我们存在 Cloudflare R2 上的全部训练素材：有什么、有多少、能不能直接用。截至 2026 年 11 月 6 日。
35 个公开数据集，来自微博、豆瓣、贴吧、PTT、客服记录、语音转写等。已经统一整理成「一行一个对话」的格式，共 14.8 GB。其中 26 个是真人即兴说的话，18 个许可明确可商用。按对话数从多到少排。
| 数据集 | 是什么 | 来源 | 对话数 | 轮数 | 语言 | 许可 | 整理后大小 |
|---|---|---|---|---|---|---|---|
| lccc | 公开帖子回复链（微博） | 真人 | 685 万 | 2016 万 | 简体 | 可商用 | 3.3 GB |
| personal-dialog | 公开帖子回复链（微博），每位说话人带性别/地区/兴趣标签 | 真人 | 546 万 | 1454 万 | 简体 | 仅研究 / 非商用 | 4.5 GB |
| meddialog-cn | 在线问诊（文字，异步） | 真人 | 341 万 | 1126 万 | 简体 | 待确认 | 3.7 GB |
| ptt-gossiping-zake | 公开帖子回复（BBS 推文） | 真人 | 77.3 万 | 155 万 | 繁体 | 可商用 | 443.9 MB |
| douban-conversation | 公开帖子回复链（豆瓣小组） | 真人 | 52.1 万 | 401 万 | 简体 | 仅研究 / 非商用 | 635.6 MB |
| ecd-taobao | 客服 IM（文字） | 真人 | 50.6 万 | 329 万 | 简体 | 仅研究 / 非商用 | 527.3 MB |
| bilibili-comments-2023 | 公开评论回复链（B 站） | 真人 | 17.3 万 | 36.5 万 | 简体 | 待确认 | 114.7 MB |
| wildchat-zh | 网页聊天（HF Space 免费 ChatGPT 入口） | 人机对话 | 11.9 万 | 70.4 万 | 简体/繁体 | 可商用 | 652.4 MB |
| wildchat-zh-user | 网页聊天，只保留用户侧 | 真人 | 11.9 万 | 35.2 万 | 简体/繁体 | 可商用 | 185.8 MB |
| ptt-gossiping | 公开帖子推文（PTT 八卦板，标题→推文） | 真人 | 10.6 万 | 21.1 万 | 繁体 | 可商用 | 52.3 MB |
| reddit-china-irl | 公开帖子回复链（Reddit） | 真人 | 6.0 万 | 19.5 万 | 简体为主 | 待确认 | 128.5 MB |
| bilibili-danmaku-guichu | 视频弹幕文本（B 站鬼畜区，无视频/时间信息） | 真人 | 4.0 万 | 200 万 | 简体 | 待确认 | 149.9 MB |
| naturalconv | 话题驱动文字对话（给新闻写对话） | 众包按题写 | 2.0 万 | 40.1 万 | 简体 | 仅研究 / 非商用 | 47.5 MB |
| tieba-roycehe | 公开帖子回复（百度贴吧，标题→热门回复） | 真人 | 1.9 万 | 3.8 万 | 简体 | 可商用 | 12.4 MB |
| bilibili-lyi-sharegpt | 公开评论回复（B 站单个 UP 主） | 真人 | 1.9 万 | 3.8 万 | 简体 | 待确认 | 12.5 MB |
| tvsub | 剧本字幕 | 作者创作 | 1.3 万 | 10.0 万 | 简体 | 仅研究 / 非商用 | 10.1 MB |
| cped | 剧本字幕 | 作者创作 | 1.2 万 | 13.3 万 | 简体 | 可商用 | 26.3 MB |
| dcard | 公开帖子回复（Dcard，标题→回复） | 真人 | 1.1 万 | 2.2 万 | 繁体 | 可商用 | 7.2 MB |
| bilibili-danmaku-wybxc | 视频弹幕流（B 站，单个视频） | 真人 | 7,282 | 39.4 万 | 简体 | 待确认 | 46.3 MB |
| crosswoz | 任务型文字对话（北京旅游：景点/酒店/餐馆/地铁/出租） | 众包按任务聊 | 6,012 | 10.2 万 | 简体 | 可商用 | 13.9 MB |
