрэ.", "noisy": "Айылгага сыhыаннаах эр дьон “сылдьан буоллага” диэхтэрэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1628, "split": "dev", "profile": "leontiev", "gold": "Ол эрээри уруу илдьитэ төһөнөн сэдэх көстүүлээх даҕаны, соччонон ыарахан сыаналаах буолара чахчы.", "noisy": "Ол эрээри уруу илдьитэ теьенен сэдэх кестуулээх даганы, соччонон ыарахан сыаналаах буолара чахчы.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1629, "split": "test", "profile": "digits", "gold": "Онон үлэҕэ уһуйуллуу оскуолата күүстээҕэ.", "noisy": "Онон yлэ5э уhуйуллуу оскуолата кyyстээ5э.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1630, "split": "dev", "profile": "mixed", "gold": "Кини онно Сэбиэскэй Сойуус үс төгүллээх геройун, авиация маршалын Иван К.....", "noisy": "Кини онно Сэбиэскэй Сойуус yс т8гуллээх геройун, авиация маршалын Иван К.....", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1631, "split": "dev", "profile": "partial", "gold": "Павловтаах били бааһырбыт киһилэрин быраҕа барбыттарын булан ылан доппуруостаан, ээҕин этитэн баран, НКВД этэрээтэ Павловтаах саһан олорбут лааҕырдарыгар тиийбит.", "noisy": "Павловтаах били бааһырбыт киһилэрин бырага барбыттарын булан ылан доппуруостаан, ээгин этитэн баран, НКВД этэрээтэ Павловтаах саһан олорбут лаагырдарыгар тиийбит.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1632, "split": "dev", "profile": "clean", "gold": "Биирдиилээн сылгыһыттартан, булчуттартан арыый да сытыылара-хотуулара түбэһэ түһэн кэпсэтэ сатаатахтарына, хоруйдарга сүгүн эппиэттээбэт, тоҥкуруун, ыарахан сирэйдээх-харахтаах дьон эбиттэр.", "noisy": "Биирдиилээн сылгыһыттартан, булчуттартан арыый да сытыылара-хотуулара түбэһэ түһэн кэпсэтэ сатаатахтарына, хоруйдарга сүгүн эппиэттээбэт, тоҥкуруун, ыарахан сирэйдээх-харахтаах дьон эбиттэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1633, "split": "dev", "profile": "ru_fold", "gold": "Ил Дархан олус долгуйбутун бэлиэтээн туран: «Куорат бочуоттаах олохтооҕо үрдүк аат эрэ буолбатах, өрөспүүбүлүкэ салайааччытын быһыытынан Дьокуускай ирбэт тоҥҥо турар бастыҥ куорат оҥорорго улахан эппиэтинэс», — диэтэ.", "noisy": "Ил Дархан олус долгуйбутун бэлиэтээн туран: «Куорат бочуоттаах олохтоого урдук аат эрэ буолбатах, ороспуубулукэ салайааччытын быhыытынан Дьокуускай ирбэт тонно турар бастын куорат онорорго улахан эппиэтинэс», — диэтэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1634, "split": "test", "profile": "leontiev", "gold": "Киһи буолууну ситиспит оҕо киһи быһыыта диэн хааччаҕы олоҕор туһана сылдьара табыллар кыахтанар.", "noisy": "Киьи буолууну ситиспит ого киьи быьыыта диэн хааччагы ологор туьана сылдьара табыллар кыахтанар.", "source": "sah.wikipedia:Сахалар олохторун үөрэҕин тутуспат буолуу"}
{"id": 1635, "split": "test", "profile": "digits", "gold": "Хаатыҥкалары ылаттаары көрбүтүм доҕоор, ыскаап таһыгар иккиэн кэккэлэһэн тураллар эбит.", "noisy": "Хаатынкалары ылаттаары к8рбyтyм до5оор, ыскаап таhыгар иккиэн кэккэлэhэн тураллар эбит.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1636, "split": "test", "profile": "mixed", "gold": "Бука, ол араҥаска сытар киһи илэ хаама сырыттаҕа.", "noisy": "Бука, ол аранаска сытар киьи илэ хаама сырытта5а.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1637, "split": "test", "profile": "partial", "gold": "от ыйын 16 күнүгэр армияҕа ыҥырыллыбыта.", "noisy": "от ыйын 16 күнүгэр армияга ынырыллыбыта.", "source": "sah.wikipedia:Ксенофонтов Василий Васильевич"}
{"id": 1638, "split": "dev", "profile": "clean", "gold": "Хаптаҕай 2 этээстээх оскуолатын тутуутугар сылдьыбыта, кыһынын Охотскай перевозка салайааччынан сылдьара, онон дьиэтигэр көстүбэт да кэриэтэ этэ.", "noisy": "Хаптаҕай 2 этээстээх оскуолатын тутуутугар сылдьыбыта, кыһынын Охотскай перевозка салайааччынан сылдьара, онон дьиэтигэр көстүбэт да кэриэтэ этэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1639, "split": "dev", "profile": "ru_fold", "gold": "Ханнык баҕарар куһаҕан туругу ууну ханар гына утуйан туруу, иҥэмтэлээх аһылык, киһи астынар сөбүлүүр дьарыга киэр кыйдыахтара.", "noisy": "Ханнык багарар куhаган туругу ууну ханар гына утуйан туруу, инэмтэлээх аhылык, киhи астынар собулуур дьарыга киэр кыйдыахтара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1640, "split": "test", "profile": "leontiev", "gold": "Ону билигин киһи аймах өйдөөн эрэр, киинэ ити көрдөөһүҥҥэ хараҕы аста.", "noisy": "Ону билигин киьи аймах ейдеен эрэр, киинэ ити кердееьуннэ харагы аста.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1641, "split": "test", "profile": "digits", "gold": "Саха Өрөспүүбүлүкэтин Ил Дархана Айсен Николаев дойду бэрэсидьиэнэ Владимир Путины кытары видео-сибээһинэн кэпсэттэ.", "noisy": "Саха 8р8спyyбyлyкэтин Ил Дархана Айсен Николаев дойду бэрэсидьиэнэ Владимир Путины кытары видео-сибээhинэн кэпсэттэ.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1642, "split": "dev", "profile": "mixed", "gold": "Аан дойду олоҕун элбэхтэр бары бүттүүн куоластааһыны туһанан салайыыларыгар сыыйа тириэрдэн иһэллэр.", "noisy": "Аан дойду олохун элбэхтэр бары бyттуун куоластааьыны туhанан салайыыларыгар сыыйа тириэрдэн иhэллэр.", "source": "sah.wikipedia:Элбэхтэр"}
{"id": 1643, "split": "dev", "profile": "partial", "gold": "Скрарбукинг тиэхиньикэтинэн үөрэнээччи уруокка туһанар илииһин оҥоруу киирдэ.", "noisy": "Скрарбукинг тиэхиньикэтинэн үөрэнээччи уруокка туһанар илииһин оноруу киирдэ.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1644, "split": "dev", "profile": "clean", "gold": "Миигин «Оҕом үөрэхтээх киһи буолан олордоҕуна кэлэн кэтэҕиттэн сыллыаҕым» диирэ эбитэ үһү.", "noisy": "Миигин «Оҕом үөрэхтээх киһи буолан олордоҕуна кэлэн кэтэҕиттэн сыллыаҕым» диирэ эбитэ үһү.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1645, "split": "test", "profile": "ru_fold", "gold": "Эрчимнээхтик хамсаныы диэн күүстээхтик уонна түргэнник хамсаныы ааттанар.", "noisy": "Эрчимнээхтик хамсаныы диэн куустээхтик уонна тургэнник хамсаныы ааттанар.", "source": "sah.wikipedia:Күүс уонна хамсаныы"}
{"id": 1646, "split": "test", "profile": "leontiev", "gold": "Онон, сэҥээрэр буоллаххытына, “Кынат” диэн аатынан киирэн көрдөөрүҥ.", "noisy": "Онон, сэнээрэр буоллаххытына, “Кынат” диэн аатынан киирэн кердеерун.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1647, "split": "dev", "profile": "digits", "gold": "Дьаһалта «Гребнев» ИП диэн бородууктанан хааччыйар маҕаһыыны кытары 100 тыһ.", "noisy": "Дьаhалта «Гребнев» ИП диэн бородууктанан хааччыйар ма5аhыыны кытары 100 тыh.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1648, "split": "test", "profile": "mixed", "gold": "Туох барыта кыра кыралаан, биирдии “хааппыланан” үөскүүр баҕайыта.", "noisy": "Туох барыта кыра кыралаан, биирдии “хааппыланан” y8скyyр багайыта.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1649, "split": "dev", "profile": "partial", "gold": "Тоҕус туруйа уолларынан, сэттэ кыталык кыыстарынан киэҥник тарҕанан олорбут уруккуга халыҥ аймах.", "noisy": "Тогус туруйа уолларынан, сэттэ кыталык кыыстарынан киэнник тарганан олорбут уруккуга халын аймах.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1650, "split": "test", "profile": "clean", "gold": "Вручение паспортов в День России Иван Степанович Заровняев «Үлэлээбит Түүлээҕим – мин дьылҕабар» кинигэтин презентацията Бүтүн Россия үрдүнэн ыытыллар библиотека күнүн чэрчитинэн ыам ыйын 29 күнүгэр биир дойдулаахпыт В.", "noisy": "Вручение паспортов в День России Иван Степанович Заровняев «Үлэлээбит Түүлээҕим – мин дьылҕабар» кинигэтин презентацията Бүтүн Россия үрдүнэн ыытыллар библиотека күнүн чэрчитинэн ыам ыйын 29 күнүгэр биир дойдулаахпыт В.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1651, "split": "dev", "profile": "ru_fold", "gold": "СӨ Үөрэҕин уонна министиэристибэтин саайтыгар маныаха сыһыаннаах сэрэтии таҕыста.", "noisy": "СО Уорэгин уонна министиэристибэтин саайтыгар маныаха сыhыаннаах сэрэтии тагыста.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1652, "split": "test", "profile": "leontiev", "gold": "Хас биирдии чэй Күннүк Уурастыырап бэчээккэ тахсыбыт кинигэтин хаҕа ойуулаахтар.", "noisy": "Хас биирдии чэй Куннук Уурастыырап бэчээккэ тахсыбыт кинигэтин хага ойуулаахтар.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1653, "split": "test", "profile": "digits", "gold": "Ол бу баар: “Былыр-былыргыттан сахалар бэйэлэрин айыы тыыннаах айылҕа оҕолорунан ааҕыналлара.", "noisy": "Ол бу баар: “Былыр-былыргыттан сахалар бэйэлэрин айыы тыыннаах айыл5а о5олорунан аа5ыналлара.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1654, "split": "test", "profile": "mixed", "gold": "Атыыһыт суоҕун уонна каасса аһаҕас турарын туһанан, кини онтон 100 тыһ.солк.", "noisy": "Атыыьыт суо5ун уонна каасса асагас турарын тусанан, кини онтон 100 тыс.солк.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1655, "split": "test", "profile": "partial", "gold": "единица оннугар сүөһүбүт 10 ц эрэ аһаан турар диэн суруллар.", "noisy": "единица оннугар сүөһүбүт 10 ц эрэ аһаан турар диэн суруллар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1656, "split": "test", "profile": "clean", "gold": "Гиззатулла эмиэ саа-саадах тутарга күһэллибитэ.", "noisy": "Гиззатулла эмиэ саа-саадах тутарга күһэллибитэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1657, "split": "test", "profile": "ru_fold", "gold": "Тимир суол иһитиннэриитэ Сүрүн вокзал Франкфурт (нем.", "noisy": "Тимир суол иhитиннэриитэ Сурун вокзал Франкфурт (нем.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1658, "split": "test", "profile": "leontiev", "gold": "Эдэр ийэ Ирина Пестерева үрүҥ балыгы туустаата.", "noisy": "Эдэр ийэ Ирина Пестерева урун балыгы туустаата.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1659, "split": "dev", "profile": "digits", "gold": "Кини ааннарын хатаммакка олорор ыалларга үөмэн киирэн, ким ханнык хоско тугу дьарыктанарын кичэйэн иһиллээн баран, аан таһыттан сөбүлүү көрбүт малын тутан тахсар үһү.", "noisy": "Кини ааннарын хатаммакка олорор ыалларга y8мэн киирэн, ким ханнык хоско тугу дьарыктанарын кичэйэн иhиллээн баран, аан таhыттан с8бyлyy к8рбyт малын тутан тахсар yhy.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1660, "split": "test", "profile": "mixed", "gold": "Аны сааһыран иһэн пенсияҕа сынньалаҥҥа да олордорбун 2015 сылтан нэһилиэгим депутатынан талыллан үлэлиибин.", "noisy": "Аны саасыран иhэн пенсияха сынньаланнга да олордорбун 2015 сылтан нэсилиэгим депутатынан талыллан улэлиибин.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1661, "split": "dev", "profile": "partial", "gold": "Тэрээһиннэр — Манна олунньу 25 күнүгэр ЭТНО-бэстибээл буолан ааспыта.", "noisy": "Тэрээһиннэр — Манна олунньу 25 күнүгэр ЭТНО-бэстибээл буолан ааспыта.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1662, "split": "dev", "profile": "clean", "gold": "Ыал буол, тэлгэһэҕин олбуордаа, сэргэтэ туруор, дьиэтэ тутун, сүөһүнү иит, үүнээйини үүннэр.", "noisy": "Ыал буол, тэлгэһэҕин олбуордаа, сэргэтэ туруор, дьиэтэ тутун, сүөһүнү иит, үүнээйини үүннэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1663, "split": "test", "profile": "ru_fold", "gold": "Арай дьиэҕэ чугаһаабытым, дьонум хас да сааны, ботуруоннары булан, дьиэттэн тахсан иһэллэр эбит.", "noisy": "Арай дьиэгэ чугаhаабытым, дьонум хас да сааны, ботуруоннары булан, дьиэттэн тахсан иhэллэр эбит.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1664, "split": "dev", "profile": "leontiev", "gold": "1805 — Карабах баһылыга Ибрагим-хан Арассыыйа ыраахтааҕытыгар присяга биэрбит.", "noisy": "1805 — Карабах баьылыга Ибрагим-хан Арассыыйа ыраахтаагытыгар присяга биэрбит.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1665, "split": "test", "profile": "digits", "gold": "«Өрөспүүбүлүкэ улахан өрүстэригэр сыл ахсын муус барыыта биһиэхэ улахан тургутуу, муус харыыта мэлдьи буолар.", "noisy": "«8р8спyyбyлyкэ улахан 8рyстэригэр сыл ахсын муус барыыта биhиэхэ улахан тургутуу, муус харыыта мэлдьи буолар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1666, "split": "dev", "profile": "mixed", "gold": "— Кырдьык, мин Спорт кэмитиэтин салайар кэммэр физкултуура уонна спорт үлэһиттэрин дьиэнэн-уотунан хааччыйар уустук кыһалҕаны быһаарар сыалтан тэрийбиппит.", "noisy": "— Кырдьык, мин Спорт кэмитиэтин салайар кэммэр физкултуура уонна спорт yлэьиттэрин дьиэнэн-уотунан хааччыйар уустук кысал5аны бысаарар сыалтан тэрийбиппит.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1667, "split": "test", "profile": "partial", "gold": "Харысхаллаах, толкуйдаах отчут, хотон далбарын кытта мөккүһэр кыаҕа суох салайааччылардаах аныгы кэмтэн кыһыйа, хомойо саныыгын.", "noisy": "Харысхаллаах, толкуйдаах отчут, хотон далбарын кытта мөккүһэр кыага суох салайааччылардаах аныгы кэмтэн кыһыйа, хомойо саныыгын.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1668, "split": "dev", "profile": "clean", "gold": "Антивирус бырагырааманан туһанар буолуҥ — биллэр антивирустарга барыларыгар кутталлаах ресурсалары тургутан көрөр үнүстүрүмүөннээхтэр.", "noisy": "Антивирус бырагырааманан туһанар буолуҥ — биллэр антивирустарга барыларыгар кутталлаах ресурсалары тургутан көрөр үнүстүрүмүөннээхтэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1669, "split": "dev", "profile": "ru_fold", "gold": "Кини ырыаһыт диэтэххэ ырыаһыт, кэпсээнньит диэтэххэ кэпсээнньит, олоҥхоһут диэтэххэ олоҥхоһут бэрдэ эбитэ үһү.", "noisy": "Кини ырыаhыт диэтэххэ ырыаhыт, кэпсээнньит диэтэххэ кэпсээнньит, олонхоhут диэтэххэ олонхоhут бэрдэ эбитэ уhу.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1670, "split": "test", "profile": "leontiev", "gold": "Тулла оҕонньор сахалыы үгэһинэн олордор да, Аллахха итэҕэйэрэ.", "noisy": "Тулла огонньор сахалыы угэьинэн олордор да, Аллахха итэгэйэрэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1671, "split": "dev", "profile": "digits", "gold": "Ол сылларга кини көҥүл тустууга Украинскай ССР эдэрдэргэ чемпиона, Украина Кубогын үрүҥ көмүс призера буолбута, аатырбыт маршал Малиновскай бирииһигэр Бүтүн Сойуустааҕы турниры кыайбыта.", "noisy": "Ол сылларга кини к8нyл тустууга Украинскай ССР эдэрдэргэ чемпиона, Украина Кубогын yрyн к8мyс призера буолбута, аатырбыт маршал Малиновскай бирииhигэр Бyтyн Сойуустаа5ы турниры кыайбыта.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1672, "split": "test", "profile": "mixed", "gold": "Оннук дьоҥҥо анаан түүн да, күнүс да \"тапталлаах\" утаҕын баҕатын хоту аҕалан биэрэр тэрилтэлэр баар буолуохтара.", "noisy": "Оннук дьонно анаан туун да, кyнус да \"тапталлаах\" ута5ын багатын хоту а5алан биэрэр тэрилтэлэр баар буолуохтара.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1673, "split": "test", "profile": "partial", "gold": "Туһата суох хамсаныылары, сыыһа-халты туттунуулары оҥорбот, холустук хамсаммат буолуу боччумнаах диэн ааттанар.", "noisy": "Туһата суох хамсаныылары, сыыһа-халты туттунуулары онорбот, холустук хамсаммат буолуу боччумнаах диэн ааттанар.", "source": "sah.wikipedia:Сахалар олохторун үөрэҕин тутуспат буолуу"}
{"id": 1674, "split": "dev", "profile": "clean", "gold": "Ильин халааҥҥа бэлэмнэнии үлэтин туһунан дакылаат оҥордо.", "noisy": "Ильин халааҥҥа бэлэмнэнии үлэтин туһунан дакылаат оҥордо.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1675, "split": "dev", "profile": "ru_fold", "gold": "Путин ыам ыйынааҕы Ыйааҕар олоҕуран хамнаһы үрдэтиигэ тириэньэрдэр, спорт исписэлиистэрэ хапсыбатахтара.", "noisy": "Путин ыам ыйынаагы Ыйаагар ологуран хамнаhы урдэтиигэ тириэньэрдэр, спорт исписэлиистэрэ хапсыбатахтара.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1676, "split": "test", "profile": "leontiev", "gold": "Тоҕо диэтэххэ, быраактыка көрдөрөрүнэн (үгүс түбэлтэҕэ), киһи онтон өлбөт.", "noisy": "Того диэтэххэ, быраактыка кердерерунэн (угус тубэлтэгэ), киьи онтон елбет.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1677, "split": "test", "profile": "digits", "gold": "Биирдэ кыыһыра түһээт сыыһа хамсанар киһи сүөһүтүн өйүгэр-санаатыгар түһэ охсон хаалара тиийэн кэлэр.", "noisy": "Биирдэ кыыhыра тyhээт сыыhа хамсанар киhи сy8hyтyн 8йyгэр-санаатыгар тyhэ охсон хаалара тиийэн кэлэр.", "source": "sah.wikipedia:Сахалар олохторун үөрэҕин тутуспат буолуу"}
{"id": 1678, "split": "test", "profile": "mixed", "gold": "Салайааччыны солбуйааччы этэринэн, бүгүҥҥү көрдөрүүнэн дьаҥҥа хаптарыы 200-кэ тиийбэтэҕин, онон бу ааспыт икки ый устатынааҕы көрдөрүүтээҕэр арыычча тупсуу баарын бэлиэтээтэ.", "noisy": "Салайааччыны солбуйааччы этэринэн, бугyннгy к8рд8рyунэн дьангнга хаптарыы 200-кэ тиийбэтэхин, онон бу ааспыт икки ый устатынаагы к8рдоруутээ5эр арыычча тупсуу баарын бэлиэтээтэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1679, "split": "test", "profile": "partial", "gold": "Идэһэни хоннорон, тоҥорон баран сиэниллэр.", "noisy": "Идэһэни хоннорон, тонорон баран сиэниллэр.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1680, "split": "test", "profile": "clean", "gold": "Ол эрээри бу сыыппара оонньуута суох норуот доруобуйатыгар, аһыгар-үөлүгэр охсуулаах эбит.", "noisy": "Ол эрээри бу сыыппара оонньуута суох норуот доруобуйатыгар, аһыгар-үөлүгэр охсуулаах эбит.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1681, "split": "dev", "profile": "ru_fold", "gold": "Бу кинигэҕэ биһиги Курууппа ойуун саха итэҕэлин туһунан кэпсээнин уонна ахтыытын киллэрдибит.", "noisy": "Бу кинигэгэ биhиги Курууппа ойуун саха итэгэлин туhунан кэпсээнин уонна ахтыытын киллэрдибит.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1682, "split": "dev", "profile": "leontiev", "gold": "Учууталбыт Екатерина Гаврильевна Атласова биһигини элбэххэ үөрэппитэ.", "noisy": "Учууталбыт Екатерина Гаврильевна Атласова биьигини элбэххэ уерэппитэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1683, "split": "dev", "profile": "digits", "gold": "Араҕыстаҕын аайы ыйытар этим да, аҕата биэрбэт этэ.", "noisy": "Ара5ыста5ын аайы ыйытар этим да, а5ата биэрбэт этэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1684, "split": "dev", "profile": "mixed", "gold": "Мэҥэ-Хаҥалас улууһугар фольклору хомуйааччылар корреспондентскай постара тэриллибитэ.", "noisy": "Мэнэ-Хангалас улууhугар фольклору хомуйааччылар корреспондентскай постара тэриллибитэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1685, "split": "test", "profile": "partial", "gold": "Ол иһин оҕо БКЭ бэлэмнэнэригэр билиитин барытын систиэмэлиир.", "noisy": "Ол иһин ого БКЭ бэлэмнэнэригэр билиитин барытын систиэмэлиир.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1686, "split": "dev", "profile": "clean", "gold": "Маны сөргүтэн, кэҥэтэн, быраабылатын тутуһан, аныгылыы тупсаҕайдык оҥорон туһаныахха диэн этээччилэр эмиэ бааллар.", "noisy": "Маны сөргүтэн, кэҥэтэн, быраабылатын тутуһан, аныгылыы тупсаҕайдык оҥорон туһаныахха диэн этээччилэр эмиэ бааллар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1687, "split": "dev", "profile": "ru_fold", "gold": "Саахсаланар күннэрин-чаастарын болдьоһон, атын туох өҥөнү оҥорторуохтарын баҕаралларын үлэһэллэр.", "noisy": "Саахсаланар куннэрин-чаастарын болдьоhон, атын туох онону онорторуохтарын багаралларын улэhэллэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1688, "split": "dev", "profile": "leontiev", "gold": "— Валерий Мамонтов, төһө да хараҕынан олус мөлтөөтөр, олоххо тардыһыытын сүтэрбэт.", "noisy": "— Валерий Мамонтов, теье да харагынан олус мелтеетер, олоххо тардыьыытын сутэрбэт.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1689, "split": "test", "profile": "digits", "gold": "Саха сирэ түрүлүөннээх дойдулартан ыраах бүгэн сытар буолан оннук кыһалҕа бэрт уһун кэмнэргэ суоһаабатах, оттон бэйэ иһигэр “былаас былдьаһыыта” мэлдьи баара.", "noisy": "Саха сирэ тyрyлy8ннээх дойдулартан ыраах бyгэн сытар буолан оннук кыhал5а бэрт уhун кэмнэргэ суоhаабатах, оттон бэйэ иhигэр “былаас былдьаhыыта” мэлдьи баара.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1690, "split": "test", "profile": "mixed", "gold": "Уйбаан аргыһа олус кэпсээннээх киһи буолан биэрбит, айаҕа адьас хам буолбакка үгүһү сэһэргии олорбут.", "noisy": "Уйбаан аргыhа олус кэпсээннээх киhи буолан биэрбит, айага адьас хам буолбакка yгуьу сэьэргии олорбут.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1691, "split": "dev", "profile": "partial", "gold": "Талааннаах киһи туохха барытыгар дьоҕурдаах буолар.", "noisy": "Талааннаах киһи туохха барытыгар дьогурдаах буолар.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1692, "split": "test", "profile": "clean", "gold": "Чыпчылҕан ыйытыктар – 50-ча сыл артыыстаабыт киһи, «эдэр режиссёр сороҕор сыыһа ыйар-кэрдэр быһыылаах» дии санааччыҥ суох дуо?", "noisy": "Чыпчылҕан ыйытыктар – 50-ча сыл артыыстаабыт киһи, «эдэр режиссёр сороҕор сыыһа ыйар-кэрдэр быһыылаах» дии санааччыҥ суох дуо?", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1693, "split": "test", "profile": "ru_fold", "gold": "– Сөмөлүөт намтаан эрэр, баһаалыста, кургун баан!", "noisy": "– Сомолуот намтаан эрэр, баhаалыста, кургун баан!", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1694, "split": "test", "profile": "leontiev", "gold": "Хамыыһыйа дириэктэр хоһугар үлэлиир эбит.", "noisy": "Хамыыьыйа дириэктэр хоьугар улэлиир эбит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1695, "split": "dev", "profile": "digits", "gold": "Ол иһин барыта тэтимнээх соҕустук баран иһиэхтээх, хартыына уларыйа туруохтаах.", "noisy": "Ол иhин барыта тэтимнээх со5устук баран иhиэхтээх, хартыына уларыйа туруохтаах.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1696, "split": "test", "profile": "mixed", "gold": "Ол кэннэ оҕом хоһугар түүҥҥү лаампаны холбуур буолбутум, итинник олорбуппут.", "noisy": "Ол кэннэ охом хосугар туyннy лаампаны холбуур буолбутум, итинник олорбуппут.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1697, "split": "test", "profile": "partial", "gold": "Кэлэктииби ыллахха, күн бүгүн 1 №-дээх автобаза «Белазтарын» суоппардара күүскэ үлэлии сылдьаллар.", "noisy": "Кэлэктииби ыллахха, күн бүгүн 1 №-дээх автобаза «Белазтарын» суоппардара күүскэ үлэлии сылдьаллар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1698, "split": "dev", "profile": "clean", "gold": "Миэхэ саха, корея уонна долган норуоттарын хааннара сүүрэр.", "noisy": "Миэхэ саха, корея уонна долган норуоттарын хааннара сүүрэр.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1699, "split": "dev", "profile": "ru_fold", "gold": "Өй-санаа көрдөбүллэрин, олохсуйбут үгэстэри тутуспатахха, оҕо көҥүлүнэн барыыга иитиллэн, атаахтык улаатарыттан төрөппүттэрин букатын да истибэтин тэҥэ, арахсан барыан, быраҕыан сөп.", "noisy": "Ой-санаа кордобуллэрин, олохсуйбут угэстэри тутуспатахха, ого конулунэн барыыга иитиллэн, атаахтык улаатарыттан тороппуттэрин букатын да истибэтин тэнэ, арахсан барыан, бырагыан соп.", "source": "sah.wikipedia:Көрдөбүл уонна ирдэбил"}
{"id": 1700, "split": "test", "profile": "leontiev", "gold": "Онтум манна кэлээппин кытта кэннибиттэн аҕыйах хоноот, уоппускаҕа ыытар буоллулар диэн үөрүүлээх сонуну сибээскэ тахсан ыыппыта.", "noisy": "Онтум манна кэлээппин кытта кэннибиттэн агыйах хоноот, уоппускага ыытар буоллулар диэн уеруулээх сонуну сибээскэ тахсан ыыппыта.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1701, "split": "dev", "profile": "digits", "gold": "Бүгүн Төрөөбүт тыл уонна сурук-бичик күнүгэр саха тыллаах бүттүүнэ сахалыы таҥас кэтэн, бэйэ-бэйэтин сайдам тылынан ууруйдуур-айхаллыыр.", "noisy": "Бyгyн Т8р88бyт тыл уонна сурук-бичик кyнyгэр саха тыллаах бyттyyнэ сахалыы танас кэтэн, бэйэ-бэйэтин сайдам тылынан ууруйдуур-айхаллыыр.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1702, "split": "test", "profile": "mixed", "gold": "Оччотугар тыа сирэ син өрө тыыныа, дьон олохсуйуо этэ.", "noisy": "Оччотугар тыа сирэ син 8р8 тыыныа, дьон олохсуйуо этэ.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1703, "split": "dev", "profile": "partial", "gold": "Онон ыам ыйын 10 күнүгэр диэри халаан уутугар бэлэмнэнии тэрээһинин олоччу бүтэрэргэ сорудахтаатылар.", "noisy": "Онон ыам ыйын 10 күнүгэр диэри халаан уутугар бэлэмнэнии тэрээһинин олоччу бүтэрэргэ сорудахтаатылар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1704, "split": "dev", "profile": "clean", "gold": "Гормон оҥорор бүөр былчархайдарыгар, ноорго дьайар буолан, эр киһи баҕатын баттыыр, потенциятыгар куһаҕаннык дьайар.", "noisy": "Гормон оҥорор бүөр былчархайдарыгар, ноорго дьайар буолан, эр киһи баҕатын баттыыр, потенциятыгар куһаҕаннык дьайар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1705, "split": "dev", "profile": "ru_fold", "gold": "Ону интэриэһиргээн, сэминээрдэргэ сырыттым, Тыа хаһаайыстыбатын академиятыгар эбии пчеловодство идэтигэр үөрэнним.", "noisy": "Ону интэриэhиргээн, сэминээрдэргэ сырыттым, Тыа хаhаайыстыбатын академиятыгар эбии пчеловодство идэтигэр уорэнним.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1706, "split": "dev", "profile": "leontiev", "gold": "Аҥардас чэпчэкини көрдөнөн үөрэх ылар эбэтэр орто дойдуга үөрэнээри эрэ кэлбит саҕа санааһын сыыһа.", "noisy": "Анардас чэпчэкини керденен уерэх ылар эбэтэр орто дойдуга уерэнээри эрэ кэлбит сага санааьын сыыьа.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1707, "split": "dev", "profile": "digits", "gold": "Кэнсиэр оскуола үөрэнээччилэрин уонна коллективын Россия гимнин толоруутунан өрө көтөҕүллүүлээхтик арылынна.", "noisy": "Кэнсиэр оскуола y8рэнээччилэрин уонна коллективын Россия гимнин толоруутунан 8р8 к8т85yллyyлээхтик арылынна.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1708, "split": "dev", "profile": "mixed", "gold": "араас тэрээһиннэргэ спонсордаан, бириис туруоран, үгүс көмөнү оҥороллор.", "noisy": "араас тэрээьиннэргэ спонсордаан, бириис туруоран, угyс к8м8нy онгороллор.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1709, "split": "dev", "profile": "partial", "gold": "бэс ыйыгар төрөөбүтүн мэктиэлиир докумуоннааҕын үрдүнэн, Кэмпэндээйитээҕи өлүү холуонньатыгар симпиттэр.", "noisy": "бэс ыйыгар төрөөбүтүн мэктиэлиир докумуоннаагын үрдүнэн, Кэмпэндээйитээги өлүү холуонньатыгар симпиттэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1710, "split": "test", "profile": "clean", "gold": "Сиэрдээх өй-санаа суох, норуот туһугар, кэскил туһа диэн хайысха суох.", "noisy": "Сиэрдээх өй-санаа суох, норуот туһугар, кэскил туһа диэн хайысха суох.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1711, "split": "test", "profile": "ru_fold", "gold": "Киинэни оҥорон таһаарыыны харчынан өйүүр бирикээскэ иһитиннэрбиттэринэн, бу сокуоҥҥа саҥа киллэрии туолуутун Арассыыйа Федерациятын култууратын миниистирин бастакы солбуйааччытыгар Сергей Обрывалиҥҥа сүктэрилиннэ.", "noisy": "Киинэни онорон таhаарыыны харчынан ойуур бирикээскэ иhитиннэрбиттэринэн, бу сокуонна сана киллэрии туолуутун Арассыыйа Федерациятын култууратын миниистирин бастакы солбуйааччытыгар Сергей Обрывалинна суктэрилиннэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1712, "split": "dev", "profile": "leontiev", "gold": "Кэлиҥҥинэн сахалыы истиилинэн таҥныбыт кийиит кыргыттары көрдөххө, хайа да саха санаалыын чэпчиэ дии саныыбын.", "noisy": "Кэлиннинэн сахалыы истиилинэн танныбыт кийиит кыргыттары кердеххе, хайа да саха санаалыын чэпчиэ дии саныыбын.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1713, "split": "test", "profile": "digits", "gold": "Ырыаһыт доҕоттордоох буоламмыт, Эстрада тыйаатырыттан биир ырыаһыты ыҥырбыппыт.", "noisy": "Ырыаhыт до5оттордоох буоламмыт, Эстрада тыйаатырыттан биир ырыаhыты ынырбыппыт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1714, "split": "dev", "profile": "mixed", "gold": "Сайыҥҥы кэмҥэ суола-ииһэ суох ыраах сытар Кустуур, Дьарҕаалаах нэһилиэктэригэр бөртөлүөтүнэн бастакы уочарат ыыта сатыыбыт.", "noisy": "Сайыннгы кэмнгэ суола-ииhэ суох ыраах сытар Кустуур, Дьаргаалаах нэьилиэктэригэр борт8лy8тунэн бастакы уочарат ыыта сатыыбыт.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1715, "split": "dev", "profile": "partial", "gold": "Итинник иһит мааны иһит диэн ааттанар уонна иистэнэр иһит буолар.", "noisy": "Итинник иһит мааны иһит диэн ааттанар уонна иистэнэр иһит буолар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1716, "split": "dev", "profile": "clean", "gold": "Үйэтин тухары Стахановец колхозка олорон, 7 оҕону төрөтөн, киһи-хара оҥортообут кырдьаҕас.", "noisy": "Үйэтин тухары Стахановец колхозка олорон, 7 оҕону төрөтөн, киһи-хара оҥортообут кырдьаҕас.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1717, "split": "dev", "profile": "ru_fold", "gold": "Кырачаан иитиллээччилэр кэнсиэр көрдөрдүлэр.", "noisy": "Кырачаан иитиллээччилэр кэнсиэр кордордулэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1718, "split": "test", "profile": "leontiev", "gold": "Саха сиригэр биир нэдиэлэ сылдьыбыт кэммэр көрсүбүт киһибиттэн барытыттан Гиззатулла Рахматуллин туһунан ыйыталастым.", "noisy": "Саха сиригэр биир нэдиэлэ сылдьыбыт кэммэр керсубут киьибиттэн барытыттан Гиззатулла Рахматуллин туьунан ыйыталастым.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1719, "split": "test", "profile": "digits", "gold": "Бу сыллар тухары федеральнай төрүт сир олохтоммото.", "noisy": "Бу сыллар тухары федеральнай т8рyт сир олохтоммото.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1720, "split": "test", "profile": "mixed", "gold": "«Хаххах» кэпэрэтиип салайааччыта Маргарита Скрябина өҥө иһин ылар харчытын барытын кэриэтин хамнас оҥорорун этэр.", "noisy": "«Хаххах» кэпэрэтиип салайааччыта Маргарита Скрябина он8 иьин ылар харчытын барытын кэриэтин хамнас онгорорун этэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1721, "split": "dev", "profile": "partial", "gold": "Ити курдук чаҕылхайдык симиэнэбит күлүм гынан ааспыта.", "noisy": "Ити курдук чагылхайдык симиэнэбит күлүм гынан ааспыта.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1722, "split": "test", "profile": "clean", "gold": "Хоруй: Быйыл 8 тыһыынчаттан тахса оҕо бүтэрэр.", "noisy": "Хоруй: Быйыл 8 тыһыынчаттан тахса оҕо бүтэрэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1723, "split": "dev", "profile": "ru_fold", "gold": "Ньиэмэстэр даҕаны бу сиргэ улахан суолта биэрэн, талыы күүстэрин тута сыппыттара, уонна олох бүтэһиккэ диэри оннук тэриммиттэрэ.", "noisy": "Ньиэмэстэр даганы бу сиргэ улахан суолта биэрэн, талыы куустэрин тута сыппыттара, уонна олох бутэhиккэ диэри оннук тэриммиттэрэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1724, "split": "dev", "profile": "leontiev", "gold": "Сааһырыар диэри кэргэн тахсыбатах кыыс оҕо уһуннук кыыһынан сылдьара кырдьык да кыаллыбат буолуон сөп.", "noisy": "Сааьырыар диэри кэргэн тахсыбатах кыыс ого уьуннук кыыьынан сылдьара кырдьык да кыаллыбат буолуон сеп.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1725, "split": "test", "profile": "digits", "gold": "Арай түүн утуйа сыттахтарына Ходулов тиийэн кэлбит.", "noisy": "Арай тyyн утуйа сыттахтарына Ходулов тиийэн кэлбит.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1726, "split": "dev", "profile": "mixed", "gold": "Маны таһынан, холобур, Мииринэй улууһугар урут үс уокурук баар эбит буоллаҕына, билигин Удачнайы уонна Айхалы холбоон, биир уокурук оҥордулар.", "noisy": "Маны тасынан, холобур, Мииринэй улууhугар урут ус уокурук баар эбит буолла5ына, билигин Удачнайы уонна Айхалы холбоон, биир уокурук онордулар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1727, "split": "test", "profile": "partial", "gold": "Онон мантан инньэ элбэх концерт, күрэхтэһии, о.д.а.", "noisy": "Онон мантан инньэ элбэх концерт, күрэхтэһии, о.д.а.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1728, "split": "dev", "profile": "clean", "gold": "Ону тоҕо оннук сыҕарыйарын наука эмиэ билбэт.", "noisy": "Ону тоҕо оннук сыҕарыйарын наука эмиэ билбэт.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1729, "split": "dev", "profile": "ru_fold", "gold": "Тыл биһиэхэ Өбүгэттэн кэлбит, олоҕу олорорго анаммыт көмөлөһөр күүстэртэн биирдэрэ.Олох оонньуур буолбатах.", "noisy": "Тыл биhиэхэ Обугэттэн кэлбит, ологу олорорго анаммыт комолоhор куустэртэн биирдэрэ.Олох оонньуур буолбатах.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1730, "split": "test", "profile": "leontiev", "gold": "Полуфабрикат араас көрүҥүн оҥоруохтаахпыт.", "noisy": "Полуфабрикат араас керунун оноруохтаахпыт.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1731, "split": "dev", "profile": "digits", "gold": "Хос быһаарыыга этиллэр: 1934 сылга Булуҥ оройуонугар өрүс төрдүгэр ырыып тэриэскэ балык биригэдьииринэн үлэлээбитим.", "noisy": "Хос быhаарыыга этиллэр: 1934 сылга Булун оройуонугар 8рyс т8рдyгэр ырыып тэриэскэ балык биригэдьииринэн yлэлээбитим.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1732, "split": "test", "profile": "mixed", "gold": "Оҕолор умнубаттар, истиҥник махтана саныыллар.", "noisy": "Оголор умнубаттар, истинник махтана саныыллар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1733, "split": "dev", "profile": "partial", "gold": "1976 — Мартин Хайдеггер (1889 төр.), ньиэмэс бөлүһүөгэ.", "noisy": "1976 — Мартин Хайдеггер (1889 төр.), ньиэмэс бөлүһүөгэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1734, "split": "test", "profile": "clean", "gold": "Ника репертуарыттан «Күөрэгэй көрө» ырыаны бэлэхтээтэ Рима Фадеева.", "noisy": "Ника репертуарыттан «Күөрэгэй көрө» ырыаны бэлэхтээтэ Рима Фадеева.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1735, "split": "dev", "profile": "ru_fold", "gold": "Кини туһунан ыйыталаһан аатын үйэтитэргит буоллар диэн баҕара саныыбын.", "noisy": "Кини туhунан ыйыталаhан аатын уйэтитэргит буоллар диэн багара саныыбын.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1736, "split": "test", "profile": "leontiev", "gold": "– Уйбаан, кырдьык, улахан күүстээх киһи.", "noisy": "– Уйбаан, кырдьык, улахан куустээх киьи.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1737, "split": "dev", "profile": "digits", "gold": "“Көрдөөбүт көмүһү булар” диэн өс хоһооно булууга-талыыга баҕа санаа баара эрэ көрдөөһүн туоларын быһаарар.", "noisy": "“К8рд88бyт к8мyhy булар” диэн 8с хоhооно булууга-талыыга ба5а санаа баара эрэ к8рд88hyн туоларын быhаарар.", "source": "sah.wikipedia:Көрдөбүл уонна ирдэбил"}
{"id": 1738, "split": "dev", "profile": "mixed", "gold": "Бу киэһэ олоҥхолуура дуу, сэһэргиирэ дуу\" дииллэрэ.", "noisy": "Бу киэсэ олонхолуура дуу, сэьэргиирэ дуу\" дииллэрэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1739, "split": "dev", "profile": "partial", "gold": "Көрдөбүл диэн көр диэн төрүттэн үөскээбит тыл.", "noisy": "Көрдөбүл диэн көр диэн төрүттэн үөскээбит тыл.", "source": "sah.wikipedia:Көрдөбүл уонна ирдэбил"}
{"id": 1740, "split": "dev", "profile": "clean", "gold": "Уустук жанр эрээри, дьон күлэри-үөрэри сатыыр, түргэнник ылынар.", "noisy": "Уустук жанр эрээри, дьон күлэри-үөрэри сатыыр, түргэнник ылынар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1741, "split": "test", "profile": "ru_fold", "gold": "Бу тутуу Новосибирскайтан кэлэр таһаҕас тиэйиитигэр көмөлөөх буолуоҕа.", "noisy": "Бу тутуу Новосибирскайтан кэлэр таhагас тиэйиитигэр комолоох буолуога.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1742, "split": "dev", "profile": "leontiev", "gold": "Олоҥхоһуттарбыт — Бурнаһыап Суокаллар эһэлэрэ Тутас оҕонньор, Кирииллин Ыстапаан Ньукулаайабыс — Элэгэс, Тоҥ Суорун, Чыычаахап Миитэрэй Лэгэнтэйэбис — Массаан.", "noisy": "Олонхоьуттарбыт — Бурнаьыап Суокаллар эьэлэрэ Тутас огонньор, Кирииллин Ыстапаан Ньукулаайабыс — Элэгэс, Тон Суорун, Чыычаахап Миитэрэй Лэгэнтэйэбис — Массаан.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1743, "split": "dev", "profile": "digits", "gold": "Атын үрдүк үөрэх кыһаларын кытта билсэ турабыт.", "noisy": "Атын yрдyк y8рэх кыhаларын кытта билсэ турабыт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1744, "split": "test", "profile": "mixed", "gold": "Кини сааскы халааҥҥа эмсэҕэлиэн сөптөөх сирдэргэ бэлэмнэнии үлэтэ күүскэ барарын бэлиэтээтэ.", "noisy": "Кини сааскы халаанна эмсэгэлиэн соптоох сирдэргэ бэлэмнэнии yлэтэ куyскэ барарын бэлиэтээтэ.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1745, "split": "dev", "profile": "partial", "gold": "Эр киһи көмөнү ыҥыран баран, чугастыы булчуттар үүтээннэригэр 10 км сатыы хааман тиийбит.", "noisy": "Эр киһи көмөнү ыныран баран, чугастыы булчуттар үүтээннэригэр 10 км сатыы хааман тиийбит.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1746, "split": "dev", "profile": "clean", "gold": "Ол кини үөрэппит оҕолорун үлэҕэ ситиһиилэрэ туоһулууллар.", "noisy": "Ол кини үөрэппит оҕолорун үлэҕэ ситиһиилэрэ туоһулууллар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1747, "split": "test", "profile": "ru_fold", "gold": "Хомуска оонньоору, ыһыахха, мас тардыһыытыгар, атын да спортивнай оонньууларга аан дойду дьонун ыҥырбыппыт, кыбыстыбакка, үтүө дьүһүммүтүн көрдөрдөхпүт.", "noisy": "Хомуска оонньоору, ыhыахха, мас тардыhыытыгар, атын да спортивнай оонньууларга аан дойду дьонун ынырбыппыт, кыбыстыбакка, утуо дьуhуммутун кордордохпут.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1748, "split": "dev", "profile": "leontiev", "gold": "Бу тыл кими, тугу эмэ харай, дьаһай диэн эмиэ өйдөбүллэрдээҕин тэҥэ, көрү-нары көрүүнү эмиэ биллэрэр.", "noisy": "Бу тыл кими, тугу эмэ харай, дьаьай диэн эмиэ ейдебуллэрдээгин тэнэ, керу-нары керууну эмиэ биллэрэр.", "source": "sah.wikipedia:Көрдөбүл уонна ирдэбил"}
{"id": 1749, "split": "dev", "profile": "digits", "gold": "Эрэгийиэннэргэ тэҥэ суох балаһыанньа үөскүүр.", "noisy": "Эрэгийиэннэргэ тэнэ суох балаhыанньа y8скyyр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1750, "split": "dev", "profile": "mixed", "gold": "Көрдөһүү ким, хайдах көрдөһөрүттэн быһаччы тутулуктанар уонна баҕа санаа эрэ буолан күүһэ кыратынан туолбакка хаалыан эмиэ сөп.", "noisy": "Корд8hyу ким, хайдах к8рдосоруттэн быhаччы тутулуктанар уонна ба5а санаа эрэ буолан куyьэ кыратынан туолбакка хаалыан эмиэ соп.", "source": "sah.wikipedia:Көрдөбүл уонна ирдэбил"}
{"id": 1751, "split": "test", "profile": "partial", "gold": "Бу кэмҥэ “уоттаах ураҕас” сэбилэниилээх “туора урдустар” иһэллэрин киэҥ сырыылаах тоҥустартан истибит кэмнэрэ.", "noisy": "Бу кэмнэ “уоттаах урагас” сэбилэниилээх “туора урдустар” иһэллэрин киэн сырыылаах тонустартан истибит кэмнэрэ.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1752, "split": "test", "profile": "clean", "gold": "Кэлин хормейстер идэтин баһылаан, баяҥҥа оонньоон, ыллаан Уус Алдаҥҥа биллэр-көстөр култуура үлэһитэ буолбута.", "noisy": "Кэлин хормейстер идэтин баһылаан, баяҥҥа оонньоон, ыллаан Уус Алдаҥҥа биллэр-көстөр култуура үлэһитэ буолбута.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1753, "split": "dev", "profile": "ru_fold", "gold": "Билиҥҥи дьон орто дойдуну босхо курдук саныылларыттан, иччилэри итэҕэйбэттэриттэн ыалдьаллар, арыгы иһэллэр, олохторо табыллыбат.", "noisy": "Билинни дьон орто дойдуну босхо курдук саныылларыттан, иччилэри итэгэйбэттэриттэн ыалдьаллар, арыгы иhэллэр, олохторо табыллыбат.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1754, "split": "dev", "profile": "leontiev", "gold": "Хаҥалас улууһун баһылыга Тыгын Дархан аҕатын кэриэһин толоруохтаах — араас уустары түмэн Улуу Ил олохтуохтаах.", "noisy": "Ханалас улууьун баьылыга Тыгын Дархан агатын кэриэьин толоруохтаах — араас уустары тумэн Улуу Ил олохтуохтаах.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1755, "split": "test", "profile": "digits", "gold": "Кыра кыыһын сайылыктарынан обрат үүт таһарыгар илдьэ сылдьара, онно биирдэ киһи тохтотон «Баһаар буолла, хонтуораҕа этээр эрэ» – диэбит.", "noisy": "Кыра кыыhын сайылыктарынан обрат yyт таhарыгар илдьэ сылдьара, онно биирдэ киhи тохтотон «Баhаар буолла, хонтуора5а этээр эрэ» – диэбит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1756, "split": "dev", "profile": "mixed", "gold": "Н., \"Ньургун Бөҕө\" 19 736 строкалаах олоҥхону биир дойдулааҕа учуутал Степанов П.", "noisy": "Н., \"Ньургун Б8хо\" 19 736 строкалаах олонхону биир дойдулаага учуутал Степанов П.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1757, "split": "dev", "profile": "partial", "gold": "— Сүрүннээн, ханнык ыарыһахтар элбэхтэрий?", "noisy": "— Сүрүннээн, ханнык ыарыһахтар элбэхтэрий?", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1758, "split": "dev", "profile": "clean", "gold": "Суоппар «В» категориялаах суоппар дастабырыанньалаах этэ, тырааныспара регистрацияламматах, ону тэҥэ эр киһи көмүскэлэ суох айаннаабыт.", "noisy": "Суоппар «В» категориялаах суоппар дастабырыанньалаах этэ, тырааныспара регистрацияламматах, ону тэҥэ эр киһи көмүскэлэ суох айаннаабыт.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1759, "split": "test", "profile": "ru_fold", "gold": "Маннык тэтиминэн буоллаҕына, от ыйын 1 күнүгэр тиийбэккэ, нэһилиэк куоластааһыны эрдэ түмүктүөн сөп курдук», — диир Александра Анатольевна.", "noisy": "Маннык тэтиминэн буоллагына, от ыйын 1 кунугэр тиийбэккэ, нэhилиэк куоластааhыны эрдэ тумуктуон соп курдук», — диир Александра Анатольевна.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1760, "split": "test", "profile": "leontiev", "gold": "Тыа хаһаайыстыбатын валовай бородууксуйатыгар киллэрэр көрдөрүүлэрэ эмиэ улахан.", "noisy": "Тыа хаьаайыстыбатын валовай бородууксуйатыгар киллэрэр кердеруулэрэ эмиэ улахан.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1761, "split": "dev", "profile": "digits", "gold": "1997 сыллаахха Австралия Түмэнигэр бу сааттаах быһыы туһунан отчуот оҥоһуллубута Арассыыйа — Арассыыйа урбаанньытын күнэ Армения — Сардарапат кыргыһыытыгар кыайыы күнэ Гайана — Тутулуга суох буолуу күнэ.", "noisy": "1997 сыллаахха Австралия Тyмэнигэр бу сааттаах быhыы туhунан отчуот оноhуллубута Арассыыйа — Арассыыйа урбаанньытын кyнэ Армения — Сардарапат кыргыhыытыгар кыайыы кyнэ Гайана — Тутулуга суох буолуу кyнэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1762, "split": "test", "profile": "mixed", "gold": "Ааспыт өттүгэр кинилэр а старын-үөллэрин куорат маҕаһыыннарыгар туттаран атыылата сатыыллара.", "noisy": "Ааспыт 8ттyгэр кинилэр а старын-у8ллэрин куорат махасыыннарыгар туттаран атыылата сатыыллара.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1763, "split": "test", "profile": "partial", "gold": "Икки өртүгэр титириктэри кириэстии тутаннар кыргыттар тураллара.", "noisy": "Икки өртүгэр титириктэри кириэстии тутаннар кыргыттар тураллара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1764, "split": "dev", "profile": "clean", "gold": "Кыргыдай, Балаҕаччы, Хаҕын нэһилиэктэригэр дьаҥы утары вакцинаны ылыыга уочараттаан турдулар.", "noisy": "Кыргыдай, Балаҕаччы, Хаҕын нэһилиэктэригэр дьаҥы утары вакцинаны ылыыга уочараттаан турдулар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1765, "split": "test", "profile": "ru_fold", "gold": "Тойон диэн аҥаардас дуоһунас буолбатах, тойон диэн киһи сүгүрүйэр эр киһитэ.", "noisy": "Тойон диэн анаардас дуоhунас буолбатах, тойон диэн киhи сугуруйэр эр киhитэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1766, "split": "test", "profile": "leontiev", "gold": "Дьэрэкээн ойуута, муусука доҕуһуола интеллектуальнай өттүн ордук киэргэтэр.", "noisy": "Дьэрэкээн ойуута, муусука догуьуола интеллектуальнай еттун ордук киэргэтэр.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1767, "split": "test", "profile": "digits", "gold": "Ийэккэҥ үүтүттэн эбинэн, Сырдык күн сылааһын ылынан Уол оҕо сытыыта буоллаҕыҥ, Билиини-көрүүнү ыллаҕыҥ.", "noisy": "Ийэккэн yyтyттэн эбинэн, Сырдык кyн сылааhын ылынан Уол о5о сытыыта буолла5ын, Билиини-к8рyyнy ылла5ын.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1768, "split": "test", "profile": "mixed", "gold": "Сайылыкка бэлэмнэниини ийэбит бэрт түргэнник уопсай сүбэни түмэн, быһаарбыт буолара.", "noisy": "Сайылыкка бэлэмнэниини ийэбит бэрт тyргэнник уопсай субэни тумэн, бысаарбыт буолара.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1769, "split": "test", "profile": "partial", "gold": "Сыл аҥаарынан суруйар: —Мин атын уолланным, баһаалыста, бырастыы гын уонна хаартыскабын төттөрү ыыт.", "noisy": "Сыл анаарынан суруйар: —Мин атын уолланным, баһаалыста, бырастыы гын уонна хаартыскабын төттөрү ыыт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1770, "split": "dev", "profile": "clean", "gold": "Ол оруобуна кэмигэр үс улахан периодтар холбоһоннор билигин салҕыы хайдах туох буоларын ким даҕаны билбэт.", "noisy": "Ол оруобуна кэмигэр үс улахан периодтар холбоһоннор билигин салҕыы хайдах туох буоларын ким даҕаны билбэт.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1771, "split": "test", "profile": "ru_fold", "gold": "Бу маннык норуокка чугас тэрээһиннэри ыыппыттара ордук үөрдэр, бырааһынньыктааҕы настарыанньаны бэлэхтиир эбит.", "noisy": "Бу маннык норуокка чугас тэрээhиннэри ыыппыттара ордук уордэр, бырааhынньыктаагы настарыанньаны бэлэхтиир эбит.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1772, "split": "dev", "profile": "leontiev", "gold": "Мин сүүрэн киирэн ааны аспытым биир киһи олорор эбит, таҕыс диэн илиибинэн көрдөрдүм, погонун көрбүтүм, генерал эбит.", "noisy": "Мин суурэн киирэн ааны аспытым биир киьи олорор эбит, тагыс диэн илиибинэн кердердум, погонун кербутум, генерал эбит.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1773, "split": "test", "profile": "digits", "gold": "Айдаан-куйдаан, хаһыы бөҕө буолбут, Дьаакыптарын кырбыы сыспыттар, ол эрээри хайыахтарай?", "noisy": "Айдаан-куйдаан, хаhыы б858 буолбут, Дьаакыптарын кырбыы сыспыттар, ол эрээри хайыахтарай?", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1774, "split": "dev", "profile": "mixed", "gold": "Итиннэ түбэһэ кэлэн Семенов Илья Дмитриеич-Арсан Ылдьаа көххө диэн эмиэ олоҥхолообута биллэр.", "noisy": "Итиннэ тyбэсэ кэлэн Семенов Илья Дмитриеич-Арсан Ылдьаа коххо диэн эмиэ олонхолообута биллэр.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1775, "split": "dev", "profile": "partial", "gold": "Иитэ “ураһалыы”, ойоҕоһо “ураһатыҥылыы”.", "noisy": "Иитэ “ураһалыы”, ойогоһо “ураһатынылыы”.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1776, "split": "dev", "profile": "clean", "gold": "Кини кыра эрдэҕиттэн эйэҕэс-сайаҕас, кэпсэтинньэҥ, туругас-олоругас буолан, мэлдьи олох үөһүгэр сылдьар.", "noisy": "Кини кыра эрдэҕиттэн эйэҕэс-сайаҕас, кэпсэтинньэҥ, туругас-олоругас буолан, мэлдьи олох үөһүгэр сылдьар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1777, "split": "dev", "profile": "ru_fold", "gold": "Хас тиийиибитигэр куруук алаадьыбытын туппутунан сылдьарбыт, онон оҕолорго «алаадьылаах эбээлэр» диэн өйдөрүгэр иҥэн хаалбыппыт.", "noisy": "Хас тиийиибитигэр куруук алаадьыбытын туппутунан сылдьарбыт, онон оголорго «алаадьылаах эбээлэр» диэн ойдоругэр инэн хаалбыппыт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1778, "split": "dev", "profile": "leontiev", "gold": "Оҕо салгыы үлэлииригэр сүбэ-ама этэллэр, ыйан-кэрдэн биэрэллэр.", "noisy": "Ого салгыы улэлииригэр субэ-ама этэллэр, ыйан-кэрдэн биэрэллэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1779, "split": "dev", "profile": "digits", "gold": "Эдэр дьон инники былааннарын сэргээн, сүбэлэһэн, икки өттүттэн сырдаан, чэпчээн барбыппыт.", "noisy": "Эдэр дьон инники былааннарын сэргээн, сyбэлэhэн, икки 8ттyттэн сырдаан, чэпчээн барбыппыт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1780, "split": "test", "profile": "mixed", "gold": "Ол 17 үйэҕэ илинтэн кытайдар эбэтэр дьоппуоннар эрэ кэлиэхтэрин сөбө.", "noisy": "Ол 17 yйэхэ илинтэн кытайдар эбэтэр дьоппуоннар эрэ кэлиэхтэрин с8бо.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1781, "split": "dev", "profile": "partial", "gold": "Настя кэтэхтэн үөрэнэн, Дьокуускайдааҕы тыа хаһаайыстыбатын академиятын сиргэ сыһыан факультетын бүтэрэрэ чугаһаата, онон бэрт сотору үрдүк үөрэхтээх исписэлиис буолуо.", "noisy": "Настя кэтэхтэн үөрэнэн, Дьокуускайдаагы тыа хаһаайыстыбатын академиятын сиргэ сыһыан факультетын бүтэрэрэ чугаһаата, онон бэрт сотору үрдүк үөрэхтээх исписэлиис буолуо.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1782, "split": "test", "profile": "clean", "gold": "Биллэн турар, бу ыҥырыы истээччилэри улаханнык өһүргэтэн, улахан айдаан тахса сылдьыбыт.", "noisy": "Биллэн турар, бу ыҥырыы истээччилэри улаханнык өһүргэтэн, улахан айдаан тахса сылдьыбыт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1783, "split": "test", "profile": "ru_fold", "gold": "Субурусская бэлиэтииринэн, ыҥырыы ис хоһоонунан уонна чахчы олоххо киирэр кыахтааҕынан ордук тоҕоостоох.", "noisy": "Субурусская бэлиэтииринэн, ынырыы ис хоhоонунан уонна чахчы олоххо киирэр кыахтаагынан ордук тогоостоох.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1784, "split": "dev", "profile": "leontiev", "gold": "Егор Борисов республика тас өттүгэр үөрэнэр студеннартан турар хамаанданы кыттыннарар туһунан пууну «Миниистир» оонньуу балаһыанньатыгар киллэрэн биэриэм диэн эрэннэрдэ.", "noisy": "Егор Борисов республика тас еттугэр уерэнэр студеннартан турар хамаанданы кыттыннарар туьунан пууну «Миниистир» оонньуу балаьыанньатыгар киллэрэн биэриэм диэн эрэннэрдэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1785, "split": "dev", "profile": "digits", "gold": "Кэлин Ойуунускай сырдык аата тиллэн, айымньылара тахсыбыттарын ааҕан бараммын Кылыс Бүөтүрэ Ойуунускай суруйууларын тылыттан тылыгар сүлэн ылан өйдүү сылдьарын сөрү сөхпүтүм.", "noisy": "Кэлин Ойуунускай сырдык аата тиллэн, айымньылара тахсыбыттарын аа5ан бараммын Кылыс Бy8тyрэ Ойуунускай суруйууларын тылыттан тылыгар сyлэн ылан 8йдyy сылдьарын с8рy с8хпyтyм.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1786, "split": "dev", "profile": "mixed", "gold": "Куорат сиргэ эрэстэрээни хас да ый инниттэн үлэһэр ордук, сыбаайбалааччы элбэх буолан, күн-дьыл былдьаһык.", "noisy": "Куорат сиргэ эрэстэрээни хас да ый инниттэн улэhэр ордук, сыбаайбалааччы элбэх буолан, кун-дьыл былдьаьык.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1787, "split": "test", "profile": "partial", "gold": "Баһаам элбэх үлэһиттээх айылҕаны харыстыахтаах министиэристибэни хамнастаан аһатан олоробут.", "noisy": "Баһаам элбэх үлэһиттээх айылганы харыстыахтаах министиэристибэни хамнастаан аһатан олоробут.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1788, "split": "test", "profile": "clean", "gold": "Болдьоҕо бэс ыйын 8 күнүттэн от ыйын бүтүүтүгэр диэри ыйыллыбыта.", "noisy": "Болдьоҕо бэс ыйын 8 күнүттэн от ыйын бүтүүтүгэр диэри ыйыллыбыта.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1789, "split": "test", "profile": "ru_fold", "gold": "Онон, олохтоох ас-үөл атыыланыыта лаппа кэҥэтиллибитэ.", "noisy": "Онон, олохтоох ас-уол атыыланыыта лаппа кэнэтиллибитэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1790, "split": "test", "profile": "leontiev", "gold": "Биирдэ эмэ былыт быыһынан күн көрөн ыллаҕына, күһүҥҥү курас тыалтан ирбинньиктэнэр долгуннар көмүс аалыытыныы чаҕылыҥнаһаллара, суугунас күөл хомуһун ньаассын түүлээх төбөлөрө саһыл уоҕатыныы сырдаан ылаллара.", "noisy": "Биирдэ эмэ былыт быыьынан кун керен ыллагына, куьунну курас тыалтан ирбинньиктэнэр долгуннар кемус аалыытыныы чагылыннаьаллара, суугунас куел хомуьун ньаассын туулээх тебелере саьыл уогатыныы сырдаан ылаллара.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1791, "split": "test", "profile": "digits", "gold": "“Сэниэлээх соҕустук хамсанан биэр” диэн этэн бытааннык, мөлтөхтүк хамсаныыны тиэтэтэн, күүһүрдэн биэриэххэ сөп.", "noisy": "“Сэниэлээх со5устук хамсанан биэр” диэн этэн бытааннык, м8лт8хтyк хамсаныыны тиэтэтэн, кyyhyрдэн биэриэххэ с8п.", "source": "sah.wikipedia:Күүс уонна хамсаныы"}
