Go Back

Go back

Marathi (India) Call Center Speech Dataset for BFSI

The audio dataset comprises call center conversations for the BFSI domain, featuring native Marathi speakers from India. It includes speech data, detailed metadata and accurate transcriptions.

Category

Unscripted Call Center Conversations

Total Volume

40 Speech Hours

Last updated

Jun 2024

Number of participants

80

Get this Speech Dataset

Get Dataset Btn
Machine learning speech data for BFSI call center in Korean (South Korea)
DownloadDownload Icon

Request Custom Collection

Get Dataset Btn

About this Off-the-shelf Speech Dataset

About Gradiet Line

Introduction

Welcome to the Marathi Call Center Speech Dataset for the BFSI domain designed to enhance the development of call center speech recognition models specifically for the BFSI industry. This dataset is meticulously curated to support advanced speech recognition, natural language processing, conversational AI, and generative voice AI algorithms.

Speech Data

This training dataset comprises 40 Hours of call center audio recordings covering various topics and scenarios related to the BFSI domain, designed to build robust and accurate customer service speech technology.

  • •Participant Diversity:
  • •
    Speakers: 80 People expert native Marathi speakers from the FutureBeeAI Community.
  • •
    Regions: Different regions of Maharashtra, ensuring a balanced representation of Marathi accents, dialects, and demographics.
  • •
    Participant Profile: Participants range from 18 to 70 years old, representing both males and females in a 60:40 ratio, respectively.
  • •Recording Details:
  • •
    Conversation Nature: Unscripted and spontaneous conversations between call center agents and customers.
  • •
    Call Duration: Average duration of 5 to 15 minutes per call.
  • •
    Formats: WAV format with stereo channels, a bit depth of 16 bits, and a sample rate of 8 and 16 kHz.
  • •
    Environment: Without background noise and without echo.

    • Topic Diversity

    This dataset offers a diverse range of conversation topics, call types, and outcomes, including both inbound and outbound calls with positive, neutral, and negative outcomes.

  • •Inbound Calls:
  • •Debit Card Block Request
  • •Home Loan Enquiry
  • •Transaction Disputes
  • •Credit Card Billing Dispute
  • •Account Closure Procedures
  • •Claim Procedures
  • •Premium Payments
  • •Policy Comparison
  • •Policy Cancellation or Lapse
  • •Insurance Renewal Options
  • •Retirement Planning
  • •Investment Risk Assessment Questionnaires
  • •Tax-efficient Investment Strategies
  • •Investment Performance Enquiry, and many more
  • •Outbound Calls:
  • •Credit Card Offers
  • •Loan Offers
  • •Loyalty Program Benefits
  • •Customer Satisfaction Surveys
  • •EMI Reminder Call
  • •Policy Upgrade Offers
  • •Claim Status Updates
  • •Policyholder Loyalty Benefits
  • •Insurance Policyholder Surveys
  • •Term Life Insurance Offer
  • •Investment Opportunities
  • •Retirement Savings Review, and many more

    • This extensive coverage ensures the dataset includes realistic call center scenarios, which is essential for developing effective customer support speech recognition models.

    Transcription

    To facilitate your workflow, the dataset includes manual verbatim transcriptions of each call center audio file in JSON format. These transcriptions feature:

  • •
    Speaker-wise Segmentation: Time-coded segments for both agents and customers.
  • •
    Non-Speech Labels: Tags and labels for non-speech elements.
  • •
    Word Error Rate: Word error rate is less than 5% thanks to the dual layer of QA.

    • These ready-to-use transcriptions accelerate the development of the BFSI domain call center conversational AI and ASR models for the Marathi language.

    Metadata

    The dataset provides comprehensive metadata for each conversation and participant:

  • •
    Participant Metadata: Unique identifier, age, gender, country, state, district, accent and dialect.
  • •
    Conversation Metadata: Domain, topic, call type, outcome/sentiment, bit depth, and sample rate.

    • This metadata is a powerful tool for understanding and characterizing the data, enabling informed decision-making in the development of Marathi call center speech recognition models.