| kdconv | 知识驱动文字对话（电影/音乐/旅游） | 众包按任务聊 | 4,500 | 8.6 万 | 简体 | 可商用 | 10.9 MB |
| multi-emotion-dialogue | 不明 | 混合 | 4,159 | 4,159 | 繁体 | 可商用 | 1.6 MB |
| chinese-dialogue-corpus-interview | 访谈转写 | 真人 | 2,400 | 4,799 | 简体 | 待确认 | 3.3 MB |
| tieba-sunxiaochuan | 公开帖子回复链（百度贴吧·孙笑川吧） | 真人 | 2,132 | 9.2 万 | 简体 | 可商用 | 13.6 MB |
| role-play-bench | 角色扮演 IM | AI 合成 | 1,650 | 16.8 万 | 简体 | 可商用 | 56.9 MB |
| esconv | 任务型（情感支持，文字） | 众包按任务聊 | 1,300 | 3.8 万 | 英文 | 仅研究 / 非商用 | 6.6 MB |
| magicdata-clam | 语音转写（手机录音，室内，约 30 分钟一段；公开版只给文本） | 真人 | 322 | 9.7 万 | 简体 | 仅研究 / 非商用 | 10.0 MB |
| aishell4-meeting | 会议语音转写（4–8 人，会议室） | 真人 | 150 | 8.1 万 | 简体 | 可商用 | 11.5 MB |
| ascend | 语音转写（香港，中英混说，分句带时长） | 真人 | 63 | 1.2 万 | 粤普英混（普通话为主，夹英文） | 可商用 | 1.4 MB |
| hkcancor | 自然对话与电台节目录音转写（香港粤语） | 真人 | 58 | 1.1 万 | 粤语 | 可商用 | 1.1 MB |
| magicdata-multistream | 语音转写（手机双人按话题闲聊，分轨） | 真人 | 27 | 2,830 | 简体 | 可商用 | 482 KB |
| l1-l1-spoken | 语音转写（微信语音通话或面对面，20–65 分钟一段，无标点） | 真人 | 26 | 1.1 万 | 简体 | 仅研究 / 非商用 | 1.2 MB |
| magicdata-ramc-sample | 语音转写（16k 录音，带起止时间戳、说话人性别/口音） | 真人 | 15 | 8,279 | 简体 | 仅研究 / 非商用 | 1.0 MB |
| realtalk-im | 私聊 IM，21 天 | 真人 | 10 | 8,944 | 英文 | 可商用 | 2.0 MB |
| seniortalk-sample | 语音转写（75 岁以上老人，带方言区、口音轻重、性别） | 真人 | 10 | 8,581 | 简体（带各地口音） | 仅研究 / 非商用 | 1.1 MB |
| 合计 | 1826 万 | 6050 万 | 14.8 GB | ||||
从百度网盘整批搬过来的原始文件，目录名保留网盘原名。74,724 个文件、436 GB，分 5 个大合集。
| 合集 | 文件数 | 大小 | 其中能直接用的 txt | 主要格式 |
|---|---|---|---|---|
| 网盘各合集（udata） 十几个来自百度网盘的小说合集，含笔趣阁全站 31 万本的压缩包 | 15,888 | 289 GB | 15,139 个 · 36.4 GB | txt 15,139 mobi 472 epub 155 pdf 97 |
| 小说大合集 按题材分 27 个子目录：玄幻仙侠、武侠、都市言情、悬疑推理、穿越重生…… | 46,345 | 53.8 GB | 44,644 个 · 44.0 GB | txt 44,644 pdf 1,129 ppt 303 rar 87 |
| 小说补充 按题材分 16 个子目录，电子书格式（epub / pdf）比较多 | 8,320 | 72.5 GB | 6,449 个 · 32.6 GB | txt 6,449 epub 1,080 pdf 689 mobi 47 |
