よりリアルな人間の会話プロセスをシミュレーションするためには、モデルが対話発話を生成する際に、単に先行するテキストコンテクストだけでなく、視覚的なコンテクストも考慮する必要があります。しかし、マルチモーダル対話学習の発展とともに、データセットの規模が徐々にボトルネックとなっています。本報告では、以前のバージョンであるOpenViDial 1.0と比較して大規模化されたオープンドメインのマルチモーダル対話データセットOpenViDial 2.0を公開します。OpenViDial 2.0は、異なるリソースから抽出された映画やテレビドラマからの560万件の対話ターンを含んでおり、各対話ターンは対応する視覚的なコンテクストとペアになっています。私たちはこの大規模なデータセットが、オープンドメインのマルチモーダル対話生成に関する今後の研究（例えば、対話生成のためのマルチモーダル事前学習）を促進することを期待しています。