全知启航围绕计算机视觉、视频理解、语音识别及多语言智能交互等方向，推出多项优质数据集资源，覆盖图像编辑、动作视频、多语种语音等热门应用场景。通过真实、多样、标准化的数据支持，帮助AI企业和科研机构提升模型训练效率，增强模型泛化能力。

一、图片编辑类拍摄数据集

数据集规模：30,099张高清实拍图片，包含1537位真实人物。

核心亮点：使用三脚架+单反相机拍摄，像素不低于1000万，曝光、色彩、对焦专业把控。

人像维度：涵盖人体姿态、表情变化、人物添加/移除、位置交换、服饰替换、手持物变换等20+类精细编辑指令。物体维度：支持物体添加、移动、替换、属性修改等操作。提供混合变换+多参考图（多人多物组合）+对焦点变换三种高阶任务。每张图片均配有精准的文本描述标注（变化前与变化后位置、内容、细节均有明确描述）。

适用场景：智能图像编辑、图像生成、视频动态追踪与合成、人机交互行为分析、AR/VR虚实融合等，是训练具身智能与视觉Agent的稀缺高质量数据。

二、武打片段数据集

数据集规模：100万条武打视频片段

核心亮点：数据集覆盖徒手搏击、冷兵器交锋、高空特技、3D/CG武打设计全品类。单个片段时长控制在3秒-1分钟（完整动作单元）。分辨率最低1920×1080（Full HD），部分3840×2160（4K）；高速动作≥60fps。采用H.264/H.265编码，码率8-10M，画面干净、色彩自然、无明显噪点。

适用场景：动作视频生成、视频动作迁移、武打特效AIGC、多模态大模型训练、具身智能动作策略训练等。

三、粤语单句朗读数据集

数据规模：共1212小时

核心亮点：发音自然流畅，专业配音员与真实生活场景说话人混合采集。内容覆盖金融、教育、娱乐、生活、家庭聊天、会议讨论、小说朗读、手机交互等多元场景。兼具主题广度与语义复杂度，口语化与书面语并存。统一采用16kHz，单声道，16bit，wav格式，提供文本标注 + JSON结构化输出。

适用场景：粤语语音识别、智能客服系统、情感语音合成、多语言多方言语音大模型训练与评测。

四、阿拉伯语数据集

数据集规模：1000小时多场景阿拉伯语语音+对应转写文本。

核心亮点：发音自然，语速正常，兼具主题广度与语言复杂度。覆盖新闻、社交媒体、日常对话、文学、宗教、科技等多元领域。来自多个阿拉伯语国家和地区，方言覆盖较广。统一采用48kHz，单声道，16bit，wav格式。提供文本标注 + JSON结构化输出。

适用场景：阿拉伯语语音识别、机器翻译、跨语言大模型训练、中东区域智能客服与内容审核。

五、韩语数据集

数据集规模：1433小时高质量韩语数据

核心亮点：聚焦现代韩语真实应用场景，覆盖日常对话、社交媒体、工作学习、韩剧台词等。

特别强化了韩语作为黏着语的特性，对复杂的助词体系、动词变形、词形变化及派生词构词规则进行了系统化采集与标注。字准率99.51%，元信息准确率100%。录音环境安静，16kHz，单声道，16bit，wav格式，提供标注文本与JSON格式输出。

适用场景：韩语ASR训练、韩语TTS训练、多语言大模型训练等。

六、西班牙语数据集

数据集规模：数千小时高质量、高精度西班牙语语音数据。

核心亮点：全部在严格控制的安静环境（无混响、无背景噪声）中录制，信噪比极高。以西班牙语朗读语句为主，同时覆盖日常对话、社交媒体、工作学习等实用场景。针对西班牙语动词变形、助词用法、敬语体系完善的特点进行了系统性采集。统一采用48kHz，单声道，24bit，wav格式，提供文本标注与JSON结构化输出。

适用场景：西班牙语语音识别、语音合成、智能翻译、多语言语音助手等

七、葡萄牙语数据集

数据集规模：数千小时高质量葡萄牙语数据。

核心亮点：录音环境严格控制，语音纯净、信噪比高。内容以葡萄牙语自然对话与朗读结合，覆盖巴西葡萄牙语与欧洲葡萄牙语的主要差异。重点处理了葡萄牙语复杂的动词变位、助词用法及口语缩合现象。统一48kHz，单声道，24bit，wav格式，提供文本标注与JSON输出。

适用场景：葡萄牙语语音识别、跨语言大模型训练、智能客服、多语言语音对话系统研发等。

全知启航此次精选的数据集，均经过严格质控与专业化标注，场景丰富、细节扎实、格式标准，可直接用于当前主流大模型的训练与迭代中。如需要以上任意数据集的样例数据或其他定制化方案，欢迎通过多种方式联系我们！