Vript は、高解像度ビデオを含むきめ細かいビデオ テキスト データセットで、合計 420,000 個を超えるクリップを含む 12,000 の注釈付きビデオが含まれています。 Vript データセットの各クリップには、約 145 ワードのタイトルが付いています。これは、ほとんどのビデオ テキスト データセットの注釈よりもはるかに長く、より詳細で密度の高い説明が提供されます。このデータセットのアノテーションは、ビデオの作成前にシーンの撮影方法を整理するために書かれたスクリプトに似たビデオ スクリプトからインスピレーションを得ています。

以前のビデオ テキスト データセットとは異なり、Vript はビデオ コンテンツを記録するだけでなく、ショット タイプ (ミッドショット、クローズアップなど) やカメラの動き (パン、チルトなど) も含むため、豊かさが向上します。ビデオの字幕の。さらに、Vript はナレーションをテキストに変換し、ビデオのタイトルとともに提供し、ビデオの注釈により多くのコンテキストを提供します。

このデータセットは、上海交通大学、北杭大学、小紅書チームによって 2024 年にリリースされました。関連する論文結果は「Vript: ビデオは何千もの言葉に匹敵する」