    Usage and Applications

    This dataset can be used for various applications in the fields of speech recognition, natural language processing, and conversational AI, specifically tailored to the BFSI domain. Potential use cases include:

  • •
    Speech Recognition Models: Training and fine-tuning speech recognition models for Marathi.
  • •
    Speech Analytics Models: Building speech analytics models to extract insights, identify patterns, and glean valuable information from customer conversation, enables data-driven decision-making and process optimization within the BFSI sector.
  • •
    Smart Assistants and Chatbots: Developing conversational agents and virtual assistants for customer service in the BFSI industries.
  • •
    Sentiment Analysis: Analyzing customer sentiment and improving customer experience based on call center interactions.
  • •
    Generative AI: Training generative AI models capable of generating human-like responses, summaries, or content tailored to the BFSI domain.

    • Secure and Ethical Collection

  • •Our proprietary data collection and transcription platform, “Yugo” was used throughout the process of this dataset creation.
  • •Throughout the data collection process, the data remained within our secure platform and did not leave our environment, ensuring data security and confidentiality.
  • •The data collection process adhered to strict ethical guidelines, ensuring the privacy and consent of all participants.
  • •It does not include any personally identifiable information about any participant, which makes the dataset safe to use.
  • •The dataset does not contain any copyrighted content.

    • Updates and Customization

    Understanding the importance of diverse environments for robust ASR models, our call center voice dataset is regularly updated with new audio data captured in various real-world conditions.

  • •Customization & Custom Collection Options:
  • •
    Environmental Conditions: Custom collection in specific environmental conditions upon request.
  • •
    Sample Rates: Customizable from 8kHz to 48kHz.
  • •
    Transcription Customization: Tailored to specific guidelines and requirements.

    • License

    This BFSI domain call center audio dataset is created by FutureBeeAI and is available for commercial use.

    Use Cases

    Use of speech data in Conversational AI

    Call Center Conversational AI

    Use of speech data for Automatic Speech Recognition

    ASR

    Use of speech data for Chatbot & voicebot creation

    Chatbot

    Use of speech data in Language Modeling

    Language Modelling

    Use of speech data in Text-into-speech

    TTS

    Speech data usecase in Speech Analytics

    Speech Analytics

    Dataset Sample(s)

