LRS3-TED

LRS3-TED 是一个用于视觉和视听语音识别的多模态数据集。它包括来自 400 多个小时的 TED 和 TEDx 视频的人脸轨迹，以及相应的字幕和单词对齐边界。与可用于一般研究的其他公共数据集相比，新数据集的规模要大得多。

LRS3-TED is a multimodal dataset for visual and audio-visual speech recognition. It includes facial tracks from over 400 hours of TED and TEDx videos, along with corresponding subtitles and word-aligned boundaries. Compared with other public datasets available for general research, this new dataset has a significantly larger scale.

搜集汇总

背景与挑战

背景概述

LRS3-TED是一个大规模多模态数据集，专门用于视觉和视听语音识别研究，包含超过400小时的TED和TEDx视频，提供人脸轨迹、字幕和单词对齐边界。该数据集由牛津大学于2018年发布，规模远超其他公共数据集，适用于唇读、语音识别和计算机视觉预训练等任务。