数据集

Chinese-LiPS

BAAI/Chinese-LiPS

查看上游原文 ↗
上游访问:公开 本站服务:可咨询 内容检查:AI 辅助整理并检查 许可证:cc-by-nc-sa-4.0 上游版本:db9694853881

中文简介

BAAI/Chinese-LiPS 是 BAAI 在 Hugging Face 发布的数据集仓库,当前卡片主要关联语音识别。本站固定记录上游版本 db9694853881,同步到 21 个文件,文件元数据合计 86.66 GB;访问状态为“公开”,许可证字段为“cc-by-nc-sa-4.0”。

UPSTREAM README

上游模型卡 / 数据集卡

在 Hugging Face 查看原文 ↗

【README 卡片中文译介】

以下内容依据上游仓库 BAAI/Chinese-LiPS 的固定版本 README、卡片字段和文件元数据进行中文结构化整理。它保留便于选型的关键信息,完整技术细节、代码示例和许可文本请同时查看上游原文。

【资源概览】
BAAI/Chinese-LiPS 是 BAAI 在 Hugging Face 发布的数据集仓库,当前卡片主要关联语音识别。本站固定记录上游版本 db9694853881,同步到 21 个文件,文件元数据合计 86.66 GB;访问状态为“公开”,许可证字段为“cc-by-nc-sa-4.0”。

【适用方向】
适合评估语音转写、字幕生成和语音内容结构化任务。 正式使用前应先抽样检查字段、语言、重复项、敏感信息和训练/测试划分,避免只依据仓库名称判断数据质量。

【版本与规格】
固定版本:db9694853881。 任务标签:语音识别。 语言字段:zh。 数据集卡名称:Chinese-LiPS。 规模分类:10K<n<100K。 上游页面记录的最近更新时间:2025-11-18。

【文件信息】
上游 API 返回 21 个文件,文件元数据合计 86.66 GB。 已保存文件清单中的主要扩展名:.zip 6 个、.csv 4 个、.json 1 个、.md 1 个、.z01 1 个、.z02 1 个。 当前较大的文件包括:processed_train.zip(8.13 GB);train.z01(8.00 GB);train.z02(8.00 GB)。

【运行或处理环境】
仓库文件元数据合计 86.66 GB。仅按下载、解压和临时文件估算,建议至少预留约 103.99 GB 可用磁盘;实际需求还取决于压缩率、缓存、数据转换和训练副本,正式处理前应以完整文件清单重新测算。

【使用边界】
许可证显示为“cc-by-nc-sa-4.0”,具体用途限制、附加政策和归属要求仍以上游原文为准。 数据集还需核对样本来源、隐私与个人信息、标签质量、地域偏差及下游模型的合规要求。

已有简体中文译文 · Codex 基于固定版本 README 与上游元数据生成中文结构化译介 · 2026-07-26 00:51

Chinese-LiPS: A Chinese audio-visual speech recognition dataset with Lip-reading and Presentation Slides ⭐ Introduction The **Chinese-LiPS** dataset is a multimodal dataset designed for audio-visual speech recognition (AVSR) in Mandarin Chinese. This dataset combines speech, video, and textual transcriptions to enhance automatic speech recognition (ASR) performance, especially in educational and instructional scenarios. 🚀 Dataset Details **Total Duration:** 100.84 hours **Number of Speakers:** 207 professional speakers **Number of Clips:** 36,208 video clips **Audio Format:** Stereo WAV, 48 kHz sampling rate Video Format: **Slide Video:** 1080p resolution, 30 fps **Lip-Reading Video:** 720p resolution, 30 fps **Annotations:** JSON format with transcriptions and extracted text from slides Dataset Statistics | Split | Duration (hrs) | # Segments | # Speakers | | ---------- | -------------- | ---------- | ---------- | | Train | 85.37 | 30,341 | 175 | | Validation | 5.35 | 1,959 | 11 | | Test | 10.12 | 3,908 | 21 | | **Total** | **100.84** | **36,208** | **207** | 📂 Dataset Organization The dataset is structured into several compressed files: **image.zip**: First-frame images from slide videos (used for OCR and vision-language models). **processed_test.zip processed_val.zip processed_train.zip**: Processed data with 16 kHz audio, 96×96 25-frame lip-reading videos, and JSON annotations. train.zip, test.zip, val.zip: Data split into training, testing, and validation sets. Each contains: **meta_all.csv, meta_train.csv, meta_valid.csv, meta_test.csv**: Metadata files with ID, TOPIC, WAV, PPT, FACE, and TEXT fields. The TOPIC field is abbreviated in Chinese as follows: DZJJ = E-sports & Gaming, JKYS = Health & Wellness, KJ = Science & Technology, LY = Travel & Exploration, QC = Automobile & Industry, RWLS = Culture & History, TY = Sports & Competitions, YS = Movies & TV Series, ZX = Others. **meta_test.json**: Includes OCR and InternVL2 prompts for the test set. 📥 Download Y

公开页仅展示原文摘录;完整模型卡或数据集卡请前往上游仓库查看。

适用场景

适合评估语音转写、字幕生成和语音内容结构化任务。 正式使用前应先抽样检查字段、语言、重复项、敏感信息和训练/测试划分,避免只依据仓库名称判断数据质量。

规模与格式

固定版本:db9694853881。 任务标签:语音识别。 语言字段:zh。 数据集卡名称:Chinese-LiPS。 规模分类:10K<n<100K。 上游页面记录的最近更新时间:2025-11-18。

文件说明

上游 API 返回 21 个文件,文件元数据合计 86.66 GB。 已保存文件清单中的主要扩展名:.zip 6 个、.csv 4 个、.json 1 个、.md 1 个、.z01 1 个、.z02 1 个。 当前较大的文件包括:processed_train.zip(8.13 GB);train.z01(8.00 GB);train.z02(8.00 GB)。

上游文件元数据

  • .gitattributes2.76 KB
  • image.zip1.15 GB
  • meta_all.csv9.98 MB
  • meta_test.csv1.05 MB
  • meta_test.json4.95 MB
  • meta_train.csv8.36 MB
  • meta_valid.csv542.04 KB
  • processed_test.zip995.72 MB
  • processed_train.zip8.13 GB
  • processed_val.zip521.13 MB
  • README.md7.40 KB
  • test.zip7.87 GB

硬件建议

仓库文件元数据合计 86.66 GB。仅按下载、解压和临时文件估算,建议至少预留约 103.99 GB 可用磁盘;实际需求还取决于压缩率、缓存、数据转换和训练副本,正式处理前应以完整文件清单重新测算。

注意事项

许可证显示为“cc-by-nc-sa-4.0”,具体用途限制、附加政策和归属要求仍以上游原文为准。 数据集还需核对样本来源、隐私与个人信息、标签质量、地域偏差及下游模型的合规要求。

获取、校验与交付

咨询此资源时只需发送本页链接或资源准确全称。橙子AI科技会继续核对版本、文件与类型、README资料卡、许可证和访问条件,并在合法访问权限、许可证及平台规则允许的前提下,协助海内外下载、完整性校验及网盘或硬盘交付;本官网本身不托管或下载资源文件。

第三方资源声明

本页面为橙子AI科技基于固定版本上游卡片整理的中文信息与服务说明,不代表资源作者或平台官方页面。实际许可、访问和使用条件以上游原文为准。