Croto は音声キャプション データセットです。このデータセットは、音声の内容と字幕の多様性に焦点を当てており、それぞれ 5 つの字幕を含む 4,981 の音声サンプル (合計 24,905 の字幕) で構成されており、長さは 15 ～ 30 秒、字幕の長さは 8 秒です。 30秒まで。