{"id": 1792, "split": "dev", "profile": "mixed", "gold": "Түүлгүн түүлү тойоннуур эбэтэр кырдьаҕас киһиэхэ кэпсиэххин сөп.", "noisy": "Тyyлгyн туyлу тойоннуур эбэтэр кырдьагас киьиэхэ кэпсиэххин с8п.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1793, "split": "dev", "profile": "partial", "gold": "Оҕо наһаа өр, сыһа-соһо сылдьан эрчиллэрин, биири эргитэн аҕала-аҕала оонньууруттан түргэнник салҕар.", "noisy": "Ого наһаа өр, сыһа-соһо сылдьан эрчиллэрин, биири эргитэн агала-агала оонньууруттан түргэнник салгар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1794, "split": "dev", "profile": "clean", "gold": "Ити барыта күннээҕи олох сүпсүлгэнэ үтүрүйэн иһэр буоллаҕа.", "noisy": "Ити барыта күннээҕи олох сүпсүлгэнэ үтүрүйэн иһэр буоллаҕа.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1795, "split": "test", "profile": "ru_fold", "gold": "\"Бастыҥ доҕуһуолдьут\" анал бириис кыайыылааҕынан чахчы даҕаны баяҥҥа иэйэн-куойан оонньуур Мэҥэ Хаҥалас эдэр баяниһа Георгий Попов буолла.", "noisy": "\"Бастын догуhуолдьут\" анал бириис кыайыылаагынан чахчы даганы баянна иэйэн-куойан оонньуур Мэнэ Ханалас эдэр баяниhа Георгий Попов буолла.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1796, "split": "test", "profile": "leontiev", "gold": "Киин куораппытыгар үс сүүс тыһыынчаттан тахса киһи олорор, олортон балай эмэ киһи, кыратык да буоллар, иһиэн баҕарара буолуо.", "noisy": "Киин куораппытыгар ус суус тыьыынчаттан тахса киьи олорор, олортон балай эмэ киьи, кыратык да буоллар, иьиэн багарара буолуо.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1797, "split": "dev", "profile": "digits", "gold": "Бордоҥ оскуолатын эр дьон учууталлара «90 үтүө дьыала» бырайыагы саҕалаатылар.", "noisy": "Бордон оскуолатын эр дьон учууталлара «90 yтy8 дьыала» бырайыагы са5алаатылар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1798, "split": "dev", "profile": "mixed", "gold": "Түмүгэр бюджетнай, платнай эбии үөрэхтээһин программаларын сааһылааһын, үбүлээһинин учуоттааһын, оҕо дьарыгын кэтээн көрүү буолуохтаах.", "noisy": "Тyмугэр бюджетнай, платнай эбии у8рэхтээhин программаларын сааьылааьын, убулээсинин учуоттаасын, ого дьарыгын кэтээн к8рyy буолуохтаах.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1799, "split": "test", "profile": "partial", "gold": "Онон бу да сырыыга оскуола Кыыс Куо 9 «г» кылааһын оҕолоро – Корякина, Полускина Розита бааллара көлүөнэ ситимин быстыбат ситиитэ буоллаҕа.", "noisy": "Онон бу да сырыыга оскуола Кыыс Куо 9 «г» кылааһын оголоро – Корякина, Полускина Розита бааллара көлүөнэ ситимин быстыбат ситиитэ буоллага.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1800, "split": "dev", "profile": "clean", "gold": "«Дьокуускайга айар уонна интеллектуальнай сайдыыга, үүнэр көлүөнэни аныгы технологияҕа идэтийэн үөрэтэргэ туһуламмыт балаһааккалар тэриллэллэр.", "noisy": "«Дьокуускайга айар уонна интеллектуальнай сайдыыга, үүнэр көлүөнэни аныгы технологияҕа идэтийэн үөрэтэргэ туһуламмыт балаһааккалар тэриллэллэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1801, "split": "test", "profile": "ru_fold", "gold": "Кырыктаах кыргыһыы биир күчүмэҕэй түбэлтэтин олус үчүгэйдик өйдүүбүн.", "noisy": "Кырыктаах кыргыhыы биир кучумэгэй тубэлтэтин олус учугэйдик ойдуубун.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1802, "split": "dev", "profile": "leontiev", "gold": "Ардыгар, ол эргин саҥардыы өттүгэстиигин буоллаҕа.", "noisy": "Ардыгар, ол эргин санардыы еттугэстиигин буоллага.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1803, "split": "test", "profile": "digits", "gold": "Бу иннинэ аэропорт массыынаҕа эбэтэр автобуска эрэ тиийиэххэ сөп.", "noisy": "Бу иннинэ аэропорт массыына5а эбэтэр автобуска эрэ тиийиэххэ с8п.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1804, "split": "test", "profile": "mixed", "gold": "Боссоойко умуһахтан аарыма оҕуһу сүгэн таһааран икки биэрэстэлээх олорор алааһыгар диэри сүгэн илдьибит.", "noisy": "Боссоойко умусахтан аарыма огуhу сугэн тасааран икки биэрэстэлээх олорор алаасыгар диэри сугэн илдьибит.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1805, "split": "test", "profile": "partial", "gold": "Омос көрдөххө, кими эрэ өйдөөн, сирийэн-хоруйан одуулаһар уустук курдук.", "noisy": "Омос көрдөххө, кими эрэ өйдөөн, сирийэн-хоруйан одуулаһар уустук курдук.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1806, "split": "test", "profile": "clean", "gold": "Дьону сиргэ сыьыаран үлэлэтэр сыалынан салайтарыахтаах диэн суруйбуккар, сири үллэриэхтээх диэн өйдөөбүттэрин уонна оннук дьаьаммыттарын курдук.", "noisy": "Дьону сиргэ сыьыаран үлэлэтэр сыалынан салайтарыахтаах диэн суруйбуккар, сири үллэриэхтээх диэн өйдөөбүттэрин уонна оннук дьаьаммыттарын курдук.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1807, "split": "test", "profile": "ru_fold", "gold": "«Тэрээһин аайы бастыҥ музыкальнай эҕэрдэ» анал аат иҥэрилиннэ Фадеева Вера Михайловнаҕа.", "noisy": "«Тэрээhин аайы бастын музыкальнай эгэрдэ» анал аат инэрилиннэ Фадеева Вера Михайловнага.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1808, "split": "dev", "profile": "leontiev", "gold": "Слава онно-манна киирэн үҥкүүлээн имитэр.", "noisy": "Слава онно-манна киирэн ункуулээн имитэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1809, "split": "dev", "profile": "digits", "gold": "Билигин улууска 6 киһи инфекционнай балыыһаҕа эмтэнэр, 10 киһи – тастан.", "noisy": "Билигин улууска 6 киhи инфекционнай балыыhа5а эмтэнэр, 10 киhи – тастан.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1810, "split": "test", "profile": "mixed", "gold": "ВИДЕО: Өркөн уонна Бүөккэ Бөтүрүөп «Күө-дьаа» биэриигэ кытыннылар Эстрада тыйаатыра «Күө-дьаа» биэриини саҕалаата Саҥа килиип: Амгаяна — «Тумарыкка сүппүтүҥ»", "noisy": "ВИДЕО: 8ркон уонна Бу8ккэ Б8тyрyоп «Куо-дьаа» биэриигэ кытыннылар Эстрада тыйаатыра «Кyо-дьаа» биэриини сахалаата Сана килиип: Амгаяна — «Тумарыкка суппутунг»", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1811, "split": "dev", "profile": "partial", "gold": "Арассыыйа сүрүннээн 400 млрд евро ылбыта, 3 триллион евро ССРС ылбыта.", "noisy": "Арассыыйа сүрүннээн 400 млрд евро ылбыта, 3 триллион евро ССРС ылбыта.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1812, "split": "test", "profile": "clean", "gold": "Быйылгы ОГЭ араспысаанньата ыам ыйынааҕы бырааһынньыктар кэннилэриттэн биллиэҕэ.", "noisy": "Быйылгы ОГЭ араспысаанньата ыам ыйынааҕы бырааһынньыктар кэннилэриттэн биллиэҕэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1813, "split": "test", "profile": "ru_fold", "gold": "Ыччат көрдөөх көбдьүөрүн истэннэр дьиэттэн эмээхситтэр, үксэ хараҕа суохтар, тасхыталаатылар.", "noisy": "Ыччат кордоох кобдьуорун истэннэр дьиэттэн эмээхситтэр, уксэ харага суохтар, тасхыталаатылар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1814, "split": "dev", "profile": "leontiev", "gold": "Чурапчы улууһун салалтата Музей сылын биллэрэн, бу эйгэҕэ үгүс үлэни былааннаахтык ыыппытын бэлиэтиир тоҕоостоох.", "noisy": "Чурапчы улууьун салалтата Музей сылын биллэрэн, бу эйгэгэ угус улэни былааннаахтык ыыппытын бэлиэтиир тогоостоох.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1815, "split": "test", "profile": "digits", "gold": "Кэлин хайаатар даҕаны элбэҕи ситиэххит\", — диэн астыммытын биллэрдэ, бииргэ үлэлэһиэххэ диэн ыҥырда.", "noisy": "Кэлин хайаатар да5аны элбэ5и ситиэххит\", — диэн астыммытын биллэрдэ, бииргэ yлэлэhиэххэ диэн ынырда.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1816, "split": "dev", "profile": "mixed", "gold": "Скрыбыкин көҕүлээһининэн «Уол Туйгун» олоҥхону 1940 с.) бас көс көҕүлээччи, тэрийээччи киһинэн А.", "noisy": "Скрыбыкин к85yлээьининэн «Уол Туйгун» олонхону 1940 с.) бас кос кохyлээччи, тэрийээччи кисинэн А.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1817, "split": "dev", "profile": "partial", "gold": "Тбтүн кыҥаат, инники куруогун тардыбыта.", "noisy": "Тбтүн кынаат, инники куруогун тардыбыта.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1818, "split": "dev", "profile": "clean", "gold": "кинигэтигэр 33 сирэйгэ 10-тан тахса олоҥхо репертуардаах олоҥхоһуттары улуу олоҥхоһуттарга киллэрэр) оттон Бадаҥ Маайа В.", "noisy": "кинигэтигэр 33 сирэйгэ 10-тан тахса олоҥхо репертуардаах олоҥхоһуттары улуу олоҥхоһуттарга киллэрэр) оттон Бадаҥ Маайа В.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1819, "split": "dev", "profile": "ru_fold", "gold": "Мэник — тэник буолан, бастакы учууталбытыттан элбэхтэ мөҕүллэн турардаах.", "noisy": "Мэник — тэник буолан, бастакы учууталбытыттан элбэхтэ могуллэн турардаах.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1820, "split": "dev", "profile": "leontiev", "gold": "Ол иһин саас быһар-отор сэрэхтээх, тоҕо диэтэххэ, быһыллыбыт сиринэн симэһинэ барыта тохтон, хатан хаалыан сөп.", "noisy": "Ол иьин саас быьар-отор сэрэхтээх, того диэтэххэ, быьыллыбыт сиринэн симэьинэ барыта тохтон, хатан хаалыан сеп.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1821, "split": "test", "profile": "digits", "gold": "1905 сыллаахха Маалыкайга төрөөбүтэ, ситэтэ суох үрдүк үөрэхтээх.", "noisy": "1905 сыллаахха Маалыкайга т8р88бyтэ, ситэтэ суох yрдyк y8рэхтээх.", "source": "sah.wikipedia:Ксенофонтов Василий Васильевич"}
{"id": 1822, "split": "dev", "profile": "mixed", "gold": "Дойдутугар Иннокентий Кочкин кыһыл көмүс мэтээли иилинэн эргиллэр.", "noisy": "Дойдутугар Иннокентий Кочкин кыhыл комyс мэтээли иилинэн эргиллэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1823, "split": "dev", "profile": "partial", "gold": "Ону таайбыт курдук кини саҥаттан саҥаны олоххо киллэрэн иһэрэ.", "noisy": "Ону таайбыт курдук кини санаттан сананы олоххо киллэрэн иһэрэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1824, "split": "test", "profile": "clean", "gold": "Кини өркөн өйө, күүһэ-кыаҕа, хорсун санаата, кырдьыксыт буолууну кытта ситимнииллэр.", "noisy": "Кини өркөн өйө, күүһэ-кыаҕа, хорсун санаата, кырдьыксыт буолууну кытта ситимнииллэр.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1825, "split": "dev", "profile": "ru_fold", "gold": "Дьаллык дьон өйүн-санаатын сиир, быһыытын-майгытын алдьатар, Тускун тутахсытар.", "noisy": "Дьаллык дьон ойун-санаатын сиир, быhыытын-майгытын алдьатар, Тускун тутахсытар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1826, "split": "test", "profile": "leontiev", "gold": "Ыарыы бастакы сибикитэ — киһи түргэнник сылайар, сэниэтэ суох буолар.", "noisy": "Ыарыы бастакы сибикитэ — киьи тургэнник сылайар, сэниэтэ суох буолар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1827, "split": "dev", "profile": "digits", "gold": "Манчаарыны кытта истиҥ доҕордуулар эбит.", "noisy": "Манчаарыны кытта истин до5ордуулар эбит.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1828, "split": "test", "profile": "mixed", "gold": "Сиийэ бииргэ төрөөбүттэрин үөрэттэрэн, сыбаайбалаан ийэлээх эһээлэригэр күүс-көмө буолбуттара.", "noisy": "Сиийэ бииргэ торообуттэрин yорэттэрэн, сыбаайбалаан ийэлээх эсээлэригэр куус-к8мо буолбуттара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1829, "split": "test", "profile": "partial", "gold": "Кинилэр бастаан Дьокуускай куорат тулатынааҕы сирдэргэ олорор нэһилиэнньэттэн түһээн-дьаһаах хомуйар буолбуттара.", "noisy": "Кинилэр бастаан Дьокуускай куорат тулатынаагы сирдэргэ олорор нэһилиэнньэттэн түһээн-дьаһаах хомуйар буолбуттара.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1830, "split": "test", "profile": "clean", "gold": "Бачча тухары нэһилиэккэ, улууска наар дуоһунастаах дьону депутатынан талан аҕай кэллибит эрээри, туруорсар боппуруостарбыт өссө элбээн иһэр курдуктар.", "noisy": "Бачча тухары нэһилиэккэ, улууска наар дуоһунастаах дьону депутатынан талан аҕай кэллибит эрээри, туруорсар боппуруостарбыт өссө элбээн иһэр курдуктар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1831, "split": "test", "profile": "ru_fold", "gold": "Улахан мэһэй коронавирус буолбута, балыыһатыгар сытан эмтэнэрэ кыаллыбатаҕа.", "noisy": "Улахан мэhэй коронавирус буолбута, балыыhатыгар сытан эмтэнэрэ кыаллыбатага.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1832, "split": "dev", "profile": "leontiev", "gold": "Майатааҕы народнай театр режиссерунан, Мэҥэ-Хаҥалас райисполкомун культуратын отделын сэбиэдиссэйинэн, методиһынан үлэлээбитэ.", "noisy": "Майатаагы народнай театр режиссерунан, Мэнэ-Ханалас райисполкомун культуратын отделын сэбиэдиссэйинэн, методиьынан улэлээбитэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1833, "split": "test", "profile": "digits", "gold": "Маны күргүөмүнэн күүлэйдээһин курдук өйдүүр сыыһа, — диэн брифиҥҥэ анаан бэлиэтээтэ вице-перемьер Ольга Балабкина.", "noisy": "Маны кyргy8мyнэн кyyлэйдээhин курдук 8йдyyр сыыhа, — диэн брифиннэ анаан бэлиэтээтэ вице-перемьер Ольга Балабкина.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1834, "split": "test", "profile": "mixed", "gold": "Биллэн турар, бу уларыйыылар сүрүн туһаайыылара — суолга киһи эчэйиитин аҕыйатыы.", "noisy": "Биллэн турар, бу уларыйыылар сурyн тусаайыылара — суолга киьи эчэйиитин ахыйатыы.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1835, "split": "test", "profile": "partial", "gold": "Былаан быһыытынан ый аайы тэрээһиннэр баран иһэллэр.", "noisy": "Былаан быһыытынан ый аайы тэрээһиннэр баран иһэллэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1836, "split": "dev", "profile": "clean", "gold": "Т., 443 лиистээх \"Харалаан Мохсоҕол\" олоҥхону Ефремов Г.", "noisy": "Т., 443 лиистээх \"Харалаан Мохсоҕол\" олоҥхону Ефремов Г.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1837, "split": "test", "profile": "ru_fold", "gold": "Үлэһиттэрин судаарыстыбаннай, муниципальнай ыстаатыстаах сүбэһит-испэсэлиис оҥоруохха.", "noisy": "Улэhиттэрин судаарыстыбаннай, муниципальнай ыстаатыстаах субэhит-испэсэлиис оноруохха.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1838, "split": "test", "profile": "leontiev", "gold": "Тоҕо диэтэххэ, уопуттаахтар кытталларын көрөн, баҕалаах да киһи кыттыбакка хаалар.", "noisy": "Того диэтэххэ, уопуттаахтар кытталларын керен, багалаах да киьи кыттыбакка хаалар.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1839, "split": "test", "profile": "digits", "gold": "Ол иһин тута мээнэ бэринэр санаата суоҕун биллэрдэ.", "noisy": "Ол иhин тута мээнэ бэринэр санаата суо5ун биллэрдэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1840, "split": "test", "profile": "mixed", "gold": "Бу хоһоону инникитин поэма дуу, монолог аҥаардаах кэрчик кэпсээн да буолуон сөп курдук көрдүбүт.", "noisy": "Бу хоhоону инникитин поэма дуу, монолог анаардаах кэрчик кэпсээн да буолуон соп курдук к8рдубyт.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1841, "split": "dev", "profile": "partial", "gold": "Ийэм Ларионова Марфа Петровна 7 ынах сүөһүлээх (энньэтэ) уонна \"Тамма харата\" диэн аатырбыт сүүрүк аттаах, кошовка сыарҕалаах, чаппараах симэхтээх эбит, ол аата оннук сүктэн кэлбит атын колхозка холбообуттар.", "noisy": "Ийэм Ларионова Марфа Петровна 7 ынах сүөһүлээх (энньэтэ) уонна \"Тамма харата\" диэн аатырбыт сүүрүк аттаах, кошовка сыаргалаах, чаппараах симэхтээх эбит, ол аата оннук сүктэн кэлбит атын колхозка холбообуттар.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1842, "split": "test", "profile": "clean", "gold": "Бөҕөстөр хапсыһалларыгар түһүлгэни өссө кэҥэтиэхтээхтэр этэ буоллаҕа дии…", "noisy": "Бөҕөстөр хапсыһалларыгар түһүлгэни өссө кэҥэтиэхтээхтэр этэ буоллаҕа дии…", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1843, "split": "test", "profile": "ru_fold", "gold": "Ытык-мааны ветераннарбыт, күн-дьыл өксүөнүн билиммэккэ, эдэрдии эрчиминэн, сэргэхтик туттан-хаптан, чугас дьоҥҥут, оҕолоргут, сиэттэргит сылаас тапталларынан кынаттаныҥ, мэлдьи үөрэ-көтө сылдьыҥ!", "noisy": "Ытык-мааны ветераннарбыт, кун-дьыл оксуонун билиммэккэ, эдэрдии эрчиминэн, сэргэхтик туттан-хаптан, чугас дьоннут, оголоргут, сиэттэргит сылаас тапталларынан кынаттанын, мэлдьи уорэ-кото сылдьын!", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1844, "split": "test", "profile": "leontiev", "gold": "Уолаттар алҕас эппиттэриттэн ити үлүгэрдээх саҥа-иҥэ тахсыыта, ону тарҕат да тарҕат буолуу сүрүн биричиинэтэ маннык эрэ буолуон сөп: бэйэ итэҕэһин комплекстарын мунньулуутуттан.", "noisy": "Уолаттар алгас эппиттэриттэн ити улугэрдээх сана-инэ тахсыыта, ону таргат да таргат буолуу сурун биричиинэтэ маннык эрэ буолуон сеп: бэйэ итэгэьин комплекстарын мунньулуутуттан.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1845, "split": "test", "profile": "digits", "gold": "– Биһиэхэ Саха сиригэр билигин тымныы бөҕө.", "noisy": "– Биhиэхэ Саха сиригэр билигин тымныы б858.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1846, "split": "dev", "profile": "mixed", "gold": "Кэмигэр чиргэл акылаат түспүтэ — ол чахчы.", "noisy": "Кэмигэр чиргэл акылаат тyспутэ — ол чахчы.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1847, "split": "test", "profile": "partial", "gold": "Эһиги эргитэр харчыгыт, ороскуоккут төһөнүй?", "noisy": "Эһиги эргитэр харчыгыт, ороскуоккут төһөнүй?", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1848, "split": "dev", "profile": "clean", "gold": "Мөккүөр итинник им бэлиэлэргэ эрэ буолбатах, сир-дойду аатыгар, тэрилтэлэр уонна идэлэр ааттарын тылбаастыырга, о.д.а.", "noisy": "Мөккүөр итинник им бэлиэлэргэ эрэ буолбатах, сир-дойду аатыгар, тэрилтэлэр уонна идэлэр ааттарын тылбаастыырга, о.д.а.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1849, "split": "dev", "profile": "ru_fold", "gold": "Ону тэҥэ «Хоро нэһилиэгин социальнай- экономическай сайдыытыгар кылаатын иһин» бэлиэнэн алын сүһүөх кылаас учуутала Елена Стручкова, делопроизводитель Вера Стрекаловская наҕараадаланнылар.", "noisy": "Ону тэнэ «Хоро нэhилиэгин социальнай- экономическай сайдыытыгар кылаатын иhин» бэлиэнэн алын суhуох кылаас учуутала Елена Стручкова, делопроизводитель Вера Стрекаловская нагараадаланнылар.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1850, "split": "test", "profile": "leontiev", "gold": "Коронавирус дьаҥын бохсор суһал ыстаап Дьокуускайга бүгүн, алтынньы 21 күнүгэр, быһыыны биэрэр пууннар аадырыстарын иһитиннэрэр.", "noisy": "Коронавирус дьанын бохсор суьал ыстаап Дьокуускайга бугун, алтынньы 21 кунугэр, быьыыны биэрэр пууннар аадырыстарын иьитиннэрэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1851, "split": "dev", "profile": "digits", "gold": "Ону тэҥэ бу хамыыһыйа чилиэннэрэ Нам улууһун Маймаҕа нэһилиэгин \"Маймаҕа сэл.", "noisy": "Ону тэнэ бу хамыыhыйа чилиэннэрэ Нам улууhун Майма5а нэhилиэгин \"Майма5а сэл.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1852, "split": "test", "profile": "mixed", "gold": "Баай-талым, харчы, үчүгэй олох туһугар өлбүт өбүгэ, ийэ, аҕа ыраас аатын-суолун нөҥүө хардыылыан сөптөөх ымсыы санаалаах.", "noisy": "Баай-талым, харчы, учугэй олох тусугар 8лбут обугэ, ийэ, а5а ыраас аатын-суолун нонгуо хардыылыан сопт8ох ымсыы санаалаах.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1853, "split": "test", "profile": "partial", "gold": "Ол эрээри, пааркаҕа киирэргэ дьону ааҥҥа биирдии-биирдии аһараллар.", "noisy": "Ол эрээри, пааркага киирэргэ дьону аанна биирдии-биирдии аһараллар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1854, "split": "dev", "profile": "clean", "gold": "Кырдьаҕастар этэллэринэн, кини испиктээкилгэ туттаары ойуун уҥуоҕуттан этитиилээх тыллары этэн баран чуорааны ылбыт, ол эрээри болдьообут кэмигэр онтукатын төннөрбөтөх, ол иһин эмискэччи тыына быстыбыт дииллэр\".", "noisy": "Кырдьаҕастар этэллэринэн, кини испиктээкилгэ туттаары ойуун уҥуоҕуттан этитиилээх тыллары этэн баран чуорааны ылбыт, ол эрээри болдьообут кэмигэр онтукатын төннөрбөтөх, ол иһин эмискэччи тыына быстыбыт дииллэр\".", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1855, "split": "test", "profile": "ru_fold", "gold": "Мустан кэпсэтэбит даҕаны, түмсүүлээх үлэ соччо суох.", "noisy": "Мустан кэпсэтэбит даганы, тумсуулээх улэ соччо суох.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1856, "split": "dev", "profile": "leontiev", "gold": "18 куойкабытыгар куруук 23–24 ыарыһахтаахпыт.", "noisy": "18 куойкабытыгар куруук 23–24 ыарыьахтаахпыт.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1857, "split": "test", "profile": "digits", "gold": "Хайдах эрэ гынан таһырдьа куотан тахсар киһи.", "noisy": "Хайдах эрэ гынан таhырдьа куотан тахсар киhи.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1858, "split": "dev", "profile": "mixed", "gold": "Ити барыта фантастика курдук иһиллэр гынан баран, Дьааҥы сиригэр-уотугар үрүҥ көмүс булкаастаах хайа боруодалара баалларын бааллар.", "noisy": "Ити барыта фантастика курдук иhиллэр гынан баран, Дьаангы сиригэр-уотугар урyн комус булкаастаах хайа боруодалара баалларын бааллар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1859, "split": "test", "profile": "partial", "gold": "Аймахтарбыт, оҕолорбут, сиэннэрбит кэлэннэр, олохтоох сиригэр таһаардыбыт.", "noisy": "Аймахтарбыт, оголорбут, сиэннэрбит кэлэннэр, олохтоох сиригэр таһаардыбыт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1860, "split": "test", "profile": "clean", "gold": "Онон хомуур үлэтигэр ыарахаттар үөскээбиттэрэ, эрэй бөҕөнөн дьылы түмүктээбиппит.", "noisy": "Онон хомуур үлэтигэр ыарахаттар үөскээбиттэрэ, эрэй бөҕөнөн дьылы түмүктээбиппит.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1861, "split": "dev", "profile": "ru_fold", "gold": "Кини аан дойду аатырбыт уонна күүстээх бөҕөстөрүн кытта элбэхтик сирэй көрсөн көбүөргэ тэҥҥэ анньыһан тустубута.", "noisy": "Кини аан дойду аатырбыт уонна куустээх богосторун кытта элбэхтик сирэй корсон кобуоргэ тэннэ анньыhан тустубута.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1862, "split": "dev", "profile": "leontiev", "gold": "Ырыаҕа биһигини Любовь Афанасьевна диэн учуутал үөрэтэр этэ.", "noisy": "Ырыага биьигини Любовь Афанасьевна диэн учуутал уерэтэр этэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1863, "split": "dev", "profile": "digits", "gold": "Ыччат төрөөбүт-үөскээбит дойдутугар төннөн кэлэрэ буоллар диэн баҕа санаалаахпын.", "noisy": "Ыччат т8р88бyт-y8скээбит дойдутугар т8нн8н кэлэрэ буоллар диэн ба5а санаалаахпын.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1864, "split": "test", "profile": "mixed", "gold": "Аҕа дойду сэриитигэр дьиҥ-чахчы геройдуу быһыыны көрдөрбүгэ.", "noisy": "А5а дойду сэриитигэр дьин-чахчы геройдуу быhыыны к8рд8рбyгэ.", "source": "sah.wikipedia:Ксенофонтов Василий Васильевич"}
{"id": 1865, "split": "dev", "profile": "partial", "gold": "Ньуккуонай бу киэһээ дуоспуруннанан олорон, мин көрдөхпүнэ, хортуон лоскуйугар тугу эрэ суруйан бооччойор.", "noisy": "Ньуккуонай бу киэһээ дуоспуруннанан олорон, мин көрдөхпүнэ, хортуон лоскуйугар тугу эрэ суруйан бооччойор.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1866, "split": "dev", "profile": "clean", "gold": "Этэҥҥэ этиспэккэ олоруҥ диэн этиэм этэ барыгытыгар.", "noisy": "Этэҥҥэ этиспэккэ олоруҥ диэн этиэм этэ барыгытыгар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1867, "split": "dev", "profile": "ru_fold", "gold": "Киһи бу үгэс буолбут быһыытын оҥоро сырыттаҕына, сыыһа-халты буолан хаалбатыттан, өссө хатылаан оҥорорун элбэтэр.", "noisy": "Киhи бу угэс буолбут быhыытын оноро сырыттагына, сыыhа-халты буолан хаалбатыттан, оссо хатылаан онорорун элбэтэр.", "source": "sah.wikipedia:Өй-санаа аһара барара элбэх"}
{"id": 1868, "split": "dev", "profile": "leontiev", "gold": "Егор Яковлевич аан маҥнай \"табаарыстыба\" диэн коллективнай хаһаайыстыба тэриллиэҕиттэн сибиинньэ ферматын сэбиэдиссэйинэн уонна үүт, арыы собуотун маастарынан үлэлээн аан маҥнайгынан \"торговля отличнига\" буолбута.", "noisy": "Егор Яковлевич аан маннай \"табаарыстыба\" диэн коллективнай хаьаайыстыба тэриллиэгиттэн сибиинньэ ферматын сэбиэдиссэйинэн уонна уут, арыы собуотун маастарынан улэлээн аан маннайгынан \"торговля отличнига\" буолбута.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1869, "split": "dev", "profile": "digits", "gold": "— Оттон баҕаран туран баһылаабыт идэм буоллаҕа.", "noisy": "— Оттон ба5аран туран баhылаабыт идэм буолла5а.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1870, "split": "dev", "profile": "mixed", "gold": "Ону атын богуонтан кэлэ-кэлэ, көрүү-истии бөҕөтө буолбуттара.", "noisy": "Ону атын богуонтан кэлэ-кэлэ, корyу-истии бог8т8 буолбуттара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1871, "split": "test", "profile": "partial", "gold": "Улахан Ааҥҥа уонна Булгунньахтааахха олус ыраас туттуулааҕынан, асчытынан, оһуокайдьытынан уонна элбэх кэпсээннээҕинэн биллибит.", "noisy": "Улахан Аанна уонна Булгунньахтааахха олус ыраас туттуулаагынан, асчытынан, оһуокайдьытынан уонна элбэх кэпсээннээгинэн биллибит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1872, "split": "test", "profile": "clean", "gold": "Дуунньа биэс ыйдаах оҕото, охтон түһэн куоппут этэ.", "noisy": "Дуунньа биэс ыйдаах оҕото, охтон түһэн куоппут этэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1873, "split": "dev", "profile": "ru_fold", "gold": "Кинилэринэн айанныыр дьон араас араҥаҕа анаан чэпчэтиллибит тарыыптаахтар.", "noisy": "Кинилэринэн айанныыр дьон араас аранага анаан чэпчэтиллибит тарыыптаахтар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1874, "split": "dev", "profile": "leontiev", "gold": "Онон Арктика уонна промышленнай улуустар хаһаайыстыбаларын өйөөһүн улахан суолталаах.", "noisy": "Онон Арктика уонна промышленнай улуустар хаьаайыстыбаларын ейееьун улахан суолталаах.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1875, "split": "test", "profile": "digits", "gold": "Быһаарыллыбытынан, бу кыыс доҕотторун кытта маҕаһыыҥҥа табаары көрө киирбиттэр.", "noisy": "Быhаарыллыбытынан, бу кыыс до5отторун кытта ма5аhыынна табаары к8р8 киирбиттэр.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1876, "split": "test", "profile": "mixed", "gold": "Хастан да биири талыаххытын сөп: 1) ырарга анаммыт бөлөҕүнэн эрчиллиигэ суруйтарыы; 2) дьиэҕэр видео, ютуб көмөтүнэн эрчиллии; Манна бэйэбиттэн биири этиэхпин баҕарабын.", "noisy": "Хастан да биири талыаххытын с8п: 1) ырарга анаммыт бол8хyнэн эрчиллиигэ суруйтарыы; 2) дьиэ5эр видео, ютуб к8м8тунэн эрчиллии; Манна бэйэбиттэн биири этиэхпин бахарабын.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1877, "split": "dev", "profile": "partial", "gold": "Дьэ, ити кэнниттэн мустубут дьон саҥа маҕаһыын иһигэр тоҕо сууллан киирэллэр.", "noisy": "Дьэ, ити кэнниттэн мустубут дьон сана магаһыын иһигэр того сууллан киирэллэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1878, "split": "dev", "profile": "clean", "gold": "Билигин бары наһаа өйдөөҕүмсүйэн, оҕоҕо суруйуубут наһаа \"өйдөммүтэ\" куһаҕан.", "noisy": "Билигин бары наһаа өйдөөҕүмсүйэн, оҕоҕо суруйуубут наһаа \"өйдөммүтэ\" куһаҕан.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1879, "split": "dev", "profile": "ru_fold", "gold": "Биһиги Ил Дархаммыт Айсен Николаев бэйэтин туһаайыытыгар эппит соругун толорорго биирдиилээн төрөппүттэртэн саҕалаан үөрэх тэрилтэлэрэ, уопсастыба, былаас түмсэн үлэлиэхтээхпит”.", "noisy": "Биhиги Ил Дархаммыт Айсен Николаев бэйэтин туhаайыытыгар эппит соругун толорорго биирдиилээн тороппуттэртэн сагалаан уорэх тэрилтэлэрэ, уопсастыба, былаас тумсэн улэлиэхтээхпит”.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1880, "split": "test", "profile": "leontiev", "gold": "Омуктартан ылбыт биир саамай сөптөөх холобурбут — ТХМы хонтуруоллуурга булгуччу эспиэр хамыыһыйата тэриллиэхтээх.", "noisy": "Омуктартан ылбыт биир саамай септеех холобурбут — ТХМы хонтуруоллуурга булгуччу эспиэр хамыыьыйата тэриллиэхтээх.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1881, "split": "dev", "profile": "digits", "gold": "Саха тыйаатырын уос номоҕо буолбут уһулуччулаах артыыһа Симон Федотов төрөөбүтэ 85 сылыгар анаммыт испэктээктэри кини артыыс маастарыстыбатыгар уһуйбут үөрэнээччилэрэ Саха тыйаатырын сыанатыгар көрдөрүөхтэрэ.", "noisy": "Саха тыйаатырын уос номо5о буолбут уhулуччулаах артыыhа Симон Федотов т8р88бyтэ 85 сылыгар анаммыт испэктээктэри кини артыыс маастарыстыбатыгар уhуйбут y8рэнээччилэрэ Саха тыйаатырын сыанатыгар к8рд8рy8хтэрэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1882, "split": "test", "profile": "mixed", "gold": "Ол кэнниттэн оһох диэки көрө олорон табахтыы, ону-маны саныы олордоҕуна ким эрэ баттаҕыттан имэрийбит.", "noisy": "Ол кэнниттэн оhох диэки к8р8 олорон табахтыы, ону-маны саныы олордогуна ким эрэ батта5ыттан имэрийбит.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1883, "split": "dev", "profile": "partial", "gold": "Роман Васильевич, мин 7 кылааска үөрэнэ сырыттахпына, 96 сааһыгар өлбүтэ.", "noisy": "Роман Васильевич, мин 7 кылааска үөрэнэ сырыттахпына, 96 сааһыгар өлбүтэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1884, "split": "test", "profile": "clean", "gold": "Кыыһын көрдөрөн туран саакка-суукка угаллар, илдьэ бараллар.", "noisy": "Кыыһын көрдөрөн туран саакка-суукка угаллар, илдьэ бараллар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1885, "split": "test", "profile": "ru_fold", "gold": "– Сыыспат буоллахпына, күрэх икки көрүҥҥэ ыытыллар буолбат дуо?", "noisy": "– Сыыспат буоллахпына, курэх икки коруннэ ыытыллар буолбат дуо?", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1886, "split": "test", "profile": "leontiev", "gold": "Оттон барыс киллэриитин сааһыгар улаханнык сыыһаҕыт.", "noisy": "Оттон барыс киллэриитин сааьыгар улаханнык сыыьагыт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1887, "split": "dev", "profile": "digits", "gold": "Аныгылыы истииллээх, панорамнай түннүктэрдээх, толору хааччыллыылаах, сылаас муосталаах дьиэҕэ ыалдьыттар быйыл күһүҥҥүттэн сылдьан эрэллэр эбит.", "noisy": "Аныгылыы истииллээх, панорамнай тyннyктэрдээх, толору хааччыллыылаах, сылаас муосталаах дьиэ5э ыалдьыттар быйыл кyhyннyттэн сылдьан эрэллэр эбит.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1888, "split": "dev", "profile": "mixed", "gold": "Норуот өрө туруо диэн онтон куттанан кинини өлөрбөтөхтөрө уонна саас муус устарга босхолообуттара.", "noisy": "Норуот оро туруо диэн онтон куттанан кинини 8лорб8тохт8р8 уонна саас муус устарга босхолообуттара.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1889, "split": "dev", "profile": "partial", "gold": "Инньэ гынан, ыстаҥаһыт уол Саха сирин хамаандатыгар иккис кыһыл көмүс мэтээли аҕалла.", "noisy": "Инньэ гынан, ыстанаһыт уол Саха сирин хамаандатыгар иккис кыһыл көмүс мэтээли агалла.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1890, "split": "dev", "profile": "clean", "gold": "-Убайым Ньукулай итинник, толооҥҥо аараан турар тайахха түбэспитэ буоллар, бултуо этэ, — диэбитэ ийэлэрэ.", "noisy": "-Убайым Ньукулай итинник, толооҥҥо аараан турар тайахха түбэспитэ буоллар, бултуо этэ, — диэбитэ ийэлэрэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1891, "split": "dev", "profile": "ru_fold", "gold": "Хаһыс да сылбын манна олорон, сыыһа гыммыт эбиппин диэн өйдөөтүм уонна бу оскуолаҕа кэлбиппиттэн олус үөрэбин.", "noisy": "Хаhыс да сылбын манна олорон, сыыhа гыммыт эбиппин диэн ойдоотум уонна бу оскуолага кэлбиппиттэн олус уорэбин.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1892, "split": "test", "profile": "leontiev", "gold": "Олохтоох норуот олорор сирин аһа доруобуйатыгар туһалаах, уһун үйэлэнэрин мэктиэлиир диэн, бэйэҥ аскын оҥороргор наадыйбат.", "noisy": "Олохтоох норуот олорор сирин аьа доруобуйатыгар туьалаах, уьун уйэлэнэрин мэктиэлиир диэн, бэйэн аскын онороргор наадыйбат.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1893, "split": "dev", "profile": "digits", "gold": "сайын уллуу Ойуунускай Ой Бэскэ бырааба дьиэтигэр ыҥыртаан хас да күн олоҥхолотон истибитин, кэпсэппитин, суруйбутун Борукаан Өлөксөй кэпсиир этэ.", "noisy": "сайын уллуу Ойуунускай Ой Бэскэ бырааба дьиэтигэр ыныртаан хас да кyн олонхолотон истибитин, кэпсэппитин, суруйбутун Борукаан 8л8кс8й кэпсиир этэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1894, "split": "dev", "profile": "mixed", "gold": "Үрүҥ өҥү таһынан аныгы кыргыттар букатын атын өҥү эмиэ сөбүлүүллэр: \"сампаан\" өҥө, \"слоновая кость\", үүттээх кофе өҥүн эгэлгэтэ, о.д.а.", "noisy": "Урyнг 8нгу таьынан аныгы кыргыттар букатын атын 8нy эмиэ с8бyлууллэр: \"сампаан\" он8, \"слоновая кость\", yуттээх кофе 8нгyн эгэлгэтэ, о.д.а.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1895, "split": "dev", "profile": "partial", "gold": "Оҕолоро улааталларын саҕана куоракка кырачааннары таһырдьа таһааран оонньотор да күчүмэҕэйин, сибиэһэй салгынынан да тыыннарар уустугун көрөн, тыа сиригэр олохсуйарга быһаарыммыттара.", "noisy": "Оголоро улааталларын сагана куоракка кырачааннары таһырдьа таһааран оонньотор да күчүмэгэйин, сибиэһэй салгынынан да тыыннарар уустугун көрөн, тыа сиригэр олохсуйарга быһаарыммыттара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1896, "split": "dev", "profile": "clean", "gold": "-- “Ойуун түүлэ” испэктээги көрөөччүлэр хайдах ылыннылар?", "noisy": "-- “Ойуун түүлэ” испэктээги көрөөччүлэр хайдах ылыннылар?", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1897, "split": "test", "profile": "ru_fold", "gold": "Тураммын түннүгүнэн дьонум дьэҥдьиир оҥорор дьиэлэрэ көстөрүн уонна ол таһыгар турар милииссийэ УАЗ фургон массыыната турарын субу-субу көрөбүн.", "noisy": "Тураммын туннугунэн дьонум дьэндьиир онорор дьиэлэрэ косторун уонна ол таhыгар турар милииссийэ УАЗ фургон массыыната турарын субу-субу коробун.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1898, "split": "dev", "profile": "leontiev", "gold": "“Сүүстэ истибиттээҕэр биирдэ көрбүт ордук” диэн санаанан салайтаран, аатырбыт Эльбрус хайатын...", "noisy": "“Суустэ истибиттээгэр биирдэ кербут ордук” диэн санаанан салайтаран, аатырбыт Эльбрус хайатын...", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1899, "split": "dev", "profile": "digits", "gold": "Федеральнай бүддьүөттэн кыттыгас үбүлээһининэн быһаарыллан, Ньурба куоратыгар сэтинньи ыйга 280 миэстэлээх оҕо саадын сыбаайата түһүөхтээх.", "noisy": "Федеральнай бyддьy8ттэн кыттыгас yбyлээhининэн быhаарыллан, Ньурба куоратыгар сэтинньи ыйга 280 миэстэлээх о5о саадын сыбаайата тyhy8хтээх.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1900, "split": "test", "profile": "mixed", "gold": "Өрөспүүбүлүкэттэн барыта сэттэ ыал талыллан кыһыҥҥы остуоруйаны илэ хараҕынан көрдө.", "noisy": "8роспуyбyлyкэттэн барыта сэттэ ыал талыллан кысынны остуоруйаны илэ хара5ынан к8рд8.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1901, "split": "dev", "profile": "partial", "gold": "Араас өҥнөөх кытаанах, сымнаҕас фетр, хлопок матырыйааллар наадалар.", "noisy": "Араас өннөөх кытаанах, сымнагас фетр, хлопок матырыйааллар наадалар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1902, "split": "test", "profile": "clean", "gold": "Министиэристибэлэр, биэдэмистибэлэр, идэлээх сойуус бэрэстэбиитэллэрэ Владимир Путин демографияҕа, экэниэмикэҕэ, үөрэххэ сыһыаннаах этиилэрин ырытыстылар, санааларын үллэһиннилэр.", "noisy": "Министиэристибэлэр, биэдэмистибэлэр, идэлээх сойуус бэрэстэбиитэллэрэ Владимир Путин демографияҕа, экэниэмикэҕэ, үөрэххэ сыһыаннаах этиилэрин ырытыстылар, санааларын үллэһиннилэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1903, "split": "test", "profile": "ru_fold", "gold": "Төһө кыалларынан көрөөччүгэ тиийэр курдук кыһаллабын.", "noisy": "Тоhо кыалларынан корооччугэ тиийэр курдук кыhаллабын.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1904, "split": "test", "profile": "leontiev", "gold": "Ити күн министиэристибэни кытары тоҕус биирдэм урбаанньыт сөҥнөһүү түһэрсибитэ.", "noisy": "Ити кун министиэристибэни кытары тогус биирдэм урбаанньыт сеннеьуу туьэрсибитэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1905, "split": "test", "profile": "digits", "gold": "Томография эккэ-сииҥҥэ, уорганнарга туох уларыйыы-тэлэрийии баран эрэрин эндэппэккэ быһаарар уонна ол уларыйыы эрдэтээҕи ыстаадьыйатыттан тута билэр.", "noisy": "Томография эккэ-сииннэ, уорганнарга туох уларыйыы-тэлэрийии баран эрэрин эндэппэккэ быhаарар уонна ол уларыйыы эрдэтээ5и ыстаадьыйатыттан тута билэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1906, "split": "test", "profile": "mixed", "gold": "Атыттар төттөрүтүн табылынныбыт диэн күлүктэригэр имнэнэллэр \".", "noisy": "Атыттар тотт8рyтун табылынныбыт диэн кулуктэригэр имнэнэллэр \".", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1907, "split": "dev", "profile": "partial", "gold": "АГАТУ көньүүһүнэтигэр улуустар уонна биирдиилээн дьон кэтэх сылгылара тураллар эбит.", "noisy": "АГАТУ көньүүһүнэтигэр улуустар уонна биирдиилээн дьон кэтэх сылгылара тураллар эбит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1908, "split": "dev", "profile": "clean", "gold": "Улууспутугар оччолорго олоҥхо улаханнык сайда сылдьыбыт (19 20 үйэлэр саҕана) биир бигэ бэлиэтэ биһиги олоҥхоһуттарбыт репертуардарын уратыта буолар.", "noisy": "Улууспутугар оччолорго олоҥхо улаханнык сайда сылдьыбыт (19 20 үйэлэр саҕана) биир бигэ бэлиэтэ биһиги олоҥхоһуттарбыт репертуардарын уратыта буолар.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1909, "split": "test", "profile": "ru_fold", "gold": "Ол иһин кэпсэтиигэ салайааччылары, уопсастыбаннай лидердэри эрэ буолбакка, көннөрү нэһилиэнньэ бэрэстэбиитэллэрэ эмиэ кыттыахтарын наада.", "noisy": "Ол иhин кэпсэтиигэ салайааччылары, уопсастыбаннай лидердэри эрэ буолбакка, коннору нэhилиэнньэ бэрэстэбиитэллэрэ эмиэ кыттыахтарын наада.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1910, "split": "test", "profile": "leontiev", "gold": "Ол курдук ис-иһиттэн сырдыгынан сыдьаайар, абылыыр дьикти кэрэ дьүһүннээҕэ.", "noisy": "Ол курдук ис-иьиттэн сырдыгынан сыдьаайар, абылыыр дьикти кэрэ дьуьуннээгэ.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1911, "split": "dev", "profile": "digits", "gold": "“Саха норуота салгыы хайдах буолбатыт?” диэҥҥэ “Ойуун түүлэ” хоруйдуур.", "noisy": "“Саха норуота салгыы хайдах буолбатыт?” диэннэ “Ойуун тyyлэ” хоруйдуур.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1912, "split": "test", "profile": "mixed", "gold": "Сиэн уола түннук карниһын шторалары түһэрэн кэбиһэн тутан туран ытыыра өссө бэргээтэ.", "noisy": "Сиэн уола туннук карниьын шторалары тyсэрэн кэбисэн тутан туран ытыыра 8сс8 бэргээтэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1913, "split": "test", "profile": "partial", "gold": "Биһиги \"София\" эрэстэрээҥҥэ 100-чэкэ киһилээх уруу киэһэтин тэрийдибит.", "noisy": "Биһиги \"София\" эрэстэрээннэ 100-чэкэ киһилээх уруу киэһэтин тэрийдибит.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1914, "split": "test", "profile": "clean", "gold": "Венера бэйэтин оҕолоругар муҥура суох айар кыаҕы биэрэр, аҥаардастыы таптааһын эрэйиттэн харыстыыр.", "noisy": "Венера бэйэтин оҕолоругар муҥура суох айар кыаҕы биэрэр, аҥаардастыы таптааһын эрэйиттэн харыстыыр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1915, "split": "dev", "profile": "ru_fold", "gold": "Күннээҕи олох долгунугар билиҥҥи байыаннай быһыы-майгы ханна эрэ ыраах буола турарын, биһиэхэ сыһыана суоҕун курдук саныыбыт.", "noisy": "Куннээги олох долгунугар билинни байыаннай быhыы-майгы ханна эрэ ыраах буола турарын, биhиэхэ сыhыана суогун курдук саныыбыт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1916, "split": "dev", "profile": "leontiev", "gold": "Порядин \"Үрүҥ Үөдүйээн\" диэн олоҥхону 1920 сыллаахха Амма аатырбыт олоҥхоһута Т.", "noisy": "Порядин \"Урун Уедуйээн\" диэн олонхону 1920 сыллаахха Амма аатырбыт олонхоьута Т.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1917, "split": "dev", "profile": "digits", "gold": "Итинэн, биир улаханнык эрэммит киһибит иккис миэстэнэн дуоһуйда.", "noisy": "Итинэн, биир улаханнык эрэммит киhибит иккис миэстэнэн дуоhуйда.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1918, "split": "dev", "profile": "mixed", "gold": "Уоскуйдахпыт иккиэн да, Сааһырдахпыт иккиэн да, Ол да буоллар бу күҥҥэ Иккиэн санаан ылыахпыт.", "noisy": "Уоскуйдахпыт иккиэн да, Сааhырдахпыт иккиэн да, Ол да буоллар бу кyннэ Иккиэн санаан ылыахпыт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1919, "split": "dev", "profile": "partial", "gold": "Онон былаас “барыбытын өлөртөөн эрэр” диэн суланыы соччо олоҕо суох курдук.", "noisy": "Онон былаас “барыбытын өлөртөөн эрэр” диэн суланыы соччо олого суох курдук.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1920, "split": "dev", "profile": "clean", "gold": "Ойуунускай үлэлиир кэмигэр киирэн билсэ сылдьыбытын, рукопиһы сүтэрдибит диэн биллэрбиттэр.", "noisy": "Ойуунускай үлэлиир кэмигэр киирэн билсэ сылдьыбытын, рукопиһы сүтэрдибит диэн биллэрбиттэр.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1921, "split": "dev", "profile": "ru_fold", "gold": "Берлиҥҥэ тиийбит, Подсдамы харабыллаабыт, саамай элбэх бойобуой наҕараадалаах буойун атаҕар олус кыанара үһү.", "noisy": "Берлиннэ тиийбит, Подсдамы харабыллаабыт, саамай элбэх бойобуой нагараадалаах буойун атагар олус кыанара уhу.", "source": "sah.wikipedia:Слепцов Иннокентий Васильевич"}
{"id": 1922, "split": "test", "profile": "leontiev", "gold": "Арай биирдэ кыһын аҕалара Лэгиэн улаҕа хайыһа сытан кыыс ытаабытыгар бэйэтин бэйэтэ «быай-быа» диэн саҥара-саҥара таптанан барда, онтон нэһииччэ уһугуннарда.", "noisy": "Арай биирдэ кыьын агалара Лэгиэн улага хайыьа сытан кыыс ытаабытыгар бэйэтин бэйэтэ «быай-быа» диэн санара-санара таптанан барда, онтон нэьииччэ уьугуннарда.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1923, "split": "dev", "profile": "digits", "gold": "Көлүөнэттэн көлүөнэҕэ өй-санаа көрдөбүлүн, үгэстэри тутуспатахха хас эмэ төгүл улаатара көлүөнэлэр өйдөспөттөрүгэр, эдэрдэр аһара бараллара элбээһинигэр тириэрдэр кыаҕа улаатар.", "noisy": "К8лy8нэттэн к8лy8нэ5э 8й-санаа к8рд8бyлyн, yгэстэри тутуспатахха хас эмэ т8гyл улаатара к8лy8нэлэр 8йд8сп8тт8рyгэр, эдэрдэр аhара бараллара элбээhинигэр тириэрдэр кыа5а улаатар.", "source": "sah.wikipedia:Көрдөбүл уонна ирдэбил"}
{"id": 1924, "split": "dev", "profile": "mixed", "gold": "Бэстибээл 2000 сыллаахха тэриллиэҕиттэн ыла Өймөкөөн тыатын сиригэр араас култуурунай-маассабай тэрээһиннэр буолан аастылар.", "noisy": "Бэстибээл 2000 сыллаахха тэриллиэ5иттэн ыла 8ймок8он тыатын сиригэр араас култуурунай-маассабай тэрээhиннэр буолан аастылар.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1925, "split": "test", "profile": "partial", "gold": "Сүөһү бородууксуйа биэриэр диэри үгүс кэм ааһарын учуоттуохха.", "noisy": "Сүөһү бородууксуйа биэриэр диэри үгүс кэм ааһарын учуоттуохха.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1926, "split": "test", "profile": "clean", "gold": "Тоҕо диэтэххэ төрүт дьарыкпытыгар барыта баар, өбүгэ өркөн өйө, Итэҕэлбит, тылбыт, сиэрбит-туоммут, айылҕалыын алтыһыыбыт, үппүт-аспыт, буортута суох ыраас аһыыр аспыт – барыта.", "noisy": "Тоҕо диэтэххэ төрүт дьарыкпытыгар барыта баар, өбүгэ өркөн өйө, Итэҕэлбит, тылбыт, сиэрбит-туоммут, айылҕалыын алтыһыыбыт, үппүт-аспыт, буортута суох ыраас аһыыр аспыт – барыта.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1927, "split": "test", "profile": "ru_fold", "gold": "Перестройка соруктара дьон өйүгэр-санаатыгар бытааннык киирэрин сөбүлэһэрэ көстүбүтэ.", "noisy": "Перестройка соруктара дьон ойугэр-санаатыгар бытааннык киирэрин собулэhэрэ костубутэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1928, "split": "test", "profile": "leontiev", "gold": "Хаһан эрэ Ойуунускай ырааҕы ырыҥалаабытын курдук, Саха сирин олохтоохторо билигин тугу гыннахпытына, аны сүүс сылынан биһиги оҕолорбут уонна сиэннэрбит олохторун саргыта салаллыаҕай?", "noisy": "Хаьан эрэ Ойуунускай ыраагы ырыналаабытын курдук, Саха сирин олохтоохторо билигин тугу гыннахпытына, аны суус сылынан биьиги оголорбут уонна сиэннэрбит олохторун саргыта салаллыагай?", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1929, "split": "dev", "profile": "digits", "gold": "Оттон ньиэп-гаас операторын, силиэсэрин үлэтин МРТК кэтэхтэн уһуйан биэрэр.", "noisy": "Оттон ньиэп-гаас операторын, силиэсэрин yлэтин МРТК кэтэхтэн уhуйан биэрэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1930, "split": "test", "profile": "mixed", "gold": "Оннук буолбатах, мин Эбээн Бытантай улууһуттан төрүттээхпин.", "noisy": "Оннук буолбатах, мин Эбээн Бытантай улууhуттан торyттээхпин.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1931, "split": "dev", "profile": "partial", "gold": "арааһата бу былыт улахан сөҥүүтэ суох, хараан быһылаах.", "noisy": "арааһата бу былыт улахан сөнүүтэ суох, хараан быһылаах.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1932, "split": "test", "profile": "clean", "gold": "Сэмэй буолуу киһи сэрэҕэ улаатан сыыһа-халты туттунарын суох оҥорууга аналланар.", "noisy": "Сэмэй буолуу киһи сэрэҕэ улаатан сыыһа-халты туттунарын суох оҥорууга аналланар.", "source": "sah.wikipedia:Сахалар олохторун үөрэҕин тутуспат буолуу"}
{"id": 1933, "split": "test", "profile": "ru_fold", "gold": "Онуоха: — Һуу, — диэн бары уоскуйбуттар.", "noisy": "Онуоха: — Hуу, — диэн бары уоскуйбуттар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1934, "split": "dev", "profile": "leontiev", "gold": "Киэҥ-холку көҕүстээх, аҕыйах саҥалаах улахан сүдү адаарыйбыт оҕонньор этэ.", "noisy": "Киэн-холку кегустээх, агыйах саналаах улахан суду адаарыйбыт огонньор этэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1935, "split": "dev", "profile": "digits", "gold": "Маны таһынан, оҕолор ырыанан, үҥкүүнэн эҕэрдэлээтилэр, \"Үс ситим — үс кэрэ\" хаартысканан дьүһүйүү бырааҺынньык киэргэлинэн буолла.", "noisy": "Маны таhынан, о5олор ырыанан, yнкyyнэн э5эрдэлээтилэр, \"Yс ситим — yс кэрэ\" хаартысканан дьyhyйyy бырааHынньык киэргэлинэн буолла.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1936, "split": "dev", "profile": "mixed", "gold": "(2016 сылга Дьокуускайга \"Азия оҕолоро\" аан дойду таһымнаах күрэхтэһии буоларын умнумаҥ).", "noisy": "(2016 сылга Дьокуускайга \"Азия охолоро\" аан дойду таьымнаах кyрэхтэhии буоларын умнуманг).", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1937, "split": "test", "profile": "partial", "gold": "Үөрэнээччилэр орто үөрэҕи ылаллар уонна үөрэхтэрин орто анал эбэтэр үрдүк үөрэххэ салгыылларыгар быраап бэриллэр.", "noisy": "Үөрэнээччилэр орто үөрэги ылаллар уонна үөрэхтэрин орто анал эбэтэр үрдүк үөрэххэ салгыылларыгар быраап бэриллэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1938, "split": "dev", "profile": "clean", "gold": "Кэлин улахан дьоҥҥо эппитинэн биллэххэ ол Ойуунускайга олоҥхолообут олоҥхото үһү.", "noisy": "Кэлин улахан дьоҥҥо эппитинэн биллэххэ ол Ойуунускайга олоҥхолообут олоҥхото үһү.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1939, "split": "test", "profile": "ru_fold", "gold": "Эн алта сүүс лабаа Хомускун тарт, ыллаа, Дьол, эйэ ырыата Дойдугун айхаллаа.", "noisy": "Эн алта суус лабаа Хомускун тарт, ыллаа, Дьол, эйэ ырыата Дойдугун айхаллаа.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1940, "split": "dev", "profile": "leontiev", "gold": "Оччолорго төһө даҕаны быыкаа дьон буолларбыт, оннук өй-санаа олорон хаалбыт.", "noisy": "Оччолорго теье даганы быыкаа дьон буолларбыт, оннук ей-санаа олорон хаалбыт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1941, "split": "dev", "profile": "digits", "gold": "Күнү быһа үлэлээн кэлэн баран түүннэри олоҥхо истэллэрин сөҕөбүн.", "noisy": "Кyнy быhа yлэлээн кэлэн баран тyyннэри олонхо истэллэрин с858бyн.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1942, "split": "test", "profile": "mixed", "gold": "Ньурба куорат уонна нэһилиэктэр баһылыктара, тэрилтэлэр салайааччылара, бэрэстэбиитэллээх уорганнар дьокутааттара аахсыйаҕа көхтөөхтүк кытыннылар.", "noisy": "Ньурба куорат уонна нэьилиэктэр басылыктара, тэрилтэлэр салайааччылара, бэрэстэбиитэллээх уорганнар дьокутааттара аахсыйага кохт8охтyк кытыннылар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1943, "split": "dev", "profile": "partial", "gold": "Суумкабыт, көрдөххө, кыра курдугун иһин, бу түгэҥҥэ, санаабытыгар, түгэҕэ көстүбэт дириҥ далайдыы кэҥээтэ.", "noisy": "Суумкабыт, көрдөххө, кыра курдугун иһин, бу түгэннэ, санаабытыгар, түгэгэ көстүбэт дирин далайдыы кэнээтэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1944, "split": "test", "profile": "clean", "gold": "Киһи өйө-санаата хаһан баҕарар аһара бара сылдьарын ыра санаа диэн баара биллэрэр.", "noisy": "Киһи өйө-санаата хаһан баҕарар аһара бара сылдьарын ыра санаа диэн баара биллэрэр.", "source": "sah.wikipedia:Сахалар олохторун үөрэҕин тутуспат буолуу"}
{"id": 1945, "split": "dev", "profile": "ru_fold", "gold": "Мантан сиэттэрэн хас да этии үөскүүр: 1) Сыл аайы син биир туох эрэ тиэмэлээх сыл биллэриллэр, онно тустаах куонкурус ыытыллар.", "noisy": "Мантан сиэттэрэн хас да этии уоскуур: 1) Сыл аайы син биир туох эрэ тиэмэлээх сыл биллэриллэр, онно тустаах куонкурус ыытыллар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1946, "split": "dev", "profile": "leontiev", "gold": "Үлэбит ыарахан, ол эрээри, үлэлииргэ интэриэһинэй.", "noisy": "Улэбит ыарахан, ол эрээри, улэлииргэ интэриэьинэй.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1947, "split": "dev", "profile": "digits", "gold": "← “Өбүгэм үтүө үгэһэ — Ыһыах» уруһуй куонкуруһун түмүгэ Саха үҥкүүтэ →", "noisy": "← “8бyгэм yтy8 yгэhэ — Ыhыах» уруhуй куонкуруhун тyмyгэ Саха yнкyyтэ →", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1948, "split": "test", "profile": "mixed", "gold": "Урут үлэһитин кырбаабыт киһи үлэтиттэн эһиллэр, кырата усулуобунай болдьох ылыахтаах эбитэ буолуо.", "noisy": "Урут улэhитин кырбаабыт киhи yлэтиттэн эhиллэр, кырата усулуобунай болдьох ылыахтаах эбитэ буолуо.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1949, "split": "test", "profile": "partial", "gold": "Сакааска үлэлиибин, араас сахалыы оһуордаах-ойуулаах остуол, олоппос, ыскаап, панно, мэтириэт кыһабын.", "noisy": "Сакааска үлэлиибин, араас сахалыы оһуордаах-ойуулаах остуол, олоппос, ыскаап, панно, мэтириэт кыһабын.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1950, "split": "dev", "profile": "clean", "gold": "Мин урут бөһүөлэккэ сэбиэттии сылдьыбыт киһибин, ол гынан баран бу былаас куһаҕанын эрдэ өйдөөммүн, ону утары охсуһарга быһаарынным.", "noisy": "Мин урут бөһүөлэккэ сэбиэттии сылдьыбыт киһибин, ол гынан баран бу былаас куһаҕанын эрдэ өйдөөммүн, ону утары охсуһарга быһаарынным.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1951, "split": "test", "profile": "ru_fold", "gold": "Кырачааннарбыт күн сирин көрөллөрүгэр быраастар барахсаттар көмөлөһөллөр, ыарыһах барахсан күн сириттэн арахсар чааһыгар диэри үрүҥ аанньалларбыт арахпакка көрөллөрүн-истэллэрин туһунан элбэхтик суруйаллар, махтаналлар.", "noisy": "Кырачааннарбыт кун сирин короллоругэр быраастар барахсаттар комолоhоллор, ыарыhах барахсан кун сириттэн арахсар чааhыгар диэри урун аанньалларбыт арахпакка короллорун-истэллэрин туhунан элбэхтик суруйаллар, махтаналлар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1952, "split": "dev", "profile": "leontiev", "gold": "- Этээччилэр бириэмэлэригэр эттилэр даҕаны баран хаалбакка, атын этээччини өйөөннөр кынат буолан кытталлара учуоттанар.", "noisy": "- Этээччилэр бириэмэлэригэр эттилэр даганы баран хаалбакка, атын этээччини ейееннер кынат буолан кытталлара учуоттанар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1953, "split": "dev", "profile": "digits", "gold": "Хачыкаакка ыал буолан «Эбэм балтараа саастааҕар дьоно Хачыкаакка көһөн кэлбиттэр.", "noisy": "Хачыкаакка ыал буолан «Эбэм балтараа саастаа5ар дьоно Хачыкаакка к8h8н кэлбиттэр.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1954, "split": "test", "profile": "mixed", "gold": "Аны туран, халадьыынньыкка хаһан да буруолуу сылдьар, итии аһы угумаҥ.", "noisy": "Аны туран, халадьыынньыкка хасан да буруолуу сылдьар, итии асы угуман.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1955, "split": "dev", "profile": "partial", "gold": "Түмсүү кыттыылаахтарын уонна ыалдьыттарын (барыта 1000 кэриҥэ киһи, ол иһигэр 300-тэн тахса суруналыыс — Арассыыйаттан, Европаттан, Соҕуруу-Илин Азияттан) РФ Бэрэсидьиэнэ Дмитрий Медведев суругунан эҕэрдэлээтэ.", "noisy": "Түмсүү кыттыылаахтарын уонна ыалдьыттарын (барыта 1000 кэринэ киһи, ол иһигэр 300-тэн тахса суруналыыс — Арассыыйаттан, Европаттан, Согуруу-Илин Азияттан) РФ Бэрэсидьиэнэ Дмитрий Медведев суругунан эгэрдэлээтэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1956, "split": "dev", "profile": "clean", "gold": "— Ол эрээри, бу идэ миэнэ буолбатах эбит, өйүм-санаам, дууһам култуура эйгэтигэр тардыһар диэн түмүк оҥостон, ыллым да, үлэбиттэн уурайан хаалбытым, — диэн Татьяна Тоскина кэпсиир.", "noisy": "— Ол эрээри, бу идэ миэнэ буолбатах эбит, өйүм-санаам, дууһам култуура эйгэтигэр тардыһар диэн түмүк оҥостон, ыллым да, үлэбиттэн уурайан хаалбытым, — диэн Татьяна Тоскина кэпсиир.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1957, "split": "dev", "profile": "ru_fold", "gold": "Тымныыны куруук туһаннахха, организм үөрэнэн, этиҥ-хааныҥ көрдүүр буолан хаалар.", "noisy": "Тымныыны куруук туhаннахха, организм уорэнэн, этин-хаанын кордуур буолан хаалар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1958, "split": "test", "profile": "leontiev", "gold": "Күрэскэ киирбит үлэлэри бастакы этээскэ көрүөххэ сөп.", "noisy": "Курэскэ киирбит улэлэри бастакы этээскэ керуеххэ сеп.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1959, "split": "test", "profile": "digits", "gold": "Кини киһи сиир бурдугун ыһары уураппыппыт алҕаһын ыйар.", "noisy": "Кини киhи сиир бурдугун ыhары уураппыппыт ал5аhын ыйар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1960, "split": "dev", "profile": "mixed", "gold": "Иван Егорович Ытык Биэ диэн сир халдьаайытыгар дьоҕус ампаар дьиэҕэ соҕотоҕун олорбута.", "noisy": "Иван Егорович Ытык Биэ диэн сир халдьаайытыгар дьохус ампаар дьиэхэ со5отохун олорбута.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1961, "split": "dev", "profile": "partial", "gold": "Сааскы уу этэҥҥэ аастаҕына, улахан өҥ сайын кэлээри турар диэн тойоннуубун.", "noisy": "Сааскы уу этэннэ аастагына, улахан өн сайын кэлээри турар диэн тойоннуубун.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1962, "split": "dev", "profile": "clean", "gold": "Өрөспүүбүлүкэбит баһылыга Айсен Николаев эбээн бытантайдар быһыыны ылыыга үчүгэй көрдөрүүлээхтэр диэн бэлиэтээбитэ.", "noisy": "Өрөспүүбүлүкэбит баһылыга Айсен Николаев эбээн бытантайдар быһыыны ылыыга үчүгэй көрдөрүүлээхтэр диэн бэлиэтээбитэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1963, "split": "test", "profile": "ru_fold", "gold": "Тоҕо диэтэххэ, кус кэлиитэ чугаһыыр, саалыы барар кэмнэрэ бу тирээн кэлэр.", "noisy": "Того диэтэххэ, кус кэлиитэ чугаhыыр, саалыы барар кэмнэрэ бу тирээн кэлэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1964, "split": "test", "profile": "leontiev", "gold": "Оҕолор ордук сөбүлээн волейболунан, тустуунан, мас тардыһыытынан, хайыһарынан дьарыктаналлар диэн тириэньэр кэпсиир.", "noisy": "Оголор ордук себулээн волейболунан, тустуунан, мас тардыьыытынан, хайыьарынан дьарыктаналлар диэн тириэньэр кэпсиир.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1965, "split": "dev", "profile": "digits", "gold": "\"Дьэ эрэ, астыахха!\" маастар-кылааска сөбүлээн туттар бастыҥ рецептэрин билиһиннэрдилэр, рецебинэн астаммыт аһы көрдөрдүлэр, астарыттан амсатылар.", "noisy": "\"Дьэ эрэ, астыахха!\" маастар-кылааска с8бyлээн туттар бастын рецептэрин билиhиннэрдилэр, рецебинэн астаммыт аhы к8рд8рдyлэр, астарыттан амсатылар.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1966, "split": "test", "profile": "mixed", "gold": "Сүүрбэччэ киһи кыттыбыта, чугас улуустар кэлбиттэрэ.", "noisy": "Суyрбэччэ киьи кыттыбыта, чугас улуустар кэлбиттэрэ.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1967, "split": "test", "profile": "partial", "gold": "Анисия Даниловна, Иннокентий Дмитриевич Скрябиннар дьиэ кэргэҥҥэ.", "noisy": "Анисия Даниловна, Иннокентий Дмитриевич Скрябиннар дьиэ кэргэннэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1968, "split": "dev", "profile": "clean", "gold": "Бу курдук Эдьээн нэһилиэгин оҕо уһуйаана төрөппүттэри кытта биир ситимнээх үлэни ыытан, оҕолор эргиччи сайдалларыгар улахан үлэ барар.", "noisy": "Бу курдук Эдьээн нэһилиэгин оҕо уһуйаана төрөппүттэри кытта биир ситимнээх үлэни ыытан, оҕолор эргиччи сайдалларыгар улахан үлэ барар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1969, "split": "dev", "profile": "ru_fold", "gold": "Бастаан тутулуннаҕын утаа кини «миигин тутан ылан Дагестаҥҥа кулут гына сылдьыбыттара, бу кэм устата кирпииччэ оҥорор собуокка үлэлээбитим» диэн сымыйанан кэпсии сылдьыбыта.", "noisy": "Бастаан тутулуннагын утаа кини «миигин тутан ылан Дагестанна кулут гына сылдьыбыттара, бу кэм устата кирпииччэ онорор собуокка улэлээбитим» диэн сымыйанан кэпсии сылдьыбыта.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1970, "split": "test", "profile": "leontiev", "gold": "туттара олорон, үүннэрээччи көҥдөй ночооттонор.", "noisy": "туттара олорон, ууннэрээччи кендей ночооттонор.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1971, "split": "test", "profile": "digits", "gold": "Ол курдук, төлөпүөммэр «Бастакы ханаал», «Россия-1», НТВ, «Бэһис ханаал», «Карусель», ОТР, «ТВ-центр», СТС, ТВ-3, «Пятница», «Звезда», ТНТ уонна да атын ханааллары босхо көрөр кыахтаахпын.", "noisy": "Ол курдук, т8л8пy8ммэр «Бастакы ханаал», «Россия-1», НТВ, «Бэhис ханаал», «Карусель», ОТР, «ТВ-центр», СТС, ТВ-3, «Пятница», «Звезда», ТНТ уонна да атын ханааллары босхо к8р8р кыахтаахпын.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1972, "split": "test", "profile": "mixed", "gold": "Киһибит, аан маҥнай былыргы өтөх иһигэр киирбит буолан, сыныйан одуулаабыт.", "noisy": "Киьибит, аан мангнай былыргы от8х исигэр киирбит буолан, сыныйан одуулаабыт.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1973, "split": "test", "profile": "partial", "gold": "Ол курдук, 38 кг ыйааһыҥҥа тустан Игнатьев Саян иккис миэстэни ылла.", "noisy": "Ол курдук, 38 кг ыйааһынна тустан Игнатьев Саян иккис миэстэни ылла.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 1974, "split": "dev", "profile": "clean", "gold": "Күн сырылаччы тыган турар кэмигэр бары тэлгэһэҕэ сылдьарбыт үчүгэйэ сүрдээҕэ.", "noisy": "Күн сырылаччы тыган турар кэмигэр бары тэлгэһэҕэ сылдьарбыт үчүгэйэ сүрдээҕэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1975, "split": "test", "profile": "ru_fold", "gold": "Интэриниэтинэн хааччахтааһына суох туһанабын.", "noisy": "Интэриниэтинэн хааччахтааhына суох туhанабын.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1976, "split": "test", "profile": "leontiev", "gold": "Тугу эрэ ботур-итир сибигинэһэн, кыратык биир сиргэ тэпсэҥнии түһэн баран төттөрү барбыттар.", "noisy": "Тугу эрэ ботур-итир сибигинэьэн, кыратык биир сиргэ тэпсэннии туьэн баран теттеру барбыттар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1977, "split": "test", "profile": "digits", "gold": "Бэл, нэһилиэк ытын-куһун кытта ааҕарга тиийдилэр.", "noisy": "Бэл, нэhилиэк ытын-куhун кытта аа5арга тиийдилэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1978, "split": "dev", "profile": "mixed", "gold": "Хараҕым хайдах эрэ тыаһыырга дылы гынна.", "noisy": "Харагым хайдах эрэ тыаhыырга дылы гынна.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1979, "split": "test", "profile": "partial", "gold": "Интеллектуальнай оонньууга Ытык кэрэ сирдэр, Мүрү алаас, Кыһыл кинигэ, хамсыыр-харамай, үүнээйилэр категориялардаах оонньонно.", "noisy": "Интеллектуальнай оонньууга Ытык кэрэ сирдэр, Мүрү алаас, Кыһыл кинигэ, хамсыыр-харамай, үүнээйилэр категориялардаах оонньонно.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 1980, "split": "test", "profile": "clean", "gold": "Нерюнгри таас чоҕун муҥура суох элбэх курдук кэпсээбиттэрэ, ол иһин улахан куораты туппуттара.", "noisy": "Нерюнгри таас чоҕун муҥура суох элбэх курдук кэпсээбиттэрэ, ол иһин улахан куораты туппуттара.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1981, "split": "test", "profile": "ru_fold", "gold": "Гарифулла ити тыллар суолталарын өйдөөбүт курдук өрүтэ мэтэҥнээтэ, атаҕынан тэбиэлэннэ.", "noisy": "Гарифулла ити тыллар суолталарын ойдообут курдук орутэ мэтэннээтэ, атагынан тэбиэлэннэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1982, "split": "test", "profile": "leontiev", "gold": "Туруору күүс баара тас көрүҥтэн син биллэр, онтон хамсаныылары хайдах оҥорууттан эбиллэн биэрэр туспа күүс эмиэ баарын былыр үйэҕэ сахалар быһаараннар тылларыгар киллэрэн туһана сылдьаллар.", "noisy": "Туруору куус баара тас керунтэн син биллэр, онтон хамсаныылары хайдах онорууттан эбиллэн биэрэр туспа куус эмиэ баарын былыр уйэгэ сахалар быьаараннар тылларыгар киллэрэн туьана сылдьаллар.", "source": "sah.wikipedia:Күүс уонна хамсаныы"}
