AVSpeech 是一个新的、大规模的视听数据集，包括没有干扰的背景噪音的语音视频片段。这些片段的长度为 3-10 秒，在每个片段中，原声带中的听到的声音，属于视频中可看见的唯一在说话的人。

该数据集包含大约 4700 小时的视频片段，来自 29 万个 YouTube 视频，涵盖了各种各样的人、语言和面部姿势。