મલ્ટિમોડલ અને સ્પીચ AI માટે ઑફ-ધ-શેલ્ફ વિડિઓ ડેટાસેટ્સ - ઇન્ટરવ્યુ, પોડકાસ્ટ, વ્યાખ્યાનો, ફિલ્મો અને વાસ્તવિક દુનિયાના ફૂટેજ, જેમાં ઘણા ટ્રાન્સક્રિપ્ટ સાથે. શેપ તરફથી.
AAA ગેમપ્લે વિડિઓઝ - PC અને ગેમ કન્સોલ પર AAA અને AAA+ ટાઇટલમાંથી આશરે 1,000 કલાકના ગેમપ્લે ફૂટેજ. ગેમિંગ ડેટાસેટ્સ હેઠળ સૂચિબદ્ધ, અને ગેમ સીન સમજ, એક્શન અને ઇવેન્ટ શોધ, અને ગેમ-પ્લેઇંગ એજન્ટ અથવા રિઇન્ફોર્સમેન્ટ લર્નિંગ મોડેલ તાલીમ માટે યોગ્ય.
AI ઇન્ટરવ્યૂ વિડિઓઝ - આશરે 10,000 કલાકનો વિડિઓ જેમાં એક વ્યક્તિ AI બોટ દ્વારા પૂછાયેલા પ્રશ્નોના જવાબ ટેક્સ્ટ સ્વરૂપમાં આપે છે, જેમાં મિશ્ર વંશીયતાના સહભાગીઓ હોય છે. ઇન્ટરવ્યૂ અને પોડકાસ્ટ વિડિઓ ડેટાસેટ્સ હેઠળ સૂચિબદ્ધ, અને ઇન્ટરવ્યૂ અને વાતચીત AI, વાણી ઓળખ અને ઉમેદવાર મૂલ્યાંકન મોડેલ તાલીમ માટે યોગ્ય.
અરબી રેડિયો અને ટીવી ઇન્ટરવ્યુ (AAUP) - પરવાનગી દ્વારા મેળવેલા 500 કલાકના વિડિયો અને ઑડિઓ, વિક્રેતા ટીમ દ્વારા સમીક્ષા અને ચકાસણી, અને વિક્રેતાના ASR નો ઉપયોગ કરીને ટ્રાન્સક્રિપ્ટ કરાયેલ. ઇન્ટરવ્યુ અને પોડકાસ્ટ વિડિઓ ડેટાસેટ્સ હેઠળ સૂચિબદ્ધ, અને અરબી વાણી ઓળખ, વક્તા ડાયરાઇઝેશન અને વાતચીત AI મોડેલ તાલીમ માટે યોગ્ય.
અરબી રેડિયો અને ટીવી ઇન્ટરવ્યુ - પરવાનગી દ્વારા મેળવેલા 500 કલાકના વિડિયો અને ઑડિઓ, વિક્રેતા ટીમ દ્વારા સમીક્ષા અને ચકાસણી, અને વિક્રેતાના ASR નો ઉપયોગ કરીને ટ્રાન્સક્રિપ્ટ કરેલ. ઇન્ટરવ્યુ અને પોડકાસ્ટ વિડિઓ ડેટાસેટ્સ હેઠળ સૂચિબદ્ધ, અને અરબી વાણી ઓળખ, વક્તા ડાયરાઇઝેશન અને વાતચીત AI મોડેલ તાલીમ માટે યોગ્ય.
બલોચ ભાષાનો વિડીયો ડેટાસેટ - બલોચીમાં 750 વિડીયો, જે એક ઓછી સંસાધન ધરાવતી એશિયન ભાષા છે. ભાષા અને બહુભાષી મીડિયા ડેટાસેટ્સ હેઠળ સૂચિબદ્ધ, અને ઓટોમેટિક સ્પીચ રેકગ્નિશન (ASR), સ્પીચ-ટુ-ટેક્સ્ટ, મશીન ટ્રાન્સલેશન અને ભાષા ઓળખ મોડેલ તાલીમ માટે યોગ્ય.
