InternVideo2视频文本数据集

这是在 InternVideo2 训练的第二阶段收集的 6100 万音频-视觉-语音标注数据，其视频来源主要来自YT-Temporal-180M.我们提供了相同的 YouTubeID 以及起始和结束帧的标记。视频涵盖了广泛的主题和场景，以确保数据的多样性和代表性。其旨在促进视频和文本理解及交互领域的研究和开发。