    Sample Line

    ATTRIBUTES

    Channel 1Channel 2Format
    Male(21)Female(56)wav, json

    TRANSCRIPTION

    LABELSTARTENDCHANNELTRANSCRIPT
    Speech0.0000.850Speaker 2<lang:Foreign>Futurebee</lang:Foreign>
    Speech1.7503.149Speaker 1<lang:Foreign>hello Futurebee</lang:Foreign>
    Speech5.54913.974Speaker 2[filler] मी बँकेकडनं <lang:Foreign>phone</lang:Foreign> करतीये तुम्हाला. तुमचे <lang:Foreign>queries</lang:Foreign> काही काही आल्या होत्या तर त्याच्या संदर्भात तुम्हाला [filler] करतीये <lang:Foreign>phone</lang:Foreign>
    Speech14.59918.524Speaker 2सगळ्यात पहिले (()) सुप्रभात ते म्हणायची मी विसरली.
    Speech20.75023.300Speaker 1[filler] सुप्रभात. बोला तुम्ही कशा आहात?
    Speech24.00025.024Speaker 2मी मस्त.
    Speech26.69927.725Speaker 2तुम्ही कसे आहेत?
    Speech26.92432.225Speaker 1हां मी पण छान आहे. मी तुम्हाला काल मी तुमच्यासाठी तुमच्या बँकेत <lang:Foreign>Email</lang:Foreign> पाठवले होते की
    Speech32.64939.475Speaker 1मला<lang:Foreign>property loan</lang:Foreign> <lang:Foreign>home loan</lang:Foreign> आणि<lang:Foreign>Net banking</lang:Foreign>काय तरी <lang:Foreign>issue</lang:Foreign>होता असं तिघांच्या <lang:Foreign>inquiry</lang:Foreign> साठी मी तुम्हाला <lang:Foreign>Email</lang:Foreign> पाठवली होती तर
    Speech40.10045.225Speaker 1तर तुम्ही सांगू शकाल की मला त्यासाठी काय <lang:Foreign>problem</lang:Foreign> आहेत आणि जे काही प्रश्न आहेत ते तुम्ही
    Speech42.00042.350Speaker 2[filler]
    Speech45.75048.225Speaker 1<lang:Foreign>solve</lang:Foreign> करू शकता का? आता (()) <lang:Foreign>phone</lang:Foreign>वरती
    Speech46.37547.600Speaker 2तुम्ही (())
    Speech48.84849.430Speaker 2हो.
    Speech49.70752.399Speaker 2हो मी <lang:Foreign>phone</lang:Foreign>वर तेच्याचसाठी <lang:Foreign>phone</lang:Foreign> केलाय.
    Speech52.72354.615Speaker 2मी तुम्हाला <lang:Foreign>education loan</lang:Foreign>
    Speech55.01759.225Speaker 2<lang:Foreign>property</lang:Foreign>चं <lang:Foreign>loan</lang:Foreign> आणि <lang:Foreign>net banking</lang:Foreign>चा <lang:Foreign>issue</lang:Foreign> येत होता .
    Speech59.77470.200Speaker 2तर सगळ्यात पहिले <lang:Foreign>net banking</lang:Foreign>चा <lang:Foreign>issue</lang:Foreign> काय येतोय तुम्हाला म्हणजे <lang:Foreign>password</lang:Foreign> टाकला का तुम्ही तुमचं बरोबर आहे का तो आधीचा काही होता आणि आता काही वेगळा झालाय असं काही आहे का?
    Speech71.17476.650Speaker 1[filler] मी म्हणणार होतो <lang:Foreign>net banking</lang:Foreign> सगळ्यात <lang:Foreign>last</lang:Foreign>सगळ्यात शेवटी <lang:Foreign>discus</lang:Foreign> करू. [filler] तर आधी
    Speech76.04976.700Speaker 2बरं.
    Speech76.87579.599Speaker 1<lang:Foreign>home loan</lang:Foreign>आणि (()) <lang:Foreign>loan</lang:Foreign>आणि हे
    Speech80.45087.049Speaker 1<lang:Foreign>Education loan</lang:Foreign> चं मला माहिती पाहिजे होती तर आधी मी <lang:Foreign>Education loan</lang:Foreign> चं विचारतो तुम्ही माहिती देऊ शकताय <lang:Foreign>Education loan</lang:Foreign> मध्ये काय काय (()) येतंय मला
