OmniCap-IF-54K 是一个大规模指令调优数据集，旨在提升全模态视频字幕生成中的指令跟随能力。它包含54K个精心策划的视频-指令-响应三元组，涵盖格式约束、时间基础、视觉和音频内容约束以及视听协同。该数据集通过三阶段流程构建：视频筛选、约束感知指令合成和解耦响应生成，旨在训练模型生成有用的全视频字幕，同时遵守复杂的用户指定要求，如JSON模式、Markdown表格、时间戳格式、事件定位和跨

Hugging Face2026-06-09 更新50

KD2-20190901_TMB3 - video description

视频描述生成

运动语义分析

Manner + Paths. Language as given:

Research Data Australia130

Indonesian Dataset Expansion of Microsoft Research Video Description Corpus and Its Similarity Analysis

视频描述生成

印尼语语料库

Microsoft research video description corpus is an openly dataset contains about 120K sentences. The sentences are a set of roughly parallel descriptions of more than 2,000 video snippets of 35 languag

Mendeley Data70

MSDV_feat_16

资源简介：

相关数据集