ViTT 全称 Video Timeline Tags，由 8,169 个视频组成，并带有人工生成的 segment-level 标注组成。其中，5,840 个视频被标注一次，其余视频被标注两次或更多。该数据集共发布了 12,461 组标注。该数据集中的视频来自 Youtube-8M 数据集。