    Speech88.70097.849Speaker 2<lang:Foreign>Education loan</lang:Foreign>मध्ये तुम्हाला <lang:Foreign>university</lang:Foreign> कडनं सगळ्यात पहिलं तुमचं <lang:Foreign>letter</lang:Foreign> लागेल त्यांच्याकडनं की तुम्ही त्याच्या या <lang:Foreign>university</lang:Foreign> मध्ये शिकायला जाताय.
    Speech98.224103.224Speaker 2मुख्य म्हणजे कुठल्या <lang:Foreign>country</lang:Foreign> मध्ये तुम्ही जाणार आहे आणि कुठली <lang:Foreign>university</lang:Foreign> <lang:Foreign>select</lang:Foreign> केलीये?
    Speech103.888108.737Speaker 2त्या <lang:Foreign>university</lang:Foreign>चं तुम्हाला <lang:Foreign>letter</lang:Foreign> लागेल <lang:Foreign>original letter</lang:Foreign> आणायला लागेल.
    Speech109.325110.650Speaker 2नंतर
    Speech111.349113.299Speaker 2तुमच्या <lang:Foreign>passport copies</lang:Foreign> लागतील.
    Speech113.974116.799Speaker 2आणखी कुठल्या <lang:Foreign>subject</lang:Foreign>मध्ये करणार आहे.
    Speech116.925119.775Speaker 2(()) परत तुम्ही <lang:Foreign>repay</lang:Foreign> कसं करणार आहे <lang:Foreign>loan</lang:Foreign>
    Speech120.250122.349Speaker 2आणि किती <lang:Foreign>loan</lang:Foreign> हवंय तुम्हाला?
    Speech122.825125.174Speaker 2त्याच्या <lang:Foreign>against</lang:Foreign> तुम्ही काय ठेवणार आहे?
    Speech126.375128.050Speaker 2<lang:Foreign>Education loan</lang:Foreign>च्या <lang:Foreign>against</lang:Foreign>
    Speech128.550130.675Speaker 2की इतके [filler]
    Speech131.098135.199Speaker 2आम्हाला बघायला लागेल की तुमच्या <lang:Foreign>account</lang:Foreign>मध्ये किंवा तुमच्याकडे एवढं
    Speech135.824138.303Speaker 2[filler] जेवढं तुम्ही <lang:Foreign>loan</lang:Foreign> घेताय त्याच्या <lang:Foreign>against</lang:Foreign>
    Speech138.518139.342Speaker 2तेवढं
    Speech139.556141.129Speaker 2[filler] तुम्ही
    Speech141.973142.625Speaker 2म्हणजे
    Speech143.800145.001Speaker 2हे ठेवू शकताय.
    Speech145.627146.525Speaker 2[filler]
    Speech147.824149.199Speaker 2काय त्याला म्हणता येईल.
    Speech153.775160.900Speaker 1[filler] ठीक आहे मी तुम्हाला सांगतो की, माझं मला चाळीस लाखाचा <lang:Foreign>loan</lang:Foreign> पाहिजे. <initial>UT</initial> मध्ये मला <lang:Foreign>admission</lang:Foreign> मिळाले. (()) मध्ये
    Speech160.275161.175Speaker 2<lang:Foreign>okay</lang:Foreign>
    Speech161.175165.973Speaker 1तर त्याचं माझं एकोणसहा <lang:Foreign>international relations</lang:Foreign> (()) तर मला त्याच्याबद्दल
    Speech161.900162.723Speaker 2<lang:Foreign>okay</lang:Foreign>
    Speech166.500168.223Speaker 1त्याच्याबद्दली मला <lang:Foreign>loan</lang:Foreign> पाहिजे होता.
    Speech168.525171.699Speaker 1तर मला इथं राहण्याचा खर्च <lang:Foreign>college fees</lang:Foreign>
    Speech170.173170.853Speaker 2<lang:Foreign>okay</lang:Foreign>
    Speech171.229173.125Speaker 2तुम्ही (()) एक मिनिट.
    Speech173.473177.223Speaker 2तुम्ही <lang:Foreign>loan</lang:Foreign> घेतल्यानंतर त्याच्या <lang:Foreign>against</lang:Foreign> काय ठेवाल म्हणजे

