AVSpeech是一个新的，大规模的视听数据集，包括语音视频剪辑没有干扰的背景噪声。视频片段长3-10秒，每个片段中可听到的声音都属于一个说话的人，在视频中可以看到。总的来说，这个数据集包含了大约4700个小时的视频片段，来自于YouTube上总共290k个视频，涵盖了各种人、语言和面部姿势。