ચાઇનીઝ ભાષાની મીડિયા લાઇબ્રેરી જેમાં PPT સ્લાઇડ્સ અને લાંબા ફોર્મેટના વિડિયો સાથે લેક્ચર વિડીયો, ચાઇનીઝ પુસ્તકો, અંગ્રેજી પુસ્તકો, જર્નલ્સ અને ચાઇના પબ્લિક પોલિસી રેગ્યુલેશન્સ, વત્તા STEM ઓડિયો અને ટેક્સ્ટ (પ્રકાશનો, નવલકથાઓ અને બાળકોની સામગ્રી, કેન્ટોનીઝ સહિત) આવરી લેવામાં આવ્યા છે.
8 દેશો (ભારત, મોરોક્કો, મેક્સિકો, મોંગોલિયા, આર્જેન્ટિના, બ્રાઝિલ, સાઉદી અરેબિયા અને યુનાઇટેડ સ્ટેટ્સ) માં 3,000 કલાકથી વધુના મૂળ, ઉચ્ચ-ગુણવત્તાવાળા ફૂટેજ સાથે દસ્તાવેજી ફિલ્મ નિર્માતા. સામગ્રીમાં વાસ્તવિક માનવ ક્રિયાપ્રતિક્રિયાઓ અને દૈનિક જીવન; સ્થાનિક ભાષાઓમાં ઇન્ટરવ્યુ (દા.ત. હિન્દી, અરબી, મોંગોલિયન, સ્પેનિશ અને પોર્ટુગીઝ); વિવિધ ચહેરાઓ, અવાજો, ઉચ્ચારો અને લાગણીઓ; ગ્રામીણ અને શહેરી વાતાવરણ; અને ઘોડાઓ, લેન્ડસ્કેપ્સ, ધાર્મિક વિધિઓ, શેરી દ્રશ્યો, બાળકો અને વડીલો અને પ્રકૃતિનો સમાવેશ થાય છે.
એશિયન સહભાગીઓ દર્શાવતા ઇન્ટરવ્યૂ અને પોડકાસ્ટ વિડિઓઝ - 1,000 વિડિઓઝ. ઇન્ટરવ્યૂ અને પોડકાસ્ટ વિડિઓ ડેટાસેટ્સ હેઠળ સૂચિબદ્ધ, અને વાણી ઓળખ, વક્તા ડાયરાઇઝેશન, ઑડિઓ-વિઝ્યુઅલ ભાષણ અને વાતચીત AI મોડેલ તાલીમ માટે યોગ્ય.
સમાચાર, હવામાન, રમતગમત, લાઇવ ઇવેન્ટ્સ, ઇન્ફ્રાસ્ટ્રક્ચર, લોકો અને વાસ્તવિક દુનિયાના વાતાવરણને આવરી લેતી ૧.૨ મિલિયન મિનિટની લાઇસન્સ પ્રાપ્ત વિડિઓ લાઇબ્રેરી. મિશ્ર વસ્તી વિષયક માહિતી સાથે વ્યાપક દ્રશ્ય અને વિષય વિવિધતા, વિડિઓ સમજ, ક્રિયા અને ઘટના ઓળખ, દ્રશ્ય વર્ગીકરણ અને મલ્ટિમોડલ ફાઉન્ડેશન મોડેલ તાલીમ માટે યોગ્ય.
યુરોપમાં માર્શલ આર્ટ્સ ટીવી ચેનલ તરીકે, અમારી પાસે 1,000 થી વધુ મૂળ 60-મિનિટના લડાઈના વિડિઓઝ (બોક્સિંગ, કિક-બોક્સિંગ, MMA અને વધુ) છે. અમને વિશ્વાસ છે કે આ વિડિઓ મશીન લર્નિંગ માટે ખૂબ જ સારી સામગ્રી અને ડેટા છે.
ઇટાલિયન, અરબી અને અંગ્રેજીમાં મૂવીઝ અને ટૂંકી ફિલ્મો - 5,000 વિડિઓઝ. ફિલ્મ અને દસ્તાવેજી વિડિઓ ડેટાસેટ્સ હેઠળ સૂચિબદ્ધ, અને વિડિઓ સમજણ અને કૅપ્શનિંગ, સબટાઈટલ ગોઠવણી અને ડબિંગ, બહુભાષી વાણી ઓળખ અને મલ્ટિમોડલ વિડિઓ મોડેલ તાલીમ માટે યોગ્ય.
