VidTIMIT数据集由43人背诵短句的视频和相应的音频记录组成。 它可以用于唇读、多视角人脸识别、多模态语音识别和人脸识别等领域的研究。 数据集记录在3个会话中，会话1和会话2之间的平均延迟为7天，会话2和会话3之间的平均延迟为6天。 这些句子是从TIMIT语料库的测试部分选择的。 每人有10个句子。 前6个句子(按文件名按字母数字排序)分配给会话1。 接下来的两句话分配给会话2，剩下的两句话分配给会话3。 所有人的前两句话都是一样的，剩下的八句话则因人而异。 除了句子之外，每个人在每个环节都要进行头部旋转。 这个序列包括人向左，向右，回到中心，向上，然后向下，最后回到中心。 录音是在办公环境中使用广播质量的数字摄像机进行的。 每个人的视频被存储为一个编号序列的JPEG图像，分辨率为512 x 384像素。 在JPEG图像的创建过程中使用了90%的质量设置。 相应的音频存储为单声道，16位，32千赫WAV文件。