多模态模型被认为是目前提高人工智能系统能力的最佳途径之一，而本产品库采用最新采集形式，同时采集录制美式英语native发音人的多人对话的音频和视频数据，共计约85小时的有效对话数据，音频和视频数据采集结果会进行对齐处理，误差在30毫秒以内。在稀缺资源语种的基础上具有非常高的信息丰富度，可提供更加全面的信息输入从而高效提升系统的表现和效率。


数据规模:


120条音频、120条转写文本、120条视频


数据格式：
WAV、TextGrid、mp4