CelebV-Texto é um conjunto de dados de vídeo-texto de rosto em larga escala, de alta qualidade e diversificado, destinado a promover a pesquisa em tarefas de geração de vídeo-texto de rosto. O conjunto de dados contém 70.000 clipes de vídeo de rostos em ambiente natural, cada um com 20 textos, abrangendo 40 aparências gerais, 5 aparências detalhadas, 6 condições de iluminação, 37 ações, 8 emoções e 6 direções de luz. O CelebV-Texto valida sua superioridade em termos de vídeo, texto e correlação vídeo-texto por meio de uma análise estatística abrangente e estabelece um benchmark para padronizar a avaliação de tarefas de geração de vídeo-texto de rosto.