Clotho音频字幕数据集

音视频
0 下载
23 浏览
2026-09-07

数据集简介

Clotho 是一个音频字幕数据集,由 OpenDataLab 整理发布。数据集的名称来源于希腊神话中的命运女神克洛索(Clotho),寓意着将音频与文本“编织”在一起。该数据集主要面向音频内容理解与描述生成任务,为研究者提供丰富的音频-文本对。

数据规模与构成

Clotho 数据集包含 4,981 个音频样本,每个音频样本均配有 5 条不同的字幕,因此总共包含 24,905 条字幕。音频样本的时长范围为 15 至 30 秒,字幕长度则控制在 8 至 20 个词(或字符)之间。这种设计确保了音频内容的多样性,同时字幕的多样性也为模型训练提供了丰富的语义信息。

数据特点

  • 音频内容多样性:音频样本涵盖多种场景和声源,旨在反映真实世界中的音频事件。
  • 字幕多样性:每个音频样本对应 5 条由不同标注者撰写的字幕,每条字幕在措辞和描述角度上均有差异,有助于模型学习音频与文本之间的潜在对应关系。
  • 长度适中:音频时长与字幕长度均经过精心设计,既包含足够的信息量,又便于模型处理。

应用场景

Clotho 数据集适用于多种音频与语言相关的任务,包括但不限于:

  • 自动音频字幕生成:根据音频内容生成自然语言描述。
  • 文本到音频检索:通过文本描述检索对应的音频片段。
  • 音频事件分类与检测:结合字幕信息提升音频内容理解能力。

该数据集为多模态学习、语音与语言处理等领域的研究提供了坚实基础。

获取方式

Clotho 数据集可通过 OpenDataLab 平台访问。用户可访问数据集的官方页面(https://opendatalab.com/OpenDataLab/Clotho)查看详情并下载数据。具体下载方式请参考平台指引。

许可与引用

关于数据集的许可协议和引用要求,请参考 OpenDataLab 页面上的说明。若在研究中使用了该数据集,建议引用原始来源以尊重创作者的贡献。

基本信息

记录数量4,981 个音频样本,共 24,905 个字幕
文件大小未知
文件格式未知
数据来源OpenDataLab
数据规模4,981 个音频样本,24,905 个字幕
音频时长15~30 秒
字幕长度8~20 个字
数据落地页https://opendatalab.com/OpenDataLab/Clotho
发布日期2026-09-07
音频字幕音频描述生成多模态音频检索OpenDataLab

上架信息

数据集市运营
平台统一选品上架,经质量审核后公开
0 次下载

价格

免费