MSR-VTT  全称 Microsoft Research Video to Text，是一个用于开放域的大规模视频字幕数据集。

该数据集包括来自 20 个类别的 10,000 个视频片段，每个视频片段都带有由 Amazon Mechanical Turks 标注的 20 个英文句子。所有的字幕中大约有 29,000 个不同的词。标准分割使用 6,513 个片段进行训练，497 个片段进行验证，2,990 个片段进行测试。