AVSpeech 视听语音数据集｜大规模无噪语音视频研究数据

AVSpeech 视听语音数据集｜大规模纯净语音视频研究资源

AVSpeech 是面向视听语音领域的大规模纯净视听数据集，专为语音识别、唇语识别、多模态语音研究打造，数据质量高、覆盖广。

1. 内容覆盖范围

数据规模：约4700 小时纯净语音视频片段，源自29 万个公开视频

片段时长：单段3-10 秒，无背景噪音干扰

核心特点：音画强对齐，声音唯一对应画面中说话人

覆盖维度：多语种、多人物、多样面部姿态，场景丰富

2. 适用范围与可用途径

适用领域：视听语音识别、唇语识别、多模态 AI、语音增强、语音分离、学术论文实验

可用途径：高校科研、AI 算法开发、模型训练验证、竞赛项目、语音技术研发