视频与音频数据集-短视频UGC
包含视频、音频、字幕、评论、创作者行为数据，支持VideoLLM训练、视频推荐及多模态分析。
数据集简介
主要数据内容包括：全球在线视频与多媒体内容数据教育、娱乐、科技、游戏等视频资源短视频（Shorts）、直播与长视频内容视频标题、字幕、评论与标签数据音频、语音与视频多模态数据创作者频道与用户交互行为数据视频推荐、播放量与趋势数据多语言、多场景视觉语义内容支持的能力方向包括：视频理解与 VideoLLM 训练ASR 语音识别与字幕生成视频-文本跨模态学习推荐系统与用户行为建模多模态 Embedding 与 Retrieval视频摘要与长视频理解视觉问答（VideoQA）与 Agent 系统训练AIGC 视频生成与内容分析适用于：多模态大模型（MLLM）研发视频搜索与推荐系统视频 Caption 与字幕系统教育 AI 与知识视频训练短视频理解与内容审核视频数据采集与 Benchmark 构建语音、OCR 与视频语义研究
数据质量
记录时效性
按需更新
记录结构化
NDJSON、JSON、CSV、XLSX、Parquet，支持定制化
记录云交付
Amazon S3、Snowflake、Alibaba Cloud OSS、Google Cloud Storage、Google Drive
记录标准化
为保证数据的一致性与可用性，数据集在构建过程中对原始记录进行了标准化处理，包括：（1）单位标准化：统一价格、重量、尺寸等字段的计量单位；（2）格式标准化：统一日期、时间、数值字段的表示格式；（3）文本清洗：去除 HTML 标签、多余空格及异常字符；（4）字段规范化：统一字段命名、数据类型与缺失值表示方式。该过程确保数据在不同来源和不同采集批次之间保持结构一致性，便于后续分析与建模。
记录代表性
数据覆盖全量业务场景，样本均衡，具备行业代表性
