Corpora来自 YouTube 的多模态训练数据 —— 视频、音频、文本与元数据
从原始视频、音频流到干净的结构化元数据 —— 大规模采集、去重、整理，直接用于视觉语言、语音和视频 LLM 训练。
YouTube 视频与音频下载
全分辨率视频（最高 4K/8K）、面向语音与音乐模型的纯音频轨道，以及指定格式。可按原始容器交付，或转码为你的目标编码。
结构化元数据
标题、描述、标签、频道、发布时间、时长、播放/点赞数、分类、语言等 —— 统一规范为 JSONL 或 Parquet。
字幕与转录文本
所有可用语言的自动生成字幕与人工字幕，时间戳与视频对齐，适用于语音和多模态训练。
评论与互动数据
一级评论、回复、点赞数和回复串，适用于对话、情感分析和排序数据集。
缩略图与关键帧
全部分辨率的缩略图，并可按自定义间隔抽取关键帧，用于视觉语言预训练。
自定义采集范围
按关键词、频道列表、播放列表、主题、语言、地区、上传时间窗口或互动阈值采集。范围由你定义。
自建管线，或由我们负责交付
两种方式都为持续、高吞吐的采集而设计，没有速率限制，也没有带宽上限。
高带宽代理
为你的采集系统提供 1–40 Gbps 独享不限流量代理带宽。
- 流量不限 —— 永不按 GB 计费
- 每客户可从 1 Gbps 扩展到 40 Gbps
- HTTP(S) 与 SOCKS5，兼容 yt-dlp 及自研爬虫
- 轮换 IP 池，自动健康检查与故障切换
- 多地区节点，覆盖地域限定内容
- 7×24 技术支持与专属客户经理
云存储交付
告诉我们你的需求，我们负责采集、处理，并直接交付到你的存储。
- 交付至你的 S3、GCS、Azure Blob 或私有对象存储
- 视频、音频、字幕和元数据按你指定的目录结构组织
- 包含去重、完整性校验和清单文件
- 可选转码、抽帧和格式转换
- 支持增量更新，适合持续扩充的数据集
- 按交付 PB 数计价 —— 你无需搭建任何基础设施
每个视频都有干净、一致的字段
每条记录都经过校验和规范化。可按需定制字段和结构。
| 字段 | 类型 | 说明 |
|---|---|---|
video_id | string | YouTube 视频唯一标识 |
title / description | string | 原始标题及完整描述文本 |
channel_id / channel_name | string | 上传者频道标识及订阅数快照 |
published_at | datetime | 上传时间戳（UTC，ISO 8601） |
duration_sec | integer | 视频时长（秒） |
view_count / like_count / comment_count | integer | 采集时的互动指标 |
tags / category | array / string | 创作者标签及 YouTube 分类 |
language | string | 检测到的主要语言（BCP-47） |
formats | array | 可用分辨率、编码、码率及文件大小 |
subtitles | object | 按语言列出的字幕轨道，区分人工与自动生成 |
thumbnails | array | 全部分辨率的缩略图 URL 及本地路径 |
file_path / sha256 | string | 交付媒体在你存储桶中的位置及完整性校验值 |
从需求到数据集交付
明确范围
告诉我们你的目标：关键词、频道、语言、地区、时间范围、格式及预估数据量。
样本验证
我们免费交付一批带元数据的样本，让你在正式合作前验证质量、结构和格式。
规模化采集
采集在 1–40 Gbps 独享带宽上运行，配有进度看板和每日报告。
交付与校验
数据连同清单和校验值落入你的云存储。可按计划进行增量更新。
简单透明，量大优惠
按带宽付费，或按交付数据量付费 —— 哪种适合你的管线就选哪种。两种方式都有批量折扣。
流量不限，可从 1 Gbps 扩展到 40 Gbps。
- 不按 GB、不按请求数收费
- HTTP(S) 与 SOCKS5，轮换 IP 池
- 多地区接入点
- 99.9% 可用性 SLA，7×24 支持
按交付数据量和处理范围定价。请联系我们获取报价。
- 包含视频、音频、字幕和元数据
- 交付至 S3 / GCS / Azure / 私有存储
- 去重、校验值和清单文件
- 可选转码与抽帧
所有价格均为美元。支持定制企业协议、年度合约及混合方案（代理 + 交付）—— 详情请联系销售。
常见问题
告诉我们你需要的数据集
告诉我们你的目标范围和数据量，我们会回复样本方案、时间表和报价 —— 通常在一个工作日内。