PleIAs/YouTube-Commons

YouTube-Commons数据集是一个包含2,063,066个在YouTube上以CC-By许可证共享的视频的音频转录文本的集合。该数据集包含22,709,724个原始和自动翻译的转录文本，来自3,156,703个视频（721,136个独立频道），总计近450亿字。数据集提供了所有必要的来源信息，包括标题、链接、频道名称和上传日期。数据集是多语言的，主要以英语为主（71%），并提供了几乎所有视频的英语、法语、西班牙语、德语、俄语、意大利语和荷兰语的自动翻译。该数据集旨在扩展AI、计算社会科学和数字人文学科研究中对话数据的可用性。

The YouTube-Commons dataset is a collection of audio transcriptions for 2,063,066 videos shared on YouTube under the CC-By license. The dataset contains 22,709,724 original and automatically translated transcriptions, sourced from 3,156,703 videos across 721,136 independent channels, totaling nearly 45 billion words. The dataset provides all necessary source information, including video titles, URLs, channel names, and upload dates. It is multilingual, with English as the dominant language (71%), and offers automatic translations for nearly all videos into English, French, Spanish, German, Russian, Italian, and Dutch. This dataset aims to expand the availability of conversational data for research in AI, computational social science, and digital humanities.

原始信息汇总

数据集概述

名称： YouTube-Commons

内容： 该数据集包含2,063,066个YouTube视频的音频转录文本。

许可证： CC-By 许可证