Chinese-LiPS 是由智源研究院联合南开大学于 2025 年发布的一个多模态语音识别数据集，相关论文成果为：「Chinese-LiPS: A Chinese audio-visual speech recognition dataset with Lip-reading and Presentation Slides」作为首个「唇读信息+幻灯片语义信息」结合的中文多模态语音识别数据集，Chinese-LiPS 面向中文讲解、科普、教学、知识传播等复杂语境，致力于推动中文多模态语音识别技术的发展。

数据集特点：数据规模大：Chinese-LiPS 总时长约为 100 小时，包含 36,208 条高质量语音片段，由 207 位专业讲者录制，具备良好的代表性与多样性。覆盖主题丰富：内容涵盖科学技术、健康养生、文化历史、旅游探索、汽车工业、体育赛事等 9 大热门领域，主题分布均衡，充分体现了真实教学与讲解类语境下的表达特点与术语密度。高质量幻灯片制作：由领域专家设计内容并参与标注，确保幻灯片图文信息的准确性与专业性。 PPT 内容结构清晰、设计精美，包含丰富的图像与视觉语义信息，而非单一文字堆砌。高质量视频录制：视频由专业讲者在安静环境中录制，画面高清，涵盖唇读视频（720P）与幻灯片视频（1080P）两类模态，保障语音与唇动精准对齐，确保数据质量一致可靠。