{"id": 1983, "split": "test", "profile": "digits", "gold": "Бэл, бэчээппит “үчүгэйдик үлэлээҥ” диэн сэниэлээхтик ыҥырбат буолла.", "noisy": "Бэл, бэчээппит “yчyгэйдик yлэлээн” диэн сэниэлээхтик ынырбат буолла.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1984, "split": "dev", "profile": "mixed", "gold": "«Уҥа түннүккүт ханнаный?» — диэбиппэр ким да эппэтэ.", "noisy": "«Унга туннуккyт ханнаный?» — диэбиппэр ким да эппэтэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1985, "split": "dev", "profile": "partial", "gold": "В., үс томнаах \"История Якутии\" сүрүн редактора.", "noisy": "В., үс томнаах \"История Якутии\" сүрүн редактора.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1986, "split": "test", "profile": "clean", "gold": "Хас биирдии киһи ыйааһын эптибит буолуохтаах.", "noisy": "Хас биирдии киһи ыйааһын эптибит буолуохтаах.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1987, "split": "test", "profile": "ru_fold", "gold": "Мин онно доҕуһуоллааччы быһыытынан кыттыбыт дьоллоохпун.", "noisy": "Мин онно догуhуоллааччы быhыытынан кыттыбыт дьоллоохпун.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1988, "split": "dev", "profile": "leontiev", "gold": "Онон кэлин баҕар сөргүтүө эбитэ буолуо, аҕа дойду сэриитэ кэлэн мэһэйдээбит.", "noisy": "Онон кэлин багар сергутуе эбитэ буолуо, ага дойду сэриитэ кэлэн мэьэйдээбит.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 1989, "split": "dev", "profile": "digits", "gold": "Бары үлэһиттэр киирэр дьону кытта хайдах үлэлиэхтээхтэрин ыйар быраабылалары олоччу билиэхтээхтэр.", "noisy": "Бары yлэhиттэр киирэр дьону кытта хайдах yлэлиэхтээхтэрин ыйар быраабылалары олоччу билиэхтээхтэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 1990, "split": "dev", "profile": "mixed", "gold": "Поэт айымньытын хаайыытааҕы циклын бутэһик хоһоонунан «Туох иһин» диэн сүрэх кыланыыта буолбутун инчэҕэй эттээх эрэ барыта өйдүөн сөп…", "noisy": "Поэт айымньытын хаайыытаагы циклын бутэhик хосоонунан «Туох исин» диэн сyрэх кыланыыта буолбутун инчэгэй эттээх эрэ барыта 8йдy8н соп…", "source": "ailabykt/sakha-corpus-mono:childrens_lib"}
{"id": 1991, "split": "dev", "profile": "partial", "gold": "Онон 2022 сылтан биһиги көхтөөхтүк үлэлээн барбыппыт.", "noisy": "Онон 2022 сылтан биһиги көхтөөхтүк үлэлээн барбыппыт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1992, "split": "test", "profile": "clean", "gold": "Ол аата, олоххо, дойдуга инфляция барар түгэнигэр оҥорон таһаарааччы көмүскэллээх буоларын хааччыйар ыстатыйалардаах буолуохтаах.", "noisy": "Ол аата, олоххо, дойдуга инфляция барар түгэнигэр оҥорон таһаарааччы көмүскэллээх буоларын хааччыйар ыстатыйалардаах буолуохтаах.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1993, "split": "test", "profile": "ru_fold", "gold": "— Афоня-а, ол сибиэһэй буоллаҕына эн хайыаххын баҕараҕыный?", "noisy": "— Афоня-а, ол сибиэhэй буоллагына эн хайыаххын багарагыный?", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1994, "split": "dev", "profile": "leontiev", "gold": "Аан дойдутааҕы сэллик ыарыытын утары охсуһуу күнэ 1982 сылтан кулун тутар 24 күнүгэр бэлиэтэнэр.", "noisy": "Аан дойдутаагы сэллик ыарыытын утары охсуьуу кунэ 1982 сылтан кулун тутар 24 кунугэр бэлиэтэнэр.", "source": "sah.wikipedia:Аан дойдуга сэллиги утары охсуһуу күнэ"}
{"id": 1995, "split": "dev", "profile": "digits", "gold": "—Арба, эрдэ эмиэ Ил Түмэҥҥэ дьокутаатынан талыллан үлэлии сырыттыҥ этэ дуу?", "noisy": "—Арба, эрдэ эмиэ Ил Тyмэннэ дьокутаатынан талыллан yлэлии сырыттын этэ дуу?", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 1996, "split": "test", "profile": "mixed", "gold": "Георгий Михайлович «Сэттэ» тутуу хампаанньата туппут эбийиэгин биһирии көрдө, үөрэнээччилэргэ уонна иитиллээччилэргэ табыгастаах усулуобуйа тэриллибитин бэлиэтээтэ.", "noisy": "Георгий Михайлович «Сэттэ» тутуу хампаанньата туппут эбийиэгин бисирии к8рдо, y8рэнээччилэргэ уонна иитиллээччилэргэ табыгастаах усулуобуйа тэриллибитин бэлиэтээтэ.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 1997, "split": "test", "profile": "partial", "gold": "Бу күн төрөөбүттэр хаппырыыстар, уоскулаҥы билбэттэр.", "noisy": "Бу күн төрөөбүттэр хаппырыыстар, уоскуланы билбэттэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 1998, "split": "test", "profile": "clean", "gold": "Онуоха тугу да сэрэйбэт киһитэ тута сөбүлэспит уонна түүн бөһүөлэк утуйбутун кэннэ, сатыы бөһүөлэк таһын диэки тахсыбыттар.", "noisy": "Онуоха тугу да сэрэйбэт киһитэ тута сөбүлэспит уонна түүн бөһүөлэк утуйбутун кэннэ, сатыы бөһүөлэк таһын диэки тахсыбыттар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 1999, "split": "dev", "profile": "ru_fold", "gold": "Ол эрээри олоҕун устата уларыйан, илдьэ кэлбит сатабылын салайан, туһатыгар эрэ туттан, тапталынан талынан, кыраларга кыһаллан Үтүө Кыыл, Күүстээх Көтөр, Эр Киһи диэн ааттанар.", "noisy": "Ол эрээри ологун устата уларыйан, илдьэ кэлбит сатабылын салайан, туhатыгар эрэ туттан, тапталынан талынан, кыраларга кыhаллан Утуо Кыыл, Куустээх Котор, Эр Киhи диэн ааттанар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2000, "split": "dev", "profile": "leontiev", "gold": "Тоҥ Суорун курдук анаан-минээн олоҥхону батыһан дьарыгырбатах буолан лоп курдук орто олоҥхоһутунан биллэрэ үһү.", "noisy": "Тон Суорун курдук анаан-минээн олонхону батыьан дьарыгырбатах буолан лоп курдук орто олонхоьутунан биллэрэ уьу.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2001, "split": "test", "profile": "digits", "gold": "диэри улаатыннарыллан, үүнэр 2018 сылтан уһуйааннар олохтоох хаһаайыстыбалар оҥорор астарынан-үөллэринэн (балыгынан, убаһа этинэн, сир аһынан, үрүҥ аһынан, оҕуруот аһынан…) хааччыллыахтаахтар.", "noisy": "диэри улаатыннарыллан, yyнэр 2018 сылтан уhуйааннар олохтоох хаhаайыстыбалар онорор астарынан-y8ллэринэн (балыгынан, убаhа этинэн, сир аhынан, yрyн аhынан, о5уруот аhынан…) хааччыллыахтаахтар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2002, "split": "dev", "profile": "mixed", "gold": "Харах далыгар сылдьар дьон, ырыаһыттар, спортсменнар, блогердар туох сонуннаахтарын социальнай ситимтэн көрдүбүт.", "noisy": "Харах далыгар сылдьар дьон, ырыаhыттар, спортсменнар, блогердар туох сонуннаахтарын социальнай ситимтэн к8рдубyт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2003, "split": "test", "profile": "partial", "gold": "Дональд Трамп туһунан этэригэр, Владимир Путин кинини кытары дьыалабыай кэпсэтиини ыытыахха сөбүн эттэ.", "noisy": "Дональд Трамп туһунан этэригэр, Владимир Путин кинини кытары дьыалабыай кэпсэтиини ыытыахха сөбүн эттэ.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2004, "split": "dev", "profile": "clean", "gold": "Ытык иэс (энергетическэй иэс –энергодолг перед Создателем)) Бу орто дойдуга өбүгэлэрбит хардыы аайы иччилэртэн ааттаһа-көрдөһө, көҥүллэтэ, алгыстыы сылдьаллара.", "noisy": "Ытык иэс (энергетическэй иэс –энергодолг перед Создателем)) Бу орто дойдуга өбүгэлэрбит хардыы аайы иччилэртэн ааттаһа-көрдөһө, көҥүллэтэ, алгыстыы сылдьаллара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2005, "split": "test", "profile": "ru_fold", "gold": "\" Былырыыҥҥыттан саҥа сүүрээни киллэрдибит.", "noisy": "\" Былырыынныттан сана суурээни киллэрдибит.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2006, "split": "test", "profile": "leontiev", "gold": "Рядовой Попов Днепри бастакынан харбаан туораан, өстөөх траншеятыгар күүппэтэх өттүлэриттэн соһуччу киирэн уоту аспыта.", "noisy": "Рядовой Попов Днепри бастакынан харбаан туораан, естеех траншеятыгар кууппэтэх еттулэриттэн соьуччу киирэн уоту аспыта.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2007, "split": "test", "profile": "digits", "gold": "Түүнү быһа сэниэтэ эстибит муҥнаах суорума суолланыа суох этэ.", "noisy": "Тyyнy быhа сэниэтэ эстибит муннаах суорума суолланыа суох этэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2008, "split": "dev", "profile": "mixed", "gold": "Эргиччи талааннаах, хомоҕой тыллаах-өстөөх, тус олоҕор табыллыбыт (дьиэ кэргэннээх) тамаданы чугас дьоҥҥутуттан сүбэлэтэн буларгыт үчүгэй.", "noisy": "Эргиччи талааннаах, хомо5ой тыллаах-ост88х, тус ологор табыллыбыт (дьиэ кэргэннээх) тамаданы чугас дьонгнутуттан субэлэтэн буларгыт учугэй.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2009, "split": "dev", "profile": "partial", "gold": "Бастайааннай бэрэстэбиитэлистибэ нөҥүө кинилэр докумуоннарын чөлүгэр түһэриигэ үлэлэспиппит.", "noisy": "Бастайааннай бэрэстэбиитэлистибэ нөнүө кинилэр докумуоннарын чөлүгэр түһэриигэ үлэлэспиппит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2010, "split": "test", "profile": "clean", "gold": "Оҕонньордоох эмээхсин иккиэн олох иһин охсуһан, тойон кыылга эмиэ да сүгүрүйэллэр, эмиэ да куттаналлар.", "noisy": "Оҕонньордоох эмээхсин иккиэн олох иһин охсуһан, тойон кыылга эмиэ да сүгүрүйэллэр, эмиэ да куттаналлар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2011, "split": "dev", "profile": "ru_fold", "gold": "Маны таһынан Ил Түмэн сэттис ыҥырыылаах мунньаҕар дьокутааттары талыахпыт уонна киин куорат Дууматыгар дьокутааттар быыбардара буолуоҕа.", "noisy": "Маны таhынан Ил Тумэн сэттис ынырыылаах мунньагар дьокутааттары талыахпыт уонна киин куорат Дууматыгар дьокутааттар быыбардара буолуога.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2012, "split": "dev", "profile": "leontiev", "gold": "Өрөспүүбүлүкэҕэ 2022 сылы кытта тэҥнээтэххэ сифилис ыарыынан ыалдьыы 15 бырыһыанынан элбээбит, гонорея ыарыынан ыалдьыы 18.7 бырыһыанынан аччаабыт.", "noisy": "Ереспуубулукэгэ 2022 сылы кытта тэннээтэххэ сифилис ыарыынан ыалдьыы 15 бырыьыанынан элбээбит, гонорея ыарыынан ыалдьыы 18.7 бырыьыанынан аччаабыт.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2013, "split": "test", "profile": "digits", "gold": "Бу киинэ сүрүн оруолларын Саха тыйаатырын артыыһа Михаил Апросимов уонна Феодосия Иванова оонньообуттар.", "noisy": "Бу киинэ сyрyн оруолларын Саха тыйаатырын артыыhа Михаил Апросимов уонна Феодосия Иванова оонньообуттар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2014, "split": "dev", "profile": "mixed", "gold": "Бу инбэлиит дьон дьоллоругар төрөөбүт талааннаах тириэньэрдэр диэн сыаналыыбын.", "noisy": "Бу инбэлиит дьон дьоллоругар т8р88бут талааннаах тириэньэрдэр диэн сыаналыыбын.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2015, "split": "test", "profile": "partial", "gold": "(үлэ төлөбүрүн алын кээмэйэ) суһал соруктары быһаарыыга, ол иһигэр хамнаһы төлөөһүҥҥэ туһаныахха сөп.", "noisy": "(үлэ төлөбүрүн алын кээмэйэ) суһал соруктары быһаарыыга, ол иһигэр хамнаһы төлөөһүннэ туһаныахха сөп.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2016, "split": "test", "profile": "clean", "gold": "Бэдэрээтчит сыыһатын көннөрүөхтээх диэн дьаһал бэриллибитэ.", "noisy": "Бэдэрээтчит сыыһатын көннөрүөхтээх диэн дьаһал бэриллибитэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2017, "split": "dev", "profile": "ru_fold", "gold": "Онон кинилэр табаары биһиги үлэхпитинэн көрө сылдьан ыытыахтара.", "noisy": "Онон кинилэр табаары биhиги улэхпитинэн коро сылдьан ыытыахтара.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2018, "split": "dev", "profile": "leontiev", "gold": "Өссө Баһылай Харысхал көҕүлээһининэн 2012 сыллаахха алтынньы 7 күнүгэр Тулбаҕа үрэҕэр Амма конфедералистара икки ый устата бүгэн олорбут сирдэригэр бэлиэ туруоруллубут сиригэр эмиэ сырыттылар.", "noisy": "Ессе Баьылай Харысхал кегулээьининэн 2012 сыллаахха алтынньы 7 кунугэр Тулбага урэгэр Амма конфедералистара икки ый устата бугэн олорбут сирдэригэр бэлиэ туруоруллубут сиригэр эмиэ сырыттылар.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2019, "split": "test", "profile": "digits", "gold": "Сылаас туалеты тутууга япониялар холобурдарын, оҥоһуктарын билиһиннэрдэ.", "noisy": "Сылаас туалеты тутууга япониялар холобурдарын, оноhуктарын билиhиннэрдэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2020, "split": "dev", "profile": "mixed", "gold": "Мусульманнар биир тулхадыйбат үгэстээхтэр Өбүгэн үгэһин ытыктаа, Өбүгэлэргин умнума диэн...", "noisy": "Мусульманнар биир тулхадыйбат yгэстээхтэр Обугэн угэhин ытыктаа, Обугэлэргин умнума диэн...", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2021, "split": "dev", "profile": "partial", "gold": "Дьон-сэргэ олус сөбүлээн истэр буолан, ыҥырыыга сылдьар эбит.", "noisy": "Дьон-сэргэ олус сөбүлээн истэр буолан, ынырыыга сылдьар эбит.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2022, "split": "dev", "profile": "clean", "gold": "Оҕолор уһулуччулаах суруйааччы «Тоҕус төгүл тоҕо?» айымньытынан туруоруллубут видеоны көрөн, кинигэтин ааҕан ырытыыга көхтөөхтүк кыттан билиилэрин көрдөрдүлэр.", "noisy": "Оҕолор уһулуччулаах суруйааччы «Тоҕус төгүл тоҕо?» айымньытынан туруоруллубут видеоны көрөн, кинигэтин ааҕан ырытыыга көхтөөхтүк кыттан билиилэрин көрдөрдүлэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2023, "split": "dev", "profile": "ru_fold", "gold": "Бэйэҕитин уонна чугас дьоҥҥутун харыстааҥ!", "noisy": "Бэйэгитин уонна чугас дьоннутун харыстаан!", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2024, "split": "test", "profile": "leontiev", "gold": "Хаһаайыстыба ийэттэн-аҕаттан оҕоҕо бэриллэр.", "noisy": "Хаьаайыстыба ийэттэн-агаттан огого бэриллэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2025, "split": "dev", "profile": "digits", "gold": "Олоххо биирдэ буолар маннык дьоллоох түгэҥҥэ хас биирдии кыыс саамай кэрэ буоларга дьулуһара үчүгэй бөҕө буоллаҕа дии.", "noisy": "Олоххо биирдэ буолар маннык дьоллоох тyгэннэ хас биирдии кыыс саамай кэрэ буоларга дьулуhара yчyгэй б858 буолла5а дии.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2026, "split": "test", "profile": "mixed", "gold": "Эн поэт, ырыаһыт бастыҥа, Скульптор, ойууһут ааттааҕа Барытын ааттыаҕы дэлэйэ, Дьоҕуруҥ даҕаны элбэҕэ.", "noisy": "Эн поэт, ырыаьыт бастына, Скульптор, ойууhут ааттааха Барытын ааттыахы дэлэйэ, Дьохурунг да5аны элбэгэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2027, "split": "test", "profile": "partial", "gold": "Киһи айаҕар ньуоска (о.д.а.) уган тииһин-уоһун, омурдун эрэ бааһырдыаххытын сөп.", "noisy": "Киһи айагар ньуоска (о.д.а.) уган тииһин-уоһун, омурдун эрэ бааһырдыаххытын сөп.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2028, "split": "dev", "profile": "clean", "gold": "Тэрээһин арыллыытыгар Олоҥхо дьиэтин салайааччыта Евдокия Иванова куонкурус кыттыылаахтарын эҕэрдэлээн, кинилэргэ ситиһиини баҕарда.", "noisy": "Тэрээһин арыллыытыгар Олоҥхо дьиэтин салайааччыта Евдокия Иванова куонкурус кыттыылаахтарын эҕэрдэлээн, кинилэргэ ситиһиини баҕарда.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2029, "split": "dev", "profile": "ru_fold", "gold": "Бэйэтэ олох эдэр сааһыттан Тимофей Захаровы-Чээбийи, Таатта олоҥхоһутун Иван Малатовы (Көтүөхэ уолун) батыһан туран истэрэ, кинилэр толорор искүсстволарын сөҕөрө-махтайара.", "noisy": "Бэйэтэ олох эдэр сааhыттан Тимофей Захаровы-Чээбийи, Таатта олонхоhутун Иван Малатовы (Котуохэ уолун) батыhан туран истэрэ, кинилэр толорор искусстволарын согоро-махтайара.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2030, "split": "test", "profile": "leontiev", "gold": "Дьон сүөһүтүн эһэрин көрөн олорон, көмөлөһөр кыах суох.", "noisy": "Дьон суеьутун эьэрин керен олорон, кемелеьер кыах суох.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2031, "split": "test", "profile": "digits", "gold": "Кини үлэтигэр олус бэриниилээх, кыһамньылаах сыһыаннаах үлэһиттэртэн биирдэстэрэ буолар.", "noisy": "Кини yлэтигэр олус бэриниилээх, кыhамньылаах сыhыаннаах yлэhиттэртэн биирдэстэрэ буолар.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2032, "split": "dev", "profile": "mixed", "gold": "Мэҥэ-Хаҥалас олоҥхоһуттарын үөрэппит фольклорист сабаҕалыырынан, Тараҕай нэһилиэгэр олоҥхо оскуолата арылла сылдьыбыт.", "noisy": "Мэнгэ-Хангалас олонгхоьуттарын yорэппит фольклорист сабагалыырынан, Тарахай нэhилиэгэр олонгхо оскуолата арылла сылдьыбыт.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2033, "split": "dev", "profile": "partial", "gold": "Үлэ-хамнас боппуруоһа Үлэ туһунан кэнники сонуннары билиһиннэрэбин.", "noisy": "Үлэ-хамнас боппуруоһа Үлэ туһунан кэнники сонуннары билиһиннэрэбин.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2034, "split": "test", "profile": "clean", "gold": "Саҥа дьылга ыраары ыйы быһа аһаабаккыт, онтон эмискэ бырааһынньыктааҕы остуолга түһүнэн кэбиһэҕит.", "noisy": "Саҥа дьылга ыраары ыйы быһа аһаабаккыт, онтон эмискэ бырааһынньыктааҕы остуолга түһүнэн кэбиһэҕит.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2035, "split": "test", "profile": "ru_fold", "gold": "Сааскы бастакы бырааһынньыгы көрсө 7 кылаас оҕолоро уонна төрөппүттэрэ, кылаас салайааччыта Варвара Федоровна тэрийиилэринэн оскуолабытыгар бэртээхэй биэчэр буолла.", "noisy": "Сааскы бастакы бырааhынньыгы корсо 7 кылаас оголоро уонна тороппуттэрэ, кылаас салайааччыта Варвара Федоровна тэрийиилэринэн оскуолабытыгар бэртээхэй биэчэр буолла.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2036, "split": "dev", "profile": "leontiev", "gold": "Оҕолор аҕаларын Саҥа дьылга кэлээр диэн ыҥыра хаалбыттара.", "noisy": "Оголор агаларын Сана дьылга кэлээр диэн ыныра хаалбыттара.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2037, "split": "test", "profile": "digits", "gold": "Ону таһынан иитэр үлэ тиһигэ үчүгэйдик тэриллэн үлэлиир.", "noisy": "Ону таhынан иитэр yлэ тиhигэ yчyгэйдик тэриллэн yлэлиир.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2038, "split": "dev", "profile": "mixed", "gold": "Кини быраатынаан Колялыын Дириҥҥэ оҕо дьиэтигэр олорон үөрэммиттэрэ.", "noisy": "Кини быраатынаан Колялыын Дириннгэ о5о дьиэтигэр олорон у8рэммиттэрэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2039, "split": "dev", "profile": "partial", "gold": "Ама, хайдах умнуоҥуй, ол уоттаах киэһэлэри...", "noisy": "Ама, хайдах умнуонуй, ол уоттаах киэһэлэри...", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2040, "split": "test", "profile": "clean", "gold": "Билигин кини сулууну барытын төлөөн, сарсыардаттан атын көлүнэн “дьол тардыһа” айаҥҥа туруммута.", "noisy": "Билигин кини сулууну барытын төлөөн, сарсыардаттан атын көлүнэн “дьол тардыһа” айаҥҥа туруммута.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2041, "split": "dev", "profile": "ru_fold", "gold": "Кини олус эппиэтинэстээх, дьону түмэ тардар дьоҕурдаах.", "noisy": "Кини олус эппиэтинэстээх, дьону тумэ тардар дьогурдаах.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2042, "split": "test", "profile": "leontiev", "gold": "Минньигэс түүлү баҕаран, сырылаччы сыллаан баран уоту умулларан тахсан бар.", "noisy": "Минньигэс туулу багаран, сырылаччы сыллаан баран уоту умулларан тахсан бар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2043, "split": "dev", "profile": "digits", "gold": "Үлэни «Биир Ньыгыл Арассыыйа» баартыйа «Молодая гвардия» Бүтүн Арассыыйатааҕы уопсастыбаннай тэриллиитин чилиэннэрэ ыытыахтара.", "noisy": "Yлэни «Биир Ньыгыл Арассыыйа» баартыйа «Молодая гвардия» Бyтyн Арассыыйатаа5ы уопсастыбаннай тэриллиитин чилиэннэрэ ыытыахтара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2044, "split": "dev", "profile": "mixed", "gold": "Палестинаны кытта Сирия уонна Месопотамия (Сирия-Месопотамия региона, эбэтэр Үүнүүлээх Кэлтэгэй Ый), ону таһынан Египет Христианнар Илиннэрин бас, тутаах өттө буолбуттара.", "noisy": "Палестинаны кытта Сирия уонна Месопотамия (Сирия-Месопотамия региона, эбэтэр Yунyулээх Кэлтэгэй Ый), ону таhынан Египет Христианнар Илиннэрин бас, тутаах 8тт8 буолбуттара.", "source": "sah.wikipedia:Христианство"}
{"id": 2045, "split": "dev", "profile": "partial", "gold": "Ол Бүөтүр олоҥхотун \"Кэхтэри билбэт Уолан Эрилик\" диэн олоҥхотун 2817 строкалаах устан олоҥхолоон Якутскайга Норуот Айымньытын дьиэтигэр уонна Тыл, литература институтун фондатыгар туттартаабытым\".", "noisy": "Ол Бүөтүр олонхотун \"Кэхтэри билбэт Уолан Эрилик\" диэн олонхотун 2817 строкалаах устан олонхолоон Якутскайга Норуот Айымньытын дьиэтигэр уонна Тыл, литература институтун фондатыгар туттартаабытым\".", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2046, "split": "dev", "profile": "clean", "gold": "Үөрэх министиэристибэтин, улуустардааҕы үөрэх управлениеларын бэрэстэбиитэллэрэ уонна куонкурустуур хамыыһыйа кытынна.", "noisy": "Үөрэх министиэристибэтин, улуустардааҕы үөрэх управлениеларын бэрэстэбиитэллэрэ уонна куонкурустуур хамыыһыйа кытынна.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2047, "split": "test", "profile": "ru_fold", "gold": "Валерий Николаевич сүбэлээн-амалаан илдьэ сырыттаҕына үлэбит таһаарыылаах буолуо.", "noisy": "Валерий Николаевич субэлээн-амалаан илдьэ сырыттагына улэбит таhаарыылаах буолуо.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2048, "split": "test", "profile": "leontiev", "gold": "Гиззатулла мөккүөрдээх киин сирдэртэн дьалты, дьиэтин-уотун эргин сылдьыбыта.", "noisy": "Гиззатулла меккуердээх киин сирдэртэн дьалты, дьиэтин-уотун эргин сылдьыбыта.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2049, "split": "dev", "profile": "digits", "gold": "Аҕам аах баайдарга оҕус сиэттэрэ биэрэллэрэ.", "noisy": "А5ам аах баайдарга о5ус сиэттэрэ биэрэллэрэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2050, "split": "dev", "profile": "mixed", "gold": "Бу 2020 сылга диэри биир эрэ хаһыакка, \"Кэскил\" \"Бэлэм буол\" эрдэҕиттэн үлэлээн кэллэҕим.", "noisy": "Бу 2020 сылга диэри биир эрэ хасыакка, \"Кэскил\" \"Бэлэм буол\" эрдэхиттэн улэлээн кэллэ5им.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2051, "split": "test", "profile": "partial", "gold": "Онон куттаммакка көссүүлэһэр кыахтаммыт.", "noisy": "Онон куттаммакка көссүүлэһэр кыахтаммыт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2052, "split": "test", "profile": "clean", "gold": "буруйу оҥоруу тахсыбатын туһугар ахсаабакка үлэлиир.", "noisy": "буруйу оҥоруу тахсыбатын туһугар ахсаабакка үлэлиир.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2053, "split": "test", "profile": "ru_fold", "gold": "Ол 1922 сыл, гражданскай сэрии кэнниттэн, дойдуга быстыы-ойдуу бириэмэтигэр Саха сиригэр автономия статуһун иҥэрии, саҥа судаарыстыбаннаһы олохтооһун.", "noisy": "Ол 1922 сыл, гражданскай сэрии кэнниттэн, дойдуга быстыы-ойдуу бириэмэтигэр Саха сиригэр автономия статуhун инэрии, сана судаарыстыбаннаhы олохтооhун.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2054, "split": "dev", "profile": "leontiev", "gold": "Толорооччулар чабырҕаҕы айааччынан үгэс курдук Дьүлэй Бүөкээни ааттыыллара.", "noisy": "Толорооччулар чабыргагы айааччынан угэс курдук Дьулэй Буекээни ааттыыллара.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2055, "split": "test", "profile": "digits", "gold": "Саҥа сыл бастакы күннэригэр төлөпүөн нөҥүө 1850 сайаапка киирбит, 1418 ыҥырыы оҥоһуллубут, ол иһигэр 728 оҕолоох ыалга ыҥырыы.", "noisy": "Сана сыл бастакы кyннэригэр т8л8пy8н н8нy8 1850 сайаапка киирбит, 1418 ынырыы оноhуллубут, ол иhигэр 728 о5олоох ыалга ынырыы.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2056, "split": "test", "profile": "mixed", "gold": "Сахалар христианствоҕа сүрэхтэммиттэрэ төһө да ырааттар, бэйэлэрин итэҕэллэрин илдьэ сылдьаллар.", "noisy": "Сахалар христианствога сyрэхтэммиттэрэ тоь8 да ырааттар, бэйэлэрин итэхэллэрин илдьэ сылдьаллар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2057, "split": "test", "profile": "partial", "gold": "Биллиилээх артыыс, соторутааҕыта 80-с хаарын бэлиэтээбит Анна Кузьмина кэлэ сылдьан: \"Тыа дьоно тыйаатыры наһаа ахталлар, син биир урукку курдук кэтэһэллэр, күүтэллэр эбит\", — диэбиттээҕэ.", "noisy": "Биллиилээх артыыс, соторутаагыта 80-с хаарын бэлиэтээбит Анна Кузьмина кэлэ сылдьан: \"Тыа дьоно тыйаатыры наһаа ахталлар, син биир урукку курдук кэтэһэллэр, күүтэллэр эбит\", — диэбиттээгэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2058, "split": "test", "profile": "clean", "gold": "Оҕолор барахсаттар мааскаланан кэлэллэр, сирэйдэрин-харахтарын да көрдөрбөттөр.", "noisy": "Оҕолор барахсаттар мааскаланан кэлэллэр, сирэйдэрин-харахтарын да көрдөрбөттөр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2059, "split": "dev", "profile": "ru_fold", "gold": "Үтүө бириэмэтигэр ыалга хамначчыт сылдьыбыт.", "noisy": "Утуо бириэмэтигэр ыалга хамначчыт сылдьыбыт.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2060, "split": "test", "profile": "leontiev", "gold": "Сабыс саҥа аппаратуралаах, тыаһы-ууһу көннөрөр туспа хостоох, цветодиоднай экраннаах, 160 олорор миэстэлээх, киэҥ-куоҥ сыаналаах, гримеркалаах, атын даҕаны хостордоох саала буолар.", "noisy": "Сабыс сана аппаратуралаах, тыаьы-ууьу кеннерер туспа хостоох, цветодиоднай экраннаах, 160 олорор миэстэлээх, киэн-куон сыаналаах, гримеркалаах, атын даганы хостордоох саала буолар.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2061, "split": "test", "profile": "digits", "gold": "– Мин санаабар, Байбал күүһүнэн баһыйар.", "noisy": "– Мин санаабар, Байбал кyyhyнэн баhыйар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2062, "split": "test", "profile": "mixed", "gold": "Оттон бу үлэ хас биирдии үлэһиттэн тутулуктаах, онно төһүү - миэстэтигэр үлэ.", "noisy": "Оттон бу yлэ хас биирдии yлэьиттэн тутулуктаах, онно тосуу - миэстэтигэр yлэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2063, "split": "dev", "profile": "partial", "gold": "Тэлиэгэ оҥоруутугар, субан сүөһү көрүүтүгэр уонна да араас быстах үлэлэргэ күүһэ тиийэринэн кыттыбыта.", "noisy": "Тэлиэгэ оноруутугар, субан сүөһү көрүүтүгэр уонна да араас быстах үлэлэргэ күүһэ тиийэринэн кыттыбыта.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2064, "split": "test", "profile": "clean", "gold": "Итиэннэ кылгас дакылаакка билигин биһиги норуоппут иннигэр турар соруктары, төһө да боччумнаахтарын иһин, барыларын таарыйар кыаллыбата биллэр”.", "noisy": "Итиэннэ кылгас дакылаакка билигин биһиги норуоппут иннигэр турар соруктары, төһө да боччумнаахтарын иһин, барыларын таарыйар кыаллыбата биллэр”.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2065, "split": "test", "profile": "ru_fold", "gold": "Миша 5-6-с кылааска үөрэнэ сылдьан учуутала Матрена Васильевна Зырянова тэрийбит дыраама куруһуогар дьарыктанар.", "noisy": "Миша 5-6-с кылааска уорэнэ сылдьан учуутала Матрена Васильевна Зырянова тэрийбит дыраама куруhуогар дьарыктанар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2066, "split": "test", "profile": "leontiev", "gold": "Үҥкүү-битии, ырыа-тойук соччо-бачча уруйдамматаҕа диэххэ дуу…", "noisy": "Ункуу-битии, ырыа-тойук соччо-бачча уруйдамматага диэххэ дуу…", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2067, "split": "dev", "profile": "digits", "gold": "Үрэхпит сорох сиринэн киһини тобугунан, сорох сиринэн киһи түөһүнэн, балачча бардыбыт быһыылаах.", "noisy": "Yрэхпит сорох сиринэн киhини тобугунан, сорох сиринэн киhи тy8hyнэн, балачча бардыбыт быhыылаах.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2068, "split": "dev", "profile": "mixed", "gold": "Таайбыт саллаат оҕотун Лиза утуйбут сыттыга, аҕатын хорсуннук сэриилэһэ сылдьан сураҕа суох сүппүт хомолтотун, кини сиэнэ Любовь Никифорова кэргэнинээн Игорьдыын онно баран сүгүрүйэн кэлбиттэрэ.", "noisy": "Таайбыт саллаат о5отун Лиза утуйбут сыттыга, ахатын хорсуннук сэриилэhэ сылдьан сурага суох сyппyт хомолтотун, кини сиэнэ Любовь Никифорова кэргэнинээн Игорьдыын онно баран сyгyруйэн кэлбиттэрэ.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2069, "split": "test", "profile": "partial", "gold": "Хаһан баҕарар оннук дьон чыпчаалга тахсара, тахсан баран, тулуһан сылдьара ыарахан буолааччы...", "noisy": "Хаһан багарар оннук дьон чыпчаалга тахсара, тахсан баран, тулуһан сылдьара ыарахан буолааччы...", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2070, "split": "test", "profile": "clean", "gold": "Аны билигин ити үөһэ эппит сокуоммутунан, инникитин олохтоохтор бары ТСЖ тэринэн биһиэхэ дуогабардаһа кэлиэхтээхтэр.", "noisy": "Аны билигин ити үөһэ эппит сокуоммутунан, инникитин олохтоохтор бары ТСЖ тэринэн биһиэхэ дуогабардаһа кэлиэхтээхтэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2071, "split": "test", "profile": "ru_fold", "gold": "Күндү үөрэнээччилэрбит, билии аартыгынан хардыылаан, саҥа үрдэллэргэ дабайаҥҥыт үтүө үлэһит, дьоһуннаах гражданин, патриот буола улаатыҥ.", "noisy": "Кунду уорэнээччилэрбит, билии аартыгынан хардыылаан, сана урдэллэргэ дабайанныт утуо улэhит, дьоhуннаах гражданин, патриот буола улаатын.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2072, "split": "dev", "profile": "leontiev", "gold": "Биир соҕотох механик үөрэхтээх уола эдэр сааһыгар муҥурдах ыарыытыттан өлбүтэ.", "noisy": "Биир соготох механик уерэхтээх уола эдэр сааьыгар мунурдах ыарыытыттан елбутэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2073, "split": "test", "profile": "digits", "gold": "Ким кыахтаах — ол кыайдын!\" диэн спортсменнар сөбүлээн туттар тылларынан этиитин түмүктээтэ.", "noisy": "Ким кыахтаах — ол кыайдын!\" диэн спортсменнар с8бyлээн туттар тылларынан этиитин тyмyктээтэ.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2074, "split": "test", "profile": "mixed", "gold": "Бу тэрээһин Билим уонна профессиональнай үөрэхтээһин министиэристибэтиттэн уонна сэминээр кыттыылаахтарыттан үрдүк сыанабылы ылбыта.", "noisy": "Бу тэрээсин Билим уонна профессиональнай уорэхтээьин министиэристибэтиттэн уонна сэминээр кыттыылаахтарыттан урдук сыанабылы ылбыта.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2075, "split": "test", "profile": "partial", "gold": "Биһигини, музыкальнай оскуолаҕа ылыллыбыт оҕолору атын үөрэнээччилэри кытта илин икки куорпус интэринээт дьиэтигэр олордубуттара.", "noisy": "Биһигини, музыкальнай оскуолага ылыллыбыт оголору атын үөрэнээччилэри кытта илин икки куорпус интэринээт дьиэтигэр олордубуттара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2076, "split": "test", "profile": "clean", "gold": "Оттон дьиҥнээх Нөөрүктээйи дьоно онно-манна көһөн, дэриэбинэтэ аатын сүтэрэн барбыта.", "noisy": "Оттон дьиҥнээх Нөөрүктээйи дьоно онно-манна көһөн, дэриэбинэтэ аатын сүтэрэн барбыта.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2077, "split": "test", "profile": "ru_fold", "gold": "Быыкаатык, кып-кыратык аһааҥҥыт эккитигэр-хааҥҥытыгар суолталаах, туһалаах элеменнэри, битэмииннэри суох оҥороҕут.", "noisy": "Быыкаатык, кып-кыратык аhаанныт эккитигэр-хааннытыгар суолталаах, туhалаах элеменнэри, битэмииннэри суох онорогут.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2078, "split": "test", "profile": "leontiev", "gold": "Анна Васильевнаҕа дириҥ махталбытын тиэрдэбит!", "noisy": "Анна Васильевнага дирин махталбытын тиэрдэбит!", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2079, "split": "test", "profile": "digits", "gold": "Чахчы, ат туйаҕын тыаһа бачыгыраан олорор.", "noisy": "Чахчы, ат туйа5ын тыаhа бачыгыраан олорор.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2080, "split": "test", "profile": "mixed", "gold": "тэҥнээтэххэ, сүөһүбүт 57336 төбөнөн аҕыйаабыт.", "noisy": "тэнгнээтэххэ, суосyбyт 57336 т8бон8н агыйаабыт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2081, "split": "dev", "profile": "partial", "gold": "Өрөспүүбүлүкэ бүддьүөтүттэн 2 мөл 98 тыһ солк көрүллүбүт.", "noisy": "Өрөспүүбүлүкэ бүддьүөтүттэн 2 мөл 98 тыһ солк көрүллүбүт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2082, "split": "test", "profile": "clean", "gold": "Чуумпу акыйааннааҕы флокка морускуой пехотаҕа үс сыл сулууспалыыр.", "noisy": "Чуумпу акыйааннааҕы флокка морускуой пехотаҕа үс сыл сулууспалыыр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2083, "split": "dev", "profile": "ru_fold", "gold": "Сүүмэрдэммит хамаандатын састаабыгар Европа 2016 чемпиона, УЕФА Нациялар лигаларын икки төгүллээх кыайыылааҕа (2019, 2025) буолбута.", "noisy": "Суумэрдэммит хамаандатын састаабыгар Европа 2016 чемпиона, УЕФА Нациялар лигаларын икки тогуллээх кыайыылаага (2019, 2025) буолбута.", "source": "sah.wikipedia:Криштиану Роналду"}
{"id": 2084, "split": "dev", "profile": "leontiev", "gold": "Бастатан туран, \"Кыымҥа\", \"Хатаҥҥа\", \"Ваше право.", "noisy": "Бастатан туран, \"Кыымна\", \"Хатанна\", \"Ваше право.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2085, "split": "test", "profile": "digits", "gold": "Ол киирбит үлэлэртэн холбуу тутан, бу 9 ааптары— \"Дьикти күүс\" туһунан дьүһүйээччилэри мунньан, хайы-үйэ үчүгэйкээн бэйэлээх \"Таайыллыбат дьикти күүс\" диэн кинигэни таһаара охсубуттара үчүгэйин баҕаһын!", "noisy": "Ол киирбит yлэлэртэн холбуу тутан, бу 9 ааптары— \"Дьикти кyyс\" туhунан дьyhyйээччилэри мунньан, хайы-yйэ yчyгэйкээн бэйэлээх \"Таайыллыбат дьикти кyyс\" диэн кинигэни таhаара охсубуттара yчyгэйин ба5аhын!", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2086, "split": "test", "profile": "mixed", "gold": "Удачнайга оробуочай сырыы түмүгүнэн руднигы тутууга куттал суоһаабатын туһугар чопчу дьаһаллары ылар буоллулар.", "noisy": "Удачнайга оробуочай сырыы тумугyнэн руднигы тутууга куттал суоhаабатын тусугар чопчу дьасаллары ылар буоллулар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2087, "split": "dev", "profile": "partial", "gold": "Сорох дьон сөҕөрө-махтайара, сорохтор: «Аата, баҕайы этэрэ-саҥарара дириҥин», — дииллэрэ.", "noisy": "Сорох дьон сөгөрө-махтайара, сорохтор: «Аата, багайы этэрэ-санарара диринин», — дииллэрэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2088, "split": "dev", "profile": "clean", "gold": "— Нэһилиэк аайы хамнастаах ыччат лиидэрэ, испэсэлииһэ диэн суох.", "noisy": "— Нэһилиэк аайы хамнастаах ыччат лиидэрэ, испэсэлииһэ диэн суох.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2089, "split": "test", "profile": "ru_fold", "gold": "Биэс сүүс курдук сертификат ситим нөҥүө тарҕатыллан, кыттыбыт оҕолорго, хамаандалары тэрийсибит үлэһиттэргэ туттарыллыа.", "noisy": "Биэс суус курдук сертификат ситим нонуо таргатыллан, кыттыбыт оголорго, хамаандалары тэрийсибит улэhиттэргэ туттарыллыа.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2090, "split": "test", "profile": "leontiev", "gold": "Тоҕо диэтэххэ сайдыыны сиэрдээх өй-санаа эрэ аҕалар, оттон ол сиэрдээх өй-санаа төрүт дьарыкка, өбүгэ ыллыгар, өтөҕөр эрэ баар.", "noisy": "Того диэтэххэ сайдыыны сиэрдээх ей-санаа эрэ агалар, оттон ол сиэрдээх ей-санаа терут дьарыкка, ебугэ ыллыгар, етегер эрэ баар.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2091, "split": "dev", "profile": "digits", "gold": "Кыһыҥҥы уһун тымныыга кыһалҕаттан хас да ыалдьуккаах кыстыыр үгэстэммит, көмүлүөк оһох маһы олус сиир буолан, онно кыттыһан мастанан олорон.", "noisy": "Кыhынны уhун тымныыга кыhал5аттан хас да ыалдьуккаах кыстыыр yгэстэммит, к8мyлy8к оhох маhы олус сиир буолан, онно кыттыhан мастанан олорон.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2092, "split": "test", "profile": "mixed", "gold": "Оттон дьахталларга “Полярная звезда” сурунаал эппиэттиир сэкэритээрэ Ираида Попова бэргэнин көрдөрдө.", "noisy": "Оттон дьахталларга “Полярная звезда” сурунаал эппиэттиир сэкэритээрэ Ираида Попова бэргэнин к8рд8рд8.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2093, "split": "test", "profile": "partial", "gold": "Кедр эриэхэтэ атырдьах ыйын 25 күнүттэн, оттон сорох оройуоннарга балаҕан ыйын 1 күнүттэн ситэр.", "noisy": "Кедр эриэхэтэ атырдьах ыйын 25 күнүттэн, оттон сорох оройуоннарга балаган ыйын 1 күнүттэн ситэр.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2094, "split": "test", "profile": "clean", "gold": "Улахан промышленнай куорат - Аан Дойду 8% табаара оҥоһуллар.", "noisy": "Улахан промышленнай куорат - Аан Дойду 8% табаара оҥоһуллар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2095, "split": "test", "profile": "ru_fold", "gold": "ТӨРӨППҮТТЭРГЭ СҮБЭЛЭР – Төрөппүттэргэ тугу сүбэлиэҥ этэй?", "noisy": "ТОРОППУТТЭРГЭ СУБЭЛЭР – Тороппуттэргэ тугу субэлиэн этэй?", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2096, "split": "test", "profile": "leontiev", "gold": "Онон биһиги тас бэлиитикэбитин сайыннаран, ону күүскэ ыытан, көмүскэнэр байыаннай күүстэрбитин бөҕөрөгөтөн, экэниэмикэбитин кыаҕырдан, бэлэмнээх буолуохпутун наада.", "noisy": "Онон биьиги тас бэлиитикэбитин сайыннаран, ону куускэ ыытан, кемускэнэр байыаннай куустэрбитин бегерегетен, экэниэмикэбитин кыагырдан, бэлэмнээх буолуохпутун наада.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2097, "split": "dev", "profile": "digits", "gold": "Ыччат аатыттан эдэр сүүрүк Диана Адасько куораппытыгар чөл олоҕу туругурдарга, спордунан дьарыктанарга бары усулуобуйа тэриллибитин ыйда.", "noisy": "Ыччат аатыттан эдэр сyyрyк Диана Адасько куораппытыгар ч8л оло5у туругурдарга, спордунан дьарыктанарга бары усулуобуйа тэриллибитин ыйда.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2098, "split": "dev", "profile": "mixed", "gold": "Тиийдэхпитинэ «алаадьылаах эбээлэр» кэллилэр диэн үөрэ-үмүөрүһэ түһэллэрэ.", "noisy": "Тиийдэхпитинэ «алаадьылаах эбээлэр» кэллилэр диэн yорэ-умуорyhэ туьэллэрэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2099, "split": "test", "profile": "partial", "gold": "Чахчы буолбутунан даҕаны уонна саҥа Конституция да быһыытынан, 1990-с сылларга өрөспүүбүлүкэ олоҕор буолбут бөдөҥ экэнэмиичэскэй уонна уопсастыбаннай-бэлитииичэскэй уларыйыылар М.Е.Николаев аатын кытары сибээстээхтэр.", "noisy": "Чахчы буолбутунан даганы уонна сана Конституция да быһыытынан, 1990-с сылларга өрөспүүбүлүкэ ологор буолбут бөдөн экэнэмиичэскэй уонна уопсастыбаннай-бэлитииичэскэй уларыйыылар М.Е.Николаев аатын кытары сибээстээхтэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2100, "split": "test", "profile": "clean", "gold": "Оҕолор да, олохтоохтор да маннык тупсаҕай, бары ирдэбилгэ эппиэттиир саалаҕа дьарыктанан доруобуйаларын туруга тупсуо, успуорка ситиһиилэри аҕалыахтара диэн эрэнэбит», — диэн кэпсиир.", "noisy": "Оҕолор да, олохтоохтор да маннык тупсаҕай, бары ирдэбилгэ эппиэттиир саалаҕа дьарыктанан доруобуйаларын туруга тупсуо, успуорка ситиһиилэри аҕалыахтара диэн эрэнэбит», — диэн кэпсиир.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2101, "split": "dev", "profile": "ru_fold", "gold": "пассажир эргиирэ үс мөлүйүөнтэн тахса эбит эрээри, аҕыйах сыл буолан баран, кэннилэриттэн элбэх киһи ыарыыга ылларан, кэннилэриттэн олус күүскэ охтубут.", "noisy": "пассажир эргиирэ ус молуйуонтэн тахса эбит эрээри, агыйах сыл буолан баран, кэннилэриттэн элбэх киhи ыарыыга ылларан, кэннилэриттэн олус куускэ охтубут.", "source": "sah.wikipedia:Белград"}
{"id": 2102, "split": "test", "profile": "leontiev", "gold": "Дьэ, онон былырыын Өймөкөөҥҥө бэлэсипиэтинэн айаннаан, Саха сирин олохтоохторун соһуппут кытай экстремал-туриһа соругун ситэн, айаныгар улахан ТУОЧУКА туруорда.", "noisy": "Дьэ, онон былырыын Еймекеенне бэлэсипиэтинэн айаннаан, Саха сирин олохтоохторун соьуппут кытай экстремал-туриьа соругун ситэн, айаныгар улахан ТУОЧУКА туруорда.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2103, "split": "dev", "profile": "digits", "gold": "Онно хойгуо оҥорон, эмэгэт оҥорон, туойаммын- этэммин, хааннаан, дьэ, кыырдым.", "noisy": "Онно хойгуо онорон, эмэгэт онорон, туойаммын- этэммин, хааннаан, дьэ, кыырдым.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2104, "split": "dev", "profile": "mixed", "gold": "Ол саҕана Ноорой кырдьаҕас оҕонньор этэ, сааһа 77 эбит этэ.", "noisy": "Ол са5ана Ноорой кырдьахас огонньор этэ, сааhа 77 эбит этэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2105, "split": "dev", "profile": "partial", "gold": "Кини кэнники кэргэниттэн Өкүлүүнтэн Павел диэн уол оҕо төрөөбүтэ.", "noisy": "Кини кэнники кэргэниттэн Өкүлүүнтэн Павел диэн уол ого төрөөбүтэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2106, "split": "dev", "profile": "clean", "gold": "Онон бу музей аҥаардас энтузиазмҥа олоҕуран тэриллибитэ диэтэххэ, сыыспаппыт буолуо.", "noisy": "Онон бу музей аҥаардас энтузиазмҥа олоҕуран тэриллибитэ диэтэххэ, сыыспаппыт буолуо.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2107, "split": "dev", "profile": "ru_fold", "gold": "Дьиэтигэр биирдэ эмэ олоҥхолуур буолара, куолаһа сэмэйин, нарынын өйдүүбун.", "noisy": "Дьиэтигэр биирдэ эмэ олонхолуур буолара, куолаhа сэмэйин, нарынын ойдуубун.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2108, "split": "dev", "profile": "leontiev", "gold": "Амма өрүһүнэн былааннаммыт таһаҕас барыта тиэрдилиннэ.", "noisy": "Амма еруьунэн былааннаммыт таьагас барыта тиэрдилиннэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2109, "split": "dev", "profile": "digits", "gold": "Сорохторун ийэлэрэ, сиэстэрэлэр көрө-харайа сылдьаллара.", "noisy": "Сорохторун ийэлэрэ, сиэстэрэлэр к8р8-харайа сылдьаллара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2110, "split": "dev", "profile": "mixed", "gold": "Музейга сылдьан, кэпсээннэрин истэн, хаартыскаҕа түһэртээн баран, уҥуоргу биэрэги илэ харахпытынан көрөөрү син балай эмэ хаамтыбыт.", "noisy": "Музейга сылдьан, кэпсээннэрин истэн, хаартыскаха туьэртээн баран, унгуоргу биэрэги илэ харахпытынан к8роорy син балай эмэ хаамтыбыт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2111, "split": "test", "profile": "partial", "gold": "Уопсайынан, сааскы халааҥҥа уонна баһаар сезонугар бэлэмнэнии үлэлэрэ толору оҥоһулуннулар», — диэн РФ Бэрэсидьиэнин Уһук Илин федеральнай уокуругун боломуочуйалаах бэрэстэбиитэлэ эттэ.", "noisy": "Уопсайынан, сааскы халаанна уонна баһаар сезонугар бэлэмнэнии үлэлэрэ толору оноһулуннулар», — диэн РФ Бэрэсидьиэнин Уһук Илин федеральнай уокуругун боломуочуйалаах бэрэстэбиитэлэ эттэ.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2112, "split": "dev", "profile": "clean", "gold": "Дьокуускайдааҕы педтехникуму, 1938–40 сс.", "noisy": "Дьокуускайдааҕы педтехникуму, 1938–40 сс.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2113, "split": "test", "profile": "ru_fold", "gold": "Онон, ити ааттаммыт киһитийии өрүттэрэ литэрэтиирэбитигэр баар буолан киһи буолан иитиллэн тахсалларыгар тирэх буолара саарбаҕа суох.", "noisy": "Онон, ити ааттаммыт киhитийии оруттэрэ литэрэтиирэбитигэр баар буолан киhи буолан иитиллэн тахсалларыгар тирэх буолара саарбага суох.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2114, "split": "dev", "profile": "leontiev", "gold": "Билигин сахалартан аан дойдуга бэтэрээннэргэ иккилиитэ чемпионнаабыт бөҕөстөр баар буоллулар.", "noisy": "Билигин сахалартан аан дойдуга бэтэрээннэргэ иккилиитэ чемпионнаабыт бегестер баар буоллулар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2115, "split": "dev", "profile": "digits", "gold": "Мэлдьи буоларын да курдук, хандьыдааттары бэлиэтээһин олус мөккүөрдээх буолар.", "noisy": "Мэлдьи буоларын да курдук, хандьыдааттары бэлиэтээhин олус м8ккy8рдээх буолар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2116, "split": "test", "profile": "mixed", "gold": "Ону дьокутааттар \"сыыһа, дьон тыаҕа үүтү элбэҕи иһэр\" диэбиттэр.", "noisy": "Ону дьокутааттар \"сыыса, дьон тыага уyтy элбэ5и иhэр\" диэбиттэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2117, "split": "test", "profile": "partial", "gold": "Былаас структуратын төрдүттэн уларытыы Саха өрөспүүбүлүкэтигэр Бэрэсидьиэн дуоһунаһын олохтооһунтан саҕаламмыта.", "noisy": "Былаас структуратын төрдүттэн уларытыы Саха өрөспүүбүлүкэтигэр Бэрэсидьиэн дуоһунаһын олохтооһунтан сагаламмыта.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2118, "split": "dev", "profile": "clean", "gold": "Бу тутуу кэнэҕэһин Орто Халымаҕа спорду сайыннарыы киининэн буолуоҕар олохтоохтор эрэллэрэ улахан.", "noisy": "Бу тутуу кэнэҕэһин Орто Халымаҕа спорду сайыннарыы киининэн буолуоҕар олохтоохтор эрэллэрэ улахан.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2119, "split": "dev", "profile": "ru_fold", "gold": "Илларионов тоҕо эрэ Порядина Мария Егоровнаны Догдоҥо нэһилиэгэр киллэрэр, онно икки хараҕа суох, аҕата олоҥхоһут диэн хос быһаарыылаах.", "noisy": "Илларионов того эрэ Порядина Мария Егоровнаны Догдоно нэhилиэгэр киллэрэр, онно икки харага суох, агата олонхоhут диэн хос быhаарыылаах.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2120, "split": "test", "profile": "leontiev", "gold": "Дьокуускайдааҕы колхознай оскуоланы үөрэнэн бүтэрбитим.", "noisy": "Дьокуускайдаагы колхознай оскуоланы уерэнэн бутэрбитим.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2121, "split": "test", "profile": "digits", "gold": "Ол быыһыгар физкультура куруһуогар сылдьан күрэхтэһиилэргэ: саас хайыһарга, сайын, күһүн кросска кыттарым.", "noisy": "Ол быыhыгар физкультура куруhуогар сылдьан кyрэхтэhиилэргэ: саас хайыhарга, сайын, кyhyн кросска кыттарым.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2122, "split": "dev", "profile": "mixed", "gold": "Кылыс Бүөтүрэ-Бурнашев Петр Павлович (1900–1977 сс) анаан дьарыктаммыта буоллар улахан олоҥхоһут тахсыах этэ\".", "noisy": "Кылыс Бy8тyрэ-Бурнашев Петр Павлович (1900–1977 сс) анаан дьарыктаммыта буоллар улахан олонгхосут тахсыах этэ\".", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2123, "split": "test", "profile": "partial", "gold": "Ким баҕарар бэйэтэ да билбэтинэн ыарыыны тарҕатыан, чугас дьонугар, ыалларыгар ыарахан охсууну оҥоруон сөп, — диэн бэлиэтээбиттэрэ, Айыы Тойон Таҥара күндү бэлэҕин — сирдээҕи олоҕу харыстыырга ыҥырбыттара.", "noisy": "Ким багарар бэйэтэ да билбэтинэн ыарыыны таргатыан, чугас дьонугар, ыалларыгар ыарахан охсууну оноруон сөп, — диэн бэлиэтээбиттэрэ, Айыы Тойон Танара күндү бэлэгин — сирдээги ологу харыстыырга ынырбыттара.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2124, "split": "dev", "profile": "clean", "gold": "СИА үөрэх министиэристибэтин пресс-сулууспатыгар сигэнэн суруйар.", "noisy": "СИА үөрэх министиэристибэтин пресс-сулууспатыгар сигэнэн суруйар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2125, "split": "test", "profile": "ru_fold", "gold": "Ону дьэ бу оонньообуппут оҕус буолан улаатан, үллэн таҕыста дии.", "noisy": "Ону дьэ бу оонньообуппут огус буолан улаатан, уллэн тагыста дии.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2126, "split": "dev", "profile": "leontiev", "gold": "Онно киирбит дьон, үгэс курдук, өлөллөрө.", "noisy": "Онно киирбит дьон, угэс курдук, елеллере.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2127, "split": "dev", "profile": "digits", "gold": "Сайын аайы Сочига, Анапаҕа, Владивостокка, Крымҥа бараллар.", "noisy": "Сайын аайы Сочига, Анапа5а, Владивостокка, Крымна бараллар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2128, "split": "dev", "profile": "mixed", "gold": "Дьонун ахсаана 670 тыыһынча киһи (2021).", "noisy": "Дьонун ахсаана 670 тыысынча киhи (2021).", "source": "sah.wikipedia:Литтл Рок"}
{"id": 2129, "split": "test", "profile": "partial", "gold": "Кини кыыннаах быһахтаах, хататтаах, хамсалаах килбиэннээх көмүс курун устан холумтан таһыгар олорор кыыска уунар.", "noisy": "Кини кыыннаах быһахтаах, хататтаах, хамсалаах килбиэннээх көмүс курун устан холумтан таһыгар олорор кыыска уунар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2130, "split": "test", "profile": "clean", "gold": "Бэһис кылааска хатылааһын эбит буоллаҕына, алтыс кылаастан саҕалаан ыараан барар, сэттискэ хаһан да үөрэппэтэх тиэмэлэригэр киирэллэр.", "noisy": "Бэһис кылааска хатылааһын эбит буоллаҕына, алтыс кылаастан саҕалаан ыараан барар, сэттискэ хаһан да үөрэппэтэх тиэмэлэригэр киирэллэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2131, "split": "dev", "profile": "ru_fold", "gold": "Кырдьан да баран иэйдэҕинэ биһигини, кыра оҕолору, кытары омуктуу кэпсэтэн ууга-уокка түһэрэрэ.", "noisy": "Кырдьан да баран иэйдэгинэ биhигини, кыра оголору, кытары омуктуу кэпсэтэн ууга-уокка туhэрэрэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2132, "split": "dev", "profile": "leontiev", "gold": "Дьоппуон Кытайга 2 триллион доллар төлөөбүтэ оккупациялаабытын иһин,Германия Израиль дойдутугар билигин да төлүүр, еврейдэр иннэ эбии төлөбүр ылаллар.", "noisy": "Дьоппуон Кытайга 2 триллион доллар телеебутэ оккупациялаабытын иьин,Германия Израиль дойдутугар билигин да телуур, еврейдэр иннэ эбии телебур ылаллар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2133, "split": "test", "profile": "digits", "gold": "Чулуу айымньыбытыгар – Олоҥхоҕо анаммыт Ыһыахпыт Мииринэй оройуонугар буолуо5а.", "noisy": "Чулуу айымньыбытыгар – Олонхо5о анаммыт Ыhыахпыт Мииринэй оройуонугар буолуо5а.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2134, "split": "test", "profile": "mixed", "gold": "…Хабырыыс мин дыраап сонноохпун көрдө уонна баһын быһа илгиһиннэ.", "noisy": "…Хабырыыс мин дыраап сонноохпун к8рдо уонна баhын быьа илгиьиннэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2135, "split": "dev", "profile": "partial", "gold": "Сүөһүнү уонна сылгыны куттала суох сиргэ үүрүүгэ 90 бостуук уонна сылгыһыт үлэлиэхтэрэ.", "noisy": "Сүөһүнү уонна сылгыны куттала суох сиргэ үүрүүгэ 90 бостуук уонна сылгыһыт үлэлиэхтэрэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2136, "split": "dev", "profile": "clean", "gold": "Саамай бастакы тэллэйи Дима булла уонна олуһун үөрдэ.", "noisy": "Саамай бастакы тэллэйи Дима булла уонна олуһун үөрдэ.", "source": "ailabykt/sakha-corpus-mono:childrens_lib"}
{"id": 2137, "split": "dev", "profile": "ru_fold", "gold": "Бу олоҥхолортон \"Ньургун Бөҕө\" профессор Илларионов В.", "noisy": "Бу олонхолортон \"Ньургун Бого\" профессор Илларионов В.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2138, "split": "dev", "profile": "leontiev", "gold": "Кэнники биллэринэн бөрөлөр Дүпсүн нэһилиэгин диэки түһүммүттэр», — диэн булчут Петр Охлопков кэпсээтэ.", "noisy": "Кэнники биллэринэн берелер Дупсун нэьилиэгин диэки туьуммуттэр», — диэн булчут Петр Охлопков кэпсээтэ.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2139, "split": "dev", "profile": "digits", "gold": "Сүрдээх көнө, аҕыйах саҥалаах, үтүө үлэһит киһи этэ, стахановец аатын ылбыта.", "noisy": "Сyрдээх к8н8, а5ыйах саналаах, yтy8 yлэhит киhи этэ, стахановец аатын ылбыта.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2140, "split": "test", "profile": "mixed", "gold": "Ити кэмҥэ тыйаатыр режиссёрунан Федот Федотович Потапов үлэлиирэ.", "noisy": "Ити кэмнгэ тыйаатыр режиссёрунан Федот Федотович Потапов улэлиирэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2141, "split": "test", "profile": "partial", "gold": "Туттунар күүстээх, тулуурдаах, өһөс буолуу киһи олоҕун киһи быһыылаахтык, уһуннук олороругар тириэрдэр саамай тутаах күүһэ, хаачыстыбата буолар.", "noisy": "Туттунар күүстээх, тулуурдаах, өһөс буолуу киһи ологун киһи быһыылаахтык, уһуннук олороругар тириэрдэр саамай тутаах күүһэ, хаачыстыбата буолар.", "source": "sah.wikipedia:Күүс уонна хамсаныы"}
