CelebV-Text es un conjunto de datos de vídeo-texto facial a gran escala, de alta calidad y diverso, diseñado para promover la investigación en tareas de generación de vídeo-texto facial. El conjunto de datos contiene 70.000 clips de vídeo faciales de entornos reales, cada uno con 20 textos que abarcan 40 apariencias generales, 5 apariencias detalladas, 6 condiciones de iluminación, 37 acciones, 8 emociones y 6 direcciones de luz. CelebV-Text ha validado su superioridad en vídeo, texto y correlación vídeo-texto mediante un análisis estadístico exhaustivo, y ha establecido un punto de referencia para estandarizar la evaluación de tareas de generación de vídeo-texto facial.