Датасет · jamescalam
Транскрипции технических YouTube-уроков
jamescalam/youtube-transcriptions
Короткие текстовые фрагменты из англоязычных видеотуториалов с таймкодами для поиска и RAG.
Что внутри
Внутри лежат текстовые расшифровки технических обучающих видео с YouTube-каналов James Briggs, Daniel Bourke и AI Coffee Break на английском языке. Записи получены с помощью модели OpenAI Whisper (large). Каждая строка содержит короткий фрагмент текста длиной примерно в одно предложение, ссылку на видео и таймкод. Всего в датасете от 100 тысяч до 1 миллиона строк.
Что можно сделать
- Обучение и тестирование систем семантического поиска и RAG по видеоконтенту
- Создание вопросно-ответных систем с привязкой к таймкодам роликов
- Задачи
- Вопрос-ответ, Поиск по текстам, Вопросы по картинкам
- Языки
- Английский
- Размер
- 100K–1M записей
- Скачиваний за месяц
- 6,5 тыс.
- Лайков
- 44
Как загрузить
from datasets import load_dataset
ds = load_dataset("jamescalam/youtube-transcriptions")