{"id": 2142, "split": "test", "profile": "clean", "gold": "Өйдүүр наада: быраас баҕарда да ылар диэн буолбат.", "noisy": "Өйдүүр наада: быраас баҕарда да ылар диэн буолбат.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2143, "split": "dev", "profile": "ru_fold", "gold": "Бөстүөн кэлэн били биир харахпын дэҥнээн кэбистэ.", "noisy": "Бостуон кэлэн били биир харахпын дэннээн кэбистэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2144, "split": "dev", "profile": "leontiev", "gold": "Бэсиһинэн, \"ситимнэр\" бэйэбит экэнэмиичэскэй көрдөрүүлэрбитин барытын суоттанан, ааҕан-үөрэтэн баран, сурутуубутун 20 % чэпчэттибит.", "noisy": "Бэсиьинэн, \"ситимнэр\" бэйэбит экэнэмиичэскэй кердеруулэрбитин барытын суоттанан, ааган-уерэтэн баран, сурутуубутун 20 % чэпчэттибит.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2145, "split": "dev", "profile": "digits", "gold": "Ол курдук, Нерюнгри аэропордун көтөр балаһатын уонна инфраструктуратын оҥорор үлэҕэ анаан федеральнай хааһынаттан 7 миллиард солкуобай, Өлүөхүмэ аэропордугар 2,5 миллиард солкуобай тыырылынна.", "noisy": "Ол курдук, Нерюнгри аэропордун к8т8р балаhатын уонна инфраструктуратын онорор yлэ5э анаан федеральнай хааhынаттан 7 миллиард солкуобай, 8лy8хyмэ аэропордугар 2,5 миллиард солкуобай тыырылынна.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2146, "split": "dev", "profile": "mixed", "gold": "Бары эдэр баҕайы оҕолор, аһынаммын кими да уһугуннара барбатым.", "noisy": "Бары эдэр багайы о5олор, аьынаммын кими да уhугуннара барбатым.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2147, "split": "test", "profile": "partial", "gold": "Сокуоммут олору барытын солбуйуохтаах диэн даҕаны, уустук соҕус буолуо.", "noisy": "Сокуоммут олору барытын солбуйуохтаах диэн даганы, уустук согус буолуо.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2148, "split": "dev", "profile": "clean", "gold": "Хорообуттан биэс оҕолоох ыал ийэтэ Александра Портнягина хортуоскалаах тыллыбыт сибэккилэри бэлэх уунан, барыбытын соһутта, үөртэ.", "noisy": "Хорообуттан биэс оҕолоох ыал ийэтэ Александра Портнягина хортуоскалаах тыллыбыт сибэккилэри бэлэх уунан, барыбытын соһутта, үөртэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2149, "split": "dev", "profile": "ru_fold", "gold": "Балаһыанньа маннык салгыы барар, эбиитин клиринг уонна аутсорсинг сайдар түгэннэригэр, үлэтэ суох киһи ахсаана икки да тыһыынчаны лаппа ааһар кыахтаах.", "noisy": "Балаhыанньа маннык салгыы барар, эбиитин клиринг уонна аутсорсинг сайдар тугэннэригэр, улэтэ суох киhи ахсаана икки да тыhыынчаны лаппа ааhар кыахтаах.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2150, "split": "dev", "profile": "leontiev", "gold": "Үөрэҕин кэмин туһунан Ойуунускай кэлин «Оҕо куйуурдуу турара» диэн киһи харааста ааҕар кыракый кэпсээнигэр суруйбута.", "noisy": "Уерэгин кэмин туьунан Ойуунускай кэлин «Ого куйуурдуу турара» диэн киьи харааста аагар кыракый кэпсээнигэр суруйбута.", "source": "ailabykt/sakha-corpus-mono:childrens_lib"}
{"id": 2151, "split": "test", "profile": "digits", "gold": "Онуоха мээр эппит тылбыттан аккаастаммаппын диэн туран маннык чахчыны биэрбит: \"2006 сыллааҕы биэрэпис түмүгүнэн куорат 21421 олохтооҕуттан 20–24 саастаах кыыһа баара эрэ 819.", "noisy": "Онуоха мээр эппит тылбыттан аккаастаммаппын диэн туран маннык чахчыны биэрбит: \"2006 сыллаа5ы биэрэпис тyмyгyнэн куорат 21421 олохтоо5уттан 20–24 саастаах кыыhа баара эрэ 819.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2152, "split": "test", "profile": "mixed", "gold": "Саха киһитэ, олох дьиҥнээх булчут, билигин саха аҕыйаата, хаһан да мээнэ сыал ыппат, буолаары буолан кураанах мутугу.", "noisy": "Саха киситэ, олох дьиннээх булчут, билигин саха а5ыйаата, хаьан да мээнэ сыал ыппат, буолаары буолан кураанах мутугу.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2153, "split": "test", "profile": "partial", "gold": "Кыра омук буолар кыһалҕатын, атаҕастабыллааҕын биһиги, сахалар, этэр курдук, эппитинэн-хааммытынан билбит дьоммут.", "noisy": "Кыра омук буолар кыһалгатын, атагастабыллаагын биһиги, сахалар, этэр курдук, эппитинэн-хааммытынан билбит дьоммут.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2154, "split": "test", "profile": "clean", "gold": "Самнан биэрбэт соргулаах, Сайаҕас-көнө майгылаах Саха урааҥхай ыччата, Сата-буурай санааланан Сааны-саадаҕы тутуоҕуҥ!", "noisy": "Самнан биэрбэт соргулаах, Сайаҕас-көнө майгылаах Саха урааҥхай ыччата, Сата-буурай санааланан Сааны-саадаҕы тутуоҕуҥ!", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2155, "split": "dev", "profile": "ru_fold", "gold": "Холобур, 2023 сыл атырдьах ыйыгар саха быһаҕа биһиги байыаспытын өрүһүйэн турар.", "noisy": "Холобур, 2023 сыл атырдьах ыйыгар саха быhага биhиги байыаспытын оруhуйэн турар.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2156, "split": "test", "profile": "leontiev", "gold": "Олорор дьиэлэрэ акылаата наһаа үрдүк буолан, муостата тымныы эбит, онтон атын күһүн хойукка диэри олоруох эбиттэр.", "noisy": "Олорор дьиэлэрэ акылаата наьаа урдук буолан, муостата тымныы эбит, онтон атын куьун хойукка диэри олоруох эбиттэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2157, "split": "dev", "profile": "digits", "gold": "Тэрээһин чэрчитинэн, “Т/х-тын бастыҥ салайааччы дьахталлара” кинигэ сүрэхтэниитэ буолла.", "noisy": "Тэрээhин чэрчитинэн, “Т/х-тын бастын салайааччы дьахталлара” кинигэ сyрэхтэниитэ буолла.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2158, "split": "dev", "profile": "mixed", "gold": "Тулалыыр дьонум миэхэ көмлөһөннөр, алҕааннар, онон сиэттэрэн испэр иҥэринэн, барытын аһардым диэххэ сөп.", "noisy": "Тулалыыр дьонум миэхэ комлосоннор, ал5ааннар, онон сиэттэрэн испэр ингэринэн, барытын аhардым диэххэ соп.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2159, "split": "dev", "profile": "partial", "gold": "Биирдэ арыгылаах аһааһын кэнниттэн өр ааттааһан-көрдөһөн тураммыт биир күөс быстыҥа олоҥхолотон истибиппит.", "noisy": "Биирдэ арыгылаах аһааһын кэнниттэн өр ааттааһан-көрдөһөн тураммыт биир күөс быстына олонхолотон истибиппит.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2160, "split": "test", "profile": "clean", "gold": "Биирдэ кыра кыыс Аайа кыыһа Кэскил киирэн кэлбитигэр эбэтэ Сиийэ мас щетканан төбөтүн аалан, баттаҕын тараана турар эбит.", "noisy": "Биирдэ кыра кыыс Аайа кыыһа Кэскил киирэн кэлбитигэр эбэтэ Сиийэ мас щетканан төбөтүн аалан, баттаҕын тараана турар эбит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2161, "split": "test", "profile": "ru_fold", "gold": "Саха Өрөспүүбүлүкэтин Экологияҕа, айылҕаны туһаныыга уонна ойуур хаһаайыстыбатыгар министиэристибэтэ 2024 сылга Саха сирин сиригэр-уотугар отоннору уонна үүнээйи аһын хомуйуу болдьоҕун олохтоото.", "noisy": "Саха Ороспуубулукэтин Экологияга, айылганы туhаныыга уонна ойуур хаhаайыстыбатыгар министиэристибэтэ 2024 сылга Саха сирин сиригэр-уотугар отоннору уонна уунээйи аhын хомуйуу болдьогун олохтоото.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2162, "split": "dev", "profile": "leontiev", "gold": "Биир эргииргэ сөптөөх соҕус сири булан тоһуйар буоллубут.", "noisy": "Биир эргииргэ септеех согус сири булан тоьуйар буоллубут.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2163, "split": "test", "profile": "digits", "gold": "Саха сирин биир ынаҕа 1 616 кг үүтү биэрбит диэн этэр.", "noisy": "Саха сирин биир ына5а 1 616 кг yyтy биэрбит диэн этэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2164, "split": "dev", "profile": "mixed", "gold": "Мин виноградым үүнэн, уһаан истэҕин аайы үөһэттэн быанан туттарабын.", "noisy": "Мин виноградым уунэн, усаан истэгин аайы yоьэттэн быанан туттарабын.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2165, "split": "test", "profile": "partial", "gold": "Дьокуускай полициятыгар тиэхиньикэ маҕаһыынын хаһаайына каассаттан 100 тыһ.", "noisy": "Дьокуускай полициятыгар тиэхиньикэ магаһыынын хаһаайына каассаттан 100 тыһ.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2166, "split": "test", "profile": "clean", "gold": "Атыыбыт куруутун бэс ыйын бүтүүтүгэр диэри ыытыллар.", "noisy": "Атыыбыт куруутун бэс ыйын бүтүүтүгэр диэри ыытыллар.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2167, "split": "test", "profile": "ru_fold", "gold": "Афина кыһыл көмүс Пелопононезия сэриитигэр 404 сыллаахха кыаттарыытынан бүппүтэ.", "noisy": "Афина кыhыл комус Пелопононезия сэриитигэр 404 сыллаахха кыаттарыытынан буппутэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2168, "split": "dev", "profile": "leontiev", "gold": "Манна киирбит бастакы күммүттэн киһи киһиэхэ үтүө сыһыанын аан бастаан билбитим, болҕомтоҕо ылыллыбытым.", "noisy": "Манна киирбит бастакы куммуттэн киьи киьиэхэ утуе сыьыанын аан бастаан билбитим, болгомтого ылыллыбытым.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2169, "split": "dev", "profile": "digits", "gold": "2008, 2013, 2014, 2016, 2017 сыллардааҕы Алтан мээчик кыайыылааҕа.", "noisy": "2008, 2013, 2014, 2016, 2017 сыллардаа5ы Алтан мээчик кыайыылаа5а.", "source": "sah.wikipedia:Криштиану Роналду"}
{"id": 2170, "split": "test", "profile": "mixed", "gold": "Онуоха науканы уонна тиэхиньикэни баһылааһын кинилэргэ төрүөт, көмө буолбутун, оннугу биһиги эмиэ туһаныахтаахпытын, үрдүк үөрэххэ болҕомто ууруохтаахпытын ыйар.", "noisy": "Онуоха науканы уонна тиэхиньикэни басылаасын кинилэргэ торyот, к8м8 буолбутун, оннугу биhиги эмиэ туhаныахтаахпытын, yрдук уорэххэ бол5омто ууруохтаахпытын ыйар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2171, "split": "test", "profile": "partial", "gold": "Түүн арҕаа, киин улуустар диэки, күнүһүн өрүс уҥуоргу өттүгэр, Дьааҥыга кыралаан ардыа, хоту инчэҕэй хаардаах, кыра тыаллаах.", "noisy": "Түүн аргаа, киин улуустар диэки, күнүһүн өрүс унуоргу өттүгэр, Дьааныга кыралаан ардыа, хоту инчэгэй хаардаах, кыра тыаллаах.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2172, "split": "dev", "profile": "clean", "gold": "Соломуон Муударайы, Улуу Кудаҥсаны олоҥхо курдук олус уустаан-ураннаан кэпсиирин сүрдээҕин сэргиирбит.", "noisy": "Соломуон Муударайы, Улуу Кудаҥсаны олоҥхо курдук олус уустаан-ураннаан кэпсиирин сүрдээҕин сэргиирбит.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2173, "split": "test", "profile": "ru_fold", "gold": "Итини тэҥэ, химиотерапия кэнниттэн хат бэрэбиэркэлэтэн ыарыы туруга хайдаҕын-тугун, ханна тиийбитин эмиэ быһаартарыахха сөп.", "noisy": "Итини тэнэ, химиотерапия кэнниттэн хат бэрэбиэркэлэтэн ыарыы туруга хайдагын-тугун, ханна тиийбитин эмиэ быhаартарыахха соп.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2174, "split": "test", "profile": "leontiev", "gold": "Бастакынан Аргылла ойоҕо сиэх-аһыах курдук ойон тахсыбыта, ол эрээри Гиззатулла уотунан тымтар хараҕын көрөөт, эрин кэннигэр саспыта.", "noisy": "Бастакынан Аргылла ойого сиэх-аьыах курдук ойон тахсыбыта, ол эрээри Гиззатулла уотунан тымтар харагын кереет, эрин кэннигэр саспыта.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2175, "split": "test", "profile": "digits", "gold": "Өссө маны көр[уларыт | куодун уларытыы] Туһаныллыбыт сирдэр[уларыт | куодун уларытыы] Ф.П.", "noisy": "8сс8 маны к8р[уларыт | куодун уларытыы] Туhаныллыбыт сирдэр[уларыт | куодун уларытыы] Ф.П.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2176, "split": "dev", "profile": "mixed", "gold": "Көмүс уҥуоҕа \"Оҕонньор уҥуоҕа\" диэн сиргэ кэргэнинээн Өстүүнньэлиин кэккэлэһэ хараллан сыттахтара.", "noisy": "Комyс унгуо5а \"О5онньор унуо5а\" диэн сиргэ кэргэнинээн Остуунньэлиин кэккэлэhэ хараллан сыттахтара.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2177, "split": "dev", "profile": "partial", "gold": "Онон бүгүн Төрүккэ киин куораттан кэлиэхтээх онколог-быраастар кыайан кэлбэтилэр.", "noisy": "Онон бүгүн Төрүккэ киин куораттан кэлиэхтээх онколог-быраастар кыайан кэлбэтилэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2178, "split": "test", "profile": "clean", "gold": "Киһи олоҕун сыалын ситиһэригэр, үлэни табатык оҥороругар көрсүө, сэмэй буолара ылар оруола олус үрдүк.", "noisy": "Киһи олоҕун сыалын ситиһэригэр, үлэни табатык оҥороругар көрсүө, сэмэй буолара ылар оруола олус үрдүк.", "source": "sah.wikipedia:Сахалар олохторун үөрэҕин тутуспат буолуу"}
{"id": 2179, "split": "dev", "profile": "ru_fold", "gold": "Матасыыкыл түүн да, күнүс да тыаһаатын – эмиэ бары утары сырсан тахсарбыт.", "noisy": "Матасыыкыл туун да, кунус да тыаhаатын – эмиэ бары утары сырсан тахсарбыт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2180, "split": "dev", "profile": "leontiev", "gold": "Санаатын түһэрбэккэ, билигин аны кус-хаас иитэн эрэр.", "noisy": "Санаатын туьэрбэккэ, билигин аны кус-хаас иитэн эрэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2181, "split": "test", "profile": "digits", "gold": "Өссө махтаныахпыт этэ нэһилиэкпит дьаһалтатыгар, баһылыкпытыгар Алексей Николаевич Никитиҥҥэ.", "noisy": "8сс8 махтаныахпыт этэ нэhилиэкпит дьаhалтатыгар, баhылыкпытыгар Алексей Николаевич Никитиннэ.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2182, "split": "dev", "profile": "mixed", "gold": "1943 сыллаахха атаҕар улахан бааһырыыны ылан, хас да ый госпиталга сытан баран төрөөбүт Сахатын сиригэр төннөн кэлбитэ.", "noisy": "1943 сыллаахха атагар улахан бааьырыыны ылан, хас да ый госпиталга сытан баран т8ро8бут Сахатын сиригэр т8ннон кэлбитэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2183, "split": "dev", "profile": "partial", "gold": "“Сорохтор арендатын иһин төлөөбөттөр, иэс-күүс үс сыл устата 736 662 солкуобай мунньулунна”, – диэн университеттар этэллэр.", "noisy": "“Сорохтор арендатын иһин төлөөбөттөр, иэс-күүс үс сыл устата 736 662 солкуобай мунньулунна”, – диэн университеттар этэллэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2184, "split": "dev", "profile": "clean", "gold": "Саргылаах Саҥа Дьылбыт салаллан кэлэрэ аҕыйах хонук хаалла.", "noisy": "Саргылаах Саҥа Дьылбыт салаллан кэлэрэ аҕыйах хонук хаалла.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2185, "split": "test", "profile": "ru_fold", "gold": "Бырамыысыланнастааҕар үгүөрүнү төлүү олоробут.", "noisy": "Бырамыысыланнастаагар угуоруну толуу олоробут.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2186, "split": "test", "profile": "leontiev", "gold": "Биһиги ньургуһуммутун манна олохсуйбут омуктар эмп оҥостон дойдуларыгар илдьэ баралларын, олус хайҕыылларын, “аптаах сибэкки” диэн ааттыылларын билэбин.", "noisy": "Биьиги ньургуьуммутун манна олохсуйбут омуктар эмп оностон дойдуларыгар илдьэ баралларын, олус хайгыылларын, “аптаах сибэкки” диэн ааттыылларын билэбин.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2187, "split": "test", "profile": "digits", "gold": "Олунньу 8 күнүгэр Покровскай куоракка премьер Галина Данчикова тулаайахтарга анаан базальтан тутуллубут дьиэлэр үөрүүлээх аһыллыыларыгар сырытта.", "noisy": "Олунньу 8 кyнyгэр Покровскай куоракка премьер Галина Данчикова тулаайахтарга анаан базальтан тутуллубут дьиэлэр y8рyyлээх аhыллыыларыгар сырытта.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2188, "split": "test", "profile": "mixed", "gold": "Кыыс ити дьон барбыттарын кэннэ, дьэ \"һуу\" диэн өрө тыыммыт уонна олбуорга баар дьиэ диэки хайыспыт.", "noisy": "Кыыс ити дьон барбыттарын кэннэ, дьэ \"суу\" диэн 8ро тыыммыт уонна олбуорга баар дьиэ диэки хайыспыт.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2189, "split": "dev", "profile": "partial", "gold": "Онно Заякин: “Чахчы үгүһү үлэлээбит киһи эбиккин”, — диэн бырастыы гыннаран, илиитин биэрбитэ.", "noisy": "Онно Заякин: “Чахчы үгүһү үлэлээбит киһи эбиккин”, — диэн бырастыы гыннаран, илиитин биэрбитэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2190, "split": "test", "profile": "clean", "gold": "Аны сүөһү ас ииттэн, сибиинньэ бөҕө көрөн, ону төрөтөн ньирилээн турдулар.", "noisy": "Аны сүөһү ас ииттэн, сибиинньэ бөҕө көрөн, ону төрөтөн ньирилээн турдулар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2191, "split": "dev", "profile": "ru_fold", "gold": "«Японияны кыайыы иһин» мэтээлинэн наҕараадаламмыт.", "noisy": "«Японияны кыайыы иhин» мэтээлинэн нагараадаламмыт.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2192, "split": "dev", "profile": "leontiev", "gold": "Нептун бырааһынньыгар бары араас өҥнөөх таҥаһы кэтэн, муора аттыгар сылдьыбыппытын өйдүүбүн.", "noisy": "Нептун бырааьынньыгар бары араас еннеех танаьы кэтэн, муора аттыгар сылдьыбыппытын ейдуубун.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2193, "split": "dev", "profile": "digits", "gold": "Үлэ үөһүгэр сылдьар киһи, дьэ, 2021 сыл сайыныгар быыс булан, харыйа оонньуурдарын бэрийбитим.", "noisy": "Yлэ y8hyгэр сылдьар киhи, дьэ, 2021 сыл сайыныгар быыс булан, харыйа оонньуурдарын бэрийбитим.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2194, "split": "test", "profile": "mixed", "gold": "Ол дьон оҕо туохха дьоҕурдааҕынан дьарыктыыллара.", "noisy": "Ол дьон ого туохха дьохурдаахынан дьарыктыыллара.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2195, "split": "dev", "profile": "partial", "gold": "Бу киһиттэн Акаары Ааныска диэн дьахтар баарын өйдүүбүн, икки хас оҕолоох диэн кэнники истибитим.", "noisy": "Бу киһиттэн Акаары Ааныска диэн дьахтар баарын өйдүүбүн, икки хас оголоох диэн кэнники истибитим.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2196, "split": "test", "profile": "clean", "gold": "Ити дьыл аҕам өлбүтэ, ол иһин салгыы кыайан үөрэммэтэҕим.", "noisy": "Ити дьыл аҕам өлбүтэ, ол иһин салгыы кыайан үөрэммэтэҕим.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2197, "split": "dev", "profile": "ru_fold", "gold": "Саҥарар саҥата, өйө, болҕомтото, түргэнник толкуйдуур уонна айар дьоҕура сайдар.", "noisy": "Санарар саната, ойо, болгомтото, тургэнник толкуйдуур уонна айар дьогура сайдар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2198, "split": "test", "profile": "leontiev", "gold": "Ол эрээри, Тыгын уонна Лөгөй күөнтэһиилэрин көрдөрүүнү мин тус бэйэм букатын сөбүлээбэтим.", "noisy": "Ол эрээри, Тыгын уонна Легей куентэьиилэрин кердерууну мин тус бэйэм букатын себулээбэтим.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2199, "split": "test", "profile": "digits", "gold": "Аны туран, бэйэтин эрэ оҥоһуктарынан муҥурдаммакка, өбүгэлэрбит былыргы малларын-салларын, иһиттэрин-хомуостарын мунньар үтүө үгэстээх.", "noisy": "Аны туран, бэйэтин эрэ оноhуктарынан мунурдаммакка, 8бyгэлэрбит былыргы малларын-салларын, иhиттэрин-хомуостарын мунньар yтy8 yгэстээх.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2200, "split": "test", "profile": "mixed", "gold": "Саҥа тутуулар Оонньуулар кэмигэр Дьокуускайга 16 эбийиэгинэн көрүҥнэринэн күрэхтэһиилэр ыытыллыахтара, 23 эбийиэгинэн ыалдьыттары олордуохтара уонна 24 эбийиэгинэн аһатыахтара.", "noisy": "Санга тутуулар Оонньуулар кэмигэр Дьокуускайга 16 эбийиэгинэн корyннэринэн кyрэхтэьиилэр ыытыллыахтара, 23 эбийиэгинэн ыалдьыттары олордуохтара уонна 24 эбийиэгинэн аhатыахтара.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2201, "split": "test", "profile": "partial", "gold": "Кэрийэ сылдьан, эмтэтэр, онтон туох эрэ кыра да алҕаһы булан, үҥсэн баран, төлөөбөккө сүтэн хаалар “булугас өйдөөх” эмтэтээччилэр баар буоллулар.", "noisy": "Кэрийэ сылдьан, эмтэтэр, онтон туох эрэ кыра да алгаһы булан, үнсэн баран, төлөөбөккө сүтэн хаалар “булугас өйдөөх” эмтэтээччилэр баар буоллулар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2202, "split": "dev", "profile": "clean", "gold": "Республика салалтата ити ордубут 29 % (сыл бүтүөр диэри хас бырыһыаммыт ордор?) киһиэхэ анаан, дьэ, тугу былаанныыр эбитий?", "noisy": "Республика салалтата ити ордубут 29 % (сыл бүтүөр диэри хас бырыһыаммыт ордор?) киһиэхэ анаан, дьэ, тугу былаанныыр эбитий?", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2203, "split": "dev", "profile": "ru_fold", "gold": "Бэйэҕититтэн саҕалаан дьаһанарга үөрэниҥ уонна хаһаайыстыбаҕа көмөлөһүҥ.", "noisy": "Бэйэгититтэн сагалаан дьаhанарга уорэнин уонна хаhаайыстыбага комолоhун.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2204, "split": "dev", "profile": "leontiev", "gold": "Ити биир үйэ тухары \"Кыым\" бэйэтин норуотун кытта араас түһүүлэри-тахсыылары, үөрүүнү-хомолтону барытын тэҥҥэ үллэстэн тиийэн кэллэ.", "noisy": "Ити биир уйэ тухары \"Кыым\" бэйэтин норуотун кытта араас туьуулэри-тахсыылары, уерууну-хомолтону барытын тэннэ уллэстэн тиийэн кэллэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2205, "split": "dev", "profile": "digits", "gold": "Былыр биһиги Куолларабыт Тараҕай нэһилиэгэр киирэрэ.", "noisy": "Былыр биhиги Куолларабыт Тара5ай нэhилиэгэр киирэрэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2206, "split": "test", "profile": "mixed", "gold": "Тоҕо уҥмутун ийэтигэр, аҕатыгар тиийэн кэпсиириттэн оҕолорго тиэкистэн булларыахха.", "noisy": "То5о унгмутун ийэтигэр, а5атыгар тиийэн кэпсиириттэн оголорго тиэкистэн булларыахха.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2207, "split": "dev", "profile": "partial", "gold": "Бу күөл уута кыһыннары-сайыннары иһэргэ нуормаҕа эппиэттиирэ быһаарыллыбыттаах.", "noisy": "Бу күөл уута кыһыннары-сайыннары иһэргэ нуормага эппиэттиирэ быһаарыллыбыттаах.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2208, "split": "test", "profile": "clean", "gold": "Үөрэх сайдыыны аҕалбат, үөрэх билиини эрэ биэрэр.", "noisy": "Үөрэх сайдыыны аҕалбат, үөрэх билиини эрэ биэрэр.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2209, "split": "dev", "profile": "ru_fold", "gold": "Онтон да атын уруу тэрийии сүрүн боппуруостарын Интэриниэтинэн эрэ муҥурдаммакка, дьиҥ уопуттан (атын уруулары көрөн), дьон санаатын туоһулаһан билиэххэ наада.", "noisy": "Онтон да атын уруу тэрийии сурун боппуруостарын Интэриниэтинэн эрэ мунурдаммакка, дьин уопуттан (атын уруулары корон), дьон санаатын туоhулаhан билиэххэ наада.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2210, "split": "dev", "profile": "leontiev", "gold": "\"Ыстараап төлүүр харчылаахпын, көр бу\" диэбиттии, кини оччону таһааран иһэр!", "noisy": "\"Ыстараап телуур харчылаахпын, кер бу\" диэбиттии, кини оччону таьааран иьэр!", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2211, "split": "dev", "profile": "digits", "gold": "Кинилэр үчүгэй диэн быһаарыылара бэйэлэригэр үчүгэйи оҥороро элбэҕиттэн чэпчэки өттүн диэки салаллаллар.", "noisy": "Кинилэр yчyгэй диэн быhаарыылара бэйэлэригэр yчyгэйи онороро элбэ5иттэн чэпчэки 8ттyн диэки салаллаллар.", "source": "sah.wikipedia:Элбэхтэр"}
{"id": 2212, "split": "test", "profile": "mixed", "gold": "Экология уопсастыбаннай сэбиэтигэр Дьокуускай куорат туругун көрөммүт, сүбэ-ама оҥордубут.", "noisy": "Экология уопсастыбаннай сэбиэтигэр Дьокуускай куорат туругун кор8ммут, субэ-ама онгордубут.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2213, "split": "dev", "profile": "partial", "gold": "(быраастар уонна биэлсэрдэр өрөбөлүүссүйэ кэннинээҕи бастакы сийиэстэрэ) уонна 1925 с.", "noisy": "(быраастар уонна биэлсэрдэр өрөбөлүүссүйэ кэннинээги бастакы сийиэстэрэ) уонна 1925 с.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2214, "split": "dev", "profile": "clean", "gold": "Виноград сэбирдэхтэрэ илийэрин, ууну ардахтатан кутары төрүт сөбүлээбэт.", "noisy": "Виноград сэбирдэхтэрэ илийэрин, ууну ардахтатан кутары төрүт сөбүлээбэт.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2215, "split": "dev", "profile": "ru_fold", "gold": "Киһи өлүүлээх суол быһылаана тахсыбатах.", "noisy": "Киhи олуулээх суол быhылаана тахсыбатах.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2216, "split": "test", "profile": "leontiev", "gold": "Т/х итиччэ үлүгэр үп кутуллар да тоҕо сайдыбатый?", "noisy": "Т/х итиччэ улугэр уп кутуллар да того сайдыбатый?", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2217, "split": "test", "profile": "digits", "gold": "Ону таһынан, киһи куттаннаҕына уонна толкуйга түстэҕинэ, сирэйин тэмпэрэтиирэтэ балачча түһэрин быһаардылар.", "noisy": "Ону таhынан, киhи куттанна5ына уонна толкуйга тyстэ5инэ, сирэйин тэмпэрэтиирэтэ балачча тyhэрин быhаардылар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2218, "split": "dev", "profile": "mixed", "gold": "Мэҥэ хаҥаластар “мин” диэн түөскүтүн тоҥсуммакка элбэх социальнай үлэни оҥоро олорор эбиккит диэн долгутта.", "noisy": "Мэнэ хангаластар “мин” диэн туоскyтyн тонсуммакка элбэх социальнай yлэни онгоро олорор эбиккит диэн долгутта.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2219, "split": "test", "profile": "partial", "gold": "1344 сыллаахха Польша ыраахтааҕыта Үһүс Казимир Галиция уонна Волынь сирин былдьаһан Ордууну утары сэриини саҕалаабыта уонна 1340-с сыллар бүтүүлэригэр сыалын ситиспитэ.", "noisy": "1344 сыллаахха Польша ыраахтаагыта Үһүс Казимир Галиция уонна Волынь сирин былдьаһан Ордууну утары сэриини сагалаабыта уонна 1340-с сыллар бүтүүлэригэр сыалын ситиспитэ.", "source": "sah.wikipedia:Дьанибэк"}
{"id": 2220, "split": "dev", "profile": "clean", "gold": "Сиэлинэн-кылынан оҥоруу кистэлэҥнэрин А.С.", "noisy": "Сиэлинэн-кылынан оҥоруу кистэлэҥнэрин А.С.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2221, "split": "test", "profile": "ru_fold", "gold": "Оҕо бары оҥорор быһыылара барылара киһи быһыытын тутуһар, таһынан барбат буоллахтарына киһи буолууну ситиһэрэ кыаллар.", "noisy": "Ого бары онорор быhыылара барылара киhи быhыытын тутуhар, таhынан барбат буоллахтарына киhи буолууну ситиhэрэ кыаллар.", "source": "sah.wikipedia:Сахалар олохторун үөрэҕин тутуспат буолуу"}
{"id": 2222, "split": "test", "profile": "leontiev", "gold": "Айылҕа сокуонугар, бэйэ сатабылыгар, үөрүйэҕэр тирэҕирэн.", "noisy": "Айылга сокуонугар, бэйэ сатабылыгар, уеруйэгэр тирэгирэн.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2223, "split": "dev", "profile": "digits", "gold": "Олорго биир дойдулаахтарбыт аан дойдуга ааттаах-суоллаах, биллэр омук тустууктарын кытта соргуулаахтык тустаннар, кыайан-хотон кыһыл көмүс мэтээли элбэхтик иилинэн төннүбүттэрэ.", "noisy": "Олорго биир дойдулаахтарбыт аан дойдуга ааттаах-суоллаах, биллэр омук тустууктарын кытта соргуулаахтык тустаннар, кыайан-хотон кыhыл к8мyс мэтээли элбэхтик иилинэн т8ннyбyттэрэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2224, "split": "test", "profile": "mixed", "gold": "Бу кэннэ көстүбүт дакаастабыллар көмөлөрүнэн, Н.Федоров дьыалаҕа сыһыаннаах көрдөрүүнү биэрбитэ: \"Елисеевтиин сэтинньигэ 1990 сыллаахха Өлүөнэни Ороссолуода туһаайыытынан иккиэн сатыы туораабыппыт.", "noisy": "Бу кэннэ костyбут дакаастабыллар ком8л8рyнэн, Н.Федоров дьыалаха сыhыаннаах к8рд8руyнy биэрбитэ: \"Елисеевтиин сэтинньигэ 1990 сыллаахха 8лyонэни Ороссолуода туhаайыытынан иккиэн сатыы туораабыппыт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2225, "split": "dev", "profile": "partial", "gold": "Түмүккэ бары тахсан, «Ыллыыр ыччат» сөбүлээн толорор ырыатын бииргэ ыллаан ньиргиттилэр.", "noisy": "Түмүккэ бары тахсан, «Ыллыыр ыччат» сөбүлээн толорор ырыатын бииргэ ыллаан ньиргиттилэр.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2226, "split": "dev", "profile": "clean", "gold": "Бастакы гастролларбыт Мындааба, Чараҥ, Майаҕас нэһилиэктэригэр этилэр.", "noisy": "Бастакы гастролларбыт Мындааба, Чараҥ, Майаҕас нэһилиэктэригэр этилэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2227, "split": "test", "profile": "ru_fold", "gold": "Оттон бүгүҥҥү ыалдьыппыт Рево Захарович Алексеев 85 хаарыгар үктэнэн да баран күн бүгүҥҥэ диэри мууһура үлүйбүт киһини быыһыырга олоҕун анаабыт үлэтигэр — Дьокуускайдааҕы научнай-чинчийэр кииҥҥэ түбүгүрэ сылдьар.", "noisy": "Оттон бугунну ыалдьыппыт Рево Захарович Алексеев 85 хаарыгар уктэнэн да баран кун бугуннэ диэри мууhура улуйбут киhини быыhыырга ологун анаабыт улэтигэр — Дьокуускайдаагы научнай-чинчийэр кииннэ тубугурэ сылдьар.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2228, "split": "dev", "profile": "leontiev", "gold": "Материальнай базаны хаҥатыыга үгүстүк үлэлэстибит.", "noisy": "Материальнай базаны ханатыыга угустук улэлэстибит.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2229, "split": "test", "profile": "digits", "gold": "Ону Хотой Айыыга сүгүрүйэрбит ордук сытыырхатан биэрдэ.", "noisy": "Ону Хотой Айыыга сyгyрyйэрбит ордук сытыырхатан биэрдэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2230, "split": "test", "profile": "mixed", "gold": "ДЭГИТТЭР ДЬОҔУРДААХ Кэрэ-бэлиэ күн «Түһүлгэ» норуот айымньытын киинигэр Александр Григорьевич улахан быыстапката аһыллыытыттан саҕаланна.", "noisy": "ДЭГИТТЭР ДЬОХУРДААХ Кэрэ-бэлиэ кун «Тyсулгэ» норуот айымньытын киинигэр Александр Григорьевич улахан быыстапката аhыллыытыттан са5аланна.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2231, "split": "test", "profile": "partial", "gold": "Ол курдук, Мохсоҕоллоох күөлүгэр куһаҕан дьайыылаах искэни утары эттик баара биллибит.", "noisy": "Ол курдук, Мохсоголлоох күөлүгэр куһаган дьайыылаах искэни утары эттик баара биллибит.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2232, "split": "dev", "profile": "clean", "gold": "Тыллара-өстөрө да дьаарай бандьыыттар курдук буолбатах эрэ диэхпин сөп.", "noisy": "Тыллара-өстөрө да дьаарай бандьыыттар курдук буолбатах эрэ диэхпин сөп.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2233, "split": "test", "profile": "ru_fold", "gold": "Бэрэсидьиэн Этиитин аан дойду ТВ-ханааллара, сонуннары киэҥник тарҕатар сириэстибэлэрэ кэтээн көрдүлэр.", "noisy": "Бэрэсидьиэн Этиитин аан дойду ТВ-ханааллара, сонуннары киэнник таргатар сириэстибэлэрэ кэтээн кордулэр.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2234, "split": "dev", "profile": "leontiev", "gold": "Онно оҕо буоламмын сиһилии туоһуласпахха хаалбытым.", "noisy": "Онно ого буоламмын сиьилии туоьуласпахха хаалбытым.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2235, "split": "test", "profile": "digits", "gold": "Кэлиҥҥи көлүөнэ депутаттарыттан саамай ситиһиилээх үлэлээҕинэн, үөрэҕи ылбатах эрээри, сааһын тухары харытынан үлэлээн кэлбит 1-кы группалаах инбэлиит А.И.Сергеевы ааттыахха сөп.", "noisy": "Кэлинни к8лy8нэ депутаттарыттан саамай ситиhиилээх yлэлээ5инэн, y8рэ5и ылбатах эрээри, сааhын тухары харытынан yлэлээн кэлбит 1-кы группалаах инбэлиит А.И.Сергеевы ааттыахха с8п.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2236, "split": "dev", "profile": "mixed", "gold": "—Биһиги бииргэ үлэлээһиммит экэниэмикэ эрэ боппуруоһунан хааччахтаныа суохтаах.", "noisy": "—Бисиги бииргэ улэлээьиммит экэниэмикэ эрэ боппуруоьунан хааччахтаныа суохтаах.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2237, "split": "dev", "profile": "partial", "gold": "Санаабар, значоктаах мэтээлбин көрдүүрүм.", "noisy": "Санаабар, значоктаах мэтээлбин көрдүүрүм.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2238, "split": "test", "profile": "clean", "gold": "Спортсмен быһыытынан үрдүк ситиһиилэрдээх: өрөспүүбүлүкэтээҕи, Арассыыйатааҕы, Бүтүн сойуустааҕы чөмпүйэнээттэр кыайыылаахтара буолар.", "noisy": "Спортсмен быһыытынан үрдүк ситиһиилэрдээх: өрөспүүбүлүкэтээҕи, Арассыыйатааҕы, Бүтүн сойуустааҕы чөмпүйэнээттэр кыайыылаахтара буолар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2239, "split": "dev", "profile": "ru_fold", "gold": "Говорова \"Мюлдью Сильный\" диэн темаҕа кандидатскай диссертацияны көмүскээбитэ.", "noisy": "Говорова \"Мюлдью Сильный\" диэн темага кандидатскай диссертацияны комускээбитэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2240, "split": "test", "profile": "leontiev", "gold": "Доҕотторо көмөҕө кэлбэттэр – кимнээх эрэ хаайылыннахтара, үгүстэр орто дойду охсуһуулаах олоҕуттан араҕыстахтара.", "noisy": "Доготторо кемеге кэлбэттэр – кимнээх эрэ хаайылыннахтара, угустэр орто дойду охсуьуулаах ологуттан арагыстахтара.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2241, "split": "test", "profile": "digits", "gold": "Е.А.Шишигин аатынан Сатаҕай орто оскуолатын бэтэрээн учуутала Ольга Терентьева Дойду Бэрэсидьиэнэ Владимир Путин Ыйааҕынан Арассыыйа үтүөлээх учууталын аатын ылла.", "noisy": "Е.А.Шишигин аатынан Сата5ай орто оскуолатын бэтэрээн учуутала Ольга Терентьева Дойду Бэрэсидьиэнэ Владимир Путин Ыйаа5ынан Арассыыйа yтy8лээх учууталын аатын ылла.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2242, "split": "dev", "profile": "mixed", "gold": "Көрдөө диэн тугу эмэ булуу-талыы, ыйыталаһыы аата.", "noisy": "К8рдоо диэн тугу эмэ булуу-талыы, ыйыталаьыы аата.", "source": "sah.wikipedia:Көрдөбүл уонна ирдэбил"}
{"id": 2243, "split": "dev", "profile": "partial", "gold": "Кини этэринэн, икки миэтэрэ дириҥҥэ сытар турбаларга диэри хастылар даҕаны өрөмүөннээн барыахтара, онуоха элбэх кыбартыыралаах олорор дьиэлэр гаастара араарыллыа суоҕа.", "noisy": "Кини этэринэн, икки миэтэрэ дириннэ сытар турбаларга диэри хастылар даганы өрөмүөннээн барыахтара, онуоха элбэх кыбартыыралаах олорор дьиэлэр гаастара араарыллыа суога.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2244, "split": "test", "profile": "clean", "gold": "Ону тэрийэр, күөттүүр дьон бүтүн норуот кэлэйиитигэр, сиргэниитигэр түбэһиэхтээхтэр диэбитэ.", "noisy": "Ону тэрийэр, күөттүүр дьон бүтүн норуот кэлэйиитигэр, сиргэниитигэр түбэһиэхтээхтэр диэбитэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2245, "split": "test", "profile": "ru_fold", "gold": "– Суруйааччылартан уонна учуонайдартан өссө элбэҕи билиэҕиҥ.", "noisy": "– Суруйааччылартан уонна учуонайдартан оссо элбэги билиэгин.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2246, "split": "test", "profile": "leontiev", "gold": "Билигин биһиги оҕо кыра туох эмэ дьоҕурдаах буолла да, талаан диэн арбааммыт оҕону кэҕиннэрэбит эбэтэр өйүн-санаатын булкуйан, майгытын-сигилитин уларытабыт.", "noisy": "Билигин биьиги ого кыра туох эмэ дьогурдаах буолла да, талаан диэн арбааммыт огону кэгиннэрэбит эбэтэр ейун-санаатын булкуйан, майгытын-сигилитин уларытабыт.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2247, "split": "dev", "profile": "digits", "gold": "Былыргы сахалар урууну кымыһынан, илэҥсэ өйүнэн сылдьан үөрэн-көтөн оҥороллоро.", "noisy": "Былыргы сахалар урууну кымыhынан, илэнсэ 8йyнэн сылдьан y8рэн-к8т8н онороллоро.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2248, "split": "dev", "profile": "mixed", "gold": "Ортолоругар Марина үҥкүүлээн эриллэҥниир.", "noisy": "Ортолоругар Марина yнкуулээн эриллэнгниир.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2249, "split": "test", "profile": "partial", "gold": "СӨ Быыһыыр сулууспатын, ИДьМ, мэдиссиинэ уонна да атын туһааннаах тэрилтэ үлэһиттэрэ, казактар икки күн устата дьуһуурустубалыахтара.", "noisy": "СӨ Быыһыыр сулууспатын, ИДьМ, мэдиссиинэ уонна да атын туһааннаах тэрилтэ үлэһиттэрэ, казактар икки күн устата дьуһуурустубалыахтара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2250, "split": "dev", "profile": "clean", "gold": "Сылын аайы туризм бу дьаһалыгар саҥаттан саҥа сүүрээннэр киирэллэр.", "noisy": "Сылын аайы туризм бу дьаһалыгар саҥаттан саҥа сүүрээннэр киирэллэр.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2251, "split": "dev", "profile": "ru_fold", "gold": "Бу күөл уратытын туһунан 2000 сыллаахха биһиги биир дойдулаахпыт, Саха сирин геологическай иниспиэксийэтин иниспиэктэрэ Вячеслав Ефремов этэн турар.", "noisy": "Бу куол уратытын туhунан 2000 сыллаахха биhиги биир дойдулаахпыт, Саха сирин геологическай иниспиэксийэтин иниспиэктэрэ Вячеслав Ефремов этэн турар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2252, "split": "test", "profile": "leontiev", "gold": "Аммосов аатынан Хотугулуу-Илиҥҥи бэдэрээлинэй үнүбэрситиэт Арассыыйа хотугулуу-илиҥҥи норуоттарын тылларын уонна култуураларын үнүстүүтүн дассыана, Заровняева Грита Григорьевна, М.К.", "noisy": "Аммосов аатынан Хотугулуу-Илинни бэдэрээлинэй унубэрситиэт Арассыыйа хотугулуу-илинни норуоттарын тылларын уонна култуураларын унустуутун дассыана, Заровняева Грита Григорьевна, М.К.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2253, "split": "test", "profile": "digits", "gold": "Тулаайах оҕолору кытта үлэҕэ уопуту тарҕатар өрөспүүбүлүкэтээҕи сэминээр бырактыычаскай чааһа лицейгэ ыытыллыбыта.", "noisy": "Тулаайах о5олору кытта yлэ5э уопуту тар5атар 8р8спyyбyлyкэтээ5и сэминээр бырактыычаскай чааhа лицейгэ ыытыллыбыта.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2254, "split": "dev", "profile": "mixed", "gold": "Эбэтэр муостаҕа диэри уһун былааччыйа иннигэр, ойоҕоһугар тыраҕастаах, дьон болҕомтотун тардар буолуон син.", "noisy": "Эбэтэр муоста5а диэри усун былааччыйа иннигэр, ойо5осугар тыра5астаах, дьон болхомтотун тардар буолуон син.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2255, "split": "dev", "profile": "partial", "gold": "Ол курдук, түөлбэлэр суолларын оҥоһуута, кинилэри сырдатыы ситэриллибэтэхтэр.", "noisy": "Ол курдук, түөлбэлэр суолларын оноһуута, кинилэри сырдатыы ситэриллибэтэхтэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2256, "split": "dev", "profile": "clean", "gold": "Кырдьык, онтон ыла билигин үтүөрэн сылдьар.", "noisy": "Кырдьык, онтон ыла билигин үтүөрэн сылдьар.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2257, "split": "dev", "profile": "ru_fold", "gold": "Сөпкө быһаарыллыбыттар диэн биһиги тоҕо эрэллээх буолуохтаахпытый?", "noisy": "Сопко быhаарыллыбыттар диэн биhиги того эрэллээх буолуохтаахпытый?", "source": "sah.wikipedia:Христианство"}
{"id": 2258, "split": "dev", "profile": "leontiev", "gold": "Бэрт уһун кэмҥэ институт фольклорнай экспедициятын салайааччытынан үлэлээбитэ, отуттан тахса араас олоҥхону пленкаҕа суруйбута.", "noisy": "Бэрт уьун кэмнэ институт фольклорнай экспедициятын салайааччытынан улэлээбитэ, отуттан тахса араас олонхону пленкага суруйбута.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2259, "split": "test", "profile": "digits", "gold": "Зоя Попова, СӨ үтүөлээх артыыһа: – Мин үөрэнэ сылдьан 1969-70 сс.", "noisy": "Зоя Попова, С8 yтy8лээх артыыhа: – Мин y8рэнэ сылдьан 1969-70 сс.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2260, "split": "test", "profile": "mixed", "gold": "Маны таһынан үлэһит уоппускаттан биитэр өрөспүүбүлүкэ таһыттан сынньанан, командировкаттан кэллэҕинэ ПЦР уонна ИХА тиэһэ ирдэниллибэт буолуоҕа.", "noisy": "Маны таьынан yлэсит уоппускаттан биитэр 8р8спyyбулукэ таhыттан сынньанан, командировкаттан кэллэ5инэ ПЦР уонна ИХА тиэhэ ирдэниллибэт буолуо5а.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2261, "split": "dev", "profile": "partial", "gold": "-Тэлээркэттэн \"Дьулуруйар Ньургун Боотур\" диэн олоҥхотун Тулааһынап П.", "noisy": "-Тэлээркэттэн \"Дьулуруйар Ньургун Боотур\" диэн олонхотун Тулааһынап П.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2262, "split": "dev", "profile": "clean", "gold": "Ийэтэ эрдэ өлөн аҥардас аҕаҕа улааппыта.", "noisy": "Ийэтэ эрдэ өлөн аҥардас аҕаҕа улааппыта.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2263, "split": "dev", "profile": "ru_fold", "gold": "Арааһа, Догдоҥоҕо олорор кэмигэр анкета толоруллубут курдук).", "noisy": "Арааhа, Догдоного олорор кэмигэр анкета толоруллубут курдук).", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2264, "split": "test", "profile": "leontiev", "gold": "Улахан айдааны таһаара сылдьыбыт өссө биир холуобунай дьыалаҕа суут бириигэбэрэ таҕыста.", "noisy": "Улахан айдааны таьаара сылдьыбыт ессе биир холуобунай дьыалага суут бириигэбэрэ тагыста.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2265, "split": "test", "profile": "digits", "gold": "Туох да диэбит иһин, кыырай халлааҥҥа көтөн тахсар – дьиктититтэн дьикти уонна дьулаан эбээт…", "noisy": "Туох да диэбит иhин, кыырай халлаанна к8т8н тахсар – дьиктититтэн дьикти уонна дьулаан эбээт…", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2266, "split": "dev", "profile": "mixed", "gold": "Онуоха бүтэһик быһаарыылаах хапсыһыыга Тааттаттан Егор Захаров биллиилээх хапсаҕайдьыт Дмитрий Ушницкайы охторон, кыайыылааҕынан буолла.", "noisy": "Онуоха бутэьик бысаарыылаах хапсыьыыга Тааттаттан Егор Захаров биллиилээх хапсахайдьыт Дмитрий Ушницкайы охторон, кыайыылаахынан буолла.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2267, "split": "dev", "profile": "partial", "gold": "Хара маҥнайгыттан кимиилээхтик, тахсыылаахтык үлэлээн, бу биэс сыл тухары ситиһии, кыайыы син да балачча баарыттан биһиги, саҕалаабыт дьон, сэмэйдик үөрэбит.", "noisy": "Хара маннайгыттан кимиилээхтик, тахсыылаахтык үлэлээн, бу биэс сыл тухары ситиһии, кыайыы син да балачча баарыттан биһиги, сагалаабыт дьон, сэмэйдик үөрэбит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2268, "split": "dev", "profile": "clean", "gold": "Үөһэттэн “субъектар бэйэҕит улары­тыы киллэриҥ” дииллэр.", "noisy": "Үөһэттэн “субъектар бэйэҕит улары­тыы киллэриҥ” дииллэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2269, "split": "dev", "profile": "ru_fold", "gold": "\"Кыһыл Өтүйэҕэ\" төттөрү көһөн тахсыбыппыт.", "noisy": "\"Кыhыл Отуйэгэ\" тоттору коhон тахсыбыппыт.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2270, "split": "dev", "profile": "leontiev", "gold": "Метро — куораттарга сир аннынан тутуллар түргэн тимир суол көрүҥэ.", "noisy": "Метро — куораттарга сир аннынан тутуллар тургэн тимир суол керунэ.", "source": "sah.wikipedia:Метро"}
{"id": 2271, "split": "dev", "profile": "digits", "gold": "Баҕа санаа диэн киһи ситиһэ сатыыр, өйүгэр-санаатыгар оҥорон көрө сылдьар санаата ааттанар.", "noisy": "Ба5а санаа диэн киhи ситиhэ сатыыр, 8йyгэр-санаатыгар онорон к8р8 сылдьар санаата ааттанар.", "source": "sah.wikipedia:Өй-санаа аһара барара элбэх"}
{"id": 2272, "split": "dev", "profile": "mixed", "gold": "Онно кыһарыйтаран олорор дьиэтин колхозка нолуок суотугар биэрбитин кэлэн көтүрэн илдьэ барбыттара.", "noisy": "Онно кыьарыйтаран олорор дьиэтин колхозка нолуок суотугар биэрбитин кэлэн к8тyрэн илдьэ барбыттара.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2273, "split": "test", "profile": "partial", "gold": "Ол быыһыгар дьон өрө күүрбүт саҥата биир кэмник күүгүнүүр: – Акаа!", "noisy": "Ол быыһыгар дьон өрө күүрбүт саната биир кэмник күүгүнүүр: – Акаа!", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2274, "split": "dev", "profile": "clean", "gold": "Мэниги \"Бичик\" кинигэ кыһата элбэх быыстапканан илдьэ сырыттаҕа.", "noisy": "Мэниги \"Бичик\" кинигэ кыһата элбэх быыстапканан илдьэ сырыттаҕа.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2275, "split": "test", "profile": "ru_fold", "gold": "Кинини көрөн, сахаттан төрүттээх артыыс Күннэ Игнатова илэ бэйэтинэн олорор дии саныыгын...", "noisy": "Кинини корон, сахаттан торуттээх артыыс Куннэ Игнатова илэ бэйэтинэн олорор дии саныыгын...", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2276, "split": "dev", "profile": "leontiev", "gold": "Дьоһуннаан үлэлээтэхпитинэ биһиги тугу барытын кыайабыт, сатыыбыт.", "noisy": "Дьоьуннаан улэлээтэхпитинэ биьиги тугу барытын кыайабыт, сатыыбыт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2277, "split": "test", "profile": "digits", "gold": "Өбүгэлэрбит эр киһини дьахтартан биир мутук үрдүк дииллэрэ.", "noisy": "8бyгэлэрбит эр киhини дьахтартан биир мутук yрдyк дииллэрэ.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2278, "split": "test", "profile": "mixed", "gold": "Исписэлиис эппитинэн, былырыын субсидияны ылбыттар харчыларын сүөһү аһын бэлэмниир үлэҕэ, ол эбэтэр уматык, техника ылыытыгар туттубуттар.", "noisy": "Исписэлиис эппитинэн, былырыын субсидияны ылбыттар харчыларын су8сy асын бэлэмниир улэхэ, ол эбэтэр уматык, техника ылыытыгар туттубуттар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2279, "split": "dev", "profile": "partial", "gold": "Өлбүт дьону кыһын сыарҕаҕа өрөһөлүү тиэйэн таһааран иһэллэрин тилэхтэрин көрөр этим\" диэн кэпсээбиттээҕэ.", "noisy": "Өлбүт дьону кыһын сыаргага өрөһөлүү тиэйэн таһааран иһэллэрин тилэхтэрин көрөр этим\" диэн кэпсээбиттээгэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2280, "split": "test", "profile": "clean", "gold": "Сүбэлэһэн, программа оҥостон үлэлиирбит буоллар күүстээх үгүһү кыайар-хотор хамаанда буоларбыт чуолкай.", "noisy": "Сүбэлэһэн, программа оҥостон үлэлиирбит буоллар күүстээх үгүһү кыайар-хотор хамаанда буоларбыт чуолкай.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2281, "split": "test", "profile": "ru_fold", "gold": "гынан баран, инфляцияны батыһа үрдээн иһэр гына ылыныахха.", "noisy": "гынан баран, инфляцияны батыhа урдээн иhэр гына ылыныахха.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2282, "split": "dev", "profile": "leontiev", "gold": "Кэлин сааһыран, бааһынайдаан бүтэригэр базатын күтүөтүгэр Егор Дмитриевич Дмитриевкэ биэрбит.", "noisy": "Кэлин сааьыран, бааьынайдаан бутэригэр базатын кутуетугэр Егор Дмитриевич Дмитриевкэ биэрбит.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2283, "split": "test", "profile": "digits", "gold": "Кини бэлэхтээбит аккырыыккатын, кинигэлэрин көрдөрдө.", "noisy": "Кини бэлэхтээбит аккырыыккатын, кинигэлэрин к8рд8рд8.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2284, "split": "test", "profile": "mixed", "gold": "«Хотугу сулус» — оскуолатааҕы сылларым аргыһа, үтүө өйдөбүлүм.", "noisy": "«Хотугу сулус» — оскуолатаахы сылларым аргыса, yтуо ойдобулyм.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2285, "split": "dev", "profile": "partial", "gold": "Айаммытыгар аат ааттаан ыҥырыыбытын ылынан, үөрэ-көтө сөбүлэһэн, Алампаны ахтан-санаан Николай Попов кини олоҕун кэпсээтэ.", "noisy": "Айаммытыгар аат ааттаан ынырыыбытын ылынан, үөрэ-көтө сөбүлэһэн, Алампаны ахтан-санаан Николай Попов кини ологун кэпсээтэ.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2286, "split": "dev", "profile": "clean", "gold": "Дьукаахтарбыт Алексеев Владимирдаах өрүү көмөлөһөллөрө.", "noisy": "Дьукаахтарбыт Алексеев Владимирдаах өрүү көмөлөһөллөрө.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2287, "split": "test", "profile": "ru_fold", "gold": "Мария Алексеевна, 71 саастаах: Наһаа үчүгэйдик үлэлии сылдьыбытым ханна баарый.", "noisy": "Мария Алексеевна, 71 саастаах: Наhаа учугэйдик улэлии сылдьыбытым ханна баарый.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2288, "split": "test", "profile": "leontiev", "gold": "Тэрээһин Саха АССР 100 уонна балыыһа тэриллибитэ 90 үбүлүөйдээх сылларынан уонна сэрии хонуутугар охтубут буойуннар сырдык ааттарын үйэтитиигэ ананна.", "noisy": "Тэрээьин Саха АССР 100 уонна балыыьа тэриллибитэ 90 убулуейдээх сылларынан уонна сэрии хонуутугар охтубут буойуннар сырдык ааттарын уйэтитиигэ ананна.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2289, "split": "test", "profile": "digits", "gold": "Атын нэһилиэктэртэн кэлэн үөрэнии оҕо ахсаанын элбэппит – муҥутаан 163 буола сылдьыбыт.", "noisy": "Атын нэhилиэктэртэн кэлэн y8рэнии о5о ахсаанын элбэппит – мунутаан 163 буола сылдьыбыт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2290, "split": "dev", "profile": "mixed", "gold": "Эһэбин былыр нэһилиэгин дьоно, тарбахтаһан оонньууга кимиэхэ да хотторботун иһин \"аан боробуойун курдук кытаанах\" дэһэллэрэ үһү.", "noisy": "Эhэбин былыр нэсилиэгин дьоно, тарбахтасан оонньууга кимиэхэ да хотторботун исин \"аан боробуойун курдук кытаанах\" дэсэллэрэ уhy.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2291, "split": "dev", "profile": "partial", "gold": "Үрэх баһыгар олорор буолан, талахпыт элбэх.", "noisy": "Үрэх баһыгар олорор буолан, талахпыт элбэх.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2292, "split": "dev", "profile": "clean", "gold": "Ону 2015 сыл уонна бу сыл икки ыйын түмүктэрэ туоһулууллар.", "noisy": "Ону 2015 сыл уонна бу сыл икки ыйын түмүктэрэ туоһулууллар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2293, "split": "test", "profile": "ru_fold", "gold": "Айсен Николаев, Саха Өрөспүүбүлүкэтин Ил Дархана", "noisy": "Айсен Николаев, Саха Ороспуубулукэтин Ил Дархана", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2294, "split": "test", "profile": "leontiev", "gold": "Кырачааннарга анаммыт буолан, икки этээстээх туспа турар дьиэлээх, былаһааккаҕа оҕо оонньуур арааһынай тутуулардаах, ойуурдаах.", "noisy": "Кырачааннарга анаммыт буолан, икки этээстээх туспа турар дьиэлээх, былаьааккага ого оонньуур арааьынай тутуулардаах, ойуурдаах.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2295, "split": "test", "profile": "digits", "gold": "Тэрээһини «Ниргин» ансаамбыл (сал.СӨ култууратын туйгуна Екатерина Кривошапкина, Кэбээйи) уонна «Индигир» үҥкүү кэлэктиибэ (сал.Лариса Рожина, Аллайыаха) киэргэттилэр.", "noisy": "Тэрээhини «Ниргин» ансаамбыл (сал.С8 култууратын туйгуна Екатерина Кривошапкина, Кэбээйи) уонна «Индигир» yнкyy кэлэктиибэ (сал.Лариса Рожина, Аллайыаха) киэргэттилэр.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2296, "split": "dev", "profile": "mixed", "gold": "Биир туруорсуу быһыытынан этиллибит санаата – ойуур баһаарын утары охсуһууга көтөр аалынан ардаҕы ыҥырыы ордук көдьүүстээх миэрэ буолбутунан сибээстээн, Саха сиригэр манна анаммыт көтөр аал наадатын эттэ.", "noisy": "Биир туруорсуу бысыытынан этиллибит санаата – ойуур басаарын утары охсуьууга кот8р аалынан ардагы ынырыы ордук кодьyyстээх миэрэ буолбутунан сибээстээн, Саха сиригэр манна анаммыт к8тор аал наадатын эттэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2297, "split": "test", "profile": "partial", "gold": "Үөрүүлээх тэрээһин чэрчитинэн Валерий Ноев олоҕун, айар үлэтин кэпсиир Күннүк Уурастыырап аатынан улуустааҕы кииннэммит уонна Алтаннааҕы олохтоох бибилэтиэкэлэр баай ис хоһоонноох быыстапкалара турдулар.", "noisy": "Үөрүүлээх тэрээһин чэрчитинэн Валерий Ноев ологун, айар үлэтин кэпсиир Күннүк Уурастыырап аатынан улуустаагы кииннэммит уонна Алтаннаагы олохтоох бибилэтиэкэлэр баай ис хоһоонноох быыстапкалара турдулар.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2298, "split": "dev", "profile": "clean", "gold": "Ленинградка тыыннаах хаалбыт дьоҥҥо бу «Невскэй пятачок» ньиэмэстэр төгүрүктээһиннэрин көҥү көтөргө, саатар онно куруук бэлэм буолар иһин соҕотох эрэл кыыма этэ.", "noisy": "Ленинградка тыыннаах хаалбыт дьоҥҥо бу «Невскэй пятачок» ньиэмэстэр төгүрүктээһиннэрин көҥү көтөргө, саатар онно куруук бэлэм буолар иһин соҕотох эрэл кыыма этэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2299, "split": "test", "profile": "ru_fold", "gold": "Атын ыарыыларынан исписэлиис быраастарынан барыта 73 киһи көрүллүбүт.", "noisy": "Атын ыарыыларынан исписэлиис быраастарынан барыта 73 киhи коруллубут.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2300, "split": "dev", "profile": "leontiev", "gold": "ГЧИ үлэһитэ Федор Винокуров сурукка киллэрбитэ.", "noisy": "ГЧИ улэьитэ Федор Винокуров сурукка киллэрбитэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2301, "split": "dev", "profile": "digits", "gold": "Бу туһунан СИА-ҕа булчут Петр Охлопков иһитиннэрдэ.", "noisy": "Бу туhунан СИА-5а булчут Петр Охлопков иhитиннэрдэ.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2302, "split": "dev", "profile": "mixed", "gold": "Билигин 8 м усталаах, 1,3 м туоралаах, 60 см дириҥнээх мас хоруудаҕа уон угу, ону таһынан сиргэ түөрт угу олордон турабын.", "noisy": "Билигин 8 м усталаах, 1,3 м туоралаах, 60 см дирингнээх мас хоруудаха уон угу, ону тасынан сиргэ тy8рт угу олордон турабын.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2303, "split": "dev", "profile": "partial", "gold": "Холобур, эпэрээссийэ кэмигэр хаан кутуута, ыарыһаҕы наркоз көмөтүнэн утутуу, ол кэмҥэ кини аппараатынан тыынарын хааччыйыы уо.д.а.", "noisy": "Холобур, эпэрээссийэ кэмигэр хаан кутуута, ыарыһагы наркоз көмөтүнэн утутуу, ол кэмнэ кини аппараатынан тыынарын хааччыйыы уо.д.а.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2304, "split": "dev", "profile": "clean", "gold": "— Саха ыччатыгар, бэйэҥ саастыылаахтаргар хаһыатынан тугу этэрдээххин?", "noisy": "— Саха ыччатыгар, бэйэҥ саастыылаахтаргар хаһыатынан тугу этэрдээххин?", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2305, "split": "dev", "profile": "ru_fold", "gold": "Лермонтов уулусса түөрт балаһатыттан иккитэ сабыллан улахан харгыс суох.", "noisy": "Лермонтов уулусса туорт балаhатыттан иккитэ сабыллан улахан харгыс суох.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2306, "split": "dev", "profile": "leontiev", "gold": "уолаттары сыһыартыыр кылаабынай эрэдээктэрбит Нина Иннокентьевна Протопопова: \"Киһини үөрэтэр уустук.", "noisy": "уолаттары сыьыартыыр кылаабынай эрэдээктэрбит Нина Иннокентьевна Протопопова: \"Киьини уерэтэр уустук.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2307, "split": "test", "profile": "digits", "gold": "Быйыл эмиэ, үтүө үгэс быһыытынан, уопуттаах агрономнар салалталарынан устудьуоннар көрөн-харайан араас оҕуруот аһын уонна сибэкки арассаадаларын бэлэмнээбиттэр.", "noisy": "Быйыл эмиэ, yтy8 yгэс быhыытынан, уопуттаах агрономнар салалталарынан устудьуоннар к8р8н-харайан араас о5уруот аhын уонна сибэкки арассаадаларын бэлэмнээбиттэр.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2308, "split": "dev", "profile": "mixed", "gold": "Дьэ, тыа сирэ баар — оҕону үлэнэн иитиигэ бастыҥ оскуола.", "noisy": "Дьэ, тыа сирэ баар — охону улэнэн иитиигэ бастын оскуола.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2309, "split": "dev", "profile": "partial", "gold": "Иннокентий Андреевич айымньытын суруйарыгар көрсүбүт киһи сөҕөр да, күлэр да түгэннэрин кэпсээбитэ роман тахсарын ордук күүтүүлээх оҥордо.", "noisy": "Иннокентий Андреевич айымньытын суруйарыгар көрсүбүт киһи сөгөр да, күлэр да түгэннэрин кэпсээбитэ роман тахсарын ордук күүтүүлээх онордо.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2310, "split": "test", "profile": "clean", "gold": "ыытыллыбыт Ил Түмэн пленарнай мунньаҕар биир да утарыыта суох өйөннө.", "noisy": "ыытыллыбыт Ил Түмэн пленарнай мунньаҕар биир да утарыыта суох өйөннө.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2311, "split": "dev", "profile": "ru_fold", "gold": "Бу үөрүүлээх күнүнэн, өй-билии бырааһынньыгынан, итиитик-истиҥник эҕэрдэлиибит!", "noisy": "Бу уоруулээх кунунэн, ой-билии бырааhынньыгынан, итиитик-истинник эгэрдэлиибит!", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2312, "split": "dev", "profile": "leontiev", "gold": "Билиҥҥи туругунан (ыам 10 күнүгэр репарация төлөбүрэ 1 триллион доллар буолла уонна өссө да улаатыа).", "noisy": "Билинни туругунан (ыам 10 кунугэр репарация телебурэ 1 триллион доллар буолла уонна ессе да улаатыа).", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2313, "split": "test", "profile": "digits", "gold": "«Хотугу сулус» үтүөнү, кэрэни бэлэхтиир бырааһынньык.", "noisy": "«Хотугу сулус» yтy8нy, кэрэни бэлэхтиир бырааhынньык.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2314, "split": "dev", "profile": "mixed", "gold": "Олох эдэригэр Хайахсыкка онтон Дириҥҥэ үлэлии сылдьан нэһилиэнньэни барытын сүүрүк гыммыта, сарсыардааҥы зарядка, сарсыарда туран сүүрүү диэни онно билбиппит, уонна кыбыстыбакка сүүрэр дьарыктанар буолбуппут.", "noisy": "Олох эдэригэр Хайахсыкка онтон Дирингнгэ улэлии сылдьан нэьилиэнньэни барытын сyурук гыммыта, сарсыардаангы зарядка, сарсыарда туран сyyруy диэни онно билбиппит, уонна кыбыстыбакка суyрэр дьарыктанар буолбуппут.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2315, "split": "dev", "profile": "partial", "gold": "Төһө даҕаны аһыннаргын, уйадыйдаргын, ону биллэрбэккэ, өйүү-өйдүү, аралдьыта, кэпсэтэ-ипсэтэ сылдьыахтааххын.", "noisy": "Төһө даганы аһыннаргын, уйадыйдаргын, ону биллэрбэккэ, өйүү-өйдүү, аралдьыта, кэпсэтэ-ипсэтэ сылдьыахтааххын.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2316, "split": "dev", "profile": "clean", "gold": "Альбина Семеновна ДЬЯЧКОВСКАЯ, “Радость’’ оҕо айар үлэтин киинин уһуйааччыта: – “Культурология, мода и дизайн” сиэксийэҕэ 30 үлэни иһиттибит.", "noisy": "Альбина Семеновна ДЬЯЧКОВСКАЯ, “Радость’’ оҕо айар үлэтин киинин уһуйааччыта: – “Культурология, мода и дизайн” сиэксийэҕэ 30 үлэни иһиттибит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2317, "split": "test", "profile": "ru_fold", "gold": "Кытаанах доруобуйаны, өссө уһун дьоллоох олоҕу баҕаран туран, оскуола, нэһилиэк аатыттан бэлэхтэри туттардылар.", "noisy": "Кытаанах доруобуйаны, оссо уhун дьоллоох ологу багаран туран, оскуола, нэhилиэк аатыттан бэлэхтэри туттардылар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2318, "split": "dev", "profile": "leontiev", "gold": "Олоҥхотун тыла быдьар буолара диэн билигин да номох оҥостоллор.", "noisy": "Олонхотун тыла быдьар буолара диэн билигин да номох оностоллор.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2319, "split": "test", "profile": "digits", "gold": "Амма улууһун Бөтүҥэр «Күөх ыллык» лааҕырга сынньанным.", "noisy": "Амма улууhун Б8тyнэр «Кy8х ыллык» лаа5ырга сынньанным.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2320, "split": "dev", "profile": "mixed", "gold": "Итиэннэ кыһыл көмүс мэтээли иккиһин кэтэн, дойдутугар кыайыы аргыстаах эргиллибитэ.", "noisy": "Итиэннэ кысыл к8мус мэтээли иккисин кэтэн, дойдутугар кыайыы аргыстаах эргиллибитэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2321, "split": "dev", "profile": "partial", "gold": "Хас биирдии оҕо тулалыыр эйгэтин, атын оҕону кытта оонньуу нөҥүө бодоруһар, кэпсэтэр.", "noisy": "Хас биирдии ого тулалыыр эйгэтин, атын огону кытта оонньуу нөнүө бодоруһар, кэпсэтэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2322, "split": "dev", "profile": "clean", "gold": "Онтон оонньуу хаамыытынан көрөн оонньууну уон хайысхаҕа наардаан киллэриэххэ сөп: 3.", "noisy": "Онтон оонньуу хаамыытынан көрөн оонньууну уон хайысхаҕа наардаан киллэриэххэ сөп: 3.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2323, "split": "dev", "profile": "ru_fold", "gold": "Таңаһы туттуох иннинэ сууйан өтүүктэниллиэхтээх.", "noisy": "Таңаhы туттуох иннинэ сууйан отууктэниллиэхтээх.", "source": "sah.wikipedia:Кыhыл оҕону көрүү"}
