LAION이 AI 연구용 오픈 비디오 데이터셋 BVD(Big Video Dataset)를 공개했다.
CommonCrawl에서 발굴한 13억 개 비디오 URL 중 8,000만 개를 실제로 내려받아 총 1,000만 시간 분량을 확보했다. 여기서 5,500만 개 클립을 추출했고, 각 클립에는 자동 생성된 영상·음성 설명이 붙어 있다. 정지 이미지도 3억 장 포함된다. 수록 영상 대부분은 YouTube 출처이며, 주요 언어는 영어다.
논문에 따르면 BVD로 학습한 모델은 InternVid로 학습한 동급 모델 대비 주요 영상-텍스트 벤치마크에서 최대 2.1%p 높은 성능을 기록했다. 학습 방식은 영상·음성·텍스트를 함께 묶어 시각 콘텐츠와 설명·소리 간 대응 관계를 익히는 구조다.
LAION은 비영리 연구 목적으로만 공개한다는 조건을 달았다. 법적 근거로는 2024년 함부르크 지방법원이 비영리 AI 학습을 위한 저작권 콘텐츠 수집을 허용한 판결을 제시했다. 데이터셋과 코드는 GitHub에서 무료로 내려받을 수 있다.
국내 AI 연구기관과 스타트업 입장에서는 대규모 비디오-텍스트 쌍 데이터를 별도 수집 비용 없이 활용할 수 있는 경로가 생긴 셈이다. 다만 연구 외 상업적 활용은 허용 범위 밖이다.
