LAION libera BVD: 10 millones de horas de vídeo abierto para entrenar modelos multimodales
LAION publica el Big Video Dataset (BVD): 10 millones de horas de vídeo —55M clips con descripciones y 300M imágenes— extraídos de 80M vídeos de CommonCrawl, para entrenar modelos que cruzan vídeo, audio y texto.
LAION —la organización sin ánimo de lucro detrás de datasets abiertos de referencia— ha publicado el Big Video Dataset (BVD), uno de los mayores corpus de vídeo abiertos para investigación en IA. BVD parte de los 1.300 millones de URLs de vídeo detectados en CommonCrawl, de los que el equipo descargó 80 millones, sumando 10 millones de horas de metraje. De ahí extrajo 55 millones de clips con descripciones autogeneradas de vídeo y audio, además de 300 millones de imágenes fijas.
La mayoría de los vídeos provienen de YouTube y están en inglés, pero el valor del dataset está en su alineación multimodal nativa: el corpus entrena a los modelos para cruzar simultáneamente vídeo, audio y texto, aprendiendo qué contenido visual corresponde con qué descripción o sonido. Según el artículo de investigación, los modelos entrenados sobre BVD superan a los entrenados sobre InternVid en hasta 2,1 puntos porcentuales en benchmarks comunes de video-to-text.
BVD se publica exclusivamente para fines de investigación. A nivel legal, LAION puede apoyarse en una sentencia del Tribunal Regional de Hamburgo de 2024 que permitió recopilar contenido con copyright para investigación no comercial, y pide a los usuarios que respeten los derechos de los creadores originales. El dataset y el código son de libre acceso, lo que lo convierte en un recurso clave para investigación aplicada y reproducción de experimentos en este momento en que el vídeo generativo (Wan3.0, Veo y rivales abiertos) marca el siguiente frente de la carrera multimodales.