{"id": 2324, "split": "dev", "profile": "leontiev", "gold": "Хаһан эрэ \"Бурятияҕа кинигэ сүрэхтэниитин олох атыннык ыыталлар эбит, бары кинигэни аахпыт, ырытарга, дьүүллэһэргэ бэлэмнээх дьон кэлэллэр эбит\" диэбиттээҕиҥ.", "noisy": "Хаьан эрэ \"Бурятияга кинигэ сурэхтэниитин олох атыннык ыыталлар эбит, бары кинигэни аахпыт, ырытарга, дьууллэьэргэ бэлэмнээх дьон кэлэллэр эбит\" диэбиттээгин.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2325, "split": "test", "profile": "digits", "gold": "Үөрэнэр, сынньанар усулуобуйа барыта баар.", "noisy": "Y8рэнэр, сынньанар усулуобуйа барыта баар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2326, "split": "dev", "profile": "mixed", "gold": "Ол курдук доллоһутан үчүгэй куоластаах, киһини тардар ис хоһоонноох олоҥхону, сорох ардыгар тохтоон кэпсии-кэпсии ыллаан доллоһутара.", "noisy": "Ол курдук доллосутан учyгэй куоластаах, кисини тардар ис хоhоонноох олонгхону, сорох ардыгар тохтоон кэпсии-кэпсии ыллаан доллосутара.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2327, "split": "test", "profile": "partial", "gold": "Чааһыгар соҕотох саха туохтан да иҥнэн-толлон турбат.", "noisy": "Чааһыгар соготох саха туохтан да иннэн-толлон турбат.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2328, "split": "test", "profile": "clean", "gold": "Эдэр оҕолор буолан үөрүү-көтүү аргыстаах, сылааны да билиннэрбэккэ сырыттахпыт.", "noisy": "Эдэр оҕолор буолан үөрүү-көтүү аргыстаах, сылааны да билиннэрбэккэ сырыттахпыт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2329, "split": "dev", "profile": "ru_fold", "gold": "Биир атаҕар сүһүөҕэ тахсыбыт, иккиһигэр сүһүөҕэ тостубутун рентгеннээн быһаарбыттар, тута эппэрээссийэ оҥорбуттар.", "noisy": "Биир атагар суhуогэ тахсыбыт, иккиhигэр суhуогэ тостубутун рентгеннээн быhаарбыттар, тута эппэрээссийэ онорбуттар.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2330, "split": "dev", "profile": "leontiev", "gold": "Иран бөҕөһө Джавади аан дойду түөрт төгүллээх чемпиона, Олимпиада призера этэ.", "noisy": "Иран бегеье Джавади аан дойду туерт тегуллээх чемпиона, Олимпиада призера этэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2331, "split": "dev", "profile": "digits", "gold": "Устудьуоннуу сылдьан бииргэ үөрэнэр табаарыспын кытта “Дьолум дьонум” диэн ырыаны суруйан таһаарбыппыт.", "noisy": "Устудьуоннуу сылдьан бииргэ y8рэнэр табаарыспын кытта “Дьолум дьонум” диэн ырыаны суруйан таhаарбыппыт.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2332, "split": "test", "profile": "mixed", "gold": "Үлэ барыта Саха Өрөспүүбүлүкэтин Экологияҕа, айылҕаны туһаныыга уонна ойуур хаһаайыстыбатыгар министиэристибэтин кытары ыкса ситимнээхтик тэриллэр.", "noisy": "Улэ барыта Саха Ороспуyбулукэтин Экология5а, айылганы туhаныыга уонна ойуур хасаайыстыбатыгар министиэристибэтин кытары ыкса ситимнээхтик тэриллэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2333, "split": "test", "profile": "partial", "gold": "Боростуой норуот араҥы “уҥуоҕу сиэччи” диэн ааттыыра.", "noisy": "Боростуой норуот араны “унуогу сиэччи” диэн ааттыыра.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2334, "split": "dev", "profile": "clean", "gold": "Бу ылыллыбыт былааннарын АО «Саханефтегазсбыт» тустаах Саха Өрөспүүбүлүкэтин нэһилиэнньэтин олоҕор-дьаьаҕар куттал суох буолуутун хааччыйар судаарстыбаннай кэмитиэткэ бигэргэтэр.", "noisy": "Бу ылыллыбыт былааннарын АО «Саханефтегазсбыт» тустаах Саха Өрөспүүбүлүкэтин нэһилиэнньэтин олоҕор-дьаьаҕар куттал суох буолуутун хааччыйар судаарстыбаннай кэмитиэткэ бигэргэтэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2335, "split": "dev", "profile": "ru_fold", "gold": "Өлбүт тигээйини куурдан, хатаран, көөнньөһүк оҥороннор, сүһүөх ыарыыларыгар тутталлар.", "noisy": "Олбут тигээйини куурдан, хатаран, коонньоhук онороннор, суhуох ыарыыларыгар тутталлар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2336, "split": "test", "profile": "leontiev", "gold": "Исидор бэйэтин араспаанньатын (Ивановтан Бараховка) аҕатын кытта утары көрүүлээхтэриттэн уларыппыт буолуон сөп диэн санаа баар.", "noisy": "Исидор бэйэтин араспаанньатын (Ивановтан Бараховка) агатын кытта утары керуулээхтэриттэн уларыппыт буолуон сеп диэн санаа баар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2337, "split": "test", "profile": "digits", "gold": "Маннык сурукка-бичиккэ тиһии бөтүҥнэргэ урут уруккаттан баар.", "noisy": "Маннык сурукка-бичиккэ тиhии б8тyннэргэ урут уруккаттан баар.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2338, "split": "test", "profile": "mixed", "gold": "Күүс уонна хамсаныылары оҥоруулар нэми тутустахтарына эрэ үлэни оҥоруу табыллар кыахтанар.", "noisy": "Куус уонна хамсаныылары онгоруулар нэми тутустахтарына эрэ yлэни онгоруу табыллар кыахтанар.", "source": "sah.wikipedia:Күүс уонна хамсаныы"}
{"id": 2339, "split": "test", "profile": "partial", "gold": "Аны субуота киэһэ оскуола иккис корпуһугар баянынан үҥкүү буолара.", "noisy": "Аны субуота киэһэ оскуола иккис корпуһугар баянынан үнкүү буолара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2340, "split": "dev", "profile": "clean", "gold": "Бу үлэтинэн үп-харчы киллэринэр, онон аһыыр-таҥнар буоллаҕына идэтийбит суруйааччы дэнэр.", "noisy": "Бу үлэтинэн үп-харчы киллэринэр, онон аһыыр-таҥнар буоллаҕына идэтийбит суруйааччы дэнэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2341, "split": "test", "profile": "ru_fold", "gold": "Түһүмэх түһүмэҕинэн солбуллан, түргэнник ааһан истэ.", "noisy": "Туhумэх туhумэгинэн солбуллан, тургэнник ааhан истэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2342, "split": "test", "profile": "leontiev", "gold": "Өрөспүүбүлүкэ үгүс улуустарыттан куонкуруска уопсайа 83 киһи кытынна.", "noisy": "Ереспуубулукэ угус улуустарыттан куонкуруска уопсайа 83 киьи кытынна.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2343, "split": "dev", "profile": "digits", "gold": "Ити кэнниттэн бэрт аҕыйах кэм иһигэр Тыыннаахап аатын Үс Хатыҥ ипподромугар иҥэрэр туһунан дьаһал таҕыста.", "noisy": "Ити кэнниттэн бэрт а5ыйах кэм иhигэр Тыыннаахап аатын Yс Хатын ипподромугар инэрэр туhунан дьаhал та5ыста.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2344, "split": "dev", "profile": "mixed", "gold": "Ыччакка кэмчилээбэппит — Манна диэн эттэххэ, хас да сыл устата өрөспүүбүлүкэттэн эрэ кэлэр субвенция харчытыгар үлэлээн-хамсаан олорбуппут.", "noisy": "Ыччакка кэмчилээбэппит — Манна диэн эттэххэ, хас да сыл устата 8р8спуyбулyкэттэн эрэ кэлэр субвенция харчытыгар улэлээн-хамсаан олорбуппут.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2345, "split": "test", "profile": "partial", "gold": "Биир быһаарыыны күүтэр боппуруоспут — улуустар т/х управлениетын (департаменын), нэһилиэк испэсэлиистэрин үлэтин сүрүннээһин.", "noisy": "Биир быһаарыыны күүтэр боппуруоспут — улуустар т/х управлениетын (департаменын), нэһилиэк испэсэлиистэрин үлэтин сүрүннээһин.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2346, "split": "test", "profile": "clean", "gold": "Үһүс миэстэҕэ мэльдэхсилэр 58 очколаах иккис хамаандалара буолла.", "noisy": "Үһүс миэстэҕэ мэльдэхсилэр 58 очколаах иккис хамаандалара буолла.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2347, "split": "test", "profile": "ru_fold", "gold": "БКЭ ҮТҮӨ ӨРҮТЭ БЫҺАЙАР – Тус бэйэҥ биир кэлим эксээмэни ордороҕун дуу, уруккулуу билиэт талан тылынан туттарары дуу?", "noisy": "БКЭ УТУО ОРУТЭ БЫHАЙАР – Тус бэйэн биир кэлим эксээмэни ордорогун дуу, уруккулуу билиэт талан тылынан туттарары дуу?", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2348, "split": "dev", "profile": "leontiev", "gold": "Ох курдук оҥостон көрсүбүт, усулуобуйаны олохтообут Горнай улууһун дьонугар-сэргэтигэр барыбыт аатыттан махтаныаҕыҥ.", "noisy": "Ох курдук оностон керсубут, усулуобуйаны олохтообут Горнай улууьун дьонугар-сэргэтигэр барыбыт аатыттан махтаныагын.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2349, "split": "dev", "profile": "digits", "gold": "Оҕону иитиигэ сыыһа хайысханы тутуһан эрэбит диэн бу суруйабын.", "noisy": "О5ону иитиигэ сыыhа хайысханы тутуhан эрэбит диэн бу суруйабын.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2350, "split": "test", "profile": "mixed", "gold": "Онон бу киинэ дойдубут историята киэҥ далааһыннааҕын, киһиэхэ дьиэ кэргэн суолтатын сырдатар оҕолорго олус үчүгэй сонун тэрээһин буолла.", "noisy": "Онон бу киинэ дойдубут историята киэн далаасыннаагын, киьиэхэ дьиэ кэргэн суолтатын сырдатар о5олорго олус yчyгэй сонун тэрээhин буолла.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2351, "split": "dev", "profile": "partial", "gold": "Ол кэннэ артыыс буолар, сыанаҕа тутта-хапта сылдьар араас муудараһын, бэйэм тугу сатыырбын барытын көрдөрөн барбытым.", "noisy": "Ол кэннэ артыыс буолар, сыанага тутта-хапта сылдьар араас муудараһын, бэйэм тугу сатыырбын барытын көрдөрөн барбытым.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2352, "split": "test", "profile": "clean", "gold": "Буоларын курдук, курспутугар уолаттар элбэх этилэр, деканатка сотору-сотору киирэн мөҕүллэр этибит, кинилэр тустарыгар көрдөһөр да түгэннэр бааллара.", "noisy": "Буоларын курдук, курспутугар уолаттар элбэх этилэр, деканатка сотору-сотору киирэн мөҕүллэр этибит, кинилэр тустарыгар көрдөһөр да түгэннэр бааллара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2353, "split": "test", "profile": "ru_fold", "gold": "Иккис кыыс Алина АГАТУ-га бэтэринээр үөрэҕэр 2-с кууруһун устудьуона.", "noisy": "Иккис кыыс Алина АГАТУ-га бэтэринээр уорэгэр 2-с кууруhун устудьуона.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2354, "split": "test", "profile": "leontiev", "gold": "Саамай сүрүн иэдээнинэн, бастатан туран, киһини сиртэн тэйитии дии саныыр эбит.", "noisy": "Саамай сурун иэдээнинэн, бастатан туран, киьини сиртэн тэйитии дии саныыр эбит.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2355, "split": "dev", "profile": "digits", "gold": "ОҔо киинин бааһа бастакы икки нэдиэлэ устата оһор.", "noisy": "О5о киинин бааhа бастакы икки нэдиэлэ устата оhор.", "source": "sah.wikipedia:Кыhыл оҕону көрүү"}
{"id": 2356, "split": "test", "profile": "mixed", "gold": "Ити курдук, «Саха сирин маастардара» сыл аайы буолар быыстапка быйыл кыттааччыта өссө элбээн, араас киһи сөҕөр үлэтэ үксээн, Өксөкүлээх аатынан уораҕайга баппат буолбут.", "noisy": "Ити курдук, «Саха сирин маастардара» сыл аайы буолар быыстапка быйыл кыттааччыта осс8 элбээн, араас киси с8гор улэтэ yксээн, Оксокулээх аатынан уорагайга баппат буолбут.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2357, "split": "test", "profile": "partial", "gold": "Бүлүү иэдээнэ хоту Индигиркаҕа, Халымаҕа, Саха Сирин соҕуруу өттүгэр хатыланан эрэрэ ордук кутталлааҕын этэр.", "noisy": "Бүлүү иэдээнэ хоту Индигиркага, Халымага, Саха Сирин согуруу өттүгэр хатыланан эрэрэ ордук кутталлаагын этэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2358, "split": "test", "profile": "clean", "gold": "Киһиэхэ этигэр-сиинигэр үөскүүр күүстэр дьайар кыахтарын, уратыларын сахалар былыр-былыргыттан арааран билэн тылларыгар киллэрбиттэрин билигин туһана сылдьабыт.", "noisy": "Киһиэхэ этигэр-сиинигэр үөскүүр күүстэр дьайар кыахтарын, уратыларын сахалар былыр-былыргыттан арааран билэн тылларыгар киллэрбиттэрин билигин туһана сылдьабыт.", "source": "sah.wikipedia:Күүс уонна хамсаныы"}
{"id": 2359, "split": "dev", "profile": "ru_fold", "gold": "2020 Үрүҥ күтэр сылын көрсө муодаҕа сырдык өҥнөөх, сарын аҥаар өртүн көрдөрөр былааччыйалар кэлбиттэр, киэһээҥи таҥас көхсүгэр аһаҕастаах, күлүмүрдэс таастардаах буолуон сөп.", "noisy": "2020 Урун кутэр сылын корсо муодага сырдык онноох, сарын анаар ортун кордорор былааччыйалар кэлбиттэр, киэhээни танас кохсугэр аhагастаах, кулумурдэс таастардаах буолуон соп.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2360, "split": "dev", "profile": "leontiev", "gold": "Дьэ, кыһалҕа диэтэҕиҥ, итиччэ улахан сууманы хаста да төхтүрүйэн устуохха, онтон ыытыахха наада дии.", "noisy": "Дьэ, кыьалга диэтэгин, итиччэ улахан сууманы хаста да техтуруйэн устуохха, онтон ыытыахха наада дии.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2361, "split": "dev", "profile": "digits", "gold": "Сэрэбиэй быһыытынан кинилэр икки бөлөххө арахсан күрэхтэһэллэр.", "noisy": "Сэрэбиэй быhыытынан кинилэр икки б8л8хх8 арахсан кyрэхтэhэллэр.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2362, "split": "dev", "profile": "mixed", "gold": "Аны Саҥа дьыл түүн тиийэн дьон бырааһынньыгын буортулуон баҕарбатаҕа.", "noisy": "Аны Санга дьыл тyун тиийэн дьон быраасынньыгын буортулуон бахарбатаха.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2363, "split": "dev", "profile": "partial", "gold": "Дьоҕус хаһаайыстыбаларыгар: 5 коза, 10 куруолук, 2 саһыл, 2 сылгы, 9 хаас, 17 кус, 7 куурусса, тигээйилэригэр 3 “дьиэ” бааллар.", "noisy": "Дьогус хаһаайыстыбаларыгар: 5 коза, 10 куруолук, 2 саһыл, 2 сылгы, 9 хаас, 17 кус, 7 куурусса, тигээйилэригэр 3 “дьиэ” бааллар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2364, "split": "test", "profile": "clean", "gold": "Витя туох эрэ халампаас курдук тэриллээҕэ, онто аҥаар эрэ өттө көрдөрөр быһыылааҕа.", "noisy": "Витя туох эрэ халампаас курдук тэриллээҕэ, онто аҥаар эрэ өттө көрдөрөр быһыылааҕа.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2365, "split": "test", "profile": "ru_fold", "gold": "Бу мээнэ улахан тыллар, тыл өҥө-дьүһүнэ буолбатах, бу мин билбит, өйдөөбүт уонна ылыммыт туругум.", "noisy": "Бу мээнэ улахан тыллар, тыл оно-дьуhунэ буолбатах, бу мин билбит, ойдообут уонна ылыммыт туругум.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2366, "split": "dev", "profile": "leontiev", "gold": "Эдьиийин Ааныска кэргэнэ, күтүттэрэ Уйбаан Маппыайап, эмиэ ааттаах булчут этэ.", "noisy": "Эдьиийин Ааныска кэргэнэ, кутуттэрэ Уйбаан Маппыайап, эмиэ ааттаах булчут этэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2367, "split": "test", "profile": "digits", "gold": "Анал үөрэхтээх үлэһиттэр наада буолбуттара.", "noisy": "Анал y8рэхтээх yлэhиттэр наада буолбуттара.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2368, "split": "test", "profile": "mixed", "gold": "2022 сылга ойууру баһаартан харыстааһыҥҥа федеральнай уонна өрөспүүбүлүкэ бүддьүөттэриттэн 2,5 миллиардтан тахса солкуобайдаах үп бэриллибит.", "noisy": "2022 сылга ойууру баьаартан харыстааьынна федеральнай уонна ор8спуyбyлyкэ бyддьуоттэриттэн 2,5 миллиардтан тахса солкуобайдаах уп бэриллибит.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2369, "split": "test", "profile": "partial", "gold": "Үһүс да күн ааһыыта Мохсоҕолго хаалбыт дьон бааллара.", "noisy": "Үһүс да күн ааһыыта Мохсоголго хаалбыт дьон бааллара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2370, "split": "dev", "profile": "clean", "gold": "Ити кэннэ субуруччу икки уол оҕо -Уйбаан, Хабырыыл күн сирин көрөн, ону кытта биһиги аҕабыт Мартыын буолан удьуорбут билигин салҕанан бардаҕа.", "noisy": "Ити кэннэ субуруччу икки уол оҕо -Уйбаан, Хабырыыл күн сирин көрөн, ону кытта биһиги аҕабыт Мартыын буолан удьуорбут билигин салҕанан бардаҕа.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2371, "split": "dev", "profile": "ru_fold", "gold": "Ыһыахха мустубут ыалдьыттар коронавирус утары быһыыны ылбыттарын туоһулуур ыспыраапкаларын көрдөрөн эрэ баран киирэллэр.", "noisy": "Ыhыахха мустубут ыалдьыттар коронавирус утары быhыыны ылбыттарын туоhулуур ыспыраапкаларын кордорон эрэ баран киирэллэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2372, "split": "dev", "profile": "leontiev", "gold": "Саҥа талыллыбыт улуустааҕы төрөппүт сүбэтигэр таһаарыылаах үлэни баҕарабыт.", "noisy": "Сана талыллыбыт улуустаагы тереппут субэтигэр таьаарыылаах улэни багарабыт.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2373, "split": "test", "profile": "digits", "gold": "Сыаната да удамыр – 2100 солкуобай иһигэр туох баар наадалаах аппараакка көрөн-истэн, эмин-томун, ачыкыҥ ырыссыабыгар тиийэ барытын суруйан биэрэллэр.", "noisy": "Сыаната да удамыр – 2100 солкуобай иhигэр туох баар наадалаах аппараакка к8р8н-истэн, эмин-томун, ачыкын ырыссыабыгар тиийэ барытын суруйан биэрэллэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2374, "split": "test", "profile": "mixed", "gold": "Эйгэлээх киһи олоҕу көрүүтэ атын – Төрдүгэр уустар бааллар дуо?", "noisy": "Эйгэлээх киhи олоху к8рyутэ атын – Т8рдугэр уустар бааллар дуо?", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2375, "split": "dev", "profile": "partial", "gold": "Мин илиибин ууннум, дьонум күлсэн тоҕо бардылар.", "noisy": "Мин илиибин ууннум, дьонум күлсэн того бардылар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2376, "split": "dev", "profile": "clean", "gold": "Славаҕа чугаһаан эрдэҕинэ, ханнык эрэ кыыс кэлбитигэр иккиэн сиэттиһэн бара турдулар.", "noisy": "Славаҕа чугаһаан эрдэҕинэ, ханнык эрэ кыыс кэлбитигэр иккиэн сиэттиһэн бара турдулар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2377, "split": "test", "profile": "ru_fold", "gold": "Аҕалара Кангалаастан араас табаар аҕалара.", "noisy": "Агалара Кангалаастан араас табаар агалара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2378, "split": "dev", "profile": "leontiev", "gold": "Дьиҥэр, үлэни-хамнаһы үмүрүтээт куоракка тиийэн даачатыгар да үлэ элбэх этэ эрээри, дьоно ый устата куруорка сылдьар буоланнар, улаханнык кыһамматаҕа, ыксаабатаҕа.", "noisy": "Дьинэр, улэни-хамнаьы умурутээт куоракка тиийэн даачатыгар да улэ элбэх этэ эрээри, дьоно ый устата куруорка сылдьар буоланнар, улаханнык кыьамматага, ыксаабатага.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2379, "split": "test", "profile": "digits", "gold": "«Тыа ыалын тиэргэнэ — саҥа бастыҥ бырайыак» анал аат иҥэрилиннэ Александра Николаевна, Павел Васильевич Габышевтар дьиэ кэргэҥҥэ.", "noisy": "«Тыа ыалын тиэргэнэ — сана бастын бырайыак» анал аат инэрилиннэ Александра Николаевна, Павел Васильевич Габышевтар дьиэ кэргэннэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2380, "split": "dev", "profile": "mixed", "gold": "Тугу ыллыырын отой өйдөөбөппүн, куруук киҥинэйэн ыллыыр, оннук буолуохтааҕын курдук саныыбын.", "noisy": "Тугу ыллыырын отой 8йд8обоппyн, куруук кингинэйэн ыллыыр, оннук буолуохтаа5ын курдук саныыбын.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2381, "split": "test", "profile": "partial", "gold": "Күүлэй күнүгэр Үөһээ дойду абааһылара Орто дойуга түһэн от охсоллоро, мунньаллара үһү, онон ити күн Айыы киһитэ окко үлэлээтэҕинэ сиһэ быстар, дэҥнэнэр диэн куттанан өрүүр үгэс олохсуйбут диэн буолара.", "noisy": "Күүлэй күнүгэр Үөһээ дойду абааһылара Орто дойуга түһэн от охсоллоро, мунньаллара үһү, онон ити күн Айыы киһитэ окко үлэлээтэгинэ сиһэ быстар, дэннэнэр диэн куттанан өрүүр үгэс олохсуйбут диэн буолара.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2382, "split": "dev", "profile": "clean", "gold": "Эдэр эрдэҕинэ Томмот, Алдан айаннарыгар сылдьыбыта, сэрии иннинэ наар сельполар таһаҕастарын таһыытыгар Табаҕанан, Төҥүлүнэн сылдьыбыта.", "noisy": "Эдэр эрдэҕинэ Томмот, Алдан айаннарыгар сылдьыбыта, сэрии иннинэ наар сельполар таһаҕастарын таһыытыгар Табаҕанан, Төҥүлүнэн сылдьыбыта.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2383, "split": "dev", "profile": "ru_fold", "gold": "Оскуоланы бүтэрэр 1885 сылыгар ииппит аҕата дьадайан хаалан гимназия дириэктэрэ көҥүлүнэн тохсунньуга төрөөбүт улууһугар суруксуттуу тахсар.", "noisy": "Оскуоланы бутэрэр 1885 сылыгар ииппит агата дьадайан хаалан гимназия дириэктэрэ конулунэн тохсунньуга торообут улууhугар суруксуттуу тахсар.", "source": "sah.wikipedia:Күлүмнүүр (Никифоров Василий Васильевич)"}
{"id": 2384, "split": "test", "profile": "leontiev", "gold": "Кылаабынай судаарыстыбаннай санитарнай быраас этиилэрин учуоттаан туран, өрөспүүбүлүкэҕэ коронавирус утары хааччахтааһын миэрэлэрэ арыый да сымнатылыннылар.", "noisy": "Кылаабынай судаарыстыбаннай санитарнай быраас этиилэрин учуоттаан туран, ереспуубулукэгэ коронавирус утары хааччахтааьын миэрэлэрэ арыый да сымнатылыннылар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2385, "split": "dev", "profile": "digits", "gold": "Ахтыы: \"Сэмэҥкэ саҥардыы улаатан истэҕинэ ийэтэ өлбүтэ, аҕата иккистээн кэргэннэнэн Прокопий диэн уолламмыттара, онон бииргэ төрөөбүттэр иккиэ этилэр.", "noisy": "Ахтыы: \"Сэмэнкэ санардыы улаатан истэ5инэ ийэтэ 8лбyтэ, а5ата иккистээн кэргэннэнэн Прокопий диэн уолламмыттара, онон бииргэ т8р88бyттэр иккиэ этилэр.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2386, "split": "dev", "profile": "mixed", "gold": "Киин улуустар: Улахан хатааһына суох сылаас ый буолара сабаҕаланар.", "noisy": "Киин улуустар: Улахан хатаасына суох сылаас ый буолара сабагаланар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2387, "split": "dev", "profile": "partial", "gold": "Дьону хорҕотор 12 пуун барыта 1260 киһини батарар миэстэлээх.", "noisy": "Дьону хорготор 12 пуун барыта 1260 киһини батарар миэстэлээх.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2388, "split": "test", "profile": "clean", "gold": "Төттөрүтүн итинник сиилээһин-хоһулааьын дьон бу чахчы туһалаах оонньууга кыттар көҕүн намтатара ырылыччы көстөн турар эбээт.", "noisy": "Төттөрүтүн итинник сиилээһин-хоһулааьын дьон бу чахчы туһалаах оонньууга кыттар көҕүн намтатара ырылыччы көстөн турар эбээт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2389, "split": "dev", "profile": "ru_fold", "gold": "Эһиги көмөҕүт суолтатын ситэ өйдөөбөккө хаалар ыарыһахтар да баар буоллахтара?", "noisy": "Эhиги комогут суолтатын ситэ ойдообокко хаалар ыарыhахтар да баар буоллахтара?", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2390, "split": "test", "profile": "leontiev", "gold": "Кини бырабыыталыстыба эргиллэн кэлбит СВО байыастарыгар көмөнү ылалларыгар улахан болҕомтотун уурарын эппит.", "noisy": "Кини бырабыыталыстыба эргиллэн кэлбит СВО байыастарыгар кемену ылалларыгар улахан болгомтотун уурарын эппит.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2391, "split": "test", "profile": "digits", "gold": "– Хабырыыс миигин өссө туох күүтэрин этэ охсорго тиэтэйбэтэ.", "noisy": "– Хабырыыс миигин 8сс8 туох кyyтэрин этэ охсорго тиэтэйбэтэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2392, "split": "test", "profile": "mixed", "gold": "Бастаан кини бу олох түгэннэригэр дьон туох, хайдах буолуохтаа5ын сүбэлиир.", "noisy": "Бастаан кини бу олох тугэннэригэр дьон туох, хайдах буолуохтаа5ын сyбэлиир.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2393, "split": "test", "profile": "partial", "gold": "Оскуола таһыгар улуус, куорат салалталара, куорат оҕо уһуйааннарын салайааччылара, оскуола үөрэнээччилэр кыттыылаах миитин тэрилиннэ.", "noisy": "Оскуола таһыгар улуус, куорат салалталара, куорат ого уһуйааннарын салайааччылара, оскуола үөрэнээччилэр кыттыылаах миитин тэрилиннэ.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2394, "split": "test", "profile": "clean", "gold": "Гириип түргэнник тарҕанар, гириип сибикитэ тумууга сыстыбытыҥ кэннэ 2–3 күнүнэн биллэр.", "noisy": "Гириип түргэнник тарҕанар, гириип сибикитэ тумууга сыстыбытыҥ кэннэ 2–3 күнүнэн биллэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2395, "split": "dev", "profile": "ru_fold", "gold": "“Эйгэ” диэн өрөспүүбүлүкэтээҕи түмсүүгэ сылдьан, билиилэрин хаҥатталлар.", "noisy": "“Эйгэ” диэн ороспуубулукэтээги тумсуугэ сылдьан, билиилэрин ханатталлар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2396, "split": "test", "profile": "leontiev", "gold": "Улууспут атын оскуолалара чакырдар курдук оҕолоргут тыа хаһаайыстыбатын идэлэрин оскуола паартатыгар олорон ылалларын, баһылыылларын курдук үлэни эмиэ ыыталларыгар баҕарабын.", "noisy": "Улууспут атын оскуолалара чакырдар курдук оголоргут тыа хаьаайыстыбатын идэлэрин оскуола паартатыгар олорон ылалларын, баьылыылларын курдук улэни эмиэ ыыталларыгар багарабын.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2397, "split": "test", "profile": "digits", "gold": "Ол эрээри, эргиэмсиктэр бэйэлэрин бырыһыаннарын эбэн, сыананы аһары үрдэтэн, атыылаһааччылары тэйитэллэрэ итиэннэ \"тыаттан киирэр аһы дьон ылбат\" диэн дойҕохтууллара.", "noisy": "Ол эрээри, эргиэмсиктэр бэйэлэрин бырыhыаннарын эбэн, сыананы аhары yрдэтэн, атыылаhааччылары тэйитэллэрэ итиэннэ \"тыаттан киирэр аhы дьон ылбат\" диэн дой5охтууллара.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2398, "split": "test", "profile": "mixed", "gold": "– Боссоойко, билигин урукку курдук буолбатах, хаартылыыры бобор буоллулар, дьалхааннаах күннэр-дьыллар үүннүлэр.", "noisy": "– Боссоойко, билигин урукку курдук буолбатах, хаартылыыры бобор буоллулар, дьалхааннаах кyннэр-дьыллар ууннyлэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2399, "split": "dev", "profile": "partial", "gold": "Илиҥҥи дойдуларга христианство тарҕаныыта бэйэ-бэйэлэрин кытта барыларыгар биир көстүүлээх.", "noisy": "Илинни дойдуларга христианство тарганыыта бэйэ-бэйэлэрин кытта барыларыгар биир көстүүлээх.", "source": "sah.wikipedia:Христианство"}
{"id": 2400, "split": "dev", "profile": "clean", "gold": "Тыа хаһаайыстыбатын бородууксуйатын оҥорон таһаарыы бырамыысыланнас таһымынан барар.", "noisy": "Тыа хаһаайыстыбатын бородууксуйатын оҥорон таһаарыы бырамыысыланнас таһымынан барар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2401, "split": "test", "profile": "ru_fold", "gold": "Билигин федеральнай сокуоннары \"Данон\", \"Вим-биль-дан\" курдук бөдөҥ комплекстар кыахтарыгар олоҕуран ылыналлар.", "noisy": "Билигин федеральнай сокуоннары \"Данон\", \"Вим-биль-дан\" курдук бодон комплекстар кыахтарыгар ологуран ылыналлар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2402, "split": "test", "profile": "leontiev", "gold": "Биир сыыһа туттуу, аһара барыы киһи олоҕун төрдүттэн уларытан кэбиһиэн сөбүн өйдөөх-санаалаах киһи билэрэ, олоҕор тутуһа сылдьара сөп.", "noisy": "Биир сыыьа туттуу, аьара барыы киьи ологун тердуттэн уларытан кэбиьиэн себун ейдеех-санаалаах киьи билэрэ, ологор тутуьа сылдьара сеп.", "source": "sah.wikipedia:Күүс уонна хамсаныы"}
{"id": 2403, "split": "test", "profile": "digits", "gold": "Бүтэрэн баран Симбирскэй удельнай хонтуоратыгар ыытыллыбыт, онно кээмэйдьит (мерщик) быһыытынан 4 сыл кэриҥэ үлэлээбит.", "noisy": "Бyтэрэн баран Симбирскэй удельнай хонтуоратыгар ыытыллыбыт, онно кээмэйдьит (мерщик) быhыытынан 4 сыл кэринэ yлэлээбит.", "source": "sah.wikipedia:Яковлев Иван Яковлевич"}
{"id": 2404, "split": "test", "profile": "mixed", "gold": "Уолчаан буоллар, иһирдьэ киирбэккэ эрэ, дьиэтин көрдөөн, ытыы-ытыы хаама сылдьарын ити дьахтар булан быыһаабыт.", "noisy": "Уолчаан буоллар, иьирдьэ киирбэккэ эрэ, дьиэтин корд88н, ытыы-ытыы хаама сылдьарын ити дьахтар булан быыhаабыт.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2405, "split": "dev", "profile": "partial", "gold": "Чинчийээччилэр итилэри барытын Павел суруйбута буолуо дуо диэнтэн мөккүһэллэр.", "noisy": "Чинчийээччилэр итилэри барытын Павел суруйбута буолуо дуо диэнтэн мөккүһэллэр.", "source": "sah.wikipedia:Христианство"}
{"id": 2406, "split": "dev", "profile": "clean", "gold": "Дьон бары туох эмэ саҥаны солуну, элбэх киһи өйүгэр-санаатыгар сөп түбэспити ордук үтүктэллэр, элбэхтэр туох эмэ солуну буллахтарына бары ол диэки салаллаллар уонна батыһан барар кыахтаахтар.", "noisy": "Дьон бары туох эмэ саҥаны солуну, элбэх киһи өйүгэр-санаатыгар сөп түбэспити ордук үтүктэллэр, элбэхтэр туох эмэ солуну буллахтарына бары ол диэки салаллаллар уонна батыһан барар кыахтаахтар.", "source": "sah.wikipedia:Элбэхтэр"}
{"id": 2407, "split": "test", "profile": "ru_fold", "gold": "Бүгүҥҥү саастаах көлүөнэ өлөн-өһөн бүтүөхпүтүгэр диэри төрүт дьарыкка сөптөөх болҕомто ууруллан кэҥээн, сайдан барбатаҕына, саха дьылҕата лаппа ыарыаҕа.", "noisy": "Бугунну саастаах колуонэ олон-оhон бутуохпутугэр диэри торут дьарыкка соптоох болгомто ууруллан кэнээн, сайдан барбатагына, саха дьылгата лаппа ыарыага.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2408, "split": "dev", "profile": "leontiev", "gold": "Олоҥхо олуга түмүктэниитигэр ытыс тыаһа хабылла түстэ, өргө диэри уҕараабата.", "noisy": "Олонхо олуга тумуктэниитигэр ытыс тыаьа хабылла тустэ, ерге диэри угараабата.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2409, "split": "test", "profile": "digits", "gold": "Түүн, наһаа сылайан буолуо, олох күүскэ баттаттым.", "noisy": "Тyyн, наhаа сылайан буолуо, олох кyyскэ баттаттым.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2410, "split": "dev", "profile": "mixed", "gold": "Иккис сезону, Ил Дархан, өскөтүн коронавирус дьаҥа бохсуллан, балаһыанньа этэҥҥэ буолар түгэнигэр, күнүскү уонна кэтэхтэн буолуоҕун сөп диэтэ.", "noisy": "Иккис сезону, Ил Дархан, оск8тун коронавирус дьана бохсуллан, балаhыанньа этэнгнэ буолар тугэнигэр, кунуску уонна кэтэхтэн буолуо5ун с8п диэтэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2411, "split": "dev", "profile": "partial", "gold": "Маны Артем Борисов эттэһэн оттообута хаһыс да сыла.", "noisy": "Маны Артем Борисов эттэһэн оттообута хаһыс да сыла.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2412, "split": "test", "profile": "clean", "gold": "Саха сирэ ыраахтааҕы кэмигэр “эрэһээҥкитэ суох түрмэнэн” сураҕырара.", "noisy": "Саха сирэ ыраахтааҕы кэмигэр “эрэһээҥкитэ суох түрмэнэн” сураҕырара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2413, "split": "test", "profile": "ru_fold", "gold": "– Миэхэ кини туһунан доҕорум Хабырыыс кэпсээбитэ.", "noisy": "– Миэхэ кини туhунан догорум Хабырыыс кэпсээбитэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2414, "split": "dev", "profile": "leontiev", "gold": "Ортону үрдүнэн уҥуохтаах, кэтит сарыннаах бөҕө-таҕа көрүҥнээх, үтүө сэбэрэлээх оҕонньор этэ.", "noisy": "Ортону урдунэн унуохтаах, кэтит сарыннаах беге-тага керуннээх, утуе сэбэрэлээх огонньор этэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2415, "split": "dev", "profile": "digits", "gold": "Кэлин онтон тэптэрэн Саха сирин Правительствота Мэҥэ-Хаҥаластан 500 тан тахса үлэни-кыайар-хотор дьону үлэҕэ ыытар дьаһала тахсыбытыгар онно хабыллан бу 1-кы Наахаралартан элбэх киһи онно барбыттара.", "noisy": "Кэлин онтон тэптэрэн Саха сирин Правительствота Мэнэ-Ханаластан 500 тан тахса yлэни-кыайар-хотор дьону yлэ5э ыытар дьаhала тахсыбытыгар онно хабыллан бу 1-кы Наахаралартан элбэх киhи онно барбыттара.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2416, "split": "dev", "profile": "mixed", "gold": "Өскөтүн, эрдэ сайабылыанньа туттаран баран, талбыт учаастакпар быыбардааччылар тиһиктэригэр мин ааппын киллэрбэтэх буоллахтарына хайыыбын?", "noisy": "8ск8тyн, эрдэ сайабылыанньа туттаран баран, талбыт учаастакпар быыбардааччылар тиhиктэригэр мин ааппын киллэрбэтэх буоллахтарына хайыыбын?", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2417, "split": "test", "profile": "partial", "gold": "Хартыыһаны, мааһы буокканы сылытан баран ыалдьар миэстэбэр баанарбар сүбэлээтэ.", "noisy": "Хартыыһаны, мааһы буокканы сылытан баран ыалдьар миэстэбэр баанарбар сүбэлээтэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2418, "split": "test", "profile": "clean", "gold": "Саа ылааччылар да бааллар, сыаналара 30 тыһыынчаттан (МР) саҕалаан, итальянскай 200 тыһыынчаҕа тиийэ баар.", "noisy": "Саа ылааччылар да бааллар, сыаналара 30 тыһыынчаттан (МР) саҕалаан, итальянскай 200 тыһыынчаҕа тиийэ баар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2419, "split": "test", "profile": "ru_fold", "gold": "«Ээ хайа сиргэ» – аннараа киһи «оҕус өлбүт» – диэбит.", "noisy": "«Ээ хайа сиргэ» – аннараа киhи «огус олбут» – диэбит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2420, "split": "test", "profile": "leontiev", "gold": "Биллэрин курдук, Арассыыйаны буулаабыт уот кураан түмүгэр 884,3 тыһ.", "noisy": "Биллэрин курдук, Арассыыйаны буулаабыт уот кураан тумугэр 884,3 тыь.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2421, "split": "test", "profile": "digits", "gold": "– Боссоойко, ким эйигин хапсаҕайдаһарга үөрэппитэй?", "noisy": "– Боссоойко, ким эйигин хапса5айдаhарга y8рэппитэй?", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2422, "split": "dev", "profile": "mixed", "gold": "Оттон мин бакаа соҕотох киһи буоламмын, өр сынньанарбын, куоракка түөрт истиэнэни манаан сытарбын сөбүлээбэппин.", "noisy": "Оттон мин бакаа сохотох киьи буоламмын, ор сынньанарбын, куоракка ту8рт истиэнэни манаан сытарбын собулээбэппин.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2423, "split": "test", "profile": "partial", "gold": "Онтон, салгыы бары өрүттэри барытын күлүү-элэк оҥостуу олохсуйар.", "noisy": "Онтон, салгыы бары өрүттэри барытын күлүү-элэк оностуу олохсуйар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2424, "split": "dev", "profile": "clean", "gold": "Уонча сыллааҕыта Иван Семенов-Көҥдөй Уйбаан диэн киһи \"холуонньаҕа хаһаайыстыба үлэтигэр биир маҥан аты көлүйэллэрэ.", "noisy": "Уонча сыллааҕыта Иван Семенов-Көҥдөй Уйбаан диэн киһи \"холуонньаҕа хаһаайыстыба үлэтигэр биир маҥан аты көлүйэллэрэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2425, "split": "dev", "profile": "ru_fold", "gold": "Кини өр сыллаах үлэтэ Саха Республикатын үөрэҕириитин туйгунун үрдүк аатынан бэлиэтэммитэ.", "noisy": "Кини ор сыллаах улэтэ Саха Республикатын уорэгириитин туйгунун урдук аатынан бэлиэтэммитэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2426, "split": "dev", "profile": "leontiev", "gold": "Кини сэһэргиирин тухары төһөнөн уста-туора ойуоккалатар, итиигэ-буһууга түһэрэн таһаарар, ааҕааччытан соччонон кэрэхсиир, ыыра кэҥиирин сөбүлүүр уонна бэйэтин санаатыгар тэҥнээн мөккүһүөн да, сөбүлэһиэн-сөҕүөн да сөп.", "noisy": "Кини сэьэргиирин тухары теьенен уста-туора ойуоккалатар, итиигэ-буьууга туьэрэн таьаарар, аагааччытан соччонон кэрэхсиир, ыыра кэниирин себулуур уонна бэйэтин санаатыгар тэннээн меккуьуен да, себулэьиэн-сегуен да сеп.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2427, "split": "test", "profile": "digits", "gold": "Оччолорго техника биир да көрүҥэ суоҕа, онон үлэ көрүҥэ барыта илиинэн толоруллар этэ.", "noisy": "Оччолорго техника биир да к8рyнэ суо5а, онон yлэ к8рyнэ барыта илиинэн толоруллар этэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2428, "split": "dev", "profile": "mixed", "gold": "Күн-дьыл билгэтинэн, Төрүккэ бу күннэргэ ардахтаах күннэр тураллар дииллэр.", "noisy": "Кун-дьыл билгэтинэн, Т8руккэ бу куннэргэ ардахтаах куннэр тураллар дииллэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2429, "split": "test", "profile": "partial", "gold": "— Үтүөрэн баран иккистээн ыалдьыы аҕыйах түгэнэ тахсыбыт.", "noisy": "— Үтүөрэн баран иккистээн ыалдьыы агыйах түгэнэ тахсыбыт.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2430, "split": "dev", "profile": "clean", "gold": "Судаарыстыба көмөтүнэн сыл устата эн уурунар харчын икки төгүл улаатар.", "noisy": "Судаарыстыба көмөтүнэн сыл устата эн уурунар харчын икки төгүл улаатар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2431, "split": "test", "profile": "ru_fold", "gold": "«Бу үүттээх тааһы көрдөөммүн наһаа өр буолан баран кэллим», — диэн көрдөһөллөрө.", "noisy": "«Бу ууттээх тааhы кордооммун наhаа ор буолан баран кэллим», — диэн кордоhоллоро.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2432, "split": "dev", "profile": "leontiev", "gold": "Кэннэки дьон: «Ол хараҕыҥ иччитэ түспүтүн бырахтаҕыҥ, ону тойуккар…", "noisy": "Кэннэки дьон: «Ол харагын иччитэ туспутун бырахтагын, ону тойуккар…", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2433, "split": "dev", "profile": "digits", "gold": "Коркин туһунан туруорууга СӨ физическэй култуураҕа уонна спортка министерствота кыттыста.", "noisy": "Коркин туhунан туруорууга С8 физическэй култуура5а уонна спортка министерствота кыттыста.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2434, "split": "test", "profile": "mixed", "gold": "Саха кэрэ куоларын күрэстэрэ диэҕи, туруорууга «национальнай колорит» мэлигир.", "noisy": "Саха кэрэ куоларын курэстэрэ диэги, туруорууга «национальнай колорит» мэлигир.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2435, "split": "dev", "profile": "partial", "gold": "Эбии үөрэх дьарыгар оҕо сөбүлүүр дьарыгынан дьарыктана, сынньана, биир саастыылаахтарын кытта бодоруһа, биир интэриэстээхтэрин кытта түмсэ кэлэр.", "noisy": "Эбии үөрэх дьарыгар ого сөбүлүүр дьарыгынан дьарыктана, сынньана, биир саастыылаахтарын кытта бодоруһа, биир интэриэстээхтэрин кытта түмсэ кэлэр.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2436, "split": "test", "profile": "clean", "gold": "Кэргэнниилэр Куочай сиригэр мэлдьи сылдьалларынан Куочай ойуулаах хартыынаны бэлэх тутан икки бүк үөрбүттэрин туһунан эттилэр.", "noisy": "Кэргэнниилэр Куочай сиригэр мэлдьи сылдьалларынан Куочай ойуулаах хартыынаны бэлэх тутан икки бүк үөрбүттэрин туһунан эттилэр.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2437, "split": "dev", "profile": "ru_fold", "gold": "Ыкса күһүн сэбирдэхтэрин түһэрэн баран, «утуйар», олунньуттан «уһуктар», сэбирдэҕин таһаарыан иннинэ аһын кутар.", "noisy": "Ыкса куhун сэбирдэхтэрин туhэрэн баран, «утуйар», олунньуттан «уhуктар», сэбирдэгин таhаарыан иннинэ аhын кутар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2438, "split": "dev", "profile": "leontiev", "gold": "Эн биһи — в мире хараххар таптал уотун көрөбүн скачивания в ознакомительных, бу хара?а.", "noisy": "Эн биьи — в мире хараххар таптал уотун керебун скачивания в ознакомительных, бу хара?а.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2439, "split": "dev", "profile": "digits", "gold": "Маҥнайгы, иккис, үһүс куоластарынан арахсан ыллыырга үөрэппитэ.", "noisy": "Маннайгы, иккис, yhyс куоластарынан арахсан ыллыырга y8рэппитэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2440, "split": "test", "profile": "mixed", "gold": "Саастаах өттө катаракта, глаукома курдук ыарыыларынан ыалдьара эмиэ үтүмэн.", "noisy": "Саастаах отто катаракта, глаукома курдук ыарыыларынан ыалдьара эмиэ утумэн.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2441, "split": "dev", "profile": "partial", "gold": "Кулаковскай - Өксөкүүлээх Өлөксөй улуу айымньытын -- “Ойуун түүлүн” туруорабыт диэн буолла.", "noisy": "Кулаковскай - Өксөкүүлээх Өлөксөй улуу айымньытын -- “Ойуун түүлүн” туруорабыт диэн буолла.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2442, "split": "test", "profile": "clean", "gold": "Онтон Игидэй нэһилиэгэр «Түмсүү», «Сардаҥа» колхозтар холбоспуттара.", "noisy": "Онтон Игидэй нэһилиэгэр «Түмсүү», «Сардаҥа» колхозтар холбоспуттара.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2443, "split": "dev", "profile": "ru_fold", "gold": "Сэрии иннинэ Табаҕа, Майа оскуолаларыгар саха тылын учууталынан, завуһунан, директорынан үлэлээбитэ.", "noisy": "Сэрии иннинэ Табага, Майа оскуолаларыгар саха тылын учууталынан, завуhунан, директорынан улэлээбитэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2444, "split": "dev", "profile": "leontiev", "gold": "— Арассыыйаҕа көҥүл тустууну Дагестан бө­ҕөстөрө баһылаатылар уонна өтөрүнэн ыһыктыбат чинчилээхтэр.", "noisy": "— Арассыыйага кенул тустууну Дагестан бе­гестере баьылаатылар уонна етерунэн ыьыктыбат чинчилээхтэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2445, "split": "dev", "profile": "digits", "gold": "Бу дьыл олунньу 25 күнүттэн кулун тутар 12 күнүгэр диэри хайа баҕар быыбардыыр хамыыһыйаҕа биэриэххэ сөп.", "noisy": "Бу дьыл олунньу 25 кyнyттэн кулун тутар 12 кyнyгэр диэри хайа ба5ар быыбардыыр хамыыhыйа5а биэриэххэ с8п.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2446, "split": "dev", "profile": "mixed", "gold": "Ил Дархан тоһоҕолообутунан, Саха сирин экэниэмикэтин сүрүн хамсатааччытынан хостуур бырамыысыланнас буолар.", "noisy": "Ил Дархан тосо5олообутунан, Саха сирин экэниэмикэтин сyрун хамсатааччытынан хостуур бырамыысыланнас буолар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2447, "split": "dev", "profile": "partial", "gold": "Ийэлэр олоҕу бэлэхтииллэригэр, ахсаабат кыһамньыларыгар, истиҥ тылларын уонна өйөбүллэрин иһин махтал тыллары тиэрдэбин.", "noisy": "Ийэлэр ологу бэлэхтииллэригэр, ахсаабат кыһамньыларыгар, истин тылларын уонна өйөбүллэрин иһин махтал тыллары тиэрдэбин.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2448, "split": "test", "profile": "clean", "gold": "Маннык быһаарыы Россия иһинээҕи туризмы өйүүр уонна сайыннарар хайысхалаах ыытылларын туһунан РФ Бырабыыталыстыбатын саайта иһитиннэрэр.", "noisy": "Маннык быһаарыы Россия иһинээҕи туризмы өйүүр уонна сайыннарар хайысхалаах ыытылларын туһунан РФ Бырабыыталыстыбатын саайта иһитиннэрэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2449, "split": "dev", "profile": "ru_fold", "gold": "-Кынаттан барыта биэс олоҥхо тиэкиһэ сурукка түспүтэ: \"Көҥүл Буурай\" 18 420 строкалаах олоҥхону Васильев И.", "noisy": "-Кынаттан барыта биэс олонхо тиэкиhэ сурукка туспутэ: \"Конул Буурай\" 18 420 строкалаах олонхону Васильев И.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2450, "split": "test", "profile": "leontiev", "gold": "Быйыл кыһын Башкортостаҥна, Бурятияҕа уонна Иркутскай уобаласка сылдьан кэллим.", "noisy": "Быйыл кыьын Башкортостанна, Бурятияга уонна Иркутскай уобаласка сылдьан кэллим.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2451, "split": "test", "profile": "digits", "gold": "Тоҕо диэтэххэ, ити уодаһыннаах дьайыылар Украинаҕа эрэ буолбакка, кини тас өттүгэр өтөн тахсар кутталланнылар.", "noisy": "То5о диэтэххэ, ити уодаhыннаах дьайыылар Украина5а эрэ буолбакка, кини тас 8ттyгэр 8т8н тахсар кутталланнылар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2452, "split": "test", "profile": "mixed", "gold": "Онон отут сыл устата тыа сирин сайдыыта таҥнары түспүтэ көстөр.", "noisy": "Онон отут сыл устата тыа сирин сайдыыта тангнары туспyтэ костор.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2453, "split": "dev", "profile": "partial", "gold": "Онон ырыаһытынан, сэһэнньитинэн, дьэллэм, үчүгэй майгытынан-сигилитинэн, тас көстүүтүнэн, маанытык таҥнарынан оччотооҕу үөрэхтээх сахалары, култуура эйгэтин кытта чугас алтыспыт, билсиспит.", "noisy": "Онон ырыаһытынан, сэһэнньитинэн, дьэллэм, үчүгэй майгытынан-сигилитинэн, тас көстүүтүнэн, маанытык таннарынан оччотоогу үөрэхтээх сахалары, култуура эйгэтин кытта чугас алтыспыт, билсиспит.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2454, "split": "test", "profile": "clean", "gold": "федеральнай бүддьүөт сокуон барыла Уһук Илини дойду сайдыытын орто тэтимигэр тиэрдэргэ туһуламмыт, Арктика зонатыгар нэһилиэнньэ олоҕо тупсарыгар уонна социальнай-экэнэмиичэскэй сайдыыны ситиһэргэ соруктаммыт.", "noisy": "федеральнай бүддьүөт сокуон барыла Уһук Илини дойду сайдыытын орто тэтимигэр тиэрдэргэ туһуламмыт, Арктика зонатыгар нэһилиэнньэ олоҕо тупсарыгар уонна социальнай-экэнэмиичэскэй сайдыыны ситиһэргэ соруктаммыт.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2455, "split": "test", "profile": "ru_fold", "gold": "Күннээҕи үлэ бүппэт түбүгүн барытын ийэбит быһаарара, тугу гынары: ас-үөл, дьиэ-уот, оҕуруот, хотон үлэтин уочаратын.", "noisy": "Куннээги улэ буппэт тубугун барытын ийэбит быhаарара, тугу гынары: ас-уол, дьиэ-уот, огуруот, хотон улэтин уочаратын.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2456, "split": "test", "profile": "leontiev", "gold": "Тахсаатын кытта 180 государстволарга (ол ахсааннарыгар Саха Сиригэр) уонна 5 континеннарга прокатка уонна дьиэҕэ көрөргө көҥүл тахсар.", "noisy": "Тахсаатын кытта 180 государстволарга (ол ахсааннарыгар Саха Сиригэр) уонна 5 континеннарга прокатка уонна дьиэгэ керерге кенул тахсар.", "source": "sah.wikipedia:Саһыл уонна ыт 2"}
{"id": 2457, "split": "test", "profile": "digits", "gold": "Ол эрэн син биир ыла тураллар — күнүс икки иннинэ эбэтэр киэһэ аҕыс кэннэ атын сиртэн хантан булан ылыахтарай?", "noisy": "Ол эрэн син биир ыла тураллар — кyнyс икки иннинэ эбэтэр киэhэ а5ыс кэннэ атын сиртэн хантан булан ылыахтарай?", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2458, "split": "dev", "profile": "mixed", "gold": "Сордоох, киһи буолаҕын дуу, суох дуу?!» — диэн мөҕө былаастаан кэриэс эппитэ.", "noisy": "Сордоох, киhи буола5ын дуу, суох дуу?!» — диэн мо5о былаастаан кэриэс эппитэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2459, "split": "test", "profile": "partial", "gold": "Биһиги көҕөн монуогунан андыны үтүктэ сылдьыбыппыт, син табыллар курдук.", "noisy": "Биһиги көгөн монуогунан андыны үтүктэ сылдьыбыппыт, син табыллар курдук.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2460, "split": "dev", "profile": "clean", "gold": "Итиниэхэ эһэбит барахсан үтүөтэ муҥура суох.", "noisy": "Итиниэхэ эһэбит барахсан үтүөтэ муҥура суох.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2461, "split": "dev", "profile": "ru_fold", "gold": "Күрэхтэһии бу сыл муус устар 1–2 күннэригэр Хабаровскайга ыытыллыаҕа.", "noisy": "Курэхтэhии бу сыл муус устар 1–2 куннэригэр Хабаровскайга ыытыллыага.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2462, "split": "test", "profile": "leontiev", "gold": "Судургутук эттэххэ, үлэлииргэ, олорорго күүскүт, эниэргийэҕит тиийбэт, быһата, Саҥа дьылга да бэлэмнэнэр кыаххыт сүтэр.", "noisy": "Судургутук эттэххэ, улэлииргэ, олорорго куускут, эниэргийэгит тиийбэт, быьата, Сана дьылга да бэлэмнэнэр кыаххыт сутэр.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2463, "split": "dev", "profile": "digits", "gold": "Кыргыттарыгар Аммаҕа барарыгар сылгы үөрдээҕин: «Сылгы төрдө гыныҥ» — диэн алҕаан буор босхо хаалларан барбыта үһү.", "noisy": "Кыргыттарыгар Амма5а барарыгар сылгы y8рдээ5ин: «Сылгы т8рд8 гынын» — диэн ал5аан буор босхо хаалларан барбыта yhy.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2464, "split": "test", "profile": "mixed", "gold": "Көрөөччүлэр Лянаны – молдаванка кыыһы – оонньообут артыыһы тута ылыммыттара.", "noisy": "К8р88ччулэр Лянаны – молдаванка кыыьы – оонньообут артыыhы тута ылыммыттара.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2465, "split": "dev", "profile": "partial", "gold": "диэри 51 сыл устата төрөөбүт улууһун оскуолаларыгар директорынан, история, география, саха литературатын учууталынан таһаарыылаахтык үлэлээбитэ.", "noisy": "диэри 51 сыл устата төрөөбүт улууһун оскуолаларыгар директорынан, история, география, саха литературатын учууталынан таһаарыылаахтык үлэлээбитэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2466, "split": "dev", "profile": "clean", "gold": "Кэлтэгэй сыырдаах диэн алааска Мэхээчэ оҕонньордоох үһүө буолан олоҥхоттон быһа тардан туойбуттарын олох умнубаппыт.", "noisy": "Кэлтэгэй сыырдаах диэн алааска Мэхээчэ оҕонньордоох үһүө буолан олоҥхоттон быһа тардан туойбуттарын олох умнубаппыт.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2467, "split": "test", "profile": "ru_fold", "gold": "Инникини-кэнникини барытын ырытан, дьүөрэлээн, сиэрдээхтик дьаһаннахха, хайа да экэнэмиичэскэй тутулга үлэ түмүктээх буолуон сөп.", "noisy": "Инникини-кэнникини барытын ырытан, дьуорэлээн, сиэрдээхтик дьаhаннахха, хайа да экэнэмиичэскэй тутулга улэ тумуктээх буолуон соп.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2468, "split": "test", "profile": "leontiev", "gold": "Өрөспүүбүлүкэбитигэр биһигиттэн өссө аҕыйах ахсааннаах омуктар – эбээннэр, эбэҥкилэр, дьүкээгирдэр, чукчалар, долганнар бааллар.", "noisy": "Ереспуубулукэбитигэр биьигиттэн ессе агыйах ахсааннаах омуктар – эбээннэр, эбэнкилэр, дьукээгирдэр, чукчалар, долганнар бааллар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2469, "split": "test", "profile": "digits", "gold": "Ааспыт 2018 сылга Амма, Бүлүү, Горнай, Мэҥэ Хаҥалас, Нам, Нерюнгри, Уус Алдан, Уус Маайа, Хаҥалас, Чурапчы уонна Дьокуускай куорат лесничестволарыгар 41 мөлүйүөн гектардаах ойууру хабан учуоттуур дьаһаллар ыытылыннылар.", "noisy": "Ааспыт 2018 сылга Амма, Бyлyy, Горнай, Мэнэ Ханалас, Нам, Нерюнгри, Уус Алдан, Уус Маайа, Ханалас, Чурапчы уонна Дьокуускай куорат лесничестволарыгар 41 м8лyйy8н гектардаах ойууру хабан учуоттуур дьаhаллар ыытылыннылар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2470, "split": "test", "profile": "mixed", "gold": "Норуоккут култууратын, духуобунаһын, өйүн-санаатын, ырыатын-тойугун барытын толору тутан олороргутун көрөн үөрдүбүт.", "noisy": "Норуоккут култууратын, духуобунаhын, ойун-санаатын, ырыатын-тойугун барытын толору тутан олороргутун к8р8н уордyбyт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2471, "split": "dev", "profile": "partial", "gold": "Итиниэхэ тэрээһин кыттыылаахтара маннык улахан дьаһал биир сылынан түмүктэнэн хаалбакка, кэлэр сылга суолун өссө тобулан, оннун булан үтүмэн үлэни ыытыаҕар эрэннилэр, бу хайысха сайдар кыахтааҕын бэлиэтээтилэр.", "noisy": "Итиниэхэ тэрээһин кыттыылаахтара маннык улахан дьаһал биир сылынан түмүктэнэн хаалбакка, кэлэр сылга суолун өссө тобулан, оннун булан үтүмэн үлэни ыытыагар эрэннилэр, бу хайысха сайдар кыахтаагын бэлиэтээтилэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2472, "split": "dev", "profile": "clean", "gold": "Стрекаловскай үтүө аатыгар сүгүрүйэн “Өйдөбүнньүк уоту” уматыы чааһа буолоҕа.", "noisy": "Стрекаловскай үтүө аатыгар сүгүрүйэн “Өйдөбүнньүк уоту” уматыы чааһа буолоҕа.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2473, "split": "dev", "profile": "ru_fold", "gold": "Күндээдэ нэһилиэгэр «Региональнай сайдыы» ХЭТ бэйэтин үбүнэн 50 миэстэлээх «Кэнчээри» оҕо саадын ааспыт сыл муус устарыттан тутуутун саҕалаан, болдьоҕун иннинэ үлэҕэ киллэрдэ.", "noisy": "Кундээдэ нэhилиэгэр «Региональнай сайдыы» ХЭТ бэйэтин убунэн 50 миэстэлээх «Кэнчээри» ого саадын ааспыт сыл муус устарыттан тутуутун сагалаан, болдьогун иннинэ улэгэ киллэрдэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2474, "split": "test", "profile": "leontiev", "gold": "Онон харыстаныҥ, мааската кэтиҥ, ыарыыга хаптарымаҥ!", "noisy": "Онон харыстанын, мааската кэтин, ыарыыга хаптарыман!", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2475, "split": "test", "profile": "digits", "gold": "Джексон өлбүтүн кэннэ тута ыытыллыбыт чинчийии кини нуорманы таһынан күүстээх эми иһэн сүһүрэн өлбүтүн дакаастаабыта.", "noisy": "Джексон 8лбyтyн кэннэ тута ыытыллыбыт чинчийии кини нуорманы таhынан кyyстээх эми иhэн сyhyрэн 8лбyтyн дакаастаабыта.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2476, "split": "dev", "profile": "mixed", "gold": "Оскуола дьиэтэ 1947 сыл күһүнүгэр үлэҕэ киирбит, 4 кылаастаах начаалынай оскуолаҕа 77 оҕо үөрэнэр буолбут.", "noisy": "Оскуола дьиэтэ 1947 сыл кyьунугэр улэхэ киирбит, 4 кылаастаах начаалынай оскуолаха 77 ого уорэнэр буолбут.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2477, "split": "dev", "profile": "partial", "gold": "Саҥа үүнэр көлүөнэҕэ итинник өйү-санааны иҥэрэргэ кыһаныахтаахпыт.", "noisy": "Сана үүнэр көлүөнэгэ итинник өйү-санааны инэрэргэ кыһаныахтаахпыт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2478, "split": "dev", "profile": "clean", "gold": "Рома тиийэн ааны арыйбыта, аан туманы бүрүммүтүнэн оҕолоро уонна кэргэнэ Даша тураллара.", "noisy": "Рома тиийэн ааны арыйбыта, аан туманы бүрүммүтүнэн оҕолоро уонна кэргэнэ Даша тураллара.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2479, "split": "dev", "profile": "ru_fold", "gold": "Быйылгы быыбардарга урукку курдук бөдөҥ бырамыысыланнай, үп тэрилтэлэрэ мандаат ылаары киирсиэхтэрэ суоҕа диэн, хас да киһи бэлиэтээтэ.", "noisy": "Быйылгы быыбардарга урукку курдук бодон бырамыысыланнай, уп тэрилтэлэрэ мандаат ылаары киирсиэхтэрэ суога диэн, хас да киhи бэлиэтээтэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2480, "split": "dev", "profile": "leontiev", "gold": "Сорох дойдуларга бытархай өрүс кумаҕын оннугар гранит бытархайын куталлар.", "noisy": "Сорох дойдуларга бытархай ерус кумагын оннугар гранит бытархайын куталлар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2481, "split": "test", "profile": "digits", "gold": "А так \"Ойуун түүлүн\" өй-сүрэх мөккүөрүгэр киллэримммитим ыраатта.", "noisy": "А так \"Ойуун тyyлyн\" 8й-сyрэх м8ккy8рyгэр киллэримммитим ыраатта.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2482, "split": "dev", "profile": "mixed", "gold": "Бэрт айдааннаахтык, улахан туруорсуунан, быыбарынан эҥин \"көмөлөһүннэрэн\", уопсастыбаннас, төрөппүттэр бу үөрэх сылыгар куоракка сахалыы эбии кылаастар аһыллалларын ситиспиттэрэ.", "noisy": "Бэрт айдааннаахтык, улахан туруорсуунан, быыбарынан энин \"к8мол8ьуннэрэн\", уопсастыбаннас, т8р8ппуттэр бу уорэх сылыгар куоракка сахалыы эбии кылаастар асыллалларын ситиспиттэрэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2483, "split": "test", "profile": "partial", "gold": "Киһибит хос эбэтигэр уочараттаах хонугуттан кэлбитин кэннэ, эһэтэ Лэгиэн сыллаата уонна «һуу, бу оҕо бүтүннүү эмээхсин сыта буолбут дии» - диэбитигэр уола сирэйин, төбөтүн, бэйэтин тэбэн да тэбэн буолла.", "noisy": "Киһибит хос эбэтигэр уочараттаах хонугуттан кэлбитин кэннэ, эһэтэ Лэгиэн сыллаата уонна «һуу, бу ого бүтүннүү эмээхсин сыта буолбут дии» - диэбитигэр уола сирэйин, төбөтүн, бэйэтин тэбэн да тэбэн буолла.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2484, "split": "dev", "profile": "clean", "gold": "Күндү доҕорбут, уһун уугар сымнаҕастык утуй, төрөөбүт дойдуҥ буора сылаас, сымнаҕас буоллун.", "noisy": "Күндү доҕорбут, уһун уугар сымнаҕастык утуй, төрөөбүт дойдуҥ буора сылаас, сымнаҕас буоллун.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2485, "split": "dev", "profile": "ru_fold", "gold": "Курууппа кэпсээнин суолтата диэн кини саха былыргы үөрэҕин дириҥник билэригэр буолар.", "noisy": "Курууппа кэпсээнин суолтата диэн кини саха былыргы уорэгин диринник билэригэр буолар.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2486, "split": "dev", "profile": "leontiev", "gold": "Маргарита инники сырыыларыгар өрүс туруору сыырын сөхпүтүн этэр.", "noisy": "Маргарита инники сырыыларыгар ерус туруору сыырын сехпутун этэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2487, "split": "dev", "profile": "digits", "gold": "Кини Манчаарылыын бэркэ тапсан, санаалара кэлэн, ис-иһиттэн ирэ-хоро кэпсэтэллэрэ үһү.", "noisy": "Кини Манчаарылыын бэркэ тапсан, санаалара кэлэн, ис-иhиттэн ирэ-хоро кэпсэтэллэрэ yhy.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2488, "split": "test", "profile": "mixed", "gold": "- 1993 сыллаахха оскуола 100 сааһын көрсүүгэ оскуолаҕа саха саарына Кузьма Осипович Гаврилов аата иҥэриллибит.", "noisy": "- 1993 сыллаахха оскуола 100 сааьын к8рсyугэ оскуолага саха саарына Кузьма Осипович Гаврилов аата инэриллибит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2489, "split": "test", "profile": "partial", "gold": "Салгыы \"эн манна тур, мин билигин чуҥнаан кэлиэм\" диэн баран барбыт уонна били уурдарбыт сириттэн иитиилээх сааны илдьэ төннүбүт.", "noisy": "Салгыы \"эн манна тур, мин билигин чуннаан кэлиэм\" диэн баран барбыт уонна били уурдарбыт сириттэн иитиилээх сааны илдьэ төннүбүт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2490, "split": "dev", "profile": "clean", "gold": "Бириискэҕэ бииргэ сылдьыбыт киһитин кыыһын- Тыыллыма Ларионов Ньукулай-Чоокуллай Ньукулай икки хараҕа суох кыыһы аҕалан иитэн киһи оҥорбута.", "noisy": "Бириискэҕэ бииргэ сылдьыбыт киһитин кыыһын- Тыыллыма Ларионов Ньукулай-Чоокуллай Ньукулай икки хараҕа суох кыыһы аҕалан иитэн киһи оҥорбута.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2491, "split": "dev", "profile": "ru_fold", "gold": "Урут билиҥҥи курдук телевизор, компьютор суох этэ, электро уот да суоҕа.", "noisy": "Урут билинни курдук телевизор, компьютор суох этэ, электро уот да суога.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2492, "split": "test", "profile": "leontiev", "gold": "«Төрүт үгэскэ олоҕуран элбэх тэрээһини тэрийсибит» анал аат иҥэрилиннэ Рожина Надежда Федоровнаҕа.", "noisy": "«Терут угэскэ ологуран элбэх тэрээьини тэрийсибит» анал аат инэрилиннэ Рожина Надежда Федоровнага.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2493, "split": "dev", "profile": "digits", "gold": "Сыл-хонук аастаҕын аайы оскуола кэҥээн, сайдан, ону кытта аата эмиэ уларыйан испитэ: оҕо дьиэтэ, оскуолатааҕы оҕо дьиэтэ, куорат интэринээтэ.", "noisy": "Сыл-хонук ааста5ын аайы оскуола кэнээн, сайдан, ону кытта аата эмиэ уларыйан испитэ: о5о дьиэтэ, оскуолатаа5ы о5о дьиэтэ, куорат интэринээтэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2494, "split": "test", "profile": "mixed", "gold": "Бэйиэт эдэр ыччакка анаан өр, 40-ча сыл устата үлэлээбит.", "noisy": "Бэйиэт эдэр ыччакка анаан 8р, 40-ча сыл устата yлэлээбит.", "source": "sah.wikipedia:Дьячковскай Константин Николаевич - Туйаарыскай"}
