数据上新｜高质量具身智能、多模态及物理规律等核心数据集重磅发布

多语种自然对话平均音色合成库

• 数据规模：2人（专业声优：1男1女）

• 语种：多口音英语、日语、韩语等20余种语言。

• 数据特点：48kHz/24bit 高保真，在专业录音棚内录制的高质量对话语料。

• 标注内容：除了高准确率的文本标注外，具备中性、开心、惊讶、恐惧等多种情绪，以及笑声、哭腔、叹气、咳嗽、嘴瓢等丰富副语言元素，助力打造极具表现力和拟真度的新一代TTS系统。

多模态大模型数据集

智能体轨迹数据集

• 数据规模：5,300组

• 数据特点：基于智能体生成的智能体执行轨迹数据

• 应用场景：深入覆盖“深度搜索”、“数据分析”、“行业/产业调研”三大任务。提供英语与韩语双语语料，专为大模型 Agent 的自主规划、工具调用及反思能力微调而生。

2万段物理规律视频数据

• 数据规模：20,000段，单条视频2-20秒

• 数据特点：分辨率不低于 1920×1080。涵盖破坏、碰撞与反弹、形变、液体流动、气液交互等丰富的物理世界规律场景。

• 标注内容：配合精细的短文本描述，支持对构图、光影、色彩及物理常识表现力的评估，是训练视频生成模型理解物理规律的绝佳素材。

具身智能数据集

1000段6目Ego具身智能数据集

• 数据规模：1,042段，单段约35秒的连续动作序列

• 采集设备：高集成度 SeerFusion 头戴设备，双目 RGB + 四目黑白鱼眼 + IMU。

• 数据亮点：完成极高精度的多模态传感器级数据同步与对齐。不仅提供原始视频流与深度图，还包含自研 VSLAM 高精度轨迹追踪日志、3D重建点云（PLY）以及手部关节关键点识别，全方位拆解人类动作细节。

• 覆盖场景：横跨家居、办公、零售、学校、仓储等多样化物理空间。

3500小时 Ego-centric 视频数据

• 数据规模：3,500小时

• 数据内容：由固定于额头中央的相机录制的 4K/1080P 60fps 第一人称超广角视频。

• 场景任务：聚焦家居与酒店场景，详实记录烹饪、清洗、床铺整理等各类人类手物交互的过程。

• 标注质量：提供与视频紧密映射的操作指令文本，指令与行为匹配准确率高达 98%，将大幅加速通用具身模型（VLA）从“视觉观察”到“物理控制”的进化。