    TRANSCRIPTION

    TIMETRANSCRIPT
    0.000
    0.850    		<lang:Foreign>Futurebee</lang:Foreign>
    1.750
    3.149    		<lang:Foreign>hello Futurebee</lang:Foreign>
    5.549
    13.974    		[filler] मी बँकेकडनं <lang:Foreign>phone</lang:Foreign> करतीये तुम्हाला. तुमचे <lang:Foreign>queries</lang:Foreign> काही काही आल्या होत्या तर त्याच्या संदर्भात तुम्हाला [filler] करतीये <lang:Foreign>phone</lang:Foreign>
    14.599
    18.524    		सगळ्यात पहिले (()) सुप्रभात ते म्हणायची मी विसरली.
    20.750
    23.300    		[filler] सुप्रभात. बोला तुम्ही कशा आहात?
    24.000
    25.024    		मी मस्त.
    26.699
    27.725    		तुम्ही कसे आहेत?
    26.924
    32.225    		हां मी पण छान आहे. मी तुम्हाला काल मी तुमच्यासाठी तुमच्या बँकेत <lang:Foreign>Email</lang:Foreign> पाठवले होते की
    32.649
    39.475    		मला<lang:Foreign>property loan</lang:Foreign> <lang:Foreign>home loan</lang:Foreign> आणि<lang:Foreign>Net banking</lang:Foreign>काय तरी <lang:Foreign>issue</lang:Foreign>होता असं तिघांच्या <lang:Foreign>inquiry</lang:Foreign> साठी मी तुम्हाला <lang:Foreign>Email</lang:Foreign> पाठवली होती तर
    40.100
    45.225    		तर तुम्ही सांगू शकाल की मला त्यासाठी काय <lang:Foreign>problem</lang:Foreign> आहेत आणि जे काही प्रश्न आहेत ते तुम्ही
    42.000
    42.350    		[filler]
    45.750
    48.225    		<lang:Foreign>solve</lang:Foreign> करू शकता का? आता (()) <lang:Foreign>phone</lang:Foreign>वरती
    46.375
    47.600    		तुम्ही (())
    48.848
    49.430    		हो.
    49.707
    52.399    		हो मी <lang:Foreign>phone</lang:Foreign>वर तेच्याचसाठी <lang:Foreign>phone</lang:Foreign> केलाय.
    52.723
    54.615    		मी तुम्हाला <lang:Foreign>education loan</lang:Foreign>
    55.017
    59.225    		<lang:Foreign>property</lang:Foreign>चं <lang:Foreign>loan</lang:Foreign> आणि <lang:Foreign>net banking</lang:Foreign>चा <lang:Foreign>issue</lang:Foreign> येत होता .
    59.774
    70.200    		तर सगळ्यात पहिले <lang:Foreign>net banking</lang:Foreign>चा <lang:Foreign>issue</lang:Foreign> काय येतोय तुम्हाला म्हणजे <lang:Foreign>password</lang:Foreign> टाकला का तुम्ही तुमचं बरोबर आहे का तो आधीचा काही होता आणि आता काही वेगळा झालाय असं काही आहे का?
    71.174
    76.650    		[filler] मी म्हणणार होतो <lang:Foreign>net banking</lang:Foreign> सगळ्यात <lang:Foreign>last</lang:Foreign>सगळ्यात शेवटी <lang:Foreign>discus</lang:Foreign> करू. [filler] तर आधी
    76.049
    76.700    		बरं.
    76.875
    79.599    		<lang:Foreign>home loan</lang:Foreign>आणि (()) <lang:Foreign>loan</lang:Foreign>आणि हे
    80.450
    87.049    		<lang:Foreign>Education loan</lang:Foreign> चं मला माहिती पाहिजे होती तर आधी मी <lang:Foreign>Education loan</lang:Foreign> चं विचारतो तुम्ही माहिती देऊ शकताय <lang:Foreign>Education loan</lang:Foreign> मध्ये काय काय (()) येतंय मला
    88.700
    97.849    		<lang:Foreign>Education loan</lang:Foreign>मध्ये तुम्हाला <lang:Foreign>university</lang:Foreign> कडनं सगळ्यात पहिलं तुमचं <lang:Foreign>letter</lang:Foreign> लागेल त्यांच्याकडनं की तुम्ही त्याच्या या <lang:Foreign>university</lang:Foreign> मध्ये शिकायला जाताय.
    98.224
    103.224    		मुख्य म्हणजे कुठल्या <lang:Foreign>country</lang:Foreign> मध्ये तुम्ही जाणार आहे आणि कुठली <lang:Foreign>university</lang:Foreign> <lang:Foreign>select</lang:Foreign> केलीये?
    103.888
    108.737    		त्या <lang:Foreign>university</lang:Foreign>चं तुम्हाला <lang:Foreign>letter</lang:Foreign> लागेल <lang:Foreign>original letter</lang:Foreign> आणायला लागेल.
    109.325
    110.650    		नंतर
    111.349
    113.299    		तुमच्या <lang:Foreign>passport copies</lang:Foreign> लागतील.
    113.974
    116.799    		आणखी कुठल्या <lang:Foreign>subject</lang:Foreign>मध्ये करणार आहे.
    116.925
    119.775    		(()) परत तुम्ही <lang:Foreign>repay</lang:Foreign> कसं करणार आहे <lang:Foreign>loan</lang:Foreign>
    120.250
    122.349    		आणि किती <lang:Foreign>loan</lang:Foreign> हवंय तुम्हाला?
    122.825
    125.174    		त्याच्या <lang:Foreign>against</lang:Foreign> तुम्ही काय ठेवणार आहे?
    126.375
    128.050    		<lang:Foreign>Education loan</lang:Foreign>च्या <lang:Foreign>against</lang:Foreign>
    128.550
    130.675    		की इतके [filler]
    131.098
    135.199    		आम्हाला बघायला लागेल की तुमच्या <lang:Foreign>account</lang:Foreign>मध्ये किंवा तुमच्याकडे एवढं
    135.824
    138.303    		[filler] जेवढं तुम्ही <lang:Foreign>loan</lang:Foreign> घेताय त्याच्या <lang:Foreign>against</lang:Foreign>
    138.518
    139.342    		तेवढं
    139.556
    141.129    		[filler] तुम्ही
    141.973
    142.625    		म्हणजे
    143.800
    145.001    		हे ठेवू शकताय.
    145.627
    146.525    		[filler]
    147.824
    149.199    		काय त्याला म्हणता येईल.
    153.775
    160.900    		[filler] ठीक आहे मी तुम्हाला सांगतो की, माझं मला चाळीस लाखाचा <lang:Foreign>loan</lang:Foreign> पाहिजे. <initial>UT</initial> मध्ये मला <lang:Foreign>admission</lang:Foreign> मिळाले. (()) मध्ये
    160.275
    161.175    		<lang:Foreign>okay</lang:Foreign>
    161.175
    165.973    		तर त्याचं माझं एकोणसहा <lang:Foreign>international relations</lang:Foreign> (()) तर मला त्याच्याबद्दल
    161.900
    162.723    		<lang:Foreign>okay</lang:Foreign>
    166.500
    168.223    		त्याच्याबद्दली मला <lang:Foreign>loan</lang:Foreign> पाहिजे होता.
    168.525
    171.699    		तर मला इथं राहण्याचा खर्च <lang:Foreign>college fees</lang:Foreign>
    170.173
    170.853    		<lang:Foreign>okay</lang:Foreign>
    171.229
    173.125    		तुम्ही (()) एक मिनिट.
    173.473
    177.223    		तुम्ही <lang:Foreign>loan</lang:Foreign> घेतल्यानंतर त्याच्या <lang:Foreign>against</lang:Foreign> काय ठेवाल म्हणजे

