© 2023-2026 上海数据发展科技有限责任公司 版权所有
沪ICP备17003045号-15沪公网安备31010402336585号
中文在线集团股份有限公司
企业中文在线集团股份有限公司成立于2000年，属新闻和出版业，主营网络出版物出版。面向网络文学、自然语言处理、语音识别等领域提供数据服务，开放网文数据集（网络文学、自然语言处理）、出版物有声书(小说有声书)数据集（语音识别、语音转文本）、百度文库数据集（文档处理、内容管理），支撑知识产权分析与转化。
网络文学自然语言处理语音识别新闻出版高新技术企业
数据集列表
中文试题数据库
数据处理遵循合规性和结构化加工规则，采集合规各学科试题，剔除侵权、违规、低质试题，确保试题来源合法、内容规范；采用试题结构化标注算法，对试题进行全字段拆分、标注，按学段、学科、题型进行分类整理，运用难度分级算法，对试题进行难度划分，实现数据的结构化存储和多维度检索；该数据集未涉及个人数据、公共数据，无需进行匿名化、去标识化处理，数据处理活动符合相关法律法规要求。
贵州省数据知识产权登记平台2026-04-08 更新40
中文出版物图书数据集
数据处理遵循合规性和标准化规则，采集合规中文出版物，剔除侵权、违规、低质内容，确保出版物来源合法、内容规范；采用文本提取算法，从多种格式的出版物中提取纯文本，剔除格式冗余信息，按学科领域进行分类加工，实现文本内容的标准化处理和结构化存储；该数据集未涉及个人数据、公共数据，无需进行匿名化、去标识化处理，数据处理活动符合相关法律法规规定。
贵州省数据知识产权登记平台2026-04-08 更新140
图像数据集
数据处理遵循严格的质量管控和合规性规则，采集合规无水印图片，剔除侵权、违规、低质、模糊及带水印的图片，确保图片来源合法、质量达标；采用图像分类算法，根据图片内容、场景、主题等特征进行精细化分类，运用图片质量检测算法，筛选出高清合格图片，优化图片存储格式，确保数据格式规范、调用便捷；该数据集未涉及个人数据、公共数据，无需进行匿名化、去标识化处理，数据处理活动符合相关法律法规规定。
贵州省数据知识产权登记平台2026-04-08 更新120
干音音频数据集
数据处理遵循严格的质量管控规则，采集合规实拍干音，剔除杂音、低质、违规音频，确保音频来源合法、质量达标；采用音频切分算法，根据说话内容逻辑、语句停顿等特征将音频切分为若干片段，运用时间戳标注算法实现毫秒级时序对齐，结合说话人识别规则标注不同说话人信息，最终生成Srt格式标注文件；该数据集未涉及个人隐私数据、公共数据，无需进行匿名化、去标识化处理，数据处理活动符合相关法律法规要求。
贵州省数据知识产权登记平台2026-04-08 更新60
15000小时短视频数据集
数据规格
总时长15000 小时，单条视频10–30 秒，分辨率、帧率、编码规范统一，便于批量训练。
文本标注规则
每条视频对应精准文本描述，涵盖场景、主体、动作、氛围、逻辑等语义信息，标注清晰无歧义。
清洗与质控规则
经过去重、去模糊、去水印、去违规内容、去低质片段，数据纯净度高、可用性强。
算法适配
天然适配CLIP、BLIP、LVM、文生视频模型、多模态因果建模、对比学习、掩码建模等主流训练范式。
贵州省数据知识产权登记平台2026-04-01 更新70
中文期刊数据集
数据处理遵循合规性和学术规范规则，采集合规中文期刊，剔除侵权、违规、低质及非学术类期刊内容，确保期刊来源合法、内容规范；采用文本清洗算法，剔除期刊中的格式冗余、无关信息，按学科门类进行分类加工，对学术文本进行结构化处理，实现数据的标准化存储；该数据集未涉及个人数据、公共数据，无需进行匿名化、去标识化处理，数据处理活动符合相关法律法规要求。
贵州省数据知识产权登记平台2026-04-08 更新110
外文试题数据库
数据处理遵循合规性和结构化加工规则，采集合规多语种试题，剔除侵权、违规、低质试题，确保试题来源合法、内容规范；采用试题结构化处理算法，对试题进行字段拆分、标注，按语种、学段、题型、学科进行分类整理，运用解析关联算法，将试题与对应解析精准匹配，实现数据的结构化存储；该数据集未涉及个人数据、公共数据，无需进行匿名化、去标识化处理，数据处理活动符合相关法律法规要求。
贵州省数据知识产权登记平台2026-04-08 更新40
视频数据集
数据处理遵循合规性和质量管控双重规则，采集合规实拍视频，严格剔除侵权、违规、低质、带水印及含字幕的视频，确保视频来源合法、质量达标；采用视频分类算法，根据视频内容特征、场景类型进行精细化分类，运用元数据标注规则，为每段视频匹配对应的标签关键词和短描述，生成Excel格式元数据文件；该数据集未涉及个人数据、公共数据，无需进行匿名化、去标识化处理，所有数据处理活动均符合相关法律法规要求。
贵州省数据知识产权登记平台2026-04-08 更新50
百度文库数据集
数据处理遵循合规性原则，对百度文库中的文档进行合规采集，严格剔除违规、低俗、侵权及低质内容，确保数据来源合法合规；采用分类加工规则，按文档类型、使用场景进行精细化分类，运用格式转换算法将不同原始格式的文档统一处理为word、json标准格式，确保数据格式规范、内容统一；该数据集未涉及个人数据、公共数据，无需进行匿名化、去标识化等额外处理，所有数据处理活动均符合相关法律法规规定。
贵州省数据知识产权登记平台2026-04-08 更新200
出版物有声书(小说有声书)数据集
数据规模与规格
总时长20 万小时，以有声书、有声小说为主，音频 + 文本逐段对齐，格式规范统一。
文本对齐规则
文本与音频内容高度一致、无错漏、无乱码，支持句级别 / 段级别对齐，适配序列建模。
清洗与质控规则
经过去噪、去静音、去重、去低质录音、去违规内容处理，音频清晰、文本准确。
算法适配
天然支持自监督语音预训练、ASR 端到端训练、TTS 建模、语音–文本跨模态对齐、对比学习等主流训练框架与算法。
贵州省数据知识产权登记平台2026-03-12 更新230