Data / 视频生成 / 实体卡片

HowTo100M

数据集全球网络开源

教学视频 ASR 旁白预训练集的奠基作

数据类型
YouTube 教学视频；ASR 旁白
规模口径
122 万教学视频、1.36 亿 clips、23k 任务（作者口径）
License
未查到明确许可
链接
arxiv.org

内容与规模

2019 年由 Inria、DeepMind 等发布，含 122 万条 YouTube 教学视频、1.36 亿 clips，覆盖 23k 个任务（烹饪、手工等）[1]。

标注方式

文本是 YouTube 自动字幕生成的 ASR 旁白，按时间戳对齐到 clip，没有人工描述，也没有画面字幕。

谁拿它训练

主要用于视频-文本预训练，偏检索与理解，而非生成。它开创了 "ASR 当标签" 的范式，后续 HD-VILA-100M 沿用。

已知缺陷

旁白多半不描述画面，噪声大；Panda-70M 与 InternVid 均明确指出 ASR 难以作为主标签 [2]。许可未查到，仍须自行从 YouTube 下载视频。

来源

  1. https://arxiv.org/abs/1906.03327 (2026-10-15)
  2. https://arxiv.org/html/2402.19479 (2026-10-15)

相关卡片

HD-VILA-100M数据集 · 美国
Microsoft 的 YouTube 视频-ASR 数据集，多个后继集的共同上游

卡片整理 2026-10-15。公司自报数据标“公司口径”；⚠️ 为未经独立核实。