{"id": 2495, "split": "test", "profile": "partial", "gold": "кыһын эбэтэр олунньу-кулун тутар 1991 с.", "noisy": "кыһын эбэтэр олунньу-кулун тутар 1991 с.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2496, "split": "test", "profile": "clean", "gold": "Баксаал иккис этээһигэр кэтэһэр саала, ийэ уонна оҕо, оҕолор оонньуур хосторо бааллар.", "noisy": "Баксаал иккис этээһигэр кэтэһэр саала, ийэ уонна оҕо, оҕолор оонньуур хосторо бааллар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2497, "split": "dev", "profile": "ru_fold", "gold": "Олоххо уларыйыылары, саҥаны, тупсарыыны киллэриини биир эмэ киһи, аҕыйахтар саҕалыыллар уонна ону элбэхтэр ылан, үтүктэн туһаналлара бары сайдыыны ситиһэллэригэр тириэрдэр.", "noisy": "Олоххо уларыйыылары, сананы, тупсарыыны киллэриини биир эмэ киhи, агыйахтар сагалыыллар уонна ону элбэхтэр ылан, утуктэн туhаналлара бары сайдыыны ситиhэллэригэр тириэрдэр.", "source": "sah.wikipedia:Элбэхтэр"}
{"id": 2498, "split": "dev", "profile": "leontiev", "gold": "Биһиги олоҥхоһуттарбыт кинигэлэрин таһаартарыыга хойутаабыппыт быһыытынан, ити түмүгү анкеталарга суруллубутунан эридиэстиибит.", "noisy": "Биьиги олонхоьуттарбыт кинигэлэрин таьаартарыыга хойутаабыппыт быьыытынан, ити тумугу анкеталарга суруллубутунан эридиэстиибит.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2499, "split": "test", "profile": "digits", "gold": "Тылы-өһү ырытабыт, сүбэлэһэбит, сороҕор мөккүһэбит даҕаны.", "noisy": "Тылы-8hy ырытабыт, сyбэлэhэбит, соро5ор м8ккyhэбит да5аны.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2500, "split": "dev", "profile": "mixed", "gold": "Ыҥырыллыбыт кэмигэр кэлбэтэҕинэ күрэхтэһииттэн уһуллар.", "noisy": "Ынгырыллыбыт кэмигэр кэлбэтэгинэ курэхтэьииттэн уьуллар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2501, "split": "dev", "profile": "partial", "gold": "Кини аймаҕа киһи сэрии саҕана ити Нева өрүс үрдүгэр кыргыһыыларга сураҕа суох сүтэн хаалбыт.", "noisy": "Кини аймага киһи сэрии сагана ити Нева өрүс үрдүгэр кыргыһыыларга сурага суох сүтэн хаалбыт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2502, "split": "dev", "profile": "clean", "gold": "Ону ол диэбэккэ, тууйаска бутугас өйүөлээх оттуур ходуһатын диэки сэгэйэ турара харахпар бу баар.", "noisy": "Ону ол диэбэккэ, тууйаска бутугас өйүөлээх оттуур ходуһатын диэки сэгэйэ турара харахпар бу баар.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2503, "split": "dev", "profile": "ru_fold", "gold": "Төһө да ырыаһытынан үлэлии сырыттар даҕаны, сирэ-уота, дьоно-сэргэтэ, оҕото-уруута тардан Буденнай аатынан колхозка көһөн тахсыбыт уонна араас үлэлэргэ туох баар күүһүн-уоҕун түмэн үлэлээбиитинэн барбыт.", "noisy": "Тоhо да ырыаhытынан улэлии сырыттар даганы, сирэ-уота, дьоно-сэргэтэ, огото-уруута тардан Буденнай аатынан колхозка коhон тахсыбыт уонна араас улэлэргэ туох баар кууhун-уогун тумэн улэлээбиитинэн барбыт.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2504, "split": "dev", "profile": "leontiev", "gold": "Сүһүрүү бастакы бэлиэтэ — буруо сытыттан киһи төбөтө ыалдьар.", "noisy": "Суьуруу бастакы бэлиэтэ — буруо сытыттан киьи тебете ыалдьар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2505, "split": "dev", "profile": "digits", "gold": "ыам ыйын 20 күнүгэр Хара нэһилиэгэр Тураахтаах алааһыгар төрүт уус дьиэ кэргэҥҥэ төрөөбүтэ.", "noisy": "ыам ыйын 20 кyнyгэр Хара нэhилиэгэр Тураахтаах алааhыгар т8рyт уус дьиэ кэргэннэ т8р88бyтэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2506, "split": "test", "profile": "mixed", "gold": "Дьиҥэр, Виктор сүрдээх сылбырҕа, онтун туһаммат буолта ыраатта.", "noisy": "Дьинэр, Виктор сyрдээх сылбырга, онтун туьаммат буолта ыраатта.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2507, "split": "dev", "profile": "partial", "gold": "Кини олохтоохтору кытта көрүстэ, балыыһа үлэтин-хамнаһын, материальнай-техническэй база, эмтиир тэриллэр туруктарын көрдө, үлэһиттэри кытта кэпсэттэ.", "noisy": "Кини олохтоохтору кытта көрүстэ, балыыһа үлэтин-хамнаһын, материальнай-техническэй база, эмтиир тэриллэр туруктарын көрдө, үлэһиттэри кытта кэпсэттэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2508, "split": "dev", "profile": "clean", "gold": "Кэлии дьон өссө да элбиэ, онно өй-санаа өттүнэн бэлэмэ суох олоробут.", "noisy": "Кэлии дьон өссө да элбиэ, онно өй-санаа өттүнэн бэлэмэ суох олоробут.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2509, "split": "test", "profile": "ru_fold", "gold": "— Уруулга арыгы иһэн баран олоруу туох содулга тиэрдиэн сөбүн туһунан туспа матырыйаал оҥоробут, ол да буоллар, кылгастык этэн аһарыаҥ дуо?", "noisy": "— Уруулга арыгы иhэн баран олоруу туох содулга тиэрдиэн собун туhунан туспа матырыйаал оноробут, ол да буоллар, кылгастык этэн аhарыан дуо?", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2510, "split": "dev", "profile": "leontiev", "gold": "«Үүнүү» табаарыстыбатыгар биир аты, биир биэни, биир ат оҕуһу холбоон чилиэнинэн бастакынан киирбит.", "noisy": "«Уунуу» табаарыстыбатыгар биир аты, биир биэни, биир ат огуьу холбоон чилиэнинэн бастакынан киирбит.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2511, "split": "test", "profile": "digits", "gold": "Онон күннээҕи эбээһинэстэртэн саҕалаан кыра эрдэхтэн эппиэтинэскэ үөрэммит эбиппит.", "noisy": "Онон кyннээ5и эбээhинэстэртэн са5алаан кыра эрдэхтэн эппиэтинэскэ y8рэммит эбиппит.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2512, "split": "dev", "profile": "mixed", "gold": "Көрдөөһүн кыһаныыны, хамсааһыны, ханнык эрэ үлэни оҥорууну биллэрэринэн туһалаах үлэни буларга көмөлөһөр.", "noisy": "К8рд8оhyн кысаныыны, хамсаасыны, ханнык эрэ улэни онорууну биллэрэринэн туьалаах улэни буларга комолоь8р.", "source": "sah.wikipedia:Көрдөбүл уонна ирдэбил"}
{"id": 2513, "split": "dev", "profile": "partial", "gold": "Бэлиэтээн этиэххэ наада, «АЛРОСА»ҕа 900 киһилээх эдэр испэсэлиистэр түмсүүлэрэ тэриллэн бэрт көхтөөхтүк үлэлиир.", "noisy": "Бэлиэтээн этиэххэ наада, «АЛРОСА»га 900 киһилээх эдэр испэсэлиистэр түмсүүлэрэ тэриллэн бэрт көхтөөхтүк үлэлиир.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2514, "split": "dev", "profile": "clean", "gold": "Порядинтан Манчаары Баһылай туһунан маннык кэпсээни суруммут: информант чугас аймаҕа \"Филипп Порядин, кэпсииллэринэн, ааттаах ырыаһыт, сэһэнньит, кэпсээнньит, олоҥхоһут бэрдэ.", "noisy": "Порядинтан Манчаары Баһылай туһунан маннык кэпсээни суруммут: информант чугас аймаҕа \"Филипп Порядин, кэпсииллэринэн, ааттаах ырыаһыт, сэһэнньит, кэпсээнньит, олоҥхоһут бэрдэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2515, "split": "test", "profile": "ru_fold", "gold": "Кинилэр дьүһүннэрэ миэхэ манныгы этэр: \"Чуваак, расизм диэн суох!", "noisy": "Кинилэр дьуhуннэрэ миэхэ манныгы этэр: \"Чуваак, расизм диэн суох!", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2516, "split": "test", "profile": "leontiev", "gold": "Сорох төрөппүт, хас ытаатаҕын аайы туран истэхпинэ, оннук албаһыран, болҕомто тарда сатыа диэн куттанар.", "noisy": "Сорох тереппут, хас ытаатагын аайы туран истэхпинэ, оннук албаьыран, болгомто тарда сатыа диэн куттанар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2517, "split": "test", "profile": "digits", "gold": "«Атын омук дьоно кэлэн, сахалары омук быһыытынан сыана быһалларыгар дьахтары да, оҕону да көрбөттөр.", "noisy": "«Атын омук дьоно кэлэн, сахалары омук быhыытынан сыана быhалларыгар дьахтары да, о5ону да к8рб8тт8р.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2518, "split": "test", "profile": "mixed", "gold": "Чаҕылхай артыыс Кыыс кыра эрдэҕиттэн олус бэркэ ыллыыра, үҥкүүлүүрэ.", "noisy": "Чахылхай артыыс Кыыс кыра эрдэхиттэн олус бэркэ ыллыыра, yнкyyлyурэ.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2519, "split": "dev", "profile": "partial", "gold": "Этэллэригэр дылы, дьон тэҥинэн сылдьыбыппыт, үөрэммиппит.", "noisy": "Этэллэригэр дылы, дьон тэнинэн сылдьыбыппыт, үөрэммиппит.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2520, "split": "dev", "profile": "clean", "gold": "Маргарита Федоровна Семенова диэн Сунтаар оройуонун Элгээйититтэн төрүттээх, 1975 сыллаахтан Питерга үөрэнэ баран олохсуйан хаалбыт саха дьахтара тиийээппин кытта төлөпүөнүнэн сибээстэспитэ.", "noisy": "Маргарита Федоровна Семенова диэн Сунтаар оройуонун Элгээйититтэн төрүттээх, 1975 сыллаахтан Питерга үөрэнэ баран олохсуйан хаалбыт саха дьахтара тиийээппин кытта төлөпүөнүнэн сибээстэспитэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2521, "split": "test", "profile": "ru_fold", "gold": "Төһө өр оннук олорбуппун билбэппин, арыый уоскуйаммын туран уоппун холбоотум.", "noisy": "Тоhо ор оннук олорбуппун билбэппин, арыый уоскуйаммын туран уоппун холбоотум.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2522, "split": "dev", "profile": "leontiev", "gold": "Тимир оҥоһуктарга эмиэ сыһыаннааҕа, саа уоһа түллүбүтүн кытары көннөрөрө.", "noisy": "Тимир оноьуктарга эмиэ сыьыаннаага, саа уоьа туллубутун кытары кеннерере.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2523, "split": "dev", "profile": "digits", "gold": "Эбээ эһээ лааҕыра оҕолор дьиэ кэргэн ытык үгэстэрин үөрэтэн төрөөбүт дойдуларыгар бэриниилээх буолан дьоһун дьон буолалларгар төһүү күүс буолар.", "noisy": "Эбээ эhээ лаа5ыра о5олор дьиэ кэргэн ытык yгэстэрин y8рэтэн т8р88бyт дойдуларыгар бэриниилээх буолан дьоhун дьон буолалларгар т8hyy кyyс буолар.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2524, "split": "dev", "profile": "mixed", "gold": "Сайаапканан улуус миэдиктэрэ өрүс уҥуордааҕы нэһилиэктэргэ тахсан үлэлээтилэр.", "noisy": "Сайаапканан улуус миэдиктэрэ 8рyс унуордаагы нэhилиэктэргэ тахсан улэлээтилэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2525, "split": "dev", "profile": "partial", "gold": "Нева өрүскэ Дубровка үрэх түһэр төрдүттэн уҥуоргу плацдарм буола сылдьыбыт сир ытыска уурбут курдук көстөр.", "noisy": "Нева өрүскэ Дубровка үрэх түһэр төрдүттэн унуоргу плацдарм буола сылдьыбыт сир ытыска уурбут курдук көстөр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2526, "split": "dev", "profile": "clean", "gold": "Онно араас халлаан үрдүгүн саҕа мастар бааллара.", "noisy": "Онно араас халлаан үрдүгүн саҕа мастар бааллара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2527, "split": "test", "profile": "ru_fold", "gold": "тиийэ судаарыстыбыннай өйөбүлгэ тиксиэхтэрин сөп.", "noisy": "тиийэ судаарыстыбыннай ойобулгэ тиксиэхтэрин соп.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2528, "split": "test", "profile": "leontiev", "gold": "ОГЭ быйыл икки сүрүн биридимэккэ (математика уонна нуучча тыла) ыытыллар.", "noisy": "ОГЭ быйыл икки сурун биридимэккэ (математика уонна нуучча тыла) ыытыллар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2529, "split": "dev", "profile": "digits", "gold": "Ол ойуун кыырарын тойуктары-силиктэри сүһэн ылар этим.", "noisy": "Ол ойуун кыырарын тойуктары-силиктэри сyhэн ылар этим.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2530, "split": "dev", "profile": "mixed", "gold": "Онно өлбүтүгэр учууталбыт Назаров Василий Васильевичтаах кыраһыын, кыра алаадьы бурдуга бэрсэн аҕабытын көмпүппүт.", "noisy": "Онно 8лбутугэр учууталбыт Назаров Василий Васильевичтаах кыраьыын, кыра алаадьы бурдуга бэрсэн ахабытын компуппyт.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2531, "split": "dev", "profile": "partial", "gold": "СР наукатын үтүөлээх деятелэ, СР культуратын туйгуна.", "noisy": "СР наукатын үтүөлээх деятелэ, СР культуратын туйгуна.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2532, "split": "test", "profile": "clean", "gold": "Үчүгэй дьыл туран, өрөспүүбүлүкэ үрдүнэн 2013 с.", "noisy": "Үчүгэй дьыл туран, өрөспүүбүлүкэ үрдүнэн 2013 с.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2533, "split": "test", "profile": "ru_fold", "gold": "Онон муусуканы оҕо эрдэхпиттэн сөбүлээн истэр этим уонна биир дойдулаахтарым курдук баяҥҥа оонньообут киһи диэн баҕа санаа баара.", "noisy": "Онон муусуканы ого эрдэхпиттэн собулээн истэр этим уонна биир дойдулаахтарым курдук баянна оонньообут киhи диэн бага санаа баара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2534, "split": "test", "profile": "leontiev", "gold": "— Төһө элбэх оҕолооххутуй, төлөбүрэ төһө буоларый?", "noisy": "— Теье элбэх оголооххутуй, телебурэ теье буоларый?", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2535, "split": "test", "profile": "digits", "gold": "Ол эрээри ытыыра-соҥуура элбээбитигэр Гиззатулла ойоҕун утары олордубута уонна ыйыппыта: – Чэ, билигин кырдьыгынан эт: эйигин убайым ойоҕо, абааһы кыыһа атаҕастыыр дуо?", "noisy": "Ол эрээри ытыыра-сонуура элбээбитигэр Гиззатулла ойо5ун утары олордубута уонна ыйыппыта: – Чэ, билигин кырдьыгынан эт: эйигин убайым ойо5о, абааhы кыыhа ата5астыыр дуо?", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2536, "split": "test", "profile": "mixed", "gold": "Сэрии кэнниттэн дойдуга уу суола сайдан барбыта, онон устар аалы күүскэ оҥоруу саҕаламмыта.", "noisy": "Сэрии кэнниттэн дойдуга уу суола сайдан барбыта, онон устар аалы кyускэ оноруу сахаламмыта.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2537, "split": "dev", "profile": "partial", "gold": "Ити выпускниктартан Үчүгэй орто оскуолатын 4 оҕо бүтэрбитин туһунан Полина Находкина-Победа иһитиннэрдэ: «Бастакы сиэним оскуоланы бүтэрэн, биһиги аймаҕы барыбытын долгутар түгэн үүннэ.", "noisy": "Ити выпускниктартан Үчүгэй орто оскуолатын 4 ого бүтэрбитин туһунан Полина Находкина-Победа иһитиннэрдэ: «Бастакы сиэним оскуоланы бүтэрэн, биһиги аймагы барыбытын долгутар түгэн үүннэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2538, "split": "dev", "profile": "clean", "gold": "Киинэ эйгэтин эппинэн-хааммынан аһардахпына, туох да куһаҕана суох буолуо этэ.", "noisy": "Киинэ эйгэтин эппинэн-хааммынан аһардахпына, туох да куһаҕана суох буолуо этэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2539, "split": "test", "profile": "ru_fold", "gold": "Быйыл «Якутоптторг» таһаҕаһын Депутатскай бөһүөлэгин урбаанньыта Тотраз Хадонов массыыналарынан тириэртэ.", "noisy": "Быйыл «Якутоптторг» таhагаhын Депутатскай боhуолэгин урбаанньыта Тотраз Хадонов массыыналарынан тириэртэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2540, "split": "test", "profile": "leontiev", "gold": "Онон оҕолор куораттааҕы, өрөспүүбүлүкэтээҕи куонкурустарга, бэстибээллэргэ ситиһиилээхтик кытталлар.", "noisy": "Онон оголор куораттаагы, ереспуубулукэтээги куонкурустарга, бэстибээллэргэ ситиьиилээхтик кытталлар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2541, "split": "dev", "profile": "digits", "gold": "Бу Хабырыыс Васильева Екатерина Гаврильевна диэн мин саҥаһым аҕата этэ.", "noisy": "Бу Хабырыыс Васильева Екатерина Гаврильевна диэн мин санаhым а5ата этэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2542, "split": "test", "profile": "mixed", "gold": "Араас таһымнаах күрэстэригэр судьуйалар эспиэр быһыытынан ыҥыраллар.", "noisy": "Араас тасымнаах кyрэстэригэр судьуйалар эспиэр быhыытынан ыныраллар.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2543, "split": "test", "profile": "partial", "gold": "Аччык аҥаардаах, аҥаара куһаҕан от аһылыктаах ынах сылга 2000 кг кэриҥэ үүтү биэрэр \"остуоруйа дойдута\" биһиэхэ эрэ баар быһыылаах.", "noisy": "Аччык анаардаах, анаара куһаган от аһылыктаах ынах сылга 2000 кг кэринэ үүтү биэрэр \"остуоруйа дойдута\" биһиэхэ эрэ баар быһыылаах.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2544, "split": "dev", "profile": "clean", "gold": "Билигин сайдыылаах дойдуларга демократия сокуоннара элбэхтэр өйдөрүн-санааларын тутуһаллар уонна этиллибит кэм иһинэн салайар былаас төрдүттэн уларыйарын ситиһэллэр.", "noisy": "Билигин сайдыылаах дойдуларга демократия сокуоннара элбэхтэр өйдөрүн-санааларын тутуһаллар уонна этиллибит кэм иһинэн салайар былаас төрдүттэн уларыйарын ситиһэллэр.", "source": "sah.wikipedia:Элбэхтэр"}
{"id": 2545, "split": "test", "profile": "ru_fold", "gold": "Онно хайдах эрэ сөбүлээбэккэ, \"ама, бокуонньук курдук остуол үрдүгэр сытыам дуо?\" диэн, таһырдьаттан киириигэ утары кыра хоско орон баарыгар таҥаспын көһөрөн утуйарга сананным.", "noisy": "Онно хайдах эрэ собулээбэккэ, \"ама, бокуонньук курдук остуол урдугэр сытыам дуо?\" диэн, таhырдьаттан киириигэ утары кыра хоско орон баарыгар танаспын коhорон утуйарга сананным.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2546, "split": "test", "profile": "leontiev", "gold": "Аһылыга өрүс түгэҕин үөннэрэ, кыра балыктар (күстэх, кыһыл харах) уонна балык искэҕэ.", "noisy": "Аьылыга ерус тугэгин уеннэрэ, кыра балыктар (кустэх, кыьыл харах) уонна балык искэгэ.", "source": "sah.wikipedia:Хатыыс"}
{"id": 2547, "split": "dev", "profile": "digits", "gold": "Амма нэһилиэгин аттынан уу таһыма 265 см тиийбит.", "noisy": "Амма нэhилиэгин аттынан уу таhыма 265 см тиийбит.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2548, "split": "dev", "profile": "mixed", "gold": "Мин 5 6 7 кылаастарга үөрэнэрбэр учебниктарга кини хоһоонноро баар курдук өйдүүбүн.", "noisy": "Мин 5 6 7 кылаастарга у8рэнэрбэр учебниктарга кини хоьоонноро баар курдук 8йдуyбун.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2549, "split": "dev", "profile": "partial", "gold": "Кэлбит дьон бука барыбытын хаһыы-ыһыы бөҕө буолан, саанан куттаан биир сиргэ мунньан баран, дьэҥдьийэ-дьэҥдьийэ дьиэҕэ киллэртээтилэр.", "noisy": "Кэлбит дьон бука барыбытын хаһыы-ыһыы бөгө буолан, саанан куттаан биир сиргэ мунньан баран, дьэндьийэ-дьэндьийэ дьиэгэ киллэртээтилэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2550, "split": "dev", "profile": "clean", "gold": "\"Ой!\" диэт, салгыы хаһыспахтаата, биир кумааҕыны ороон контролеругар уунаары гыммыта, пахай, эмиэ үс солкуобай.", "noisy": "\"Ой!\" диэт, салгыы хаһыспахтаата, биир кумааҕыны ороон контролеругар уунаары гыммыта, пахай, эмиэ үс солкуобай.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2551, "split": "test", "profile": "ru_fold", "gold": "Сайдыылаах баай омуктар, бэл, саҥа сир баайын арыйан баран, кэнники көлүөнэлэр туһаныахтара диэн сабан иһэллэр дии.", "noisy": "Сайдыылаах баай омуктар, бэл, сана сир баайын арыйан баран, кэнники колуонэлэр туhаныахтара диэн сабан иhэллэр дии.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2552, "split": "test", "profile": "leontiev", "gold": "Биллэн туран, улахан киһи билбитэ-көрбүтэ, аахпыта оҕоҕо тэҥнэммэт.", "noisy": "Биллэн туран, улахан киьи билбитэ-кербутэ, аахпыта огого тэннэммэт.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2553, "split": "dev", "profile": "digits", "gold": "Дьокуускайдааҕы ипподром кыһалҕата өссө да күөдьүйэ турар Бассаабынан “үс күн буолла, уута-уота суох олорбуппут” диэн АГАТУ территориятыгар турар көньүүһүнэ үлэһиттэрэ видео устан тарҕаттылар.", "noisy": "Дьокуускайдаа5ы ипподром кыhал5ата 8сс8 да кy8дьyйэ турар Бассаабынан “yс кyн буолла, уута-уота суох олорбуппут” диэн АГАТУ территориятыгар турар к8ньyyhyнэ yлэhиттэрэ видео устан тар5аттылар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2554, "split": "test", "profile": "mixed", "gold": "Дьэ, сэтинньиттэн оптуобустар сырыылара уларыйар диэн түрбүөн-түрүлүөн бөҕөтө.", "noisy": "Дьэ, сэтинньиттэн оптуобустар сырыылара уларыйар диэн тyрбy8н-турyлy8н богот8.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2555, "split": "dev", "profile": "partial", "gold": "Бэрт эрэйинэн балааккаларын тардыммыттарын кэннэ, оҕонньор өлөн хаалбыт.", "noisy": "Бэрт эрэйинэн балааккаларын тардыммыттарын кэннэ, огонньор өлөн хаалбыт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2556, "split": "test", "profile": "clean", "gold": "Барытын бэйэбит устуохтаахпыт, ким даҕаны көмөлөһүө суохтаах диэн санааны тутуһабыт.", "noisy": "Барытын бэйэбит устуохтаахпыт, ким даҕаны көмөлөһүө суохтаах диэн санааны тутуһабыт.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2557, "split": "test", "profile": "ru_fold", "gold": "Франкфурт аан дойду «альфа- города»ааҕыллар уонна коммерция, культура, үөрэх, туризм уонна транспорт узела буолар.", "noisy": "Франкфурт аан дойду «альфа- города»аагыллар уонна коммерция, культура, уорэх, туризм уонна транспорт узела буолар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2558, "split": "dev", "profile": "leontiev", "gold": "Ол аата, атыннык эттэххэ, оччолорго да биһиги дьоммут инники күөҥҥэ испиттэрэ кэрэһэлэнэр.", "noisy": "Ол аата, атыннык эттэххэ, оччолорго да биьиги дьоммут инники куеннэ испиттэрэ кэрэьэлэнэр.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2559, "split": "dev", "profile": "digits", "gold": "Бөлөрүүс эбэтэр кырата Синтай буолуохтаах - саха киһитин сүрүн ата.", "noisy": "Б8л8рyyс эбэтэр кырата Синтай буолуохтаах - саха киhитин сyрyн ата.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2560, "split": "dev", "profile": "mixed", "gold": "Бэрэсидьиэн Владимир Путин ыам ыйынааҕы ыйааҕар Арассыыйа үөрэх уопсай хаачыстыбатынан уон бастыҥ дойду кэккэтигэр киириэхтээх диэн кытаанах сыал-сорук туруорбута.", "noisy": "Бэрэсидьиэн Владимир Путин ыам ыйынаахы ыйаагар Арассыыйа уорэх уопсай хаачыстыбатынан уон бастынг дойду кэккэтигэр киириэхтээх диэн кытаанах сыал-сорук туруорбута.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2561, "split": "test", "profile": "partial", "gold": "Күннэ Игнатова ССРС саамай кырасыабай артыыстарын испииһэгэр 1 №-дээх турара.", "noisy": "Күннэ Игнатова ССРС саамай кырасыабай артыыстарын испииһэгэр 1 №-дээх турара.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2562, "split": "test", "profile": "clean", "gold": "Борокуратура бырачыас түһэрэн, суһал үлүгэрдик 5 хонук иһигэр быһаарыы ылыныллыбыта.", "noisy": "Борокуратура бырачыас түһэрэн, суһал үлүгэрдик 5 хонук иһигэр быһаарыы ылыныллыбыта.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2563, "split": "test", "profile": "ru_fold", "gold": "Англия Кинросс куоратын 51 саастаах олохтооҕо Ричард Скотт кимнээҕэр да уһуннук…", "noisy": "Англия Кинросс куоратын 51 саастаах олохтоого Ричард Скотт кимнээгэр да уhуннук…", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2564, "split": "dev", "profile": "leontiev", "gold": "Киһибит үөрэр, махтанар, илиитин чочоҥнотор.", "noisy": "Киьибит уерэр, махтанар, илиитин чочоннотор.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2565, "split": "dev", "profile": "digits", "gold": "— Манна испииһэккэ 589 киһи киирбитэ.Сарсыарда болдьоммут кэмҥэ 7 киһилээх быыбар хамыыһыһыйата үлэтин Россия гииминэн саҕалаабыта, — диэн иһитиннэрдэ нэһилиэк дьаһалтатыттан кылаабынай исписэлииһэ Ирина Иванова.", "noisy": "— Манна испииhэккэ 589 киhи киирбитэ.Сарсыарда болдьоммут кэмнэ 7 киhилээх быыбар хамыыhыhыйата yлэтин Россия гииминэн са5алаабыта, — диэн иhитиннэрдэ нэhилиэк дьаhалтатыттан кылаабынай исписэлииhэ Ирина Иванова.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2566, "split": "test", "profile": "mixed", "gold": "Соҕотуопка ситимэ суоҕун түмүгэр биһиги, үүннэрээччилэр, дохуоппут элбээбэтэ, хата, таҥнары түһэн, быйыл сааскы, сайыҥҥы, күһүҥҥү үлэбитин ыытар харчыта суох олоробут.", "noisy": "Со5отуопка ситимэ суохун тyмyгэр бисиги, yyннэрээччилэр, дохуоппут элбээбэтэ, хата, тангнары тyсэн, быйыл сааскы, сайынгны, кyсyнгну улэбитин ыытар харчыта суох олоробут.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2567, "split": "test", "profile": "partial", "gold": "Төрүт култуурабытын көрдөрөр олоҥхонон норуоттар икки ардыларынааҕы оонньууну саҕалаабыппыт кэрэхсэбиллээх.", "noisy": "Төрүт култуурабытын көрдөрөр олонхонон норуоттар икки ардыларынаагы оонньууну сагалаабыппыт кэрэхсэбиллээх.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2568, "split": "dev", "profile": "clean", "gold": "Биһигини бүрээт кыргыттара «ыраахтан кэлбиккит, тулуйан сылдьаҕыт, маладьыас дьоҥҥут» дииллэр.", "noisy": "Биһигини бүрээт кыргыттара «ыраахтан кэлбиккит, тулуйан сылдьаҕыт, маладьыас дьоҥҥут» дииллэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2569, "split": "dev", "profile": "ru_fold", "gold": "Холобур, ыал дьон, биллэн турар, оҕолорун-урууларын кытта бириэмэни атааралларын сөбүлүүллэр.", "noisy": "Холобур, ыал дьон, биллэн турар, оголорун-урууларын кытта бириэмэни атааралларын собулууллэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2570, "split": "dev", "profile": "leontiev", "gold": "Кини онон атыттардааҕар балачча сиһилии кэпсээбит.", "noisy": "Кини онон атыттардаагар балачча сиьилии кэпсээбит.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2571, "split": "test", "profile": "digits", "gold": "Улуус ТХУ-тыгар туһаайан: «Олохтоох табаары оҥорооччулар астарын-үөллэрин ырыынакка быһа таһааран, \"посредникка\" харчы халыйыытын тохтотор гына, батарыыга ылсан үлэлиэххитин наада\", — диир.", "noisy": "Улуус ТХУ-тыгар туhаайан: «Олохтоох табаары онорооччулар астарын-y8ллэрин ырыынакка быhа таhааран, \"посредникка\" харчы халыйыытын тохтотор гына, батарыыга ылсан yлэлиэххитин наада\", — диир.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2572, "split": "test", "profile": "mixed", "gold": "Омуктар Арассыыйаны утары хас да төгүллээн араас санкциялары биллэрдилэр.", "noisy": "Омуктар Арассыыйаны утары хас да тогуллээн араас санкциялары биллэрдилэр.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2573, "split": "dev", "profile": "partial", "gold": "Аһаҕас уруогу СӨ Наука уонна үөрэх, Сыыппара министиэристибэтин бэрэстэбиитэллэрэ ыытыахтара.", "noisy": "Аһагас уруогу СӨ Наука уонна үөрэх, Сыыппара министиэристибэтин бэрэстэбиитэллэрэ ыытыахтара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2574, "split": "dev", "profile": "clean", "gold": "Эдесса холобурун курдук быһыылар Илиҥҥэ үгүстүк көрсөллөр.", "noisy": "Эдесса холобурун курдук быһыылар Илиҥҥэ үгүстүк көрсөллөр.", "source": "sah.wikipedia:Христианство"}
{"id": 2575, "split": "test", "profile": "ru_fold", "gold": "Бүгүн, олунньу 19 күнүгэр, оонньуу буолуо 500 күн хаалбыт.", "noisy": "Бугун, олунньу 19 кунугэр, оонньуу буолуо 500 кун хаалбыт.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2576, "split": "dev", "profile": "leontiev", "gold": "Мөҥүрүөн нэһилиэгин биир биллэр олоҥхоһута Свинобоев Г.", "noisy": "Менуруен нэьилиэгин биир биллэр олонхоьута Свинобоев Г.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2577, "split": "dev", "profile": "digits", "gold": "Биһиги бэтэрээннэрбит бочуоттаах сынньалаҥҥа даҕаны быар куустан олорботтор.", "noisy": "Биhиги бэтэрээннэрбит бочуоттаах сынньаланна да5аны быар куустан олорботтор.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2578, "split": "dev", "profile": "mixed", "gold": "Бүөргэ, быарга, сүрэххэ, ноорго, үөскэ куһаҕаннык дьайар.", "noisy": "Буоргэ, быарга, сурэххэ, ноорго, y8скэ куhаханнык дьайар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2579, "split": "dev", "profile": "partial", "gold": "Попов Манчаары ырыаларын-тойуктарын түмэн аан тыллаах, хос быһаарыылардаах хомуурунньугу таһааттарбыт.", "noisy": "Попов Манчаары ырыаларын-тойуктарын түмэн аан тыллаах, хос быһаарыылардаах хомуурунньугу таһааттарбыт.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2580, "split": "dev", "profile": "clean", "gold": "Онон мин аҕалаах ийэм, ол киһи харса, туолката суох буолан, оҕобут хараҕа суох буолла диэн, хойукка дылы бэркэ хомойоллор этэ.", "noisy": "Онон мин аҕалаах ийэм, ол киһи харса, туолката суох буолан, оҕобут хараҕа суох буолла диэн, хойукка дылы бэркэ хомойоллор этэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2581, "split": "dev", "profile": "ru_fold", "gold": "Бу киһийдэх дьону өлөрбүтүн билиннэр да, ону буруйунан аахпат эбит.", "noisy": "Бу киhийдэх дьону олорбутун билиннэр да, ону буруйунан аахпат эбит.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2582, "split": "dev", "profile": "leontiev", "gold": "Күннүк Уурастыырап Дьаакыптан ырыатыттан-тойугуттан, олоҥхотуттан-кэпсээниттэн элбэхтик туһанар дииллэрин билэр дьоммутан өрүү истэрим.", "noisy": "Куннук Уурастыырап Дьаакыптан ырыатыттан-тойугуттан, олонхотуттан-кэпсээниттэн элбэхтик туьанар дииллэрин билэр дьоммутан еруу истэрим.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2583, "split": "dev", "profile": "digits", "gold": "Аҕа дойду Улуу сэриитигэр көхтөөх кыттыыларын туоһута буолан, гвардеецтар түөстэрин бойобуой мэтээллэр, знактар киэргэтэллэр, ол суостаах сыллары санаталлар, тохтубут хааннара таах хаалбатаҕын өйдөтөллөр.", "noisy": "А5а дойду Улуу сэриитигэр к8хт88х кыттыыларын туоhута буолан, гвардеецтар тy8стэрин бойобуой мэтээллэр, знактар киэргэтэллэр, ол суостаах сыллары санаталлар, тохтубут хааннара таах хаалбата5ын 8йд8т8лл8р.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2584, "split": "dev", "profile": "mixed", "gold": "Бэйэлэрин икки ардыларыгар олох чугас, наһаа истиҥ сыһыаннаахтара.", "noisy": "Бэйэлэрин икки ардыларыгар олох чугас, наьаа истинг сыhыаннаахтара.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2585, "split": "test", "profile": "partial", "gold": "— Үлэҕитин саҕалыыр-гытыгар хайдах сайдан барбыккытый?", "noisy": "— Үлэгитин сагалыыр-гытыгар хайдах сайдан барбыккытый?", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2586, "split": "dev", "profile": "clean", "gold": "Үчүгэйгэ ыччаттар уулуссаларын тротуардаатылар", "noisy": "Үчүгэйгэ ыччаттар уулуссаларын тротуардаатылар", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2587, "split": "dev", "profile": "ru_fold", "gold": "1936 сыллаахха номнуо харыйа оонньуурдарын оҥорор собуоттар аһыллыбыттара.", "noisy": "1936 сыллаахха номнуо харыйа оонньуурдарын онорор собуоттар аhыллыбыттара.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2588, "split": "test", "profile": "leontiev", "gold": "Ойуун сиэр-туом оҥорор кэмигэр, балаҕаны тула сэлэ тарданнар кыыс энньэтигэр аҕалбыт сүөһүтүн баайдылар.", "noisy": "Ойуун сиэр-туом онорор кэмигэр, балаганы тула сэлэ тарданнар кыыс энньэтигэр агалбыт суеьутун баайдылар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2589, "split": "dev", "profile": "digits", "gold": "Бэҕэһээ биир уолум быратыас атахтаах сылдьарын көрөн, үөрдэхпиин!", "noisy": "Бэ5эhээ биир уолум быратыас атахтаах сылдьарын к8р8н, y8рдэхпиин!", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2590, "split": "test", "profile": "mixed", "gold": "Бэйэбит даҕаны үөрэнэн хаалбыппыт быһыылаах, буолуохтааҕын курдук саныы-саныы, быар куустан олорон айанныыбыт.", "noisy": "Бэйэбит даганы y8рэнэн хаалбыппыт бысыылаах, буолуохтаа5ын курдук саныы-саныы, быар куустан олорон айанныыбыт.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2591, "split": "test", "profile": "partial", "gold": "Иванова Г.Н., Дегтярева С.А., Винокурова Л.К., Готовцева Р.А., Дойдум эмтээх үүнээйилэрэ.", "noisy": "Иванова Г.Н., Дегтярева С.А., Винокурова Л.К., Готовцева Р.А., Дойдум эмтээх үүнээйилэрэ.", "source": "sah.wikipedia:Кииhилэ"}
{"id": 2592, "split": "test", "profile": "clean", "gold": "Ол эрээри, биһиги дьылҕабыт уопсастыбаҕа бэлитиичэскэй утарыта туруу, экэниэмикэни садаҕалааһын суолунан барбыта.", "noisy": "Ол эрээри, биһиги дьылҕабыт уопсастыбаҕа бэлитиичэскэй утарыта туруу, экэниэмикэни садаҕалааһын суолунан барбыта.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2593, "split": "dev", "profile": "ru_fold", "gold": "Сахалыы да туойдаҕына, олус чуор куолаһынан киһи этин сааһа аһыллар гына, ол быыһыгар намыыннык, намчытык киһи санаатын чэпчэтэр гына, Айыыһыты алгыырдыы, Иэйэхсити ыҥырардыы ыллаан дьырылатар ырыаһыт эбит\".", "noisy": "Сахалыы да туойдагына, олус чуор куолаhынан киhи этин сааhа аhыллар гына, ол быыhыгар намыыннык, намчытык киhи санаатын чэпчэтэр гына, Айыыhыты алгыырдыы, Иэйэхсити ынырардыы ыллаан дьырылатар ырыаhыт эбит\".", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2594, "split": "test", "profile": "leontiev", "gold": "Эһэтэ массыына саппаас чааһын ыла булуус хоспоҕор баран кэлбитигэр арай уола «кук-куук» диэн эһэтин соһуппут.", "noisy": "Эьэтэ массыына саппаас чааьын ыла булуус хоспогор баран кэлбитигэр арай уола «кук-куук» диэн эьэтин соьуппут.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2595, "split": "test", "profile": "digits", "gold": "Оттон биһиги сорукпут – бары усулуобуйаны хааччыйыы, талааннарын уонна дьоҕурдарын сайыннаралларыгар өйөбүл буолуу.", "noisy": "Оттон биhиги сорукпут – бары усулуобуйаны хааччыйыы, талааннарын уонна дьо5урдарын сайыннаралларыгар 8й8бyл буолуу.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2596, "split": "dev", "profile": "mixed", "gold": "Сүрэх бастаан үөскүүрүн курдук, Сир Сүрэҕэ үөскүөҕүттэн сахалар манна баарбыт.", "noisy": "Сурэх бастаан yоскуурун курдук, Сир Сурэхэ уоскyогуттэн сахалар манна баарбыт.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2597, "split": "test", "profile": "partial", "gold": "Билигин 20 дьиэҕэ алтынньы 1 күнүгэр диэри туруоран киллэриэхтээхпит.", "noisy": "Билигин 20 дьиэгэ алтынньы 1 күнүгэр диэри туруоран киллэриэхтээхпит.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2598, "split": "dev", "profile": "clean", "gold": "Арай биирдэ сайын биир ыалдьыбыт киһиэхэ, көрдөспүттэрэ бэрдиттэн, кистээн баран кыыраары тиийбитим.", "noisy": "Арай биирдэ сайын биир ыалдьыбыт киһиэхэ, көрдөспүттэрэ бэрдиттэн, кистээн баран кыыраары тиийбитим.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2599, "split": "test", "profile": "ru_fold", "gold": "Эрдэттэн болдьоһон, тыйаатырга көрсөн кэпсэттибит.", "noisy": "Эрдэттэн болдьоhон, тыйаатырга корсон кэпсэттибит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2600, "split": "test", "profile": "leontiev", "gold": "Бүгүн Саха сирин доруобуйа харыстабылын миниистирэ Лена Афанасьева «Дьокуускай куорат 3 №- дээх балыыһата» тэрилтэ үлэтэ уһун бырааһынньык күннэригэр хайдах үлэлии турарын бэрэбиэркэлээтэ.", "noisy": "Бугун Саха сирин доруобуйа харыстабылын миниистирэ Лена Афанасьева «Дьокуускай куорат 3 №- дээх балыыьата» тэрилтэ улэтэ уьун бырааьынньык куннэригэр хайдах улэлии турарын бэрэбиэркэлээтэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2601, "split": "test", "profile": "digits", "gold": "Ону чинчийиигэ, дьаһал ылыыга үлэ баран испитин саппыттара, саахаллаах эһиилэр сирдэрин ситэ чөлүгэр түһэрэр кыаллыбата.", "noisy": "Ону чинчийиигэ, дьаhал ылыыга yлэ баран испитин саппыттара, саахаллаах эhиилэр сирдэрин ситэ ч8лyгэр тyhэрэр кыаллыбата.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2602, "split": "test", "profile": "mixed", "gold": "Айылҕаны таптыыр, харыстыыр киһи өйдүүн-санаалыын, майгылыын-сигилилиин сырдык, ыраас, көнө буолар.", "noisy": "Айылханы таптыыр, харыстыыр киhи 8йдуун-санаалыын, майгылыын-сигилилиин сырдык, ыраас, к8но буолар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2603, "split": "test", "profile": "partial", "gold": "Сахаҕа былыр-былыргыттан иччи, сибиэн, абааһы диэн өйдөбүллэри истэ улааппыт дьоммут.", "noisy": "Сахага былыр-былыргыттан иччи, сибиэн, абааһы диэн өйдөбүллэри истэ улааппыт дьоммут.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2604, "split": "dev", "profile": "clean", "gold": "дылы дириэктэри ноуукаҕа солбуйааччынан үлэлээбитэ, 1992 с.", "noisy": "дылы дириэктэри ноуукаҕа солбуйааччынан үлэлээбитэ, 1992 с.", "source": "sah.wikipedia:Оконешников Егор Иннокентьевич"}
{"id": 2605, "split": "test", "profile": "ru_fold", "gold": "Арай араастаһыы учуоттаныан сөп — нолуок төлөнүүтүгэр.", "noisy": "Арай араастаhыы учуоттаныан соп — нолуок толонуутугэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2606, "split": "dev", "profile": "leontiev", "gold": "\"Бүгүн туох да үлүннэриитэ суох историческай күн.", "noisy": "\"Бугун туох да улуннэриитэ суох историческай кун.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2607, "split": "dev", "profile": "digits", "gold": "Саха итэҕэлигэр от сүрүн тардар күн — Бикипиэдьийэ — СИА — Сахалыы сонуннар От ыйын 12 күнэ.", "noisy": "Саха итэ5элигэр от сyрyн тардар кyн — Бикипиэдьийэ — СИА — Сахалыы сонуннар От ыйын 12 кyнэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2608, "split": "dev", "profile": "mixed", "gold": "Леонтьевы, Федорованы кытта түспүт хаартыскатыгар кинини кытта кэккэлии Н.", "noisy": "Леонтьевы, Федорованы кытта туспут хаартыскатыгар кинини кытта кэккэлии Н.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2609, "split": "dev", "profile": "partial", "gold": "Майгыта сымнаҕас баҕайы быһыылаах эбит, миигин атаахтатарын эрэ билэбин.", "noisy": "Майгыта сымнагас багайы быһыылаах эбит, миигин атаахтатарын эрэ билэбин.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2610, "split": "test", "profile": "clean", "gold": "Ону таһынан сахалар аатырбыт бөҕөскө илиилэрин көтөҕүөхтэрин аньыыргыыллара эмиэ баар.", "noisy": "Ону таһынан сахалар аатырбыт бөҕөскө илиилэрин көтөҕүөхтэрин аньыыргыыллара эмиэ баар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2611, "split": "dev", "profile": "ru_fold", "gold": "Ракушкаҕа муора тыаһа суугунаан иһиллэрин сөхпүттэрэ аҕай.", "noisy": "Ракушкага муора тыаhа суугунаан иhиллэрин сохпуттэрэ агай.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2612, "split": "dev", "profile": "leontiev", "gold": "Сүрэхтэрин бааһын таарыйдарбын да, баары суруйар баҕаттан бастакы санааларын, үлэлэрин-хамнастарын сурастым.", "noisy": "Сурэхтэрин бааьын таарыйдарбын да, баары суруйар багаттан бастакы санааларын, улэлэрин-хамнастарын сурастым.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2613, "split": "dev", "profile": "digits", "gold": "Үлэни баһылааһын “Нэми билэн туттунуу” диэн үөрэҕи олохтообут.", "noisy": "Yлэни баhылааhын “Нэми билэн туттунуу” диэн y8рэ5и олохтообут.", "source": "sah.wikipedia:Өй-санаа аһара барара элбэх"}
{"id": 2614, "split": "test", "profile": "mixed", "gold": "Эр дьон өр батарыта көрсөн турбуттара, сибилигин утарыта ыстанан тоҥ сири тоҕута тэпсэн дуолан охсуһуу буолуох курдуга.", "noisy": "Эр дьон 8р батарыта к8рс8н турбуттара, сибилигин утарыта ыстанан тон сири тогута тэпсэн дуолан охсуhуу буолуох курдуга.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2615, "split": "dev", "profile": "partial", "gold": "Бу үтүөкэн холобур батыһааччылардаах буолуоҕа диэн эрэнэбит уонна ахсынньы 5–15 кк.", "noisy": "Бу үтүөкэн холобур батыһааччылардаах буолуога диэн эрэнэбит уонна ахсынньы 5–15 кк.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2616, "split": "dev", "profile": "clean", "gold": "Дьиэ ис-тас дизайнын дьиэлээхтэр бэйэлэрин илиилэринэн оҥорбут оҥоһуктарынан уоттаан-күөстээн киэргэппиттэр.", "noisy": "Дьиэ ис-тас дизайнын дьиэлээхтэр бэйэлэрин илиилэринэн оҥорбут оҥоһуктарынан уоттаан-күөстээн киэргэппиттэр.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2617, "split": "dev", "profile": "ru_fold", "gold": "суумаҕа араас эмп-томп эрдэттэн хаһааныллыбыт.", "noisy": "суумага араас эмп-томп эрдэттэн хаhааныллыбыт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2618, "split": "test", "profile": "leontiev", "gold": "Түүнүн кыраадыс 0, +5°, хотугулуу-илин, хотугулуу-арҕаа -2–7 °, соҕуруулуу-арҕаа +5+10°, күнүс +10+15°, соҕуруу, соҕуруулуу-арҕаа +18+23°, хоту +5+10°, хотугулуу-арҕаа, хотугулуу-илин 0, +5° буолуо диэн иһитиннэрэллэр.", "noisy": "Туунун кыраадыс 0, +5°, хотугулуу-илин, хотугулуу-аргаа -2–7 °, согуруулуу-аргаа +5+10°, кунус +10+15°, согуруу, согуруулуу-аргаа +18+23°, хоту +5+10°, хотугулуу-аргаа, хотугулуу-илин 0, +5° буолуо диэн иьитиннэрэллэр.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2619, "split": "dev", "profile": "digits", "gold": "Оонньуу хаамыытынан көрөн оонньууну хайысхаҕа наардааһыны ыытыы.", "noisy": "Оонньуу хаамыытынан к8р8н оонньууну хайысха5а наардааhыны ыытыы.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2620, "split": "dev", "profile": "mixed", "gold": "Ньурбалар быйылгы ыһыахтара саха норуотун чулуу уолун, сахаттан дойду үрдүкү салалтатыгар бастакынан үлэлээбит-хамсаабыт, ССРС ыарахан промышленноһын төрүттэспит Степан ВАСИЛЬЕВ үбүлүөйүн көрсө тэрилиннэ.", "noisy": "Ньурбалар быйылгы ыhыахтара саха норуотун чулуу уолун, сахаттан дойду урдукy салалтатыгар бастакынан yлэлээбит-хамсаабыт, ССРС ыарахан промышленносын торуттэспит Степан ВАСИЛЬЕВ убулy8йун корсо тэрилиннэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2621, "split": "dev", "profile": "partial", "gold": "«Доруобуйа туһугар – доруобай аһы аһыаҕын» эт, үүт астары оҥоруутун, кымыс оҥоһуллуутун көрүөхтэрэ.", "noisy": "«Доруобуйа туһугар – доруобай аһы аһыагын» эт, үүт астары оноруутун, кымыс оноһуллуутун көрүөхтэрэ.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2622, "split": "test", "profile": "clean", "gold": "Лэгиэн уол кыыһыгар өссө армияҕа сылдьан сурук суруйсубут буолан олох эрэллээхтик атаакалыыра.", "noisy": "Лэгиэн уол кыыһыгар өссө армияҕа сылдьан сурук суруйсубут буолан олох эрэллээхтик атаакалыыра.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2623, "split": "test", "profile": "ru_fold", "gold": "Онтон үлэбинэн сүүрэ-көтө барабын, улууһум баһылыгын куораттааҕы \" илиитэ-атаҕа\" буоллаҕым дии.", "noisy": "Онтон улэбинэн суурэ-кото барабын, улууhум баhылыгын куораттаагы \" илиитэ-атага\" буоллагым дии.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2624, "split": "dev", "profile": "leontiev", "gold": "Ахсынньы 9 — Тымныы сэрии: АХШ атомнай буомбатын оҥорбут Манхэттэн бырайыагын кистэлэҥнэрин Сэбиэскэй Сойууска арыйарга көмөлөспүт Гарри Голд 30 сыллаах түрмэ хаайыытыгар ууруллубут.", "noisy": "Ахсынньы 9 — Тымныы сэрии: АХШ атомнай буомбатын онорбут Манхэттэн бырайыагын кистэлэннэрин Сэбиэскэй Сойууска арыйарга кемелеспут Гарри Голд 30 сыллаах турмэ хаайыытыгар ууруллубут.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2625, "split": "dev", "profile": "digits", "gold": "ХИФУ сүрүн куорпуһугар нэдиэлэ устата этиллибэтэх санаалар хоруопката турда.", "noisy": "ХИФУ сyрyн куорпуhугар нэдиэлэ устата этиллибэтэх санаалар хоруопката турда.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2626, "split": "test", "profile": "mixed", "gold": "Маҥнайгы бытыылка уонна сокуону кэһии — Аан маҥнай хаһан ылсыбыккыный?", "noisy": "Мангнайгы бытыылка уонна сокуону кэьии — Аан мангнай хаhан ылсыбыккыный?", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2627, "split": "test", "profile": "partial", "gold": "Сиэннэри кытта Чурапчыга эрдэ көһөн кэлэрэ.", "noisy": "Сиэннэри кытта Чурапчыга эрдэ көһөн кэлэрэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2628, "split": "dev", "profile": "clean", "gold": "Дьиэҕэр-уоккар наадалаах малы-салы атыыластаххына, өр туһалыа.", "noisy": "Дьиэҕэр-уоккар наадалаах малы-салы атыыластаххына, өр туһалыа.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2629, "split": "dev", "profile": "ru_fold", "gold": "Өссө 1995, 1998 сыллардаахха, ыраах Ааппычча үрэҕэр оттуу сылдьаммын, Ыгыатта арҕаа салаатыгар - Өрөгүчэй үрэҕэр балыктаһа тахса сылдьыбытым.", "noisy": "Оссо 1995, 1998 сыллардаахха, ыраах Ааппычча урэгэр оттуу сылдьаммын, Ыгыатта аргаа салаатыгар - Орогучэй урэгэр балыктаhа тахса сылдьыбытым.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2630, "split": "test", "profile": "leontiev", "gold": "Мин математика учууталынан оскуолаҕа 35 сыл үлэлээн кэллим, бэйэм икки оҕолоохпун.", "noisy": "Мин математика учууталынан оскуолага 35 сыл улэлээн кэллим, бэйэм икки оголоохпун.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2631, "split": "dev", "profile": "digits", "gold": "Ол аата, сотору хайаан да үчүгэй кэм кэлиэҕэ!", "noisy": "Ол аата, сотору хайаан да yчyгэй кэм кэлиэ5э!", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2632, "split": "test", "profile": "mixed", "gold": "Онон тырааныспар бу көрүҥүн туһанаргытыгар сүбэлиибин.", "noisy": "Онон тырааныспар бу корунyн тусанаргытыгар сyбэлиибин.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2633, "split": "test", "profile": "partial", "gold": "Уопсастыба сайдыытын саҥалыы, демократическай төрүккэ олоҕуран салайыыны модьуйбуттара.", "noisy": "Уопсастыба сайдыытын саналыы, демократическай төрүккэ ологуран салайыыны модьуйбуттара.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2634, "split": "dev", "profile": "clean", "gold": "Сарыал, түһэр сирэ кэллэ бадахтаах, аан диэки барда.", "noisy": "Сарыал, түһэр сирэ кэллэ бадахтаах, аан диэки барда.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2635, "split": "test", "profile": "ru_fold", "gold": "Уһуллар оҕолору талбыппыт, үксэ билэр оҕолорбутун ыҥыртаан, бастакы сериябытын кулун тутар ыйтан устан саҕалаабыппыт.", "noisy": "Уhуллар оголору талбыппыт, уксэ билэр оголорбутун ыныртаан, бастакы сериябытын кулун тутар ыйтан устан сагалаабыппыт.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2636, "split": "dev", "profile": "leontiev", "gold": "Икки кыыс үөрэхтэрин кыһыл дипломунан бүтэрбиттэрэ.", "noisy": "Икки кыыс уерэхтэрин кыьыл дипломунан бутэрбиттэрэ.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2637, "split": "test", "profile": "digits", "gold": "Мааны ыалдьытым кэпсээнэ-ипсээнэ сүрдээх, онтун быыһыгар тэбис-тэҥҥэ үлэлиэх-хамсыах курдук туттар.", "noisy": "Мааны ыалдьытым кэпсээнэ-ипсээнэ сyрдээх, онтун быыhыгар тэбис-тэннэ yлэлиэх-хамсыах курдук туттар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2638, "split": "test", "profile": "mixed", "gold": "— Байыаннай эпэрээссийэҕэ кытта сылдьар оҕолоох төрөппүттэр кэмитиэттэригэр баарбын.", "noisy": "— Байыаннай эпэрээссийэгэ кытта сылдьар оголоох т8р8ппyттэр кэмитиэттэригэр баарбын.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2639, "split": "dev", "profile": "partial", "gold": "Саҥа дьиэ туттан, социальнай гаастааһыны туһанныбыт диэн ыал ийэтэ Галина Кириллова үөрэн кэпсиир.", "noisy": "Сана дьиэ туттан, социальнай гаастааһыны туһанныбыт диэн ыал ийэтэ Галина Кириллова үөрэн кэпсиир.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2640, "split": "dev", "profile": "clean", "gold": "Чугас ааһар Айаннаах, Дуудар, Олгуйдаах, ыраах баар Ахтараҥда, Аламдьаак, Ыгыатта, Моркуоку, Марха үрэхтэри-өрүстэри сыыйбыттара.", "noisy": "Чугас ааһар Айаннаах, Дуудар, Олгуйдаах, ыраах баар Ахтараҥда, Аламдьаак, Ыгыатта, Моркуоку, Марха үрэхтэри-өрүстэри сыыйбыттара.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2641, "split": "dev", "profile": "ru_fold", "gold": "Элбэх оҕолоох аҕалары дойдуларыгар төнүннэриэххэ сөп дуо диэн ыйытан билистэ.", "noisy": "Элбэх оголоох агалары дойдуларыгар тонуннэриэххэ соп дуо диэн ыйытан билистэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2642, "split": "test", "profile": "leontiev", "gold": "тиийэ көмө харчыга тиксиэхтэрин сөп – толору уһуллубут социальнай суолталаах киинэлэр, итиэннэ оҕолорго анаммыт хартыыналар, 50 мөл.", "noisy": "тиийэ кеме харчыга тиксиэхтэрин сеп – толору уьуллубут социальнай суолталаах киинэлэр, итиэннэ оголорго анаммыт хартыыналар, 50 мел.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2643, "split": "dev", "profile": "digits", "gold": "Тылдьыт Саха АССР норуотун хаһаайыстыбатын бочуоттаах үлэһитэ уонна Өлүөхүмэ улууһун бастакы Бочуоттаах олохтооҕо Ефрем Иванович Кузьмин тус архыыбыттан бэриллибит.", "noisy": "Тылдьыт Саха АССР норуотун хаhаайыстыбатын бочуоттаах yлэhитэ уонна 8лy8хyмэ улууhун бастакы Бочуоттаах олохтоо5о Ефрем Иванович Кузьмин тус архыыбыттан бэриллибит.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2644, "split": "test", "profile": "mixed", "gold": "«Сахабазальт» сөптөөх хайысханы тутуһар Олунньу 11 күнүгэр Егор Жирков салайар \"Сахабазальт\" тэрилтэтэ Ил Дархан махтал суругун тутта.", "noisy": "«Сахабазальт» с8пт8ох хайысханы тутусар Олунньу 11 кyнугэр Егор Жирков салайар \"Сахабазальт\" тэрилтэтэ Ил Дархан махтал суругун тутта.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2645, "split": "test", "profile": "partial", "gold": "Оҕолорго ыытыллар тэрээһиннэртэн туора турбат, артыыспыт буолар.", "noisy": "Оголорго ыытыллар тэрээһиннэртэн туора турбат, артыыспыт буолар.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2646, "split": "dev", "profile": "clean", "gold": "Ону сэргэ эрэгийиэннээҕи анал бырагыраама нөҥүө предпринимателлэри бөҕү таһыыга көҕүлээһин, нэһилиэнньэни кытары үлэ туһунан кэпсэттилэр.", "noisy": "Ону сэргэ эрэгийиэннээҕи анал бырагыраама нөҥүө предпринимателлэри бөҕү таһыыга көҕүлээһин, нэһилиэнньэни кытары үлэ туһунан кэпсэттилэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2647, "split": "test", "profile": "ru_fold", "gold": "Бу сураҕы истээт, мин куоракка киирэн аймахтарын көрсөн кичэйэн ыйыталаһарга, кэпсэтэргэ былааннанным.", "noisy": "Бу сурагы истээт, мин куоракка киирэн аймахтарын корсон кичэйэн ыйыталаhарга, кэпсэтэргэ былааннанным.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2648, "split": "dev", "profile": "leontiev", "gold": "Онуоха дойдутугар сороҕор алгыстаах отоһут быһыытынан эмиэ дьарыгырар буолан, Ырыа Кириискэ махтанан сөбүлэспит.", "noisy": "Онуоха дойдутугар сорогор алгыстаах отоьут быьыытынан эмиэ дьарыгырар буолан, Ырыа Кириискэ махтанан себулэспит.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2649, "split": "dev", "profile": "digits", "gold": "Киниттэн элбэҕи билбитэ-көрбүтэ уонна сүбэлэппитэ.", "noisy": "Киниттэн элбэ5и билбитэ-к8рбyтэ уонна сyбэлэппитэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2650, "split": "test", "profile": "mixed", "gold": "1936 сыллаахха кыыстара Күннэй төрүүр (сорох сиргэ 1934 сылга диэн суруллар) «Эдэр ыал хайдах-туох олорбуттарын туһунан убайбыт тугу да кэпсээбэт этэ», – диэн ахтыбыт аймаҕа Н.Н.Алексеев («Боһуут кулуба» кинигэ).", "noisy": "1936 сыллаахха кыыстара Куннэй торyyр (сорох сиргэ 1934 сылга диэн суруллар) «Эдэр ыал хайдах-туох олорбуттарын туhунан убайбыт тугу да кэпсээбэт этэ», – диэн ахтыбыт айма5а Н.Н.Алексеев («Боhуут кулуба» кинигэ).", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2651, "split": "dev", "profile": "partial", "gold": "Производство уонна хонтуора саамай хамнастаах, добуочча бириэмийэлээх үлэтин сытыы-хотуу кэлии дьон үлүмнэһэн ылбыттара ыраатта.", "noisy": "Производство уонна хонтуора саамай хамнастаах, добуочча бириэмийэлээх үлэтин сытыы-хотуу кэлии дьон үлүмнэһэн ылбыттара ыраатта.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2652, "split": "dev", "profile": "clean", "gold": "Оччолорго алын кылаастарга баһаатайдыырым, оскуола ыытар бары тэрээһиннэригэр, уус-уран самодеятельноска көхтөөхтүк кыттарым, ол иһин ыыттахтара буолуо.", "noisy": "Оччолорго алын кылаастарга баһаатайдыырым, оскуола ыытар бары тэрээһиннэригэр, уус-уран самодеятельноска көхтөөхтүк кыттарым, ол иһин ыыттахтара буолуо.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2653, "split": "dev", "profile": "ru_fold", "gold": "Күннээх Кавказ күп-күөҕэр “Кыым” бу иннинээҕи нүөмэрдэригэр Руслан Баишев Хотугу Кавказка сырыытын туһунан аахпыт буолуохтааххыт.", "noisy": "Куннээх Кавказ куп-куогэр “Кыым” бу иннинээги нуомэрдэригэр Руслан Баишев Хотугу Кавказка сырыытын туhунан аахпыт буолуохтааххыт.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2654, "split": "test", "profile": "leontiev", "gold": "Гиззатулла бу туруулаһыы уһуннук барбатын өйдүүр.", "noisy": "Гиззатулла бу туруулаьыы уьуннук барбатын ейдуур.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2655, "split": "dev", "profile": "digits", "gold": "Бэҕэһээ улуус оскуолаларын уонна уһуйааннарын төрөппүттэригэр, бэрэссэдээтэллэригэр, Аҕа сүбэтин салайааччыларыгар анаан мунньах тэрилиннэ.", "noisy": "Бэ5эhээ улуус оскуолаларын уонна уhуйааннарын т8р8ппyттэригэр, бэрэссэдээтэллэригэр, А5а сyбэтин салайааччыларыгар анаан мунньах тэрилиннэ.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2656, "split": "dev", "profile": "mixed", "gold": "Дьиҥнээх сахалыы тыыннаах, кэскиллээх биһиги тыйаатырбыт “Олоҥхо тыйаатыра буолуохтаах.", "noisy": "Дьингнээх сахалыы тыыннаах, кэскиллээх биьиги тыйаатырбыт “Олонхо тыйаатыра буолуохтаах.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2657, "split": "test", "profile": "partial", "gold": "Төһө кыалларынан \"сүүрэ\" сатыыбын, эдэр киһи харчыга наадыйар буоллаҕым.", "noisy": "Төһө кыалларынан \"сүүрэ\" сатыыбын, эдэр киһи харчыга наадыйар буоллагым.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2658, "split": "test", "profile": "clean", "gold": "Эмчиттэр «Сайдам\" норуот айымньытын дьиэтигэр анал дьайыы уолаттарын чугас дьонун кытта көрсүһэн, бэсиэдэлэһэн, арчыланыыттан саҕаланна.", "noisy": "Эмчиттэр «Сайдам\" норуот айымньытын дьиэтигэр анал дьайыы уолаттарын чугас дьонун кытта көрсүһэн, бэсиэдэлэһэн, арчыланыыттан саҕаланна.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2659, "split": "dev", "profile": "ru_fold", "gold": "Оттон кэргэнэ Даша арахсыы тиэмэтин биллэр төрүөтүнэн көтөхпүтэ эбээт.", "noisy": "Оттон кэргэнэ Даша арахсыы тиэмэтин биллэр торуотунэн котохпутэ эбээт.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2660, "split": "dev", "profile": "leontiev", "gold": "Дьарыкка үрдүк ирдэбиллээх, сүрэҕэлдьиири сөбүлээбэт этэ.", "noisy": "Дьарыкка урдук ирдэбиллээх, сурэгэлдьиири себулээбэт этэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2661, "split": "test", "profile": "digits", "gold": "Энэргиэтиктэр үлэлээн бүтэрэ илик төлөбүрдэрин эрдэттэн төлөттөрө сатыы сылдьаллар.", "noisy": "Энэргиэтиктэр yлэлээн бyтэрэ илик т8л8бyрдэрин эрдэттэн т8л8тт8р8 сатыы сылдьаллар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2662, "split": "dev", "profile": "mixed", "gold": "Түһэҕэр көтөҕөн олорон Соломуон Муударай, биэс ынахтаах Бэйбэрэкээн эмээхсин, дуулаҕа бухатыырдар тустарынан кэпсиирэ, ардыгар аргыый аҕайдык тойуктуура, олоҥхолуура.", "noisy": "Тyсэхэр кот858н олорон Соломуон Муударай, биэс ынахтаах Бэйбэрэкээн эмээхсин, дуулага бухатыырдар тустарынан кэпсиирэ, ардыгар аргыый ахайдык тойуктуура, олонгхолуура.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2663, "split": "dev", "profile": "partial", "gold": "Ол туһунан олунньу 5 күнүгэр Бэс Күөлүгэр буолан ааспыт бырабыыталыстыба бэрэссэдээтэлин солбуйааччыта Ольга Балабкина салайааччылаах бөлөх бырабыыталыстыба отчуотугар тиийэ сырыттаҕына иһитиннэрдилэр.", "noisy": "Ол туһунан олунньу 5 күнүгэр Бэс Күөлүгэр буолан ааспыт бырабыыталыстыба бэрэссэдээтэлин солбуйааччыта Ольга Балабкина салайааччылаах бөлөх бырабыыталыстыба отчуотугар тиийэ сырыттагына иһитиннэрдилэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2664, "split": "test", "profile": "clean", "gold": "Биһиги дойдубут Украинаны ускайдыы олорор арҕааҕҥы дойдулартан өр кэмҥэ эйэлээх кэпсэтиинэн сүбэ быһыытынан быһаарсары, ыллыктаах толкуйу бииргэ тобулары күүппүтэ даҕаны, хайата да кыаллыбата.", "noisy": "Биһиги дойдубут Украинаны ускайдыы олорор арҕааҕҥы дойдулартан өр кэмҥэ эйэлээх кэпсэтиинэн сүбэ быһыытынан быһаарсары, ыллыктаах толкуйу бииргэ тобулары күүппүтэ даҕаны, хайата да кыаллыбата.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2665, "split": "dev", "profile": "ru_fold", "gold": "Саха сиринээҕи Киин быыбардыыр хамыыһыйа иһитиннэрэринэн, быйыл 61 быыбар хампаанньата ыытыллыахтаах.", "noisy": "Саха сиринээги Киин быыбардыыр хамыыhыйа иhитиннэрэринэн, быйыл 61 быыбар хампаанньата ыытыллыахтаах.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2666, "split": "test", "profile": "leontiev", "gold": "Тыа хаһаайыстыбатыгар төһөнү оҥорорбутун, хайдах турукка киирэрбитин билбэккэ олоробут.", "noisy": "Тыа хаьаайыстыбатыгар теьену онорорбутун, хайдах турукка киирэрбитин билбэккэ олоробут.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2667, "split": "test", "profile": "digits", "gold": "Сыбаайба массыыналарыттан быһаҕастарыгар диэри быган, туран айанныыллар.", "noisy": "Сыбаайба массыыналарыттан быhа5астарыгар диэри быган, туран айанныыллар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2668, "split": "test", "profile": "mixed", "gold": "Кини кыайыыта, биһиэхэ, сахаларга, уонна айар бөлөххө туох туһалаах буолуон сөбүй диэн сүбэлэһиэххэ сөп.", "noisy": "Кини кыайыыта, биhиэхэ, сахаларга, уонна айар б8л8хх8 туох тусалаах буолуон с8буй диэн субэлэьиэххэ соп.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2669, "split": "dev", "profile": "partial", "gold": "Былырыын \"Аман өс\" күрэҕэр улууска олоҥхоҕо кыттаммын бастакы миэстэни ылбытым.", "noisy": "Былырыын \"Аман өс\" күрэгэр улууска олонхого кыттаммын бастакы миэстэни ылбытым.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2670, "split": "test", "profile": "clean", "gold": "Үп-харчы көмөтө – хас биирдии үлэһиткэ 12 130 солк.", "noisy": "Үп-харчы көмөтө – хас биирдии үлэһиткэ 12 130 солк.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2671, "split": "dev", "profile": "ru_fold", "gold": "Дьүлэй Бүөкээн чабырҕахтарыгар бэйэтин кэмин биллиилээх дьонун, аатырбыт сүүрүк аттары уо.", "noisy": "Дьулэй Буокээн чабыргахтарыгар бэйэтин кэмин биллиилээх дьонун, аатырбыт суурук аттары уо.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2672, "split": "test", "profile": "leontiev", "gold": "1965—1985 сс потребительскай кооперацияҕа үлэлээн бочуоттаах сынньалаҥҥа тахсыбыта.", "noisy": "1965—1985 сс потребительскай кооперацияга улэлээн бочуоттаах сынньаланна тахсыбыта.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2673, "split": "dev", "profile": "digits", "gold": "Ол тоҕото, мин саныахпар, бастатан туран, нэһилиэк дьонугар-сэргэтигэр тирэнэр.", "noisy": "Ол то5ото, мин саныахпар, бастатан туран, нэhилиэк дьонугар-сэргэтигэр тирэнэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2674, "split": "dev", "profile": "mixed", "gold": "Птицына эмиэ туһалаах иһитиннэриини оҥордо.", "noisy": "Птицына эмиэ туьалаах иhитиннэриини онордо.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2675, "split": "dev", "profile": "partial", "gold": "кыһын улахан кимэн киирии буолуохтааҕын ньиэмэстэр билбиттэрэ уонна Марьино дэриэбинэ туһаайыытыттан сэрииһиттэрин «Невскэй пятачокка» аҕалбыттара.", "noisy": "кыһын улахан кимэн киирии буолуохтаагын ньиэмэстэр билбиттэрэ уонна Марьино дэриэбинэ туһаайыытыттан сэрииһиттэрин «Невскэй пятачокка» агалбыттара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2676, "split": "dev", "profile": "clean", "gold": "Бэйэ-бэйэлэрин үтүктэр, батыһар күүстэрэ кинилэри биир сир диэки баралларыгар тириэрдэр.", "noisy": "Бэйэ-бэйэлэрин үтүктэр, батыһар күүстэрэ кинилэри биир сир диэки баралларыгар тириэрдэр.", "source": "sah.wikipedia:Элбэхтэр"}