    Dataset Demographics

    Details Headline

    Language

    Marathi

    Language code

    mr-in

    Country

    India

    Accents

    Varhadi,...more

    Gender Distribution

    M:60, F:40

    Age Group

    18-70

    Audio File Details

    Details Headline

    Environment

    Silent, Noisy

    Bit Depth

    16 bit

    Format

    wav

    Sample rate

    8khz & 16khz

    Channel

    Stereo

    Audio file duration

    5-15 minutes

    Read the License Terms

    |

    Browse FAQs

    Download Sample Speech Dataset Now!

    Explore Audio Data, Metadata and Transcription to get more clarity and hands on experience of this dataset.

    Download Free Dataset

    Audio Download Btn
    Audio Promp Bg
    Audio Promp Bg

    Similar to BFSI Call Center Speech Datasets

    Audio Card Head Line
    Audio data in Tamil (India) for BFSI call center

    Tamil BFSI CC Speech Data

    BFSI call center audio data in Tamil.

    30 Speech Hours

    60 People

    Call Center Conversational AI

    ASR

    Bahasa (Indonesia) Speech to text dataset for BFSI call center

    Bahasa BFSI CC Speech Data

    BFSI call center audio data in Bahasa.

    40 Speech Hours

    80 People

    Call Center Conversational AI

    ASR

    English (UK) call center audio recording for BFSI industry

    British English BFSI CC Speech Data

    BFSI call center audio data in British English.

    30 Speech Hours

    60 People

    Call Center Conversational AI

    ASR

    Machine learning voice data for BFSI call center in Malayalam (India)

    Norwegian BFSI CC Speech Data

    BFSI call center audio data in Norwegian.

    30 Speech Hours

    60 People

    Call Center Conversational AI

    ASR

    View All

    View All

    Browse All

    More in Marathi (India)

    Audio Card Head Line
    Machine learning voice data for Telecom call center in Portuguese (Portugal)

    Argentine Spanish Telecom CC Speech Data

    Telecom call center audio data in Argentine Spanish.

    30 Speech Hours

    60 People

    Call Center Conversational AI

    ASR

    AI speech dataset for Telecom in Italian (Italy)

    Korean Telecom CC Speech Data

    Telecom call center audio data in Korean.

    30 Speech Hours

    60 People

    Call Center Conversational AI

    ASR

    Spontaneous unscripted speech data in Telugu (India) for Realestate

    Telugu Real Estate CC Speech Data

    Real Estate call center audio data in Telugu.

    30 Speech Hours

    60 People

    Call Center Conversational AI

    ASR

    AI voice dataset for Retail and E-commerce in Mandarin (China)

    Mandarin Retail & E-com CC Speech Data

    Retail & E-commerce call center audio data in Mandarin Chinese.

    30 Speech Hours

    60 People

    Call Center Conversational AI

    ASR

    View All

    View All

    Browse All

    Start your AI/ML model creation journey with FutureBeeAI!

    Contact Us

    Audio Arrow BtnAudio Arrow Btn Black
    Audio Promp 2 Bg
    cookie-icon

    We Use Cookies!!!

    We use cookies to ensure that we give you the best experience on our website. Read cookies policies.