અંગ્રેજી અને અરબીમાં પોડકાસ્ટ વિડિઓઝ - 100 કલાકનો વિડિઓ. ઇન્ટરવ્યૂ અને પોડકાસ્ટ વિડિઓ ડેટાસેટ્સ હેઠળ સૂચિબદ્ધ, અને વાણી ઓળખ, વક્તા ડાયરાઇઝેશન, બહુભાષી ભાષા મોડેલ અને ઑડિઓ-વિઝ્યુઅલ વાતચીત AI તાલીમ માટે યોગ્ય.
ટ્રાન્સક્રિપ્ટ સાથે રેડિયો અને ટીવી ઇન્ટરવ્યુ - 600 કલાકનો વિડિઓ ટેક્સ્ટ સાથે, પરવાનગી દ્વારા મેળવેલ અને વિક્રેતા ટીમ દ્વારા સમીક્ષા અને ચકાસણી. ઇન્ટરવ્યુ અને પોડકાસ્ટ વિડિઓ ડેટાસેટ્સ હેઠળ સૂચિબદ્ધ, અને વાણી ઓળખ, ટ્રાન્સક્રિપ્ટ સંરેખણ, સ્પીકર ડાયરાઇઝેશન અને મલ્ટિમોડલ વિડિઓ-ટેક્સ્ટ મોડેલ તાલીમ માટે યોગ્ય.
એશિયન ટૂંકી ફિલ્મો - 200 ટૂંકી ફિલ્મ વિડિઓઝ. ફિલ્મ અને દસ્તાવેજી વિડિઓ ડેટાસેટ્સ હેઠળ સૂચિબદ્ધ, અને વિડિઓ સમજ, દ્રશ્ય અને શોટ શોધ, સબટાઈટલ ગોઠવણી અને મલ્ટિમોડલ વિડિઓ મોડેલ તાલીમ માટે યોગ્ય.
યુએસએથી ટૂંકી ફિલ્મો અને ઇન્ટરવ્યુ વિડિઓઝ - આશરે 1,000 કલાકનો વિડિઓ. ફિલ્મ અને દસ્તાવેજી વિડિઓ ડેટાસેટ્સ હેઠળ સૂચિબદ્ધ, અને વિડિઓ સમજણ, દ્રશ્ય શોધ, વાણી ઓળખ અને મલ્ટિમોડલ AI મોડેલ તાલીમ માટે યોગ્ય.
વિક્રેતા પાસે 5 થી 60 સેકન્ડ સુધીના 40,000 થી વધુ ક્યુરેટેડ શોર્ટ સ્ટોક વિડિયો ક્લિપ્સની વિડિયો લાઇબ્રેરી છે. ડેટાસેટમાં માનવ પ્રવૃત્તિઓ અને કટોકટીના દૃશ્યો (અગ્નિશમન, બચાવ કામગીરી, પોલીસ ઘટનાઓ, ગુના, કુદરતી આફતો, પૂર, જંગલી આગ અને ભારે હવામાન), તેમજ પ્રકૃતિ અને વન્યજીવનના દ્રશ્યો, જેમાં લેન્ડસ્કેપ્સ, જંગલો, નદીઓ, પર્વતમાળાઓ, દુર્લભ વન્યજીવન અને વિવિધ ઋતુઓ અને આબોહવામાં દૂરસ્થ અને દુર્ગમ ભૂપ્રદેશના હવાઈ ડ્રોન શોટ્સનો સમાવેશ થાય છે.
YouTube વિડિઓ ડેટાસેટ - આશરે 80,000 કલાકનો વિડિઓ. વેબ અને સ્ટોક વિડિઓ ડેટાસેટ્સ હેઠળ સૂચિબદ્ધ, અને વિડિઓ સમજણ અને કૅપ્શનિંગ, એક્શન અને દ્રશ્ય ઓળખ, વાણી ઓળખ અને મોટા પાયે મલ્ટિમોડલ મોડેલ તાલીમ માટે યોગ્ય.