{"id": 2677, "split": "test", "profile": "ru_fold", "gold": "Аһаан кимиритэ түһэн баран, дэкэрээссийэтин-тойун бэлэмнэһэ кулуупка элэстэннэ.", "noisy": "Аhаан кимиритэ туhэн баран, дэкэрээссийэтин-тойун бэлэмнэhэ кулуупка элэстэннэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2678, "split": "dev", "profile": "leontiev", "gold": "\"Кини уон оҕолооҕо, олортон Егор уонна Петр диэн уолаттара олоҥхолууллара эбитэ үһү.", "noisy": "\"Кини уон оголоого, олортон Егор уонна Петр диэн уолаттара олонхолууллара эбитэ уьу.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2679, "split": "test", "profile": "digits", "gold": "Оһох оттоору оҥостубуппар аны чыыппаан тыыра оҕуста.", "noisy": "Оhох оттоору оностубуппар аны чыыппаан тыыра о5уста.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2680, "split": "test", "profile": "mixed", "gold": "Сааскы ыһыы бүппүтүн бэлиэтээн ыытыллар.", "noisy": "Сааскы ыьыы бyппутун бэлиэтээн ыытыллар.", "source": "sah.wikipedia:Башкортостаан бэлиэ күннэрэ"}
{"id": 2681, "split": "dev", "profile": "partial", "gold": "Макаров ити үөһээ ахтыллыбыт үлэтигэр биир биллэр информаторын быһыытынан М.", "noisy": "Макаров ити үөһээ ахтыллыбыт үлэтигэр биир биллэр информаторын быһыытынан М.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2682, "split": "dev", "profile": "clean", "gold": "Ол да буоллар мэлдьи үөрэ-көтө көрсөллөр.", "noisy": "Ол да буоллар мэлдьи үөрэ-көтө көрсөллөр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2683, "split": "dev", "profile": "ru_fold", "gold": "—Михаил Дмитриевич, түмүккэр спорт үлэһиттэригэр уонна спорду сэҥээрээччи­лэргэ туһаайан тугу этэрдээххин?", "noisy": "—Михаил Дмитриевич, тумуккэр спорт улэhиттэригэр уонна спорду сэнээрээччи­лэргэ туhаайан тугу этэрдээххин?", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2684, "split": "test", "profile": "leontiev", "gold": "Силиһэ уонна сиэмэтэ ис ыарыытыгар туһалаах.", "noisy": "Силиьэ уонна сиэмэтэ ис ыарыытыгар туьалаах.", "source": "sah.wikipedia:Кииhилэ"}
{"id": 2685, "split": "dev", "profile": "digits", "gold": "Күһүнүгэр Афанасьевтары көрдүү Сүлдьүкээртэн Семен Данилов, Михаил Саввинов кэлбиттэрэ.", "noisy": "Кyhyнyгэр Афанасьевтары к8рдyy Сyлдьyкээртэн Семен Данилов, Михаил Саввинов кэлбиттэрэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2686, "split": "test", "profile": "mixed", "gold": "Саҥа сиргэ кэлээт, бастакы түүнүгэр аанньа утуйбатаҕа: «Муннуктан биир дьээдьэ тахсар», — диэн соһуталаабыта.", "noisy": "Санга сиргэ кэлээт, бастакы туyнyгэр аанньа утуйбатаха: «Муннуктан биир дьээдьэ тахсар», — диэн соьуталаабыта.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2687, "split": "test", "profile": "partial", "gold": "Шишигин аатынан Сатаҕай орто оскуолатыгар харыс даҕаны сири халбаҥнаабакка 45 сыл устата биир оскуолаҕа олус таһаарыылаахтык, эҥкилэ суох үтүө суобастаахтык үлэлээн кэллэ.", "noisy": "Шишигин аатынан Сатагай орто оскуолатыгар харыс даганы сири халбаннаабакка 45 сыл устата биир оскуолага олус таһаарыылаахтык, энкилэ суох үтүө суобастаахтык үлэлээн кэллэ.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2688, "split": "dev", "profile": "clean", "gold": "Холбоһуу түмүгэр салайар аппарат 43 киһиттэн 27 киһиэхэ диэри кыччаабыта, экономия 50 тыһ.", "noisy": "Холбоһуу түмүгэр салайар аппарат 43 киһиттэн 27 киһиэхэ диэри кыччаабыта, экономия 50 тыһ.", "source": "sah.wikipedia:Саха АССР Үөрэх, доруобуйа харыстабылын уонна социальнай хааччыйыы наркомата"}
{"id": 2689, "split": "test", "profile": "ru_fold", "gold": "Сахаларга даҕаны, хоту омуктарыгар даҕаны дьахтарга сыһыан үгүс нуучча бааһынайдарынааҕар ордук.", "noisy": "Сахаларга даганы, хоту омуктарыгар даганы дьахтарга сыhыан угус нуучча бааhынайдарынаагар ордук.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2690, "split": "dev", "profile": "leontiev", "gold": "Инньэ гынан базаларыгар табаарыһынаан Николай Павловтыын бур-бур буруо таһааран үлэлээн барбыттар.", "noisy": "Инньэ гынан базаларыгар табаарыьынаан Николай Павловтыын бур-бур буруо таьааран улэлээн барбыттар.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2691, "split": "dev", "profile": "digits", "gold": "Эһэбит доруобуйата сэнэх эрдэҕинэ, күнүнэн сылдьан колхоз үлэтинэн балыктааһыҥҥа арыыга тыынан туораансатыы сылдьаахтыыр эбит, аанньа өйүөтэ суох, аччык аҥардаах…", "noisy": "Эhэбит доруобуйата сэнэх эрдэ5инэ, кyнyнэн сылдьан колхоз yлэтинэн балыктааhынна арыыга тыынан туораансатыы сылдьаахтыыр эбит, аанньа 8йy8тэ суох, аччык анардаах…", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2692, "split": "dev", "profile": "mixed", "gold": "Быйыл Арассыыйа үрдүнэн “Педагог уонна уһуйааччы” сыла.", "noisy": "Быйыл Арассыыйа урдyнэн “Педагог уонна усуйааччы” сыла.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2693, "split": "test", "profile": "partial", "gold": "Кыайыы уонна Учуутал сылларыгар анаммыт улахан тэрээһин иһинэн Ленин болуоссатыгар, Өксөкүлээх Киинигэр кэнсиэр арааһа буолла.", "noisy": "Кыайыы уонна Учуутал сылларыгар анаммыт улахан тэрээһин иһинэн Ленин болуоссатыгар, Өксөкүлээх Киинигэр кэнсиэр арааһа буолла.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2694, "split": "dev", "profile": "clean", "gold": "Быһаарыллыбытынан, уол кэбиниэккэ дириэктэр суоҕун көрөн, төлөпүөнүн сойботон тахсыбыт.", "noisy": "Быһаарыллыбытынан, уол кэбиниэккэ дириэктэр суоҕун көрөн, төлөпүөнүн сойботон тахсыбыт.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2695, "split": "test", "profile": "ru_fold", "gold": "*** «Чаанньыктаах уу өөр да өр сойор» уонна «чаанньыктаах уу өөр да өр сойбот» диэн суолталара биир ээ.", "noisy": "*** «Чаанньыктаах уу оор да ор сойор» уонна «чаанньыктаах уу оор да ор сойбот» диэн суолталара биир ээ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2696, "split": "test", "profile": "leontiev", "gold": "Кэлин илэ көрсөн баран, интэриэспит өссө күүһүрбүтэ.", "noisy": "Кэлин илэ керсен баран, интэриэспит ессе кууьурбутэ.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2697, "split": "test", "profile": "digits", "gold": "Быйыл уонтан тахса оҕо түмсүүтэ кыттан, онтон үс бастыҥ бырайыак талыллыбыта.", "noisy": "Быйыл уонтан тахса о5о тyмсyyтэ кыттан, онтон yс бастын бырайыак талыллыбыта.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2698, "split": "dev", "profile": "mixed", "gold": "Истиэххин баҕардаххына, Дьаакып олоҥхото маннык этэ диэн обургу быһа тардыыны, бэрдин диэн баҕайытык, ыллаан доллоһуппута.", "noisy": "Истиэххин багардаххына, Дьаакып олонхото маннык этэ диэн обургу быhа тардыыны, бэрдин диэн бахайытык, ыллаан доллосуппута.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2699, "split": "dev", "profile": "partial", "gold": "Оннук эрэ түгэҥҥэ балаһыанньаттан тахсыаххыт.", "noisy": "Оннук эрэ түгэннэ балаһыанньаттан тахсыаххыт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2700, "split": "test", "profile": "clean", "gold": "Азия оҕуруотчуттара үрдүк үүнүүнү ылаары, куорат иигин-сааҕын хото туһанан үүннэрэри кэрэйбэттэр.", "noisy": "Азия оҕуруотчуттара үрдүк үүнүүнү ылаары, куорат иигин-сааҕын хото туһанан үүннэрэри кэрэйбэттэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2701, "split": "test", "profile": "ru_fold", "gold": "Оттон олохтоох оҥорон таһаарыы 70 %-нын бэлэмниир кэтэх хаһаайыстыбалаахтар ассоциациялара суох.", "noisy": "Оттон олохтоох онорон таhаарыы 70 %-нын бэлэмниир кэтэх хаhаайыстыбалаахтар ассоциациялара суох.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2702, "split": "dev", "profile": "leontiev", "gold": "Кинилэр Сиэр Биэ диэн сиргэ Сурдургуур Бүөтүргэ көрүстэхтэринэ түүннэри-күнүстэри олоҥхолууллара эбитэ\".", "noisy": "Кинилэр Сиэр Биэ диэн сиргэ Сурдургуур Буетургэ керустэхтэринэ тууннэри-кунустэри олонхолууллара эбитэ\".", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2703, "split": "dev", "profile": "digits", "gold": "Ону тэҥэ, өрөспүүбүлүкэҕэ элбэх оҕолоох дьиэ кэргэттэр ахсааннара элбээн иһэр.", "noisy": "Ону тэнэ, 8р8спyyбyлyкэ5э элбэх о5олоох дьиэ кэргэттэр ахсааннара элбээн иhэр.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2704, "split": "dev", "profile": "mixed", "gold": "Горькай аатынан ССРС НА Литература аан дойдутааҕы институтугар үлэлээбитэ.", "noisy": "Горькай аатынан ССРС НА Литература аан дойдутаа5ы институтугар улэлээбитэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2705, "split": "dev", "profile": "partial", "gold": "Кыракый үнүгэстэр түргэнник улаатаннар, кыараҕаһыргатар буолбуттара.", "noisy": "Кыракый үнүгэстэр түргэнник улаатаннар, кыарагаһыргатар буолбуттара.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2706, "split": "test", "profile": "clean", "gold": "Сэрии диэн хаһан да буолбатын, куруук үрдүбүтүгэр эйэлээх халлаан, күлүмүрдэс үрүҥ күн тыга туруохтун диэн кырдьаҕас киһи быһыытынан алгыспын аныыбын!", "noisy": "Сэрии диэн хаһан да буолбатын, куруук үрдүбүтүгэр эйэлээх халлаан, күлүмүрдэс үрүҥ күн тыга туруохтун диэн кырдьаҕас киһи быһыытынан алгыспын аныыбын!", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2707, "split": "test", "profile": "ru_fold", "gold": "Бета-тестирования кэмигэр онньу сыаната 25% көҕөрэтэ уонна 14,95 евро буолбута.", "noisy": "Бета-тестирования кэмигэр онньу сыаната 25% когорэтэ уонна 14,95 евро буолбута.", "source": "sah.wikipedia:Minecraft"}
{"id": 2708, "split": "dev", "profile": "leontiev", "gold": "Чурапчы оройуонун Кытаанах нэһилиэгиттэн, соҕотох ийэ оҕото үөрэхпэр үчүгэй буоламмын, сынньана барбытым.", "noisy": "Чурапчы оройуонун Кытаанах нэьилиэгиттэн, соготох ийэ огото уерэхпэр учугэй буоламмын, сынньана барбытым.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2709, "split": "dev", "profile": "digits", "gold": "Кыра убайым «Айылҕаҕа сымыыт курдук минньигэс ас суох», – диир буолара.", "noisy": "Кыра убайым «Айыл5а5а сымыыт курдук минньигэс ас суох», – диир буолара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2710, "split": "dev", "profile": "mixed", "gold": "Ол гынан баран, олимпиеһы бэлэмнээн таһаарыы, Олимпиаданы кыайыы диэн – букатын туспа таһым.", "noisy": "Ол гынан баран, олимпиеьы бэлэмнээн тасаарыы, Олимпиаданы кыайыы диэн – букатын туспа тасым.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2711, "split": "test", "profile": "partial", "gold": "25.11.22 21:50 Ил Түмэн дьокутааттара сийиэс дэлэгээттэрин кытта көрүстүлэр 23.11.22 17:09 Национальнай бибилэтиэкэлэр оруолларын учуонайдар…", "noisy": "25.11.22 21:50 Ил Түмэн дьокутааттара сийиэс дэлэгээттэрин кытта көрүстүлэр 23.11.22 17:09 Национальнай бибилэтиэкэлэр оруолларын учуонайдар…", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2712, "split": "dev", "profile": "clean", "gold": "Оскуола оҕото бары күргүөмүнэн бу оонньууга тахсара.", "noisy": "Оскуола оҕото бары күргүөмүнэн бу оонньууга тахсара.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2713, "split": "dev", "profile": "ru_fold", "gold": "Биһиги ортобутугар күннэтэ үтүө дьыаланы оҥоро сылдьар уонна ол туһунан кэпсэнэ сылдьыбат дьон элбэх.", "noisy": "Биhиги ортобутугар куннэтэ утуо дьыаланы оноро сылдьар уонна ол туhунан кэпсэнэ сылдьыбат дьон элбэх.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2714, "split": "dev", "profile": "leontiev", "gold": "РСФСР доруобуйатын харыстабылын наркома Семашко бэйэтинэн эмиэ бу дьаһалы сөбүлээбэтэҕин туһунан хаста да биллэрэ сылдьыбыта.", "noisy": "РСФСР доруобуйатын харыстабылын наркома Семашко бэйэтинэн эмиэ бу дьаьалы себулээбэтэгин туьунан хаста да биллэрэ сылдьыбыта.", "source": "sah.wikipedia:Саха АССР Үөрэх, доруобуйа харыстабылын уонна социальнай хааччыйыы наркомата"}
{"id": 2715, "split": "dev", "profile": "digits", "gold": "Социальнай эбийиэктэри — саҥа оскуоланы, оҕо саадтарын — тутуу ханнык эмэ маҕаһыыны дуу, ырыынагы да тутууттан бытааннык быһаарыллар дьыала.", "noisy": "Социальнай эбийиэктэри — сана оскуоланы, о5о саадтарын — тутуу ханнык эмэ ма5аhыыны дуу, ырыынагы да тутууттан бытааннык быhаарыллар дьыала.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2716, "split": "dev", "profile": "mixed", "gold": "Дьэ, ити курдук үлэлээн-хамсаан, олус түбүктээх үлэлэрин түмүгэ хайдаҕый диир эбит буоллахха, интэринээт иитиллээччилэрэ бэрээдэги кэһиилэрэ суоҕун тэҥэ.", "noisy": "Дьэ, ити курдук yлэлээн-хамсаан, олус тyбyктээх улэлэрин тyмyгэ хайдахый диир эбит буоллахха, интэринээт иитиллээччилэрэ бэрээдэги кэhиилэрэ суохун тэнгэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2717, "split": "test", "profile": "partial", "gold": "Тыа ыалын быһыытынан, оскуола сылларыттан сибиинньэ, ынах сүөһү, куурусса, хаас тутарбыт, оҕуруот аһын арааһын үүннэрэрбит.", "noisy": "Тыа ыалын быһыытынан, оскуола сылларыттан сибиинньэ, ынах сүөһү, куурусса, хаас тутарбыт, огуруот аһын арааһын үүннэрэрбит.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2718, "split": "dev", "profile": "clean", "gold": "Тоҕо эрэ арахсаат да Рома Светаҕа барар санаата суоҕа.", "noisy": "Тоҕо эрэ арахсаат да Рома Светаҕа барар санаата суоҕа.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2719, "split": "test", "profile": "ru_fold", "gold": "Соҕурууттан ыытыллыбыт үчүгэйдик сэбилэммит кыһыллары кытары сэриилэһэр сүрдээх ыарахана.", "noisy": "Согурууттан ыытыллыбыт учугэйдик сэбилэммит кыhыллары кытары сэриилэhэр сурдээх ыарахана.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2720, "split": "dev", "profile": "leontiev", "gold": "Улахан куоракка олорор, биэнсийэлээх дьоҥҥо ол – улахан көмө.", "noisy": "Улахан куоракка олорор, биэнсийэлээх дьонно ол – улахан кеме.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2721, "split": "dev", "profile": "digits", "gold": "Бэҕэһээ Арассыыйа бэрэсидьиэнэ Владимир Путин эрэгийиэн баһылыктарын кытта мунньахтаабыта.", "noisy": "Бэ5эhээ Арассыыйа бэрэсидьиэнэ Владимир Путин эрэгийиэн баhылыктарын кытта мунньахтаабыта.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2722, "split": "dev", "profile": "mixed", "gold": "харатаала - 22 августа 2017 г., 12:11 Холобура: Быйаҥ диэни фамилия оҥостор бырааптааххыт, Элигиэт, Күрүлгэн, Саргыда, саатар Кутуйах,..", "noisy": "харатаала - 22 августа 2017 г., 12:11 Холобура: Быйанг диэни фамилия оностор бырааптааххыт, Элигиэт, Курyлгэн, Саргыда, саатар Кутуйах,..", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2723, "split": "dev", "profile": "partial", "gold": "Онон бу дьиэ кэргэн нэһилиэккэ үөрэҕирии сайдыытыгар сүҥкэннээх оруоллаах.", "noisy": "Онон бу дьиэ кэргэн нэһилиэккэ үөрэгирии сайдыытыгар сүнкэннээх оруоллаах.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2724, "split": "dev", "profile": "clean", "gold": "Халлаан Хабырыыс Харыйалаахха нэһилиэк күрүөтүнэн остуолба төбөтүнэн сүүрэр эбит.", "noisy": "Халлаан Хабырыыс Харыйалаахха нэһилиэк күрүөтүнэн остуолба төбөтүнэн сүүрэр эбит.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2725, "split": "dev", "profile": "ru_fold", "gold": "Урут саха киһитэ ыалга кэллэҕинэ омуннаан эттэххэ уонча мүнүүтэ устата тэбэнэн, көхсүн этитэн баран ааны аһан:\"Ыаллар, туох кэпсээннээххит?\"- диэн киирэрин саастаах дьон бары билэн эрдэҕэ.", "noisy": "Урут саха киhитэ ыалга кэллэгинэ омуннаан эттэххэ уонча мунуутэ устата тэбэнэн, кохсун этитэн баран ааны аhан:\"Ыаллар, туох кэпсээннээххит?\"- диэн киирэрин саастаах дьон бары билэн эрдэгэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2726, "split": "test", "profile": "leontiev", "gold": "Ил Дархан Айсен Николаев бары наука үлэһиттэрин профессиональнай бырааһынньыктарынан, Россия наукатын күнүнэн истиҥник эҕэрдэлээтэ.", "noisy": "Ил Дархан Айсен Николаев бары наука улэьиттэрин профессиональнай бырааьынньыктарынан, Россия наукатын кунунэн истинник эгэрдэлээтэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2727, "split": "test", "profile": "digits", "gold": "Маннык тэрилтэлэргэ көмөлөһөргө ыйан туран Россия Президенэ Владимир Путин сорудах биэрдэ.", "noisy": "Маннык тэрилтэлэргэ к8м8л8h8рг8 ыйан туран Россия Президенэ Владимир Путин сорудах биэрдэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2728, "split": "dev", "profile": "mixed", "gold": "Ол да буоллар бултан арахсыахпын баҕарбатаҕым.", "noisy": "Ол да буоллар бултан арахсыахпын бахарбатахым.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2729, "split": "dev", "profile": "partial", "gold": "Номоххо кэпсэнэринэн, улуу ырыаһыт Айыы кыыһын уонна Айыы бухатыырын ыллатан дьүрүһүттэҕинэ, ыскаап иһинээҕи таас иһит, долбуурга ууруллубут араас тимир иһит өрө эккирээн лынкыныы, дьырылыы олорбуттар.", "noisy": "Номоххо кэпсэнэринэн, улуу ырыаһыт Айыы кыыһын уонна Айыы бухатыырын ыллатан дьүрүһүттэгинэ, ыскаап иһинээги таас иһит, долбуурга ууруллубут араас тимир иһит өрө эккирээн лынкыныы, дьырылыы олорбуттар.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2730, "split": "test", "profile": "clean", "gold": "Аттынааҕы дьиэбитигэр сиэннэрбит, хос сиэммит бааллар да, көрсүбэппит.", "noisy": "Аттынааҕы дьиэбитигэр сиэннэрбит, хос сиэммит бааллар да, көрсүбэппит.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2731, "split": "dev", "profile": "ru_fold", "gold": "Уруогун билбэтэҕинэ кэтэҕин тарбана үөрэнэн хаалбыт уол эппиэттии туран илиитинэн сапсына мээрик буолара оҕолорго күлүүнү эрэ үөскэтэр.", "noisy": "Уруогун билбэтэгинэ кэтэгин тарбана уорэнэн хаалбыт уол эппиэттии туран илиитинэн сапсына мээрик буолара оголорго кулууну эрэ уоскэтэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2732, "split": "test", "profile": "leontiev", "gold": "Оҕолорум улахан сыанаҕа дьоһуннаахтык кытыннылар диэн астынным.", "noisy": "Оголорум улахан сыанага дьоьуннаахтык кытыннылар диэн астынным.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2733, "split": "dev", "profile": "digits", "gold": "усталарын тухары «Невскэй пятачокка» олохторун толук уурбут сэрииһиттэр туһата суохха, таах сибиэ өлбүт буолбатахтар.", "noisy": "усталарын тухары «Невскэй пятачокка» олохторун толук уурбут сэрииhиттэр туhата суохха, таах сибиэ 8лбyт буолбатахтар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2734, "split": "dev", "profile": "mixed", "gold": "Улахан уола, биһиги аҕабыт, оскуоланы хаалларан колхозка киирэр, ийэтигэр тирэх, өйөбүл буоллаҕа…", "noisy": "Улахан уола, биhиги ахабыт, оскуоланы хаалларан колхозка киирэр, ийэтигэр тирэх, ойобул буолла5а…", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2735, "split": "dev", "profile": "partial", "gold": "РФ Спордун министиэристибэтэ 2019 сыллаахха Спорт эрэллэрин бэлэмнээһиҥҥэ анаан 999 №-дээх бирикээ­һи таһааран турар.", "noisy": "РФ Спордун министиэристибэтэ 2019 сыллаахха Спорт эрэллэрин бэлэмнээһиннэ анаан 999 №-дээх бирикээ­һи таһааран турар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2736, "split": "test", "profile": "clean", "gold": "Виолетта Дьячковскаяҕа киһи эрэ сөҕөр-махтайар уран кольетын сэргэ, «Магия меха» салон туруорбут сырдык өҥнөөх нуорка саҕынньаҕын санныгар ииллилэр.", "noisy": "Виолетта Дьячковскаяҕа киһи эрэ сөҕөр-махтайар уран кольетын сэргэ, «Магия меха» салон туруорбут сырдык өҥнөөх нуорка саҕынньаҕын санныгар ииллилэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2737, "split": "test", "profile": "ru_fold", "gold": "Бу киһи дьиксинэр түбэлтэлэрин миэхэ билэр дьонум кэпсээбиттэрэ.", "noisy": "Бу киhи дьиксинэр тубэлтэлэрин миэхэ билэр дьонум кэпсээбиттэрэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2738, "split": "dev", "profile": "leontiev", "gold": "Ити гипотеза утарсааччылардаах эрээри историогафияҕа баһыйар.", "noisy": "Ити гипотеза утарсааччылардаах эрээри историогафияга баьыйар.", "source": "sah.wikipedia:Христианство"}
{"id": 2739, "split": "test", "profile": "digits", "gold": "Атыттар кинилэр курдук өлүөхтэрин төрүт баҕарбаттар.", "noisy": "Атыттар кинилэр курдук 8лy8хтэрин т8рyт ба5арбаттар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2740, "split": "test", "profile": "mixed", "gold": "«Алмазный край» телеханаал хаартыскаҕа түһэриитэ, Мииринэй.", "noisy": "«Алмазный край» телеханаал хаартыскаха тyьэриитэ, Мииринэй.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2741, "split": "dev", "profile": "partial", "gold": "Үгүс оруолларга оонньообута: Чачыгыр Таас ойуун «Улуу Кудаҥса\" П.", "noisy": "Үгүс оруолларга оонньообута: Чачыгыр Таас ойуун «Улуу Куданса\" П.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2742, "split": "test", "profile": "clean", "gold": "Кэлин Казахстан тутулуга суох судаарыстыба буолбутун кэнниттэн, бу куорат урукку суолтата чөлүгэр түһэриллэн, суолтата улаатан барбыта.", "noisy": "Кэлин Казахстан тутулуга суох судаарыстыба буолбутун кэнниттэн, бу куорат урукку суолтата чөлүгэр түһэриллэн, суолтата улаатан барбыта.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2743, "split": "dev", "profile": "ru_fold", "gold": "Саахса иннинэ арчыланыы Аныгы үйэҕэ эдэрдэр ыал буолар күннэригэр \"Арчы\" дьиэтигэр сиэри-туому толоруулара үтүө үгэскэ кубулуйда.", "noisy": "Саахса иннинэ арчыланыы Аныгы уйэгэ эдэрдэр ыал буолар куннэригэр \"Арчы\" дьиэтигэр сиэри-туому толоруулара утуо угэскэ кубулуйда.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2744, "split": "test", "profile": "leontiev", "gold": "Ырыа — билиҥҥи олохпут сүнньэ, сүргэбит көтөҕүллэр төрүөтэ.", "noisy": "Ырыа — билинни олохпут сунньэ, сургэбит кетегуллэр теруетэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2745, "split": "dev", "profile": "digits", "gold": "Уолаттары кытта улааппыт буоламмын, миигин кыыс диэн эр киһи үлэтиттэн туора туппатаҕа.", "noisy": "Уолаттары кытта улааппыт буоламмын, миигин кыыс диэн эр киhи yлэтиттэн туора туппата5а.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2746, "split": "dev", "profile": "mixed", "gold": "Көннөрү санаабар, тыйаатыр уонна киинэ эмиэ да сибээстээх, эмиэ да туох да сыһыана суох курдук.", "noisy": "Конн8рy санаабар, тыйаатыр уонна киинэ эмиэ да сибээстээх, эмиэ да туох да сысыана суох курдук.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2747, "split": "test", "profile": "partial", "gold": "Эмээхсиним саҥа оҕонньордонно дуу Арай биирдэ Саха тыйаатырыгар испэктээк үгэннээн бара турдаҕына, быыс сабыллан баран саҥа аһыллыытыгар Дьаакып оҕонньор оруолугар киирэн олорор.", "noisy": "Эмээхсиним сана огонньордонно дуу Арай биирдэ Саха тыйаатырыгар испэктээк үгэннээн бара турдагына, быыс сабыллан баран сана аһыллыытыгар Дьаакып огонньор оруолугар киирэн олорор.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2748, "split": "dev", "profile": "clean", "gold": "Ол курдук, волонтердары кытары бөҕү наардаан хомуйууга ылсыбыт.", "noisy": "Ол курдук, волонтердары кытары бөҕү наардаан хомуйууга ылсыбыт.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2749, "split": "test", "profile": "ru_fold", "gold": "Павел Семенов репертуарыттан «Көмүс күһүн» ырыаны бэлэх ууннулар «Сайдыына» вокальнай ансаамбыл, (сал.", "noisy": "Павел Семенов репертуарыттан «Комус куhун» ырыаны бэлэх ууннулар «Сайдыына» вокальнай ансаамбыл, (сал.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2750, "split": "test", "profile": "leontiev", "gold": "МХАТ атын биллэр артыыстара күнүүлээн, Күннэни абааһы көрбүттэрэ дииллэр: болҕомто барыта Күннэҕэ эрэ үһү...", "noisy": "МХАТ атын биллэр артыыстара кунуулээн, Куннэни абааьы кербуттэрэ дииллэр: болгомто барыта Куннэгэ эрэ уьу...", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2751, "split": "dev", "profile": "digits", "gold": "Чэгиэн доруобуйаны, уостубат эрэли, сырдык санааны, киэҥ-холку буолууну, табыллыыны уонна уһун дьоллоох олоҕу.", "noisy": "Чэгиэн доруобуйаны, уостубат эрэли, сырдык санааны, киэн-холку буолууну, табыллыыны уонна уhун дьоллоох оло5у.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2752, "split": "dev", "profile": "mixed", "gold": "Мииринэй куорат нөҥүө бөртөлүөттэринэн, Ыгыатта үрэх баһынан, кыахтаах вездеходтарынан сылдьаллар.", "noisy": "Мииринэй куорат н8ну8 бортолy8ттэринэн, Ыгыатта урэх басынан, кыахтаах вездеходтарынан сылдьаллар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2753, "split": "test", "profile": "partial", "gold": "Ол эрээри судаарыстыба суотугар үөрэнэн баран, дьиҥ тыа хаһаайыстыбатын оҥорон таһаарыытыгар үлэлии тахсааччыта ахсааннаах.", "noisy": "Ол эрээри судаарыстыба суотугар үөрэнэн баран, дьин тыа хаһаайыстыбатын онорон таһаарыытыгар үлэлии тахсааччыта ахсааннаах.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2754, "split": "test", "profile": "clean", "gold": "Оскуолаҕа саха тылын үөрэтэргэ учуутал, бастатан туран, оҕо тылын саппааһын байытарыгар кыһаныахтаах дии саныыбын.", "noisy": "Оскуолаҕа саха тылын үөрэтэргэ учуутал, бастатан туран, оҕо тылын саппааһын байытарыгар кыһаныахтаах дии саныыбын.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2755, "split": "test", "profile": "ru_fold", "gold": "Быйылгы үөрэх дьылыгар 1-гы кылааска 9 кырачаан үөрэнээччи аатын ылан оскуола боруогун атыллаата.", "noisy": "Быйылгы уорэх дьылыгар 1-гы кылааска 9 кырачаан уорэнээччи аатын ылан оскуола боруогун атыллаата.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2756, "split": "test", "profile": "leontiev", "gold": "Манна күнүскү эрэ буолбакка, кэтэхтэн үөрэх эмиэ баар.", "noisy": "Манна кунуску эрэ буолбакка, кэтэхтэн уерэх эмиэ баар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2757, "split": "dev", "profile": "digits", "gold": "Оҕо сылдьан Бүөтүр кинилэр араас ырыаларын-тойуктарын, олоҥхолорун истэн олоҥхолуурга үөрэммит.", "noisy": "О5о сылдьан Бy8тyр кинилэр араас ырыаларын-тойуктарын, олонхолорун истэн олонхолуурга y8рэммит.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2758, "split": "test", "profile": "mixed", "gold": "Дьокуускайдааҕы Гражданскай оборона уонна нэһилиэнньэни ыксаллаах быһыыттан-майгыттан харыстыыр Управление муус аннынан балыктааччылары сэрэхтэх буоларга ыҥырар: Мууһунан сылдьарга анаммыт туоруур сирдэринэн эрэ сылдьыҥ.", "noisy": "Дьокуускайдаа5ы Гражданскай оборона уонна нэhилиэнньэни ыксаллаах быьыыттан-майгыттан харыстыыр Управление муус аннынан балыктааччылары сэрэхтэх буоларга ынгырар: Мууьунан сылдьарга анаммыт туоруур сирдэринэн эрэ сылдьын.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2759, "split": "dev", "profile": "partial", "gold": "Нуораҕана, Хорообут, Балыктаах, Бүтэйдээх нэһилиэктэрин дьахталларын сэбиэттэрин бэрэссэдээтэллэрэ үлэлэрин сырдаттылар.", "noisy": "Нуорагана, Хорообут, Балыктаах, Бүтэйдээх нэһилиэктэрин дьахталларын сэбиэттэрин бэрэссэдээтэллэрэ үлэлэрин сырдаттылар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2760, "split": "dev", "profile": "clean", "gold": "Устудьуон сыллара — олохпут биир сүрүн түһүмэҕэ.", "noisy": "Устудьуон сыллара — олохпут биир сүрүн түһүмэҕэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2761, "split": "test", "profile": "ru_fold", "gold": "Айымньыҥ ис хоһоонун үчүгэйдик биллэххинэ, туттан-хаптан бардаххына, тылыҥ бэйэтинэн киирэр курдук.", "noisy": "Айымньын ис хоhоонун учугэйдик биллэххинэ, туттан-хаптан бардаххына, тылын бэйэтинэн киирэр курдук.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2762, "split": "dev", "profile": "leontiev", "gold": "Оччолорго куттала да эбитэ буолуо, маннааҕы Бугаевтар аймахтара Күөрээбиһи сэмэлээбиттэрэ эбитэ үһү: \"Тоҕо бу уолу ыллыҥ, ирдээн кэлиэхтэрэ\", — диэн.", "noisy": "Оччолорго куттала да эбитэ буолуо, маннаагы Бугаевтар аймахтара Куерээбиьи сэмэлээбиттэрэ эбитэ уьу: \"Того бу уолу ыллын, ирдээн кэлиэхтэрэ\", — диэн.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2763, "split": "dev", "profile": "digits", "gold": "Онуоха киһитэ: «Нокоо, акаарыны саҥарыма.", "noisy": "Онуоха киhитэ: «Нокоо, акаарыны санарыма.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2764, "split": "test", "profile": "mixed", "gold": "Сонно бартыбыал туттарбакка, бааһынай хаһаайыстыба, кэпэрэтиип салайааччыларынан үлэлэтиэххэ сөп.", "noisy": "Сонно бартыбыал туттарбакка, баасынай хасаайыстыба, кэпэрэтиип салайааччыларынан yлэлэтиэххэ с8п.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2765, "split": "test", "profile": "partial", "gold": "— Бу дьарыгыҥ тус бириэмэҕин төһө сиирий?", "noisy": "— Бу дьарыгын тус бириэмэгин төһө сиирий?", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2766, "split": "test", "profile": "clean", "gold": "Биэтэс Билээхэп бу суруйуутун салгыытын бүгүҥҥү бээтинсэтээҕи хаһыакка ааҕыҥ.", "noisy": "Биэтэс Билээхэп бу суруйуутун салгыытын бүгүҥҥү бээтинсэтээҕи хаһыакка ааҕыҥ.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2767, "split": "test", "profile": "ru_fold", "gold": "Аан дойду үрдүнэн кыыс ахсаана 1,1 млрд буоллаҕына, Саха сиригэр сыл аайы 8 тыһыынча кэриҥэ кыыс оҕо күн сирин көрөр.", "noisy": "Аан дойду урдунэн кыыс ахсаана 1,1 млрд буоллагына, Саха сиригэр сыл аайы 8 тыhыынча кэринэ кыыс ого кун сирин корор.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2768, "split": "dev", "profile": "leontiev", "gold": "ДЬАҤХААДЫ НЭҺИЛИЭГЭ Ахтыы: \"Аҕам аҥаар өттүнэн туһаммат, уҥа илиитэ-атаҕа мин биирдээхпиттэн босхоҥ этэ, салгын охсубут диирэ.", "noisy": "ДЬАНХААДЫ НЭЬИЛИЭГЭ Ахтыы: \"Агам анаар еттунэн туьаммат, уна илиитэ-атага мин биирдээхпиттэн босхон этэ, салгын охсубут диирэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2769, "split": "dev", "profile": "digits", "gold": "Оттон чилиэн-кэрэспэдьиэн аатын сүкпүт үөрэнээччилэргэ ый ахсын иккилии тыһыынча солкуобай көрүллүөҕэ.", "noisy": "Оттон чилиэн-кэрэспэдьиэн аатын сyкпyт y8рэнээччилэргэ ый ахсын иккилии тыhыынча солкуобай к8рyллy85э.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2770, "split": "dev", "profile": "mixed", "gold": "Профкөрүү, суһал көмө кабинеттара диэн баар буолуохтаахтар.", "noisy": "Профкорyу, суhал к8мо кабинеттара диэн баар буолуохтаахтар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2771, "split": "dev", "profile": "partial", "gold": "Бииргэ алтыспыт дьон кэпсииллэринэн, үлэтигэр олус эппиэтинэстээх, үлэһиттэригэр үчүгэй сыһыаннаах, эппитин хайаан да ылыннарар уонна толотторор эбитэ үһү.", "noisy": "Бииргэ алтыспыт дьон кэпсииллэринэн, үлэтигэр олус эппиэтинэстээх, үлэһиттэригэр үчүгэй сыһыаннаах, эппитин хайаан да ылыннарар уонна толотторор эбитэ үһү.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2772, "split": "dev", "profile": "clean", "gold": "\"Дьэ бу манна баар эбит дьиҥнээх Тымныы Полюһа.", "noisy": "\"Дьэ бу манна баар эбит дьиҥнээх Тымныы Полюһа.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2773, "split": "test", "profile": "ru_fold", "gold": "Дьокуускай, Нерюнгри куорат бастыҥ оскуолалара бу испииһэккэ ааттаннылар.", "noisy": "Дьокуускай, Нерюнгри куорат бастын оскуолалара бу испииhэккэ ааттаннылар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2774, "split": "dev", "profile": "leontiev", "gold": "Мин киниэхэ бастакы уол сиэн кэлэн олус күндү киһи буолан улааппытым.", "noisy": "Мин киниэхэ бастакы уол сиэн кэлэн олус кунду киьи буолан улааппытым.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2775, "split": "test", "profile": "digits", "gold": "Черскэй хайаларын систематын хотугу өртүнээҕи сис.", "noisy": "Черскэй хайаларын систематын хотугу 8ртyнээ5и сис.", "source": "sah.wikipedia:Хадаранньа"}
{"id": 2776, "split": "dev", "profile": "mixed", "gold": "Тэҥкэ диэн ойууну кыырдарбыттар этэ да, ол киһини Аҥхаллыбыт уокка уга сыспыт этэ.", "noisy": "Тэнгкэ диэн ойууну кыырдарбыттар этэ да, ол кисини Анхаллыбыт уокка уга сыспыт этэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2777, "split": "test", "profile": "partial", "gold": "– Сороҕор санаабын этэбин эрээри, режиссёр эппитэ син биир сөп буолан тахсааччы.", "noisy": "– Сорогор санаабын этэбин эрээри, режиссёр эппитэ син биир сөп буолан тахсааччы.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2778, "split": "test", "profile": "clean", "gold": "“Итинник буолбатын туһугар тыа сиригэр баар аҕыйах үөрэнээччилээх оскуолалар критерийдэрэ сокуонунан бигэргэтиллиэхтээх, уонна ону Ил Түмэн бэйэтигэр ылыныахтаах.", "noisy": "“Итинник буолбатын туһугар тыа сиригэр баар аҕыйах үөрэнээччилээх оскуолалар критерийдэрэ сокуонунан бигэргэтиллиэхтээх, уонна ону Ил Түмэн бэйэтигэр ылыныахтаах.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2779, "split": "test", "profile": "ru_fold", "gold": "Онлайн-биэрии муус устар 18 күнүгэр, Улуу Субуотаҕа, буолар: 23:00 — Түүҥҥү сулууспа.", "noisy": "Онлайн-биэрии муус устар 18 кунугэр, Улуу Субуотага, буолар: 23:00 — Туунну сулууспа.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2780, "split": "test", "profile": "leontiev", "gold": "Аадырыстара: Дьокуускай куорат, Лермонтов уулусса 25/2а, Ленин бэрэспиэгин 61/2, билсэр төлөпүөннэргит: 421–000.", "noisy": "Аадырыстара: Дьокуускай куорат, Лермонтов уулусса 25/2а, Ленин бэрэспиэгин 61/2, билсэр телепуеннэргит: 421–000.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2781, "split": "dev", "profile": "digits", "gold": "Биирдии “дьиэ кэргэн” аайы тыһылаах, ийэлээх буолаллар эбит, кини 3 см уһуннаах, уоннааҕылар бары кыралар.", "noisy": "Биирдии “дьиэ кэргэн” аайы тыhылаах, ийэлээх буолаллар эбит, кини 3 см уhуннаах, уоннаа5ылар бары кыралар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2782, "split": "dev", "profile": "mixed", "gold": "Манна нуучча кэлиэн иннинэ Арыылаахха сэттэ бырааттыы Бөтүҥнэртэн саллан, Дыгын 40 куйахтаах боотурдара \"Эйэлээх-Ойдуо\" түһэрэн кыргыс үйэтэ түмүктэммитэ диэн биллэр.", "noisy": "Манна нуучча кэлиэн иннинэ Арыылаахха сэттэ бырааттыы Ботyннэртэн саллан, Дыгын 40 куйахтаах боотурдара \"Эйэлээх-Ойдуо\" тyhэрэн кыргыс yйэтэ тyмуктэммитэ диэн биллэр.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2783, "split": "dev", "profile": "partial", "gold": "Сорох силистэрэ оҕурсу курдук үөһэнэн тарҕанан үүнэллэр, буору көбүтэргэ ону учуоттуур наада.", "noisy": "Сорох силистэрэ огурсу курдук үөһэнэн тарганан үүнэллэр, буору көбүтэргэ ону учуоттуур наада.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2784, "split": "test", "profile": "clean", "gold": "Үбү-харчыны биир идэлээхтэрэ кумааҕы харчынан туттарбыттар, ону сэргэ баһылык чугас аймахтарын баанын счетугар ыыппыттар.", "noisy": "Үбү-харчыны биир идэлээхтэрэ кумааҕы харчынан туттарбыттар, ону сэргэ баһылык чугас аймахтарын баанын счетугар ыыппыттар.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2785, "split": "test", "profile": "ru_fold", "gold": "Бүтэһик кэмҥэ интэриниэккэ хара санаалаах дьонтон оҕолор сиэртибэ буолаллара элбээтэ.", "noisy": "Бутэhик кэмнэ интэриниэккэ хара санаалаах дьонтон оголор сиэртибэ буолаллара элбээтэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2786, "split": "dev", "profile": "leontiev", "gold": "Соторутааҕыта ыччаты гражданскай-патриотическай иитиигэ грант сүүйбүппүт.", "noisy": "Соторутаагыта ыччаты гражданскай-патриотическай иитиигэ грант сууйбуппут.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2787, "split": "test", "profile": "digits", "gold": "Бүгүҥҥү курдук алдьата олороммут айылҕаттан, Ийэ сиртэн туох үчүгэй дьайыытын кэтэһиэхпитин сөбүй?", "noisy": "Бyгyннy курдук алдьата олороммут айыл5аттан, Ийэ сиртэн туох yчyгэй дьайыытын кэтэhиэхпитин с8бyй?", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2788, "split": "test", "profile": "mixed", "gold": "Өссө икки түһүмэх кэннэ биэс эрэ кыыс хаалла.", "noisy": "Осс8 икки туьyмэх кэннэ биэс эрэ кыыс хаалла.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2789, "split": "test", "profile": "partial", "gold": "Итиннэ кыһарыллан, күннээҕи кыһалҕабыт ахтыллара чуолкай.", "noisy": "Итиннэ кыһарыллан, күннээги кыһалгабыт ахтыллара чуолкай.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2790, "split": "dev", "profile": "clean", "gold": "\"Эдэрбэр үс олоҥхону син баһын-атаҕын билэр этим диэннээҕэ.", "noisy": "\"Эдэрбэр үс олоҥхону син баһын-атаҕын билэр этим диэннээҕэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2791, "split": "test", "profile": "ru_fold", "gold": "Буулаҕа бухатыырдар, быыппастар быччыҥнар тыа сиригэр баалларын көрдөрдүлэр, төрөппүттэр оҕолорун булт-алт араас көрүҥэр дьарыктыыллар эбит диэн түмүккэ киһи кэлэр.", "noisy": "Буулага бухатыырдар, быыппастар быччыннар тыа сиригэр баалларын кордордулэр, тороппуттэр оголорун булт-алт араас корунэр дьарыктыыллар эбит диэн тумуккэ киhи кэлэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2792, "split": "test", "profile": "leontiev", "gold": "Хаамыы ырарга саамай туһалаах диэн этэллэр, онуоха атах төбөтүгэр хаампыт дьон көннөрү хаамар дьоннооҕор быдан ырбыттар.", "noisy": "Хаамыы ырарга саамай туьалаах диэн этэллэр, онуоха атах тебетугэр хаампыт дьон кеннеру хаамар дьонноогор быдан ырбыттар.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2793, "split": "dev", "profile": "digits", "gold": "Онон туох баар суот-учуот үлэтэ — барыта электроннай, үп-харчы киириитэ-тахсыыта тута аахсыллан иһиэҕэ.", "noisy": "Онон туох баар суот-учуот yлэтэ — барыта электроннай, yп-харчы киириитэ-тахсыыта тута аахсыллан иhиэ5э.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2794, "split": "test", "profile": "mixed", "gold": "Дакылаатчыт анаан-минээн хасыһан, кыһаллан булбут сыыппаралара киһини үөрдүбэттэр.", "noisy": "Дакылаатчыт анаан-минээн хасысан, кысаллан булбут сыыппаралара киьини y8рдубэттэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2795, "split": "test", "profile": "partial", "gold": "Тимофей Сметанин «Егор Чээрин» айымньытынан сыаҥка туруорбуттарыгар ньиэмэс эписиэрин оруолун толорон үөрэр.", "noisy": "Тимофей Сметанин «Егор Чээрин» айымньытынан сыанка туруорбуттарыгар ньиэмэс эписиэрин оруолун толорон үөрэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2796, "split": "dev", "profile": "clean", "gold": "Эфирдээх арыыны лимон хаҕыттан оҥороллор.", "noisy": "Эфирдээх арыыны лимон хаҕыттан оҥороллор.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2797, "split": "dev", "profile": "ru_fold", "gold": "биллэриллэр, бөлөҕүнэн кыайыылаахтарга,бириистэр туттарыллаллар.", "noisy": "биллэриллэр, бологунэн кыайыылаахтарга,бириистэр туттарыллаллар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2798, "split": "dev", "profile": "leontiev", "gold": "Мин бу үлэбэр , “Тыл оонньуута”- эбии дьарык үлэтин-хамнаһын хайысхатын , оонньуу оҕоҕо суолтатын туһунан билиһиннэриэм.", "noisy": "Мин бу улэбэр , “Тыл оонньуута”- эбии дьарык улэтин-хамнаьын хайысхатын , оонньуу огого суолтатын туьунан билиьиннэриэм.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2799, "split": "dev", "profile": "digits", "gold": "Оҕону вакцинациялыыр туһунан быһаарыыны быраас төрөппүт сөбүлэҥ суруга баар эрэ буоллаҕына ылар.", "noisy": "О5ону вакцинациялыыр туhунан быhаарыыны быраас т8р8ппyт с8бyлэн суруга баар эрэ буолла5ына ылар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2800, "split": "test", "profile": "mixed", "gold": "Дьэ ол да буоллар, сыалбытын ситэн, кинигэбит күн сирин көрбүтүттэн наһаа үөрэбит, астынабыт.", "noisy": "Дьэ ол да буоллар, сыалбытын ситэн, кинигэбит кун сирин корбутyттэн наьаа y8рэбит, астынабыт.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2801, "split": "test", "profile": "partial", "gold": "Оскуола дириэктэрэ Иннокентий Малгаров иһитиннэрбитинэн, оҕолор сэлии уҥуоҕун булан баран, хостообут чаастарын туппутунан нэһилиэк түмэлигэр тиийбиттэр.", "noisy": "Оскуола дириэктэрэ Иннокентий Малгаров иһитиннэрбитинэн, оголор сэлии унуогун булан баран, хостообут чаастарын туппутунан нэһилиэк түмэлигэр тиийбиттэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2802, "split": "dev", "profile": "clean", "gold": "Фашисткай Германияны үлтүрүтүүгэ күүһэ, өйө-санаата кыайарынан көмөлөспүтэ.", "noisy": "Фашисткай Германияны үлтүрүтүүгэ күүһэ, өйө-санаата кыайарынан көмөлөспүтэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2803, "split": "test", "profile": "ru_fold", "gold": "м иэннээх икки этээстээх эбийиэккэ 400 миэстэлээх түрүбүүнэлээх универсальнай саала, уус-уран гимнастика саалалара, буоксалыыр саала баар буолуоҕа.", "noisy": "м иэннээх икки этээстээх эбийиэккэ 400 миэстэлээх турубуунэлээх универсальнай саала, уус-уран гимнастика саалалара, буоксалыыр саала баар буолуога.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2804, "split": "test", "profile": "leontiev", "gold": "Бүгүн, ахсынньы 26 күнүгэр, Саха сиригэр тоҕус социальнай эбийиэк үлэҕэ киирдэ.", "noisy": "Бугун, ахсынньы 26 кунугэр, Саха сиригэр тогус социальнай эбийиэк улэгэ киирдэ.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2805, "split": "dev", "profile": "digits", "gold": "1915 сыллаахха Хара нэһилиэгиттэн Дмитриева Татьяна Михайловна диэн кыыһы 1901 с.", "noisy": "1915 сыллаахха Хара нэhилиэгиттэн Дмитриева Татьяна Михайловна диэн кыыhы 1901 с.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2806, "split": "dev", "profile": "mixed", "gold": "Саарбаҕа суох Саҥа Кэриэскэ тиһиллибит кинигэлэр иккис үйэҕэ бааллар этэ.", "noisy": "Саарбаха суох Санга Кэриэскэ тиьиллибит кинигэлэр иккис уйэгэ бааллар этэ.", "source": "sah.wikipedia:Христианство"}
{"id": 2807, "split": "test", "profile": "partial", "gold": "Училищеҕа пианиноҕа оонньуурга үөрэнэр, анал дьиссипилиинэ быһыытынан фехтованиеҕа дьарыктанар.", "noisy": "Училищега пианинога оонньуурга үөрэнэр, анал дьиссипилиинэ быһыытынан фехтованиега дьарыктанар.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2808, "split": "test", "profile": "clean", "gold": "Өбүгэттэн бэриллибит дьоҕургун өссө да өрө тута сырыт, дьиэ кэргэҥҥэр доруобуйаны, этэҥҥэ буолууну баҕарабын.", "noisy": "Өбүгэттэн бэриллибит дьоҕургун өссө да өрө тута сырыт, дьиэ кэргэҥҥэр доруобуйаны, этэҥҥэ буолууну баҕарабын.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2809, "split": "dev", "profile": "ru_fold", "gold": "Саха өрөспүүбүлүкэтин Ат спордун федерацията улахан сүбэ мунньах ыытар.", "noisy": "Саха ороспуубулукэтин Ат спордун федерацията улахан субэ мунньах ыытар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2810, "split": "dev", "profile": "leontiev", "gold": "Сугулааҥҥа барыта 153 киһи кыттыыны ылла, бу дьон үксүлэрэ орто оскуола учууталлара, култуура эйгэтин үлэһиттэрэ, о.д.а.", "noisy": "Сугулаанна барыта 153 киьи кыттыыны ылла, бу дьон уксулэрэ орто оскуола учууталлара, култуура эйгэтин улэьиттэрэ, о.д.а.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2811, "split": "test", "profile": "digits", "gold": "Бары программист диэки көрөллөр: «Оттон эн туох диигин?» Программист дөйбүт курдук олоро түһэн баран этэр: — Перезагрузкалыахха.", "noisy": "Бары программист диэки к8р8лл8р: «Оттон эн туох диигин?» Программист д8йбyт курдук олоро тyhэн баран этэр: — Перезагрузкалыахха.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2812, "split": "dev", "profile": "mixed", "gold": "Үлэм темата: “Тыл оонньуута”- эбии дьарык оҕо билиитэ-көрүүтэ кэҥииригэр оруола уонна суолтата.", "noisy": "Yлэм темата: “Тыл оонньуута”- эбии дьарык охо билиитэ-к8руутэ кэнгииригэр оруола уонна суолтата.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2813, "split": "dev", "profile": "partial", "gold": "Автовокзалтан Ньурбаҕа диэри оптуобус айанныыр Дьокуускай куорат автовокзалыттан быйылгы сезоҥҥа Докуускайтан Ньурбаҕа диэри аан бастакы рейсовай оптуобус сырыыта саҕаланна.", "noisy": "Автовокзалтан Ньурбага диэри оптуобус айанныыр Дьокуускай куорат автовокзалыттан быйылгы сезонна Докуускайтан Ньурбага диэри аан бастакы рейсовай оптуобус сырыыта сагаланна.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2814, "split": "test", "profile": "clean", "gold": "Саҥа былааһы сөбүлээбэккэ, быһыы-майгы тыҥаан Айаан диэки саалаах-сэптээх өрө туруу буолбута.", "noisy": "Саҥа былааһы сөбүлээбэккэ, быһыы-майгы тыҥаан Айаан диэки саалаах-сэптээх өрө туруу буолбута.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2815, "split": "test", "profile": "ru_fold", "gold": "— РФ тырааныспарын үтүөлээх үлэһитэ, Савельев С.Д.", "noisy": "— РФ тырааныспарын утуолээх улэhитэ, Савельев С.Д.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2816, "split": "test", "profile": "leontiev", "gold": "Онтон аныгы сырыытыгар хонон кэлэн баран кэпсиир «Мин олох эбээҕэ сыстыбакка улаҕа хайыһан сыттым, сыттаа эрэ, эбээ» - диир.", "noisy": "Онтон аныгы сырыытыгар хонон кэлэн баран кэпсиир «Мин олох эбээгэ сыстыбакка улага хайыьан сыттым, сыттаа эрэ, эбээ» - диир.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2817, "split": "dev", "profile": "digits", "gold": "Прокопьева-Уйулҕаана; РФ ИДьМин бочуоттаах үлэһитэ, полиция астаапкалаах полковнига, СӨ Суруйааччыларын сойууһун чилиэнэ М.П.", "noisy": "Прокопьева-Уйул5аана; РФ ИДьМин бочуоттаах yлэhитэ, полиция астаапкалаах полковнига, С8 Суруйааччыларын сойууhун чилиэнэ М.П.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2818, "split": "test", "profile": "mixed", "gold": "Ити курдук 31 киһи ахтыыта биһиги кинигэбитигэр киирдэ.", "noisy": "Ити курдук 31 киhи ахтыыта биьиги кинигэбитигэр киирдэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2819, "split": "dev", "profile": "partial", "gold": "Эбии үөрэхтээһин оҕону иитэр-үөрэтэр программата тус оҕоҕо сөп түбэһиннэрэн, кини күннээҕи режимин тутуһан оҥоһуллан, уларытыллан көннөрүллэн иһэр, оҕо интэриэһин учуоттаан тиэмэлэрэ саҥардыллан иһэллэр.", "noisy": "Эбии үөрэхтээһин огону иитэр-үөрэтэр программата тус огого сөп түбэһиннэрэн, кини күннээги режимин тутуһан оноһуллан, уларытыллан көннөрүллэн иһэр, ого интэриэһин учуоттаан тиэмэлэрэ санардыллан иһэллэр.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2820, "split": "test", "profile": "clean", "gold": "Оскуолаҕа киирэ илик оҕо тэрилтэтин иниспиэктэрдэрэ Е.А.", "noisy": "Оскуолаҕа киирэ илик оҕо тэрилтэтин иниспиэктэрдэрэ Е.А.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2821, "split": "dev", "profile": "ru_fold", "gold": "Кэлин норуокка ырыаһыт быһыытынан биллэн Хабыанньа диэн буолбута.", "noisy": "Кэлин норуокка ырыаhыт быhыытынан биллэн Хабыанньа диэн буолбута.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2822, "split": "dev", "profile": "leontiev", "gold": "Никииппэри көрөр-билэр киһим эрээри, ыллыырын истибэтэҕим.", "noisy": "Никииппэри керер-билэр киьим эрээри, ыллыырын истибэтэгим.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2823, "split": "dev", "profile": "digits", "gold": "Венециятааҕы суруктар: соһуччу көрсүһүү Бэс ыйын саҥата.", "noisy": "Венециятаа5ы суруктар: соhуччу к8рсyhyy Бэс ыйын саната.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2824, "split": "dev", "profile": "mixed", "gold": "Биһиэхэ күнүс 12 чаастан бириэмэ анаабыттара табыгаһа суох этэ.", "noisy": "Биьиэхэ кyнyс 12 чаастан бириэмэ анаабыттара табыгаьа суох этэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2825, "split": "dev", "profile": "partial", "gold": "Атын сиргэ баран сайабылыанньаны толорон аҕалар көҥүллэммэт.", "noisy": "Атын сиргэ баран сайабылыанньаны толорон агалар көнүллэммэт.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2826, "split": "dev", "profile": "clean", "gold": "Колхоз ыарахан үлэтигэр сарсыарда эрдэттэн киэһэ хойукка диэри үлэлиирэ үһү.", "noisy": "Колхоз ыарахан үлэтигэр сарсыарда эрдэттэн киэһэ хойукка диэри үлэлиирэ үһү.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2827, "split": "test", "profile": "ru_fold", "gold": "Кэлин Борис Алексеевич Мэҥэ Ханалас борокуруоругар тиийэ үүммүтэ.", "noisy": "Кэлин Борис Алексеевич Мэнэ Ханалас борокуруоругар тиийэ ууммутэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2828, "split": "dev", "profile": "leontiev", "gold": "Атыылаһааччылар үөһээ, аллараа этээһинэн сылдьан, наадалаахтарын булан, кассаҕа үмүөрүһэллэр.", "noisy": "Атыылаьааччылар уеьээ, аллараа этээьинэн сылдьан, наадалаахтарын булан, кассага умуеруьэллэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2829, "split": "dev", "profile": "digits", "gold": "3 сыл иһинэн эмтэммит харчыгын төнүннэриэххин сөп.", "noisy": "3 сыл иhинэн эмтэммит харчыгын т8нyннэриэххин с8п.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2830, "split": "test", "profile": "mixed", "gold": "Кыраайы үөрэтэр түмсүүлэр кыраайы үөрэтэр плагиналары өйүүр буолбатахтар, оонньооччулар туһанааччылар надстройстволарын, ресурсаларын пакеттарын уонна туһанааччылар аан дойду баайын туһанар кыахтаналлар.", "noisy": "Кыраайы уорэтэр тyмсуyлэр кыраайы уорэтэр плагиналары 8йуур буолбатахтар, оонньооччулар туьанааччылар надстройстволарын, ресурсаларын пакеттарын уонна туьанааччылар аан дойду баайын тусанар кыахтаналлар.", "source": "sah.wikipedia:Minecraft"}
