MAGICDATA

85小时汉语集。可做为多说话人合成系统。录制过程在安静室内环境中， 使用高保真麦克风（44.1kHz，16bit）。218名来自中国不同口音区域的发言人参与录制。专业语音校对人员进行拼音和韵律标注，并通过严格质量检验，此数据库音字确率在98%以上。

178小时汉语。录音文本涉及智能家居、无人驾驶、工业生产等11个领域。录制过程在安静室内环境中， 同时使用3种不同设备： 高保真麦克风（44.1kHz，16-bit）；Android系统手机（16kHz，16-bit）；iOS系统手机（16kHz，16-bit）。高保真麦克风录制的音频降采样为16kHz。400名来自中国不同口音区域的发言人参与录制。经过专业语音校对人员转写标注，并通过严格质量检验，此数据库文本正确率在95%以上。分为训练集、开发集、测试集。

最大多语言语音数据集。据说是最大的。这一数据集共涵盖了23种语言，时长超过40万小时。 其中，每种语言都有9000到18000小时的无标签语音数据。 此外，还包括了共1800小时，16种语言的转录语音数据，以及17300小时，15种目标语言的口译语音数据。

音乐分类。这是一个给音乐增加标签的开源项目。 目前系统中已包含的标签： [“摇滚”，“流行”，“另类”，“独立”，“电子”，“女歌手”， “舞蹈”，“ 00s”，“另类摇滚”，“爵士”，“美丽”，“金属”， “放松”，“男歌手”，“经典摇滚”，“灵魂”，“独立摇滚”， “音乐”，“电子音乐”，“80年代' ，'民间'，'90年代'，'chill'，'instrumental'， 'punk'，'oldies'，'blues'，'hard rock'，'ambient'，'acoustic，'experimental'， 'female vocalist'，'guitar'，'Hip-Hop ”，“ 70年代”，“派对”，“国家”，“轻松聆听”， “性感”，“醒目”，“放克”，“电子”，“重金属”，“渐进摇滚”， “ 60年代”，“ rnb”，“独立流行音乐”，“悲伤”，“房子”，“快乐” ]

1万条中文语音。包含了1万余条语音文件，大约40小时的中文语音数据，内容以文章诗句为主，全部为女声。它是由清华大学语音与语言技术中心（CSLT）出版的开放式中文语音数据库。

电影理解。用于电影理解的整体数据集 近年来，视觉理解取得了显着进展。然而，如何理解具有艺术风格的基于故事的长视频，例如电影，仍然具有挑战性。在本文中，我们介绍了 MovieNet——一个用于电影理解的整体数据集。 MovieNet 包含 1,100 部电影，包含大量多模态数据，例如预告片、照片、情节描述等。此外，MovieNet 提供了不同方面的手动标注，包括 110 万个带有边界框和身份的字符、42K 场景边界、 2.5K 对齐的描述句子，65K 地点和动作标签，以及 92K 电影风格标签。据我们所知，MovieNet 是最大的数据集，具有最丰富的注释，可用于全面的电影理解。基于 MovieNet，我们设置了多个基准，用于从不同角度理解电影。在这些基准上进行了广泛的实验，以展示 MovieNet 的不可估量的价值以及当前方法在全面理解电影方面的差距。我们相信这样一个整体的数据集将促进基于故事的长视频理解及其他方面的研究。