{"id": 2831, "split": "test", "profile": "partial", "gold": "Арҕааҥҥы дойдулар инникитин да Украинанан, атын да дойдуларынан, бэлитиичэскэй күүстэринэн сирэйдэнэн, Арассыыйаны ыгалларын-түүрэллэрин салгыахтара.", "noisy": "Аргаанны дойдулар инникитин да Украинанан, атын да дойдуларынан, бэлитиичэскэй күүстэринэн сирэйдэнэн, Арассыыйаны ыгалларын-түүрэллэрин салгыахтара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2832, "split": "dev", "profile": "clean", "gold": "Оттон билиҥҥи урууларга \"горько!\" дии-дии, өссө ахсаан ааҕа-ааҕа, эдэрдэри сыллаһыннараллара төрүт сыыһа дии саныыбын.", "noisy": "Оттон билиҥҥи урууларга \"горько!\" дии-дии, өссө ахсаан ааҕа-ааҕа, эдэрдэри сыллаһыннараллара төрүт сыыһа дии саныыбын.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2833, "split": "test", "profile": "ru_fold", "gold": "Итиччэ элбэх үүт хайдах да ыанар кыаҕа суох.", "noisy": "Итиччэ элбэх уут хайдах да ыанар кыага суох.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2834, "split": "test", "profile": "leontiev", "gold": "Ол түмүгэр ыалдьыбыт оҕолор, олох кырдьаҕас да дьон бэйэлэрэ эрэ соҕотохтуу дьонтон тэйиччи аар тайҕаны кэрийэ сылдьарга тиийэллэрэ.", "noisy": "Ол тумугэр ыалдьыбыт оголор, олох кырдьагас да дьон бэйэлэрэ эрэ соготохтуу дьонтон тэйиччи аар тайганы кэрийэ сылдьарга тиийэллэрэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2835, "split": "dev", "profile": "digits", "gold": "Анна Ильинична Санкт-Петербург куоракка буолбут «Үрүҥ түүн өҥнөрүн суһума, дорҕооннорун кэрэтэ» диэн норуоттар икки ардыларынааҕы куонкуруска төрүт иискэ үлэтэ лауреат үрдүк аатын ылыан ылбыта.", "noisy": "Анна Ильинична Санкт-Петербург куоракка буолбут «Yрyн тyyн 8нн8рyн суhума, дор5ооннорун кэрэтэ» диэн норуоттар икки ардыларынаа5ы куонкуруска т8рyт иискэ yлэтэ лауреат yрдyк аатын ылыан ылбыта.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2836, "split": "test", "profile": "mixed", "gold": "Бу ыарыыга оҕо сыстыбат дии саныыр сыыһа.", "noisy": "Бу ыарыыга о5о сыстыбат дии саныыр сыыса.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2837, "split": "test", "profile": "partial", "gold": "Олус талааннаах дьон да бааллар\" диэн дьээбэ-хообо курдук күлэ-үөрэ кэпсээтэ.", "noisy": "Олус талааннаах дьон да бааллар\" диэн дьээбэ-хообо курдук күлэ-үөрэ кэпсээтэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2838, "split": "test", "profile": "clean", "gold": "Үөһээ Бүлүү кырачааннара ох саанан ытыы, остуол тенниһэ уонна дуобат курдук спорт көрүҥнэрин кытта оҕо уһуйааныттан саҕалаан билсэллэр.", "noisy": "Үөһээ Бүлүү кырачааннара ох саанан ытыы, остуол тенниһэ уонна дуобат курдук спорт көрүҥнэрин кытта оҕо уһуйааныттан саҕалаан билсэллэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2839, "split": "dev", "profile": "ru_fold", "gold": "Мааныга кэтэр көстүүмнээх, сорочкалаах, бачыыҥкалаах, собуруобай саппыкылаах буолара, хармаан чаһылаах, кыра тараахтаах, ноһубуой былааттаах этэ\".", "noisy": "Мааныга кэтэр костуумнээх, сорочкалаах, бачыынкалаах, собуруобай саппыкылаах буолара, хармаан чаhылаах, кыра тараахтаах, ноhубуой былааттаах этэ\".", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2840, "split": "dev", "profile": "leontiev", "gold": "СӨ Быыһыыр сулууспата нэһилиэнньэҕэ ыраах барыаххыт иннинэ күн-дьыл туругун учуоттааҥ, тиэхиньикэҕит туругун үчүгэйдик көрүнүҥ, халыҥ таҥаста, сибээс тэрилин илдьэ барыҥ диэн сүбэлиир.", "noisy": "СЕ Быыьыыр сулууспата нэьилиэнньэгэ ыраах барыаххыт иннинэ кун-дьыл туругун учуоттаан, тиэхиньикэгит туругун учугэйдик керунун, халын танаста, сибээс тэрилин илдьэ барын диэн субэлиир.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2841, "split": "dev", "profile": "digits", "gold": "Мин кэлин араас ырыаһыттары, олоҥхоһуттары элбэҕи иһиттим.", "noisy": "Мин кэлин араас ырыаhыттары, олонхоhуттары элбэ5и иhиттим.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2842, "split": "dev", "profile": "mixed", "gold": "Улуус киинигэр киирдибит да, хас да күҥҥэ сиир килиэппитин сосуһан-сысыһан кэлэр кыһалҕабыт тохтоото.", "noisy": "Улуус киинигэр киирдибит да, хас да куннэ сиир килиэппитин сосуьан-сысыьан кэлэр кыhал5абыт тохтоото.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2843, "split": "dev", "profile": "partial", "gold": "Сүрдээх киэҥ-куоҥ, онон керлинг көрүҥэр биир туспа салааны анаатылар.", "noisy": "Сүрдээх киэн-куон, онон керлинг көрүнэр биир туспа салааны анаатылар.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2844, "split": "dev", "profile": "clean", "gold": "Сорохтор Ильмеҥҥэ кэлэн утары көрсүбүттэрэ, сорохтор үлэлэригэр мэһэйдэтэн кыайан барбатахтар этэ.", "noisy": "Сорохтор Ильмеҥҥэ кэлэн утары көрсүбүттэрэ, сорохтор үлэлэригэр мэһэйдэтэн кыайан барбатахтар этэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2845, "split": "dev", "profile": "ru_fold", "gold": "16 тыһыынча идэттэн 5 тыһыынчатыгар «3», ол эбэтэр «ураты кутталлаах» диэн сыана быһылынна.", "noisy": "16 тыhыынча идэттэн 5 тыhыынчатыгар «3», ол эбэтэр «ураты кутталлаах» диэн сыана быhылынна.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2846, "split": "dev", "profile": "leontiev", "gold": "Ол туһунан 1939 сыллаахха муус устар 21 күнүгэр \"Кыым\" хаһыакка суруйбуттара.", "noisy": "Ол туьунан 1939 сыллаахха муус устар 21 кунугэр \"Кыым\" хаьыакка суруйбуттара.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2847, "split": "dev", "profile": "digits", "gold": "Сиэнэ Сиэн Куола оҕо сылдьан, армияҕа сулууспаҕа барыар диэри эмиэ үчүгэйдик ыллыыра, ону кэлин адьаһын бырахтым диирэ.", "noisy": "Сиэнэ Сиэн Куола о5о сылдьан, армия5а сулууспа5а барыар диэри эмиэ yчyгэйдик ыллыыра, ону кэлин адьаhын бырахтым диирэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2848, "split": "test", "profile": "mixed", "gold": "Бастакы барыйааҥҥа холоотоххо, тупсан эрэр диир оруннаах.", "noisy": "Бастакы барыйаанна холоотоххо, тупсан эрэр диир оруннаах.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2849, "split": "dev", "profile": "partial", "gold": "О5о толкуйдуур, кэпсиир, аахпытын өйүгэр тутар дьо5урун, бол5омтотун сайыннарыы; 2.", "noisy": "О5о толкуйдуур, кэпсиир, аахпытын өйүгэр тутар дьо5урун, бол5омтотун сайыннарыы; 2.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2850, "split": "dev", "profile": "clean", "gold": "Ол эрээри ыарахан сыаналаах эмтэнии испииһэгэр киирбит буоллаҕына, нолуоктан көҕүрэтии кээмэйэ хааччахтаммат.", "noisy": "Ол эрээри ыарахан сыаналаах эмтэнии испииһэгэр киирбит буоллаҕына, нолуоктан көҕүрэтии кээмэйэ хааччахтаммат.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2851, "split": "dev", "profile": "ru_fold", "gold": "Ол иһин даҕаны саха киһитэ уруу малааһынын тэрийиигэ улахан болҕомтону уурар.", "noisy": "Ол иhин даганы саха киhитэ уруу малааhынын тэрийиигэ улахан болгомтону уурар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2852, "split": "test", "profile": "leontiev", "gold": "Үһүс миэстэ – Амма спортивнай оскуолатыгар тигистэ.", "noisy": "Уьус миэстэ – Амма спортивнай оскуолатыгар тигистэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2853, "split": "test", "profile": "digits", "gold": "— Дойдубар бары муста түстүбүт даҕаны ыраах отоннуу барабыт, бу күнү оҕолуун-уруулуун олус кэтэһэбит.", "noisy": "— Дойдубар бары муста тyстyбyт да5аны ыраах отоннуу барабыт, бу кyнy о5олуун-уруулуун олус кэтэhэбит.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2854, "split": "dev", "profile": "mixed", "gold": "Уопсайынан, үлэлэрбит, кэтэ сылдьар таҥаспыт, симэхпит сөхтөрдө.", "noisy": "Уопсайынан, улэлэрбит, кэтэ сылдьар тангаспыт, симэхпит сохт8рдо.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2855, "split": "test", "profile": "partial", "gold": "Үөһээ Бытантай нэһилиэгин дьаһалтата, 10000 солк.", "noisy": "Үөһээ Бытантай нэһилиэгин дьаһалтата, 10000 солк.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2856, "split": "test", "profile": "clean", "gold": "Эмпин өссө чэпчэки сыаналаах аптекаттан ылан аҕаллыбыт дииллэр.", "noisy": "Эмпин өссө чэпчэки сыаналаах аптекаттан ылан аҕаллыбыт дииллэр.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2857, "split": "dev", "profile": "ru_fold", "gold": "Муус устар бүтэһик уон күнүгэр күүстээх ардах кэлээри турар.", "noisy": "Муус устар бутэhик уон кунугэр куустээх ардах кэлээри турар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2858, "split": "dev", "profile": "leontiev", "gold": "Былырыыҥҥы үөрэх сылыттан эбии үөрэхтээьиҥҥэ Уопсай Саха өрөспүүбүлүкэтин Навигатор сайта үлэлээн эрэр.", "noisy": "Былырыынны уерэх сылыттан эбии уерэхтээьиннэ Уопсай Саха ереспуубулукэтин Навигатор сайта улэлээн эрэр.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2859, "split": "dev", "profile": "digits", "gold": "Оннук дуулаҕа үлэһит да буолан, Москубаҕа НХСБС Быыстапкатыгар сылдьар чиэстэммитэ.", "noisy": "Оннук дуула5а yлэhит да буолан, Москуба5а НХСБС Быыстапкатыгар сылдьар чиэстэммитэ.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2860, "split": "dev", "profile": "mixed", "gold": "Ол кэннэ баһаатайбар Ольга Филеткинаҕа сурук суруйан, дьиэм умайан, значоктарым, мэтээлим күл-көмөр буолбуттарын кэпсээбитим.", "noisy": "Ол кэннэ баьаатайбар Ольга Филеткинага сурук суруйан, дьиэм умайан, значоктарым, мэтээлим кул-к8мор буолбуттарын кэпсээбитим.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2861, "split": "test", "profile": "partial", "gold": "улуустар \"Сахаагропродукт\" өрөспүүбүлүкэ таһымнаах кэпэрэтииби тэрийэн, бородууксуйаларын кииннээн батарар буолбуттара.", "noisy": "улуустар \"Сахаагропродукт\" өрөспүүбүлүкэ таһымнаах кэпэрэтииби тэрийэн, бородууксуйаларын кииннээн батарар буолбуттара.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2862, "split": "test", "profile": "clean", "gold": "Оҕолорбутугар чугас дьонноро кыайыы көтөллөөх этэҥҥэ дойдуларыгар төннөн кэлэллэригэр баҕарабын!", "noisy": "Оҕолорбутугар чугас дьонноро кыайыы көтөллөөх этэҥҥэ дойдуларыгар төннөн кэлэллэригэр баҕарабын!", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2863, "split": "test", "profile": "ru_fold", "gold": "Бары сөбүлэҥ кэнниттэн тыа хаһаайыстыбатын чааһыгар, кини ороскуокка чааһыгар 2024 сыллааҕы бастакы бүддьүөтүнээҕэр 177 мөл.", "noisy": "Бары собулэн кэнниттэн тыа хаhаайыстыбатын чааhыгар, кини ороскуокка чааhыгар 2024 сыллаагы бастакы буддьуотунээгэр 177 мол.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2864, "split": "dev", "profile": "leontiev", "gold": "Бу түмсүүлэр бары биир ситимнээхтик Ньурбаҕа кииннээн үлэлиэхтээхтэр уонна «КУТ-СУР» тэрилтэҕэ салайтарыахтаахтар.", "noisy": "Бу тумсуулэр бары биир ситимнээхтик Ньурбага кииннээн улэлиэхтээхтэр уонна «КУТ-СУР» тэрилтэгэ салайтарыахтаахтар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2865, "split": "dev", "profile": "digits", "gold": "Уруһуй салгыыта курдук туох да быыһа-хайаҕаһа суох ойоҕос истиэнэлэргэ, муостаҕа сэрии экспонаттара, хаартыскалар, стендэлэр туруоруллубуттар.", "noisy": "Уруhуй салгыыта курдук туох да быыhа-хайа5аhа суох ойо5ос истиэнэлэргэ, муоста5а сэрии экспонаттара, хаартыскалар, стендэлэр туруоруллубуттар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2866, "split": "test", "profile": "mixed", "gold": "Пассажирдары тиэйии саҕаламмыта хайыы үйэ түөрт сыла буола оҕуста.", "noisy": "Пассажирдары тиэйии сахаламмыта хайыы уйэ туорт сыла буола охуста.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2867, "split": "test", "profile": "partial", "gold": "Түмүк оннугар Өрөспүүбүлүкэтээҕи наркодиспансер көрдөрүүтүнэн, 100 тыһ.", "noisy": "Түмүк оннугар Өрөспүүбүлүкэтээги наркодиспансер көрдөрүүтүнэн, 100 тыһ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2868, "split": "dev", "profile": "clean", "gold": "Биһиги былааспыт аҕыйах мөлүйүөнү “па” диир дьон, сылтанан эмиэ миллиардынан үбү бюджеттан сулуйуохтара диэн сэтэрээччилэр да көстөллөр.", "noisy": "Биһиги былааспыт аҕыйах мөлүйүөнү “па” диир дьон, сылтанан эмиэ миллиардынан үбү бюджеттан сулуйуохтара диэн сэтэрээччилэр да көстөллөр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2869, "split": "dev", "profile": "ru_fold", "gold": "Ыал буолар ытык киэһэҕитин хаһан да умнуллубат гына бэһиэлэйдик, интэриэһинэйдик тэрийэргэ дьулуһуҥ!", "noisy": "Ыал буолар ытык киэhэгитин хаhан да умнуллубат гына бэhиэлэйдик, интэриэhинэйдик тэрийэргэ дьулуhун!", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2870, "split": "test", "profile": "leontiev", "gold": "үүтү ыаччы аҕыйах этэ\" дииллэрин \"шоу үйэтин\" дьоно улахаҥҥа уурбаттар.", "noisy": "ууту ыаччы агыйах этэ\" дииллэрин \"шоу уйэтин\" дьоно улаханна уурбаттар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2871, "split": "test", "profile": "digits", "gold": "Аппараат магнитнай хонуута биир кэлим кыамталаах ол эбэтэр күүрүүтэ 1,5 Теслаҕа тэҥнэһэр уонна дааннайдары 16 ханааллаах систиэмэнэн биэрэр буолан, чинчийиини хаачыстыбалаахтык оҥорор.", "noisy": "Аппараат магнитнай хонуута биир кэлим кыамталаах ол эбэтэр кyyрyyтэ 1,5 Тесла5а тэннэhэр уонна дааннайдары 16 ханааллаах систиэмэнэн биэрэр буолан, чинчийиини хаачыстыбалаахтык онорор.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2872, "split": "dev", "profile": "mixed", "gold": "Сыалаах, арыылаах, тотоойу аһы үчүгэйдик аһааҥ.", "noisy": "Сыалаах, арыылаах, тотоойу аьы учугэйдик асаанг.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2873, "split": "dev", "profile": "partial", "gold": "Билиҥҥи быыстапкатын аата — “Ийэ — айылҕа айгылаах, айылҕа — ийэ иэйиилээх”.", "noisy": "Билинни быыстапкатын аата — “Ийэ — айылга айгылаах, айылга — ийэ иэйиилээх”.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2874, "split": "test", "profile": "clean", "gold": "Чугас дьонум доруобай буолуннар, уоннааҕыта барыта көстөн иһиэ буоллаҕа.", "noisy": "Чугас дьонум доруобай буолуннар, уоннааҕыта барыта көстөн иһиэ буоллаҕа.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2875, "split": "test", "profile": "ru_fold", "gold": "Өссө Кыайыы күнүгэр олорор уокуругум кэһии ыытан турардаах.", "noisy": "Оссо Кыайыы кунугэр олорор уокуругум кэhии ыытан турардаах.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2876, "split": "test", "profile": "leontiev", "gold": "Хантан эрэ үөрэн ымайбыт Хабырыыс баар буола түстэ.", "noisy": "Хантан эрэ уерэн ымайбыт Хабырыыс баар буола тустэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2877, "split": "test", "profile": "digits", "gold": "Сидьиҥ үөр күдэҥҥэ көтүөхтүн, Сир ийэ чөлүгэр түһүөхтүн, Өрөгөй чорооно күөрэйдин, Эйэ-дьол тойуга эйээрдин!\" Куонкуруска номнуо ырыа буолбут хоһооннордоох айар куттаах дьон кытынна.", "noisy": "Сидьин y8р кyдэннэ к8тy8хтyн, Сир ийэ ч8лyгэр тyhy8хтyн, 8р8г8й чорооно кy8рэйдин, Эйэ-дьол тойуга эйээрдин!\" Куонкуруска номнуо ырыа буолбут хоhооннордоох айар куттаах дьон кытынна.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2878, "split": "dev", "profile": "mixed", "gold": "Биһиги хонтуруолбутугар наадыйбат буоллаҕына эрэ, уопсай отделениеҕа көһөрөбүт.", "noisy": "Биhиги хонтуруолбутугар наадыйбат буоллагына эрэ, уопсай отделение5а кос8р8бyт.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2879, "split": "test", "profile": "partial", "gold": "Эһэбит да киирэрэ-тахсара аҕыйаата, билигин, ыарыйдахпытына, биһигини арбаҕастаах да абыраабат буоллаҕа, онон сэрэнэбит, бу эрэсиими кытаанахтык тутуһабыт.", "noisy": "Эһэбит да киирэрэ-тахсара агыйаата, билигин, ыарыйдахпытына, биһигини арбагастаах да абыраабат буоллага, онон сэрэнэбит, бу эрэсиими кытаанахтык тутуһабыт.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2880, "split": "test", "profile": "clean", "gold": "Киһи улахан кутталтан куотаары киэҥ, дириҥ көҥүһү үрдүнэн ойон кэбиспит эбэтэр адьырҕаттан быыһанаары үрдүк тииккэ ыттан тахсыбыт түбэлтэлэрэ биллэллэр.", "noisy": "Киһи улахан кутталтан куотаары киэҥ, дириҥ көҥүһү үрдүнэн ойон кэбиспит эбэтэр адьырҕаттан быыһанаары үрдүк тииккэ ыттан тахсыбыт түбэлтэлэрэ биллэллэр.", "source": "sah.wikipedia:Күүс уонна хамсаныы"}
{"id": 2881, "split": "dev", "profile": "ru_fold", "gold": "8 нэһилиэккэ быстах кэмҥэ гидропостар үлэлиэхтэрэ, кэтээн көрөөччүлэри кытары дуогабар түһэрсилиннэ, уу таһымын ыксаллаах кээмэйэ быһаарылынна.", "noisy": "8 нэhилиэккэ быстах кэмнэ гидропостар улэлиэхтэрэ, кэтээн корооччулэри кытары дуогабар туhэрсилиннэ, уу таhымын ыксаллаах кээмэйэ быhаарылынна.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2882, "split": "dev", "profile": "leontiev", "gold": "Олоҥхо уустук дьылҕатыгар кини уҕараабат талаана, өлбөөдүйбэт өҥөтө сүҥкэн.", "noisy": "Олонхо уустук дьылгатыгар кини угараабат талаана, елбеедуйбэт енете сункэн.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2883, "split": "test", "profile": "digits", "gold": "Хотон үлэһитин дьоруойга тэҥниир кэм үүннэ.", "noisy": "Хотон yлэhитин дьоруойга тэнниир кэм yyннэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2884, "split": "dev", "profile": "mixed", "gold": "Мин тиийиэм эйиэхэ, тапталлаах дойдубар, Үрүҥ тунах Ыһыах ытык күнүгэр.", "noisy": "Мин тиийиэм эйиэхэ, тапталлаах дойдубар, Yрyнг тунах Ыhыах ытык кунyгэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2885, "split": "test", "profile": "partial", "gold": "— Бастатан туран оҕо-аймах, дьон-сэргэ доруобуйата уонна кинилэр олохторо инники күөҥҥэ тутуллуохтаах.", "noisy": "— Бастатан туран ого-аймах, дьон-сэргэ доруобуйата уонна кинилэр олохторо инники күөннэ тутуллуохтаах.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2886, "split": "dev", "profile": "clean", "gold": "Оҕону бэйэ холобурунан иитии-үөрэтии Элбэх оҕо бэйэ-бэйэлэрин көрсөн улааталлар диэн кырдьык.", "noisy": "Оҕону бэйэ холобурунан иитии-үөрэтии Элбэх оҕо бэйэ-бэйэлэрин көрсөн улааталлар диэн кырдьык.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2887, "split": "test", "profile": "ru_fold", "gold": "Массыына суох, бэйэбит сүүрэн тиийэн, көмпүүтэргэ бэчээттэтэ охсорбут.", "noisy": "Массыына суох, бэйэбит суурэн тиийэн, компуутэргэ бэчээттэтэ охсорбут.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2888, "split": "dev", "profile": "leontiev", "gold": "Ил Дархан салгыы бу боппуруоһунан дьарыктаныахпыт, ону сэргэ Амма нэһилиэгин иһинээҕи уулуссалары оҥорууга эмиэ үлэ барыа диэтэ.", "noisy": "Ил Дархан салгыы бу боппуруоьунан дьарыктаныахпыт, ону сэргэ Амма нэьилиэгин иьинээги уулуссалары онорууга эмиэ улэ барыа диэтэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2889, "split": "dev", "profile": "digits", "gold": "\"Мин суохпун, аскыт-таҥаскыт итиннэ-манна\" диэн баран, уруулу аҕабытыгар салайабын, төлөпүөнү араарабын.", "noisy": "\"Мин суохпун, аскыт-танаскыт итиннэ-манна\" диэн баран, уруулу а5абытыгар салайабын, т8л8пy8нy араарабын.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2890, "split": "dev", "profile": "mixed", "gold": "Сайын устата үлэлэрин кэнниттэн бэлэмнэнэн, күһүн үлэ-хамнас үмүрүйбүтүн кэннэ олоҥхону кулуупка көрдөрбүттэрэ.", "noisy": "Сайын устата улэлэрин кэнниттэн бэлэмнэнэн, куhyн улэ-хамнас умуруйбутун кэннэ олонгхону кулуупка корд8рбуттэрэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2891, "split": "dev", "profile": "partial", "gold": "Суол быраабылаларын көрдөбүллэрэ массыынанан айаннаан иһэр киһиэхэ суол знактарын, ойууларын көрүүттэн үөскээн, олор көрдө-бүллэрин толорорун ирдииллэр.", "noisy": "Суол быраабылаларын көрдөбүллэрэ массыынанан айаннаан иһэр киһиэхэ суол знактарын, ойууларын көрүүттэн үөскээн, олор көрдө-бүллэрин толорорун ирдииллэр.", "source": "sah.wikipedia:Көрдөбүл уонна ирдэбил"}
{"id": 2892, "split": "test", "profile": "clean", "gold": "Бэйэҕэ турар сыанатын толуйарын ааһан барыс ситиһиллэрин курдук дьаһаннахха эрэ, тыа киһитэ дохуоттанар кыахтаах.", "noisy": "Бэйэҕэ турар сыанатын толуйарын ааһан барыс ситиһиллэрин курдук дьаһаннахха эрэ, тыа киһитэ дохуоттанар кыахтаах.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2893, "split": "test", "profile": "ru_fold", "gold": "Халампаас — Эдэр Саас Бэс ыйын 6 күнэ, 19:30, 2018 Оччолорго биһиги, куорат оҕолоро, бэйэбитин «панкаларбыт» дэнэрбит, алта-сэттэ буолан куорат кылабыыһатыгар мустарбыт.", "noisy": "Халампаас — Эдэр Саас Бэс ыйын 6 кунэ, 19:30, 2018 Оччолорго биhиги, куорат оголоро, бэйэбитин «панкаларбыт» дэнэрбит, алта-сэттэ буолан куорат кылабыыhатыгар мустарбыт.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2894, "split": "dev", "profile": "leontiev", "gold": "Бэйэтэ остуол тенниһигэр спорт маастара, РФ үтүөлээх тириэньэрэ.", "noisy": "Бэйэтэ остуол тенниьигэр спорт маастара, РФ утуелээх тириэньэрэ.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2895, "split": "test", "profile": "digits", "gold": "Сүрэхтэнии киэһэтин \"Мичээр\" уһуйаан кырачаан иитиллээччилэрэ, үөрэнээччилэр уонна култуура киинин исписэлиилэстэрэ, \"Махтал\" үҥкүү норуодунай кэлэктиибэ ырыаларынан, үҥкүүнэн киэргэттилэр.", "noisy": "Сyрэхтэнии киэhэтин \"Мичээр\" уhуйаан кырачаан иитиллээччилэрэ, y8рэнээччилэр уонна култуура киинин исписэлиилэстэрэ, \"Махтал\" yнкyy норуодунай кэлэктиибэ ырыаларынан, yнкyyнэн киэргэттилэр.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2896, "split": "test", "profile": "mixed", "gold": "Ол түмүгэр “На крайнем Северо-Востоке Сибири” (1895) диэн кинигэни таһаарбыта.", "noisy": "Ол тумyгэр “На крайнем Северо-Востоке Сибири” (1895) диэн кинигэни тасаарбыта.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2897, "split": "test", "profile": "partial", "gold": "«Билиҥҥи боростойо суох кэмҥэ бу сырыы ураты алыптаах буолла.", "noisy": "«Билинни боростойо суох кэмнэ бу сырыы ураты алыптаах буолла.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2898, "split": "test", "profile": "clean", "gold": "“Күү” диэн элбэх уу үөһээттэн эньиэргийэлээхтик, күүстээхтик, күүгүнэччи түһэр тыаһа.", "noisy": "“Күү” диэн элбэх уу үөһээттэн эньиэргийэлээхтик, күүстээхтик, күүгүнэччи түһэр тыаһа.", "source": "sah.wikipedia:Күүс уонна хамсаныы"}
{"id": 2899, "split": "test", "profile": "ru_fold", "gold": "Төрөөбүт улууспут сайдыытыгар туһалаах үлэһит буолалларыгар алгыыбыт.", "noisy": "Торообут улууспут сайдыытыгар туhалаах улэhит буолалларыгар алгыыбыт.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2900, "split": "test", "profile": "leontiev", "gold": "Муниципальнай тэриллиилэр баһылыктарын кытары көрсүһүүнү саҕалыырыгар Айсен Николаев олохтоох салайыныы уорганнарын чугастааҕы уонна кэлиҥҥи сылларга үлэлэрин сүрүн хайысхаларын бэлиэтээтэ.", "noisy": "Муниципальнай тэриллиилэр баьылыктарын кытары керсуьууну сагалыырыгар Айсен Николаев олохтоох салайыныы уорганнарын чугастаагы уонна кэлинни сылларга улэлэрин сурун хайысхаларын бэлиэтээтэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2901, "split": "dev", "profile": "digits", "gold": "Онон билигин бөрөлөрү бултуурга түөрт булчут биригээдэтэ таҕыста.", "noisy": "Онон билигин б8р8л8рy бултуурга тy8рт булчут биригээдэтэ та5ыста.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2902, "split": "dev", "profile": "mixed", "gold": "Көҥүл тустууга бэтэрээннэргэ аан дойду икки төгүллээх чемпиона Иннокентий Кочкин 75 сааһын туолла.", "noisy": "К8нгул тустууга бэтэрээннэргэ аан дойду икки тогyллээх чемпиона Иннокентий Кочкин 75 саасын туолла.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2903, "split": "dev", "profile": "partial", "gold": "Орто Халыма улууһун кииниттэн кыһын 8 чааһынан айаннаан тиийиллэр ыраах сытар Эбээх нэһилиэгэр икки сылтан бэттэх олох-дьаһах сэргэхсийбитин туһунан олохтоохтор астына кэпсииллэр.", "noisy": "Орто Халыма улууһун кииниттэн кыһын 8 чааһынан айаннаан тиийиллэр ыраах сытар Эбээх нэһилиэгэр икки сылтан бэттэх олох-дьаһах сэргэхсийбитин туһунан олохтоохтор астына кэпсииллэр.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2904, "split": "dev", "profile": "clean", "gold": "Өйдөөн хаалыыны эрэйэр садаачалар, Шульте таблицатынан мэйиини эрчийии, о.д.а.", "noisy": "Өйдөөн хаалыыны эрэйэр садаачалар, Шульте таблицатынан мэйиини эрчийии, о.д.а.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2905, "split": "dev", "profile": "ru_fold", "gold": "Ити курдук судургу соҕустук суккуйбахтаан иһэн уурайан хаалан хомоппута.", "noisy": "Ити курдук судургу согустук суккуйбахтаан иhэн уурайан хаалан хомоппута.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2906, "split": "dev", "profile": "leontiev", "gold": "Тыл истилиистикэтин тутуһуу алҕастаах бара турар эбэтэр сахалыытын кытта бодьуустаһыан баҕарбат дьон — нууччалыы көрүҥүн туруоран кэбиһэллэр.", "noisy": "Тыл истилиистикэтин тутуьуу алгастаах бара турар эбэтэр сахалыытын кытта бодьуустаьыан багарбат дьон — нууччалыы керунун туруоран кэбиьэллэр.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2907, "split": "dev", "profile": "digits", "gold": "Мин бу испэктээк иһигэр Өксөкүлээх Өлөксөйү бэйэтин буолбакка, туораттан кэтээн сылдьан саха интэлигиэнсийэтин туһунан суруйбут, айымньылары төрүттээбит айанньыт киһи олоҕун-дьаһаҕын көрдөрбүтүм.", "noisy": "Мин бу испэктээк иhигэр 8кс8кyлээх 8л8кс8йy бэйэтин буолбакка, туораттан кэтээн сылдьан саха интэлигиэнсийэтин туhунан суруйбут, айымньылары т8рyттээбит айанньыт киhи оло5ун-дьаhа5ын к8рд8рбyтyм.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2908, "split": "dev", "profile": "mixed", "gold": "Түгэһиир эбээннэрин төрүт оһуордарынан матыыптаах, «Этнические украшения народов Севера, Сибири и Дальнего Востока» оҕуруонан коллекциябынан кыттаммын 1 миэстэ буолан үөрдүм -көттүм.", "noisy": "Тугэсиир эбээннэрин торyт оhуордарынан матыыптаах, «Этнические украшения народов Севера, Сибири и Дальнего Востока» о5уруонан коллекциябынан кыттаммын 1 миэстэ буолан yордyм -коттум.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2909, "split": "dev", "profile": "partial", "gold": "Лимон аҥаарын, эбэтэр апельсин аҥаарын хахтары түөркэлээ уонна сөп буоларынан саахардаа.", "noisy": "Лимон анаарын, эбэтэр апельсин анаарын хахтары түөркэлээ уонна сөп буоларынан саахардаа.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2910, "split": "dev", "profile": "clean", "gold": "Кымыс испиттэр, эт сиэбиттэр, биир соҕотох «Мигалка» диэн аты арҕааттан илин сүүрдүбүттэр уонна Нэс Лэгэнтэй олоҥхотун истибиттэр.", "noisy": "Кымыс испиттэр, эт сиэбиттэр, биир соҕотох «Мигалка» диэн аты арҕааттан илин сүүрдүбүттэр уонна Нэс Лэгэнтэй олоҥхотун истибиттэр.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2911, "split": "dev", "profile": "ru_fold", "gold": "Саҥа кылаабынай быраас ананан кэлэн, өрөмүөн бөҕөтүн ыытан, билигин олох атын көстүү.", "noisy": "Сана кылаабынай быраас ананан кэлэн, оромуон боготун ыытан, билигин олох атын костуу.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2912, "split": "dev", "profile": "leontiev", "gold": "1991 сыл атырдьах ыйын 20 күнүгэр буолбут Крым судаарыстыбаннай уонна правовой статуһун туһунан референдум, 2014 сыл кулун тутар 16 күнүгэр ыытыллыбыт референдумҥа бастакы хардыынан буолбута, дьиэбитигэр төннөр суолга.", "noisy": "1991 сыл атырдьах ыйын 20 кунугэр буолбут Крым судаарыстыбаннай уонна правовой статуьун туьунан референдум, 2014 сыл кулун тутар 16 кунугэр ыытыллыбыт референдумна бастакы хардыынан буолбута, дьиэбитигэр теннер суолга.", "source": "ailabykt/sakha-corpus-mono:sakha_sire"}
{"id": 2913, "split": "dev", "profile": "digits", "gold": "Кэмэ кэллэҕинэ итинник атас эйигин да таҥнарыа, үрдүгүнэн сүүрүө.", "noisy": "Кэмэ кэллэ5инэ итинник атас эйигин да таннарыа, yрдyгyнэн сyyрy8.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2914, "split": "dev", "profile": "mixed", "gold": "Дойдутугар Олоохуна сирин Аанньаах Хочотугар ыытыллар Олоҥхо ыһыаҕын көрсө суруйбут хоһооннорун бэчээттиибит.", "noisy": "Дойдутугар Олоохуна сирин Аанньаах Хочотугар ыытыллар Олонхо ыhыахын корсо суруйбут хосооннорун бэчээттиибит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2915, "split": "dev", "profile": "partial", "gold": "Саба сырсан истэхтэринэ, ыт үрэ тоһуйбут.", "noisy": "Саба сырсан истэхтэринэ, ыт үрэ тоһуйбут.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2916, "split": "test", "profile": "clean", "gold": "Оҕо саас сылынан ырыанньыгы Алтан орто оскуолатын үөрэнээччилэрин дьэрэкээн уруһуйдара киэргэппиттэр.", "noisy": "Оҕо саас сылынан ырыанньыгы Алтан орто оскуолатын үөрэнээччилэрин дьэрэкээн уруһуйдара киэргэппиттэр.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2917, "split": "dev", "profile": "ru_fold", "gold": "Турукпуттан дьаарханна быһыылааҕа, “көрүдүөргэ тахсыах” диэбитэ.", "noisy": "Турукпуттан дьаарханна быhыылаага, “корудуоргэ тахсыах” диэбитэ.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2918, "split": "dev", "profile": "leontiev", "gold": "— Бу олорон да көрдөхпүнэ, олох быыс булбат эбиккит дии?", "noisy": "— Бу олорон да кердехпунэ, олох быыс булбат эбиккит дии?", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2919, "split": "test", "profile": "digits", "gold": "Маннык көргө-оонньууга ыччаттар билсэннэр ыал-уруу буолаллар.", "noisy": "Маннык к8рг8-оонньууга ыччаттар билсэннэр ыал-уруу буолаллар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2920, "split": "test", "profile": "mixed", "gold": "Дуоһунастаах киһи депутат да буолбатар наадалаах боппуруоһугар депутатскай сессияларга сокуон быһыытынан, хайдах баҕарар кыттар бырааптааҕын билэн, көрөн-истэн кэллибит.", "noisy": "Дуосунастаах киhи депутат да буолбатар наадалаах боппуруосугар депутатскай сессияларга сокуон бысыытынан, хайдах бахарар кыттар бырааптаахын билэн, корон-истэн кэллибит.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2921, "split": "test", "profile": "partial", "gold": "Оттон биһиги кини дьыалатын салҕаабыппыт\", — диэн.", "noisy": "Оттон биһиги кини дьыалатын салгаабыппыт\", — диэн.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2922, "split": "dev", "profile": "clean", "gold": "Ийэм \"Бу Сүөдэр тимири биһиги таҥаһы кырыйарбытынааҕар дэбэҕэстик тутар-хабар\", — диирэ.", "noisy": "Ийэм \"Бу Сүөдэр тимири биһиги таҥаһы кырыйарбытынааҕар дэбэҕэстик тутар-хабар\", — диирэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2923, "split": "dev", "profile": "ru_fold", "gold": "Марфа Петровна күн бүгүҥҥүгэ диэри уһуйбут учууталларыгар махтанарын эттэ, Намнааҕы И.Винокуров аатынан училищеҕа үөрэммит сылларын сылаастык ахтан ааста.", "noisy": "Марфа Петровна кун бугуннугэ диэри уhуйбут учууталларыгар махтанарын эттэ, Намнаагы И.Винокуров аатынан училищега уорэммит сылларын сылаастык ахтан ааста.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2924, "split": "dev", "profile": "leontiev", "gold": "Ол курдук кыраларыттан хара үлэҕэ эриллэн үтүө-мааны үлэһит сиэннэрэ эһэлэригэр махталлара муҥура суох.", "noisy": "Ол курдук кыраларыттан хара улэгэ эриллэн утуе-мааны улэьит сиэннэрэ эьэлэригэр махталлара мунура суох.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2925, "split": "test", "profile": "digits", "gold": "Убайга күүһүнэн өттөйүү дьиҥнээх эр киһи быһыыта буолбатах дии саныыра.", "noisy": "Убайга кyyhyнэн 8тт8йyy дьиннээх эр киhи быhыыта буолбатах дии саныыра.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2926, "split": "dev", "profile": "mixed", "gold": "Оҕолору кэрэҕэ, сырдыкка угуйар нэһилиэккэ биир тарбахха баттанар киһинэн ааҕыллар.", "noisy": "Охолору кэрэ5э, сырдыкка угуйар нэьилиэккэ биир тарбахха баттанар кисинэн аагыллар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2927, "split": "test", "profile": "partial", "gold": "Бу сокуон киирдэҕинэ, аграрнай бэлиитикэҕэ сыһыаннаан, туох үлэ-хамнас барбытын муниципальнай тэриллиилэр утум-ситим отчуоттаан иһиэхтэрэ.", "noisy": "Бу сокуон киирдэгинэ, аграрнай бэлиитикэгэ сыһыаннаан, туох үлэ-хамнас барбытын муниципальнай тэриллиилэр утум-ситим отчуоттаан иһиэхтэрэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2928, "split": "test", "profile": "clean", "gold": "Төһө да туттуна сатаабытын иһин ити кыдьыгын кыайан бырахпатаҕа.", "noisy": "Төһө да туттуна сатаабытын иһин ити кыдьыгын кыайан бырахпатаҕа.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2929, "split": "dev", "profile": "ru_fold", "gold": "Киһи буолан сылдьыы, киһилии быһыыланыы сэрэҕи тутуһа сырыттахха эрэ кыаллар уратылаах.", "noisy": "Киhи буолан сылдьыы, киhилии быhыыланыы сэрэги тутуhа сырыттахха эрэ кыаллар уратылаах.", "source": "sah.wikipedia:Өй-санаа аһара барара элбэх"}
{"id": 2930, "split": "test", "profile": "leontiev", "gold": "Ону-маны ыйыттахха, үөрэ-көтө эппиэттииллэр, \"өссө тугу ыйытаҕын?\" диэбиттии көрөллөр.", "noisy": "Ону-маны ыйыттахха, уерэ-кете эппиэттииллэр, \"ессе тугу ыйытагын?\" диэбиттии кереллер.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2931, "split": "dev", "profile": "digits", "gold": "Арай биирдэ ол дьиэлээх киһи миэхэ кэллэ, уонна: «Сүөһү кыстыгар кыырдарыам этэ», — диэтэ.", "noisy": "Арай биирдэ ол дьиэлээх киhи миэхэ кэллэ, уонна: «Сy8hy кыстыгар кыырдарыам этэ», — диэтэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2932, "split": "dev", "profile": "mixed", "gold": "Бүгүн аҕы­йах күҥҥэ Германия диэки айанныах.", "noisy": "Бyгун агы­йах кyнгнэ Германия диэки айанныах.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2933, "split": "test", "profile": "partial", "gold": "Ол эрэн, историяны токурутуу долгунугар фашизм үөһэ тахсыаҕа.", "noisy": "Ол эрэн, историяны токурутуу долгунугар фашизм үөһэ тахсыага.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2934, "split": "dev", "profile": "clean", "gold": "Кини эдэригэр биир ороспуойтан куотарыгар Дьокуускай куорат биир аппатын (Залог оччолорго синньигэс эбитэ буолуо) сүүрэн кэлэн буурдаан ыстанан быыһаммыта үһү.", "noisy": "Кини эдэригэр биир ороспуойтан куотарыгар Дьокуускай куорат биир аппатын (Залог оччолорго синньигэс эбитэ буолуо) сүүрэн кэлэн буурдаан ыстанан быыһаммыта үһү.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2935, "split": "dev", "profile": "ru_fold", "gold": "Сэрии сылларыгар Капитонов Николай оҕонньордооххо Огдорооҥҥо Тоҥ Суорун диэн олоҥхоһут олоро сылдьыбыта.", "noisy": "Сэрии сылларыгар Капитонов Николай огонньордооххо Огдороонно Тон Суорун диэн олонхоhут олоро сылдьыбыта.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2936, "split": "test", "profile": "leontiev", "gold": "Эмиэ туһунан баай устуоруйалаах, талааннаах дьонноох нэһилиэк.", "noisy": "Эмиэ туьунан баай устуоруйалаах, талааннаах дьонноох нэьилиэк.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2937, "split": "dev", "profile": "digits", "gold": "“Сүрэх баҕатын, сүһүөх кыайбат” диэн өс хоһооно киһи араас элбэх баҕа санаатын этэ-сиинэ кыайан сиппэтин, ол иһин кыайан толорботун биллэрэр.", "noisy": "“Сyрэх ба5атын, сyhy8х кыайбат” диэн 8с хоhооно киhи араас элбэх ба5а санаатын этэ-сиинэ кыайан сиппэтин, ол иhин кыайан толорботун биллэрэр.", "source": "sah.wikipedia:Өй-санаа аһара барара элбэх"}
{"id": 2938, "split": "test", "profile": "mixed", "gold": "Иккис миэстэни тус-туһунан оскуолалартан сүүмэрдэммит хамаанда (НПСОШ-2, ЯГНГ, Мүрүтээҕи СОШ-2) үөрэнээччилэрэ 26 очколаах ылла.", "noisy": "Иккис миэстэни тус-туьунан оскуолалартан суyмэрдэммит хамаанда (НПСОШ-2, ЯГНГ, Мурyтээхи СОШ-2) y8рэнээччилэрэ 26 очколаах ылла.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2939, "split": "test", "profile": "partial", "gold": "Ол эрээри сорох сокуон ыстатыйалара үп-харчы суоҕунан, дьиҥ олоххо киирбэттэрэ.", "noisy": "Ол эрээри сорох сокуон ыстатыйалара үп-харчы суогунан, дьин олоххо киирбэттэрэ.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2940, "split": "dev", "profile": "clean", "gold": "сайыммыт саҕаланыыта кураан, онтон аҕыйах күн ардыы түһэн баран, кылгастык кураарар онтон ардах көстөр эһиги түөлбэҕэ диэн бастакы көҕөн бөлөһүөктээн барда.", "noisy": "сайыммыт саҕаланыыта кураан, онтон аҕыйах күн ардыы түһэн баран, кылгастык кураарар онтон ардах көстөр эһиги түөлбэҕэ диэн бастакы көҕөн бөлөһүөктээн барда.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2941, "split": "dev", "profile": "ru_fold", "gold": "Күүстээх аҥардар алааһы эргиччи сиэрдийэлэрин саҥардан күрүөнү абырахтаатылар.", "noisy": "Куустээх анардар алааhы эргиччи сиэрдийэлэрин санардан куруону абырахтаатылар.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2942, "split": "dev", "profile": "leontiev", "gold": "Кини троҥҥа 1558 сыл сэтинньи 17 күнүттэн өлүөҕэр дылы, 1603 сыл кулун тутар 24 дылы саоалайбыта.", "noisy": "Кини тронна 1558 сыл сэтинньи 17 кунуттэн елуегэр дылы, 1603 сыл кулун тутар 24 дылы саоалайбыта.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2943, "split": "test", "profile": "digits", "gold": "Арассыыйаҕа 5 миэстэҕэ тиийэ таҕыстыбыт.", "noisy": "Арассыыйа5а 5 миэстэ5э тиийэ та5ыстыбыт.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2944, "split": "dev", "profile": "mixed", "gold": "Дэгиттэр да, наһаа кэлэн баран уонна уутугар-хаарыгар киирдэҕинэ, киһи сүөргүлүүр курдук этэн-тыынан бардахтарына, киһи куттанара.", "noisy": "Дэгиттэр да, насаа кэлэн баран уонна уутугар-хаарыгар киирдэхинэ, киьи су8ргулуyр курдук этэн-тыынан бардахтарына, киьи куттанара.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2945, "split": "dev", "profile": "partial", "gold": "Оҕолорун балаҕаҥҥа бэйэлэрин эрэ хаалларан баран үлэни өрө тутаахтыыллара, икки кыра кыыс оҕолоро буор муосталаах балаҕаҥҥа тымныйан, сыыстаран өлөөхтөөбүттэр эбит.", "noisy": "Оголорун балаганна бэйэлэрин эрэ хаалларан баран үлэни өрө тутаахтыыллара, икки кыра кыыс оголоро буор муосталаах балаганна тымныйан, сыыстаран өлөөхтөөбүттэр эбит.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2946, "split": "dev", "profile": "clean", "gold": "Тохсунньу 14 — Михаил Дьячковскай - Көлбө — бэйиэт, прозаик.", "noisy": "Тохсунньу 14 — Михаил Дьячковскай - Көлбө — бэйиэт, прозаик.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2947, "split": "test", "profile": "ru_fold", "gold": "Оҕолор барахсаттар бэйэлэрэ да сылдьар сирдэрэ, көрөр дьонноро элбэҕэ буолуо.", "noisy": "Оголор барахсаттар бэйэлэрэ да сылдьар сирдэрэ, корор дьонноро элбэгэ буолуо.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2948, "split": "dev", "profile": "leontiev", "gold": "Кэннигэр киһи турара эмиэ сэрэхтээх \"плечевой серфинг\" диэн ааттаммыт социальнай инженерия көрүҥэ баар — кэннигиттэн уоран көрүү түөкүттэргэ туһалаах буолуон сөп.", "noisy": "Кэннигэр киьи турара эмиэ сэрэхтээх \"плечевой серфинг\" диэн ааттаммыт социальнай инженерия керунэ баар — кэннигиттэн уоран керуу туекуттэргэ туьалаах буолуон сеп.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2949, "split": "test", "profile": "digits", "gold": "Сороҕор сылдьан-сылдьан баран үөрэх дьылын быһаҕаһа буолбутун кэннэ саҥа үөрэнэ тиийэллэр.", "noisy": "Соро5ор сылдьан-сылдьан баран y8рэх дьылын быhа5аhа буолбутун кэннэ сана y8рэнэ тиийэллэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2950, "split": "test", "profile": "mixed", "gold": "Ол туһугар анаан Дьокуускай куорат 2032 с.", "noisy": "Ол тусугар анаан Дьокуускай куорат 2032 с.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2951, "split": "test", "profile": "partial", "gold": "Бүтүн улуус иһигэр миэхэҕэ эрэ маннык кэһии кэллэҕэ буолуо, ол түгэни билиҥҥээҥҥэ диэри күндүтүк саныыбын.", "noisy": "Бүтүн улуус иһигэр миэхэгэ эрэ маннык кэһии кэллэгэ буолуо, ол түгэни билиннээннэ диэри күндүтүк саныыбын.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2952, "split": "dev", "profile": "clean", "gold": "Ыраахтан ыалдьыт кэлиэ эбэтэр кэһии тутуоҥ.", "noisy": "Ыраахтан ыалдьыт кэлиэ эбэтэр кэһии тутуоҥ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2953, "split": "test", "profile": "ru_fold", "gold": "— Быраас сүбэтэ суох клизманы туһамматах ордук.", "noisy": "— Быраас субэтэ суох клизманы туhамматах ордук.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2954, "split": "test", "profile": "leontiev", "gold": "Бастыҥтан бастыҥнар Аат-суол арааһа, номинация эҥин кэмчи.", "noisy": "Бастынтан бастыннар Аат-суол арааьа, номинация энин кэмчи.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2955, "split": "dev", "profile": "digits", "gold": "Бу кэбиниэккэ киирэн тахсыбыт кэрэ аҥаардар өссө кэрэтийэллэрин, тупсалларын туһугар кыһаллан-мүһэллэн үлэлиир.", "noisy": "Бу кэбиниэккэ киирэн тахсыбыт кэрэ анаардар 8сс8 кэрэтийэллэрин, тупсалларын туhугар кыhаллан-мyhэллэн yлэлиир.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2956, "split": "test", "profile": "mixed", "gold": "— 302), ол түмүгэр киһи өлүүтэ — 29 (2015 с.", "noisy": "— 302), ол тyмyгэр киси олуутэ — 29 (2015 с.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2957, "split": "test", "profile": "partial", "gold": "– Уонна туох да хом санаата суох кырдьыктаах дьыала иһин төбөбүтүн толук ууруохпут!", "noisy": "– Уонна туох да хом санаата суох кырдьыктаах дьыала иһин төбөбүтүн толук ууруохпут!", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2958, "split": "test", "profile": "clean", "gold": "- Эгэй, ноколоор, эдэр-сэнэх эрдэххэ оонньоон-көрүлээн хаалыахха!", "noisy": "- Эгэй, ноколоор, эдэр-сэнэх эрдэххэ оонньоон-көрүлээн хаалыахха!", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2959, "split": "test", "profile": "ru_fold", "gold": "Алеша Слепцов, 11 кылаас, (Абый): — «Сыл арыйыыта» диэн номинация ылан, үөрэн-көтөн турабын.", "noisy": "Алеша Слепцов, 11 кылаас, (Абый): — «Сыл арыйыыта» диэн номинация ылан, уорэн-котон турабын.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2960, "split": "test", "profile": "leontiev", "gold": "Кырдьык, Анна Николаевна хоһугар киирэн кэлбиппит, ороҥҥо ис иһиттэн сып-сырдыгынан сыдьаайар ытык кырдьаҕас олороро.", "noisy": "Кырдьык, Анна Николаевна хоьугар киирэн кэлбиппит, оронно ис иьиттэн сып-сырдыгынан сыдьаайар ытык кырдьагас олороро.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2961, "split": "test", "profile": "digits", "gold": "Оҕолорбут тыа сирин испэсэлииһэ буолуохтарын ончу баҕарбаттар.", "noisy": "О5олорбут тыа сирин испэсэлииhэ буолуохтарын ончу ба5арбаттар.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2962, "split": "dev", "profile": "mixed", "gold": "Ону көрөн Сэмэн доҕоругар эппит: «Дьэ, табаарыһым түөһэйбиккин, бу куһаҕан үкээр аайы дьоҥҥун охторон эрэҕин», — диэбит.", "noisy": "Ону к8рон Сэмэн догоругар эппит: «Дьэ, табаарыьым туоьэйбиккин, бу куьа5ан yкээр аайы дьонгнгун охторон эрэ5ин», — диэбит.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2963, "split": "test", "profile": "partial", "gold": "Өссө дьиэлэрин ааннарын айаҕар диэри тиэрдэн биэрэбит.", "noisy": "Өссө дьиэлэрин ааннарын айагар диэри тиэрдэн биэрэбит.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2964, "split": "dev", "profile": "clean", "gold": "—Онуоха эрдэ миниистирдээн олорбут Павел Колобкову уонна билиҥҥи миниистир Олег Матыцины мөлтөх функционердар, үрдүкү салалта итэҕэлин толорботулар диэн буруйдууллара төһө олохтооҕуй?", "noisy": "—Онуоха эрдэ миниистирдээн олорбут Павел Колобкову уонна билиҥҥи миниистир Олег Матыцины мөлтөх функционердар, үрдүкү салалта итэҕэлин толорботулар диэн буруйдууллара төһө олохтооҕуй?", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2965, "split": "dev", "profile": "ru_fold", "gold": "Маны тэҥэ ууга былдьаммыт сүөһү өлүгүн харайарга эмиэ биригээдэлэр тэрилиннилэр.", "noisy": "Маны тэнэ ууга былдьаммыт суоhу олугун харайарга эмиэ биригээдэлэр тэрилиннилэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2966, "split": "dev", "profile": "leontiev", "gold": "Онуоха эбии, кыһын Амыр мууһун устун дьон сүүрэн биһиги өттүбүтүгэр кэлэллэр.", "noisy": "Онуоха эбии, кыьын Амыр мууьун устун дьон суурэн биьиги еттубутугэр кэлэллэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2967, "split": "test", "profile": "digits", "gold": "«Ритм» култуура дьиэтэ, Маҕан, Алымов уул.", "noisy": "«Ритм» култуура дьиэтэ, Ма5ан, Алымов уул.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2968, "split": "dev", "profile": "mixed", "gold": "Өлүөхүмэҕэ — Олоҥхо ыһыаҕа Дойдубар Олоҥхо ыалдьыттыыр сайына, Бэс ыйын түптэлэс куйааһын үгэнэ, Үрүҥ түүн муҥутаан үҥкүүлүүр күннэрэ Ыһыахха киирээри оҥостуу түгэнэ…", "noisy": "8лу8хумэгэ — Олонхо ыьыага Дойдубар Олонхо ыалдьыттыыр сайына, Бэс ыйын туптэлэс куйааьын yгэнэ, Yрун туун мунгутаан yнгкуyлyур кyннэрэ Ысыахха киирээри онгостуу тyгэнэ…", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2969, "split": "dev", "profile": "partial", "gold": "Кини Нөөрүктээйи дьонугар сэргэтигэр сатабыллаах мас ууһунан, олоҥхоһутунан, ырыаһытынан, булчутунан балыксытынан, үлэһитинэн, ураты киэҥ суоллаах от охсооччунан, үтүө майгытынан биллэрэ.", "noisy": "Кини Нөөрүктээйи дьонугар сэргэтигэр сатабыллаах мас ууһунан, олонхоһутунан, ырыаһытынан, булчутунан балыксытынан, үлэһитинэн, ураты киэн суоллаах от охсооччунан, үтүө майгытынан биллэрэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2970, "split": "test", "profile": "clean", "gold": "*** Пиэрибэй кылаас оҕолоро кэпсэтэллэр: — Павлик, улааттаххына, хас оҕолоноҕун?", "noisy": "*** Пиэрибэй кылаас оҕолоро кэпсэтэллэр: — Павлик, улааттаххына, хас оҕолоноҕун?", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2971, "split": "test", "profile": "ru_fold", "gold": "автомобиль сууккаҕа саамай улахан таһаҕас европейскай сүөрүү буолар.", "noisy": "автомобиль сууккага саамай улахан таhагас европейскай суоруу буолар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2972, "split": "dev", "profile": "leontiev", "gold": "Бастакы күнтэн саҕалаан, сүрэхпитигэр умнуллубат кэрэ түгэннэр саҕаламмыттара.", "noisy": "Бастакы кунтэн сагалаан, сурэхпитигэр умнуллубат кэрэ тугэннэр сагаламмыттара.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2973, "split": "test", "profile": "digits", "gold": "Олохтоохтор «Ситим» таһаарыыларын сөбүлээн ааҕалларын, тиһигин быспакка сурутулларын, оттон «Кыым» хаһыаты, \"Хатан\", \"Байдам\" сурунааллары эрэллээх доҕор оҥостоллорун истэн, үлэбит халтай хаалбат эбит диэн үөрдүбүт.", "noisy": "Олохтоохтор «Ситим» таhаарыыларын с8бyлээн аа5алларын, тиhигин быспакка сурутулларын, оттон «Кыым» хаhыаты, \"Хатан\", \"Байдам\" сурунааллары эрэллээх до5ор оностоллорун истэн, yлэбит халтай хаалбат эбит диэн y8рдyбyт.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2974, "split": "test", "profile": "mixed", "gold": "Ол туһунан Любовь Даниловна маннык кэпсиир: — Эдэр юннаттар өрөспүүбүлүкэтээҕи ыстаансыйаларын иһинэн 1970–1980 сс.", "noisy": "Ол туьунан Любовь Даниловна маннык кэпсиир: — Эдэр юннаттар ороспyубyлукэтээ5и ыстаансыйаларын иьинэн 1970–1980 сс.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2975, "split": "test", "profile": "partial", "gold": "Биллэн турар, 10 киилэни быраҕа охсор кыаллыбат, онон сөбүлүүр таҥаспытыгар батар гына сыал-сорук туруорунан чуолкай былаан оҥостон туохтан саҕалыыры билиэхтээхпит.", "noisy": "Биллэн турар, 10 киилэни бырага охсор кыаллыбат, онон сөбүлүүр танаспытыгар батар гына сыал-сорук туруорунан чуолкай былаан оностон туохтан сагалыыры билиэхтээхпит.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2976, "split": "dev", "profile": "clean", "gold": "Эһэм икки оҕотун кытта тулаайах хаалан элбэх эрэйи көрсүбүтэ.", "noisy": "Эһэм икки оҕотун кытта тулаайах хаалан элбэх эрэйи көрсүбүтэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2977, "split": "dev", "profile": "ru_fold", "gold": "Сэтинньи 24 күнүгэр Уус Алданнааҕы оҕолорго аналлаах социальнай-реабилитационнай кииҥҥэ (дир.Иннокентий Сергеев) «Олоҥхо дойдута» тэрээһин буолан ааста.", "noisy": "Сэтинньи 24 кунугэр Уус Алданнаагы оголорго аналлаах социальнай-реабилитационнай кииннэ (дир.Иннокентий Сергеев) «Олонхо дойдута» тэрээhин буолан ааста.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2978, "split": "test", "profile": "leontiev", "gold": "Үөрэнэ сырыттаҕына, Николай аҕатын «Сэбиэскэй былаас өстөөҕө» диэн хаайан, бэйэтин «кулаак сыдьаана» диэн, үөрэҕиттэн устан кэбиһэллэр.", "noisy": "Уерэнэ сырыттагына, Николай агатын «Сэбиэскэй былаас естееге» диэн хаайан, бэйэтин «кулаак сыдьаана» диэн, уерэгиттэн устан кэбиьэллэр.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2979, "split": "dev", "profile": "digits", "gold": "Үлэлээбитим 1,5 сылын устата өрөспүүбүлүкэ араас муннугуттан саҕалаан, тас дойдуларынан тиийэ элбэхтик айаннаан, сири-дойдуну көрдүм, араас омук дьонун олоҕун-дьаһаҕын кытта билистим.", "noisy": "Yлэлээбитим 1,5 сылын устата 8р8спyyбyлyкэ араас муннугуттан са5алаан, тас дойдуларынан тиийэ элбэхтик айаннаан, сири-дойдуну к8рдyм, араас омук дьонун оло5ун-дьаhа5ын кытта билистим.", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2980, "split": "test", "profile": "mixed", "gold": "Ону барытын биһиги 280 үлэһиппит көрөн-истэн олорор.", "noisy": "Ону барытын биhиги 280 улэсиппит корон-истэн олорор.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2981, "split": "dev", "profile": "partial", "gold": "Дьэ аҕыйах сылынан биэс уолгуттан мэлийэн, өтөх сэргэтин курдук суос-соҕотоҕун туран хаалыыһыгын.", "noisy": "Дьэ агыйах сылынан биэс уолгуттан мэлийэн, өтөх сэргэтин курдук суос-соготогун туран хаалыыһыгын.", "source": "sah.wikipedia:Слепцов Иннокентий Васильевич"}
{"id": 2982, "split": "dev", "profile": "clean", "gold": "Киһиттэн, киһи өйүттэн санаатыттан тутулуктаах, бобор, тохтотор проблеманы быьаарыы буотах...", "noisy": "Киһиттэн, киһи өйүттэн санаатыттан тутулуктаах, бобор, тохтотор проблеманы быьаарыы буотах...", "source": "ailabykt/sakha-corpus-mono:madlad"}
{"id": 2983, "split": "test", "profile": "ru_fold", "gold": "Политбюро сорох боппуруостарга сыыһарын, ордук идеологияҕа атын санааны истэр, аахсар наадалааҕын, сорох боппуруостарга демократтар ирдииллэрин кытары сөбүлэһэрин этэрэ.", "noisy": "Политбюро сорох боппуруостарга сыыhарын, ордук идеологияга атын санааны истэр, аахсар наадалаагын, сорох боппуруостарга демократтар ирдииллэрин кытары собулэhэрин этэрэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2984, "split": "test", "profile": "leontiev", "gold": "Ил Дархан быһа эпиирин кэмигэр биир чаас иһигэр 70-тан тахса ыйытыы киирдэ.", "noisy": "Ил Дархан быьа эпиирин кэмигэр биир чаас иьигэр 70-тан тахса ыйытыы киирдэ.", "source": "ailabykt/sakha-corpus-mono:eder_saas"}
{"id": 2985, "split": "test", "profile": "digits", "gold": "Андреев, хампаанньа тутаах менеджердэрэ кэлэн, үөрүүнү үллэһиннилэр.", "noisy": "Андреев, хампаанньа тутаах менеджердэрэ кэлэн, y8рyyнy yллэhиннилэр.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2986, "split": "dev", "profile": "mixed", "gold": "Ыстараап улахана дьону оҥорор быһыыларын таба сыаналыылларыгар күһэйэр кыаҕа улаатан биэрэр.", "noisy": "Ыстараап улахана дьону онгорор быьыыларын таба сыаналыылларыгар кусэйэр кыага улаатан биэрэр.", "source": "sah.wikipedia:Көрдөбүл уонна ирдэбил"}
{"id": 2987, "split": "dev", "profile": "partial", "gold": "Олору туох да айдаана суох комендатураҕа илдьэн иһэбит.", "noisy": "Олору туох да айдаана суох комендатурага илдьэн иһэбит.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2988, "split": "dev", "profile": "clean", "gold": "«Айар түһүлгэ» фольклорный курэхтэрэ, Абрамова Н.", "noisy": "«Айар түһүлгэ» фольклорный курэхтэрэ, Абрамова Н.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2989, "split": "dev", "profile": "ru_fold", "gold": "Бааһыран төннөн кэлэн баран, Табаҕа, Майа оскуоларыгар үлэтин салҕаабыта.", "noisy": "Бааhыран тоннон кэлэн баран, Табага, Майа оскуоларыгар улэтин салгаабыта.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2990, "split": "test", "profile": "leontiev", "gold": "Итинник көстүү сайдыы буолбатах, сатарыйыы.", "noisy": "Итинник кестуу сайдыы буолбатах, сатарыйыы.", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 2991, "split": "dev", "profile": "digits", "gold": "Бастыҥ уус быһыытынан биллэрэ, дьиэ тэрилин оҥоруутунан дьарыктанара.", "noisy": "Бастын уус быhыытынан биллэрэ, дьиэ тэрилин оноруутунан дьарыктанара.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2992, "split": "test", "profile": "mixed", "gold": "Г.Д.Протодьяконов аатынан Алаҕар орто оскуолатыгар үөрэнэ сылдьан Чаҕылыс диэн Саха КВН хамаандатыгар оонньообута.", "noisy": "Г.Д.Протодьяконов аатынан Алагар орто оскуолатыгар y8рэнэ сылдьан Чагылыс диэн Саха КВН хамаандатыгар оонньообута.", "source": "sah.wikipedia:Ponsash"}
{"id": 2993, "split": "dev", "profile": "partial", "gold": "Кэргэнэ Анна Давыдовналыын 3 оҕону төрөппүттэрэ.", "noisy": "Кэргэнэ Анна Давыдовналыын 3 огону төрөппүттэрэ.", "source": "ailabykt/sakha-corpus-mono:nii_olonho"}
{"id": 2994, "split": "dev", "profile": "clean", "gold": "Бодоруспут доҕотторуттан арахсан, аҕатыныын быраһаайдаһан, саллаат суолун туппута.", "noisy": "Бодоруспут доҕотторуттан арахсан, аҕатыныын быраһаайдаһан, саллаат суолун туппута.", "source": "ailabykt/sakha-corpus-mono:uluus_media"}
{"id": 2995, "split": "dev", "profile": "ru_fold", "gold": "Бэрт элбэх киһи, ордук саастаах өттө, «билиҥҥи ыччат бэрээдэгэ мөлтөх, буруйу оҥорор, арыгылыыр, чэпчэки олоҕу батыһар» дииллэрин элбэхтик истэбин.", "noisy": "Бэрт элбэх киhи, ордук саастаах отто, «билинни ыччат бэрээдэгэ молтох, буруйу онорор, арыгылыыр, чэпчэки ологу батыhар» дииллэрин элбэхтик истэбин.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2996, "split": "test", "profile": "leontiev", "gold": "Маны таһынан, Кеша биир парикмахер кыыстыын табаарыстаһара.", "noisy": "Маны таьынан, Кеша биир парикмахер кыыстыын табаарыстаьара.", "source": "ailabykt/sakha-corpus-mono:kyym"}
{"id": 2997, "split": "test", "profile": "digits", "gold": "Хайдах, хантан эрийэн албынныахтарын сөбүн сэрэтэбит».", "noisy": "Хайдах, хантан эрийэн албынныахтарын с8бyн сэрэтэбит».", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2998, "split": "test", "profile": "mixed", "gold": "Күн ахсын Ил Дарханы, Ил Түмэни сиилииртэн ордубат буолуу олохсуйар.", "noisy": "Кyн ахсын Ил Дарханы, Ил Тyмэни сиилииртэн ордубат буолуу олохсуйар.", "source": "ailabykt/sakha-corpus-mono:fineweb-2"}
{"id": 2999, "split": "test", "profile": "partial", "gold": "Чороҥ соҕотох тиийээри, чороҥ соҕотох төннөөрү дуо?", "noisy": "Чорон соготох тиийээри, чорон соготох төннөөрү дуо?", "source": "ailabykt/sakha-corpus-mono:oscar"}
{"id": 3000, "split": "dev", "profile": "clean", "gold": "Онон артыыстар, тыйаатырдар иннилэригэр уустук боппуруос турарын бэйэҕит да сыаналаан көрүҥ.", "noisy": "Онон артыыстар, тыйаатырдар иннилэригэр уустук боппуруос турарын бэйэҕит да сыаналаан көрүҥ.", "source": "ailabykt/sakha-corpus-mono:kyym"}