| 中国电视剧剧本 热播、经典电视剧的剧本，pdf / docx 为主 | 2,263 | 16.8 GB | 38 个 · 36.5 MB | pdf 770 docx 747 png 486 doc 196 |
| 世界电影剧本 中外经典电影剧本，docx / pdf 为主 | 1,908 | 3.9 GB | 8 个 · 843 KB | docx 1,044 pdf 810 doc 39 txt 8 |
| 合计 | 74,724 | 436 GB | 66,278 个 · 113 GB |
点开看每个合集里的子目录：
| 子目录 | 文件数 | 大小 | 格式（绿色 = 能直接用） |
|---|---|---|---|
| 笔趣阁/ | 8 | 251 GB | zip 8 |
| 巨多的小说合集看这里/ | 14,288 | 34.8 GB | txt 13,656 mobi 472 epub 155 zip 3 |
| 2024年书香上榜文/ | 387 | 670.3 MB | txt 387 |
| 我的小说合集/ | 65 | 494.1 MB | txt 53 png 4 jpg 4 mp3 3 |
| 1002小说收录/ | 357 | 407.2 MB | txt 357 |
| 付费小说合集（几百本）/ | 287 | 373.5 MB | txt 287 |
| 2.6付费热门/ | 74 | 337.8 MB | txt 74 |
| 无限流小说102部合集/ | 102 | 198.6 MB | txt 102 |
| 百本经典世界文学名著/ | 97 | 181.1 MB | pdf 97 |
| 小说合集/ | 127 | 175.6 MB | txt 127 |
| 晋江言情总分榜TOP100（新版）/ | 96 | 97.2 MB | txt 96 |
| 子目录 | 文件数 | 大小 | 格式（绿色 = 能直接用） |
|---|---|---|---|
| 一万多本各类型小说合集/ | 9,468 | 8.4 GB | txt 9,399 pdf 59 zip 8 url 2 |
| 1500多本玄幻仙侠/ | 1,531 | 7.4 GB | txt 1,528 url 3 |
| 现代文学/ | 3,642 | 6.8 GB | txt 2,402 pdf 908 ppt 303 rar 16 |
| 5500本穿越重生小说/ | 5,723 | 5.7 GB | txt 5,722 docx 1 |
| 3700按作者分类合集/ | 3,598 | 5.3 GB | txt 3,505 pdf 52 rar 14 docx 11 |
| 700多本热门小说/ | 531 | 3.9 GB | txt 531 |
| 都市异能/ | 493 | 2.6 GB | txt 493 |
| 3600多本都市言++情小说/ | 3,664 | 2.2 GB | txt 3,659 pdf 2 z 1 zip 1 |
| 古典文学、小说类/ | 111 | 1.5 GB | txt 60 pdf 47 jpg 3 azw3 1 |
| 2000多本武侠小说/ | 2,730 | 1.4 GB | txt 2,655 rar 57 url 17 chm 1 |
| 5000多本惊+悚+悬+疑+推理小说/ | 5,749 | 1.3 GB | txt 5,652 jpg 62 gif 34 doc 1 |
| 网游竞技/ | 804 | 1.3 GB | txt 804 |
| （直接放在此目录的文件） | 97 | 1.2 GB | txt 97 |
| 系统流文/ | 268 | 1.0 GB | txt 268 |
| 军事历史/ | 118 | 536.3 MB | txt 118 |
| 末日重生/ | 106 | 447.4 MB | txt 106 |
| 400多本历史小说/ | 445 | 432.6 MB | txt 444 jpg 1 |
| 知乎短篇/ | 5,071 | 407.5 MB | txt 5,010 pdf 61 |
| 官场商战/ | 64 | 360.7 MB | txt 64 |
| 二次元同人/ | 224 | 328.6 MB | txt 224 |
| 刑侦罪案/ | 506 | 310.5 MB | txt 506 |
| 穿越异界/ | 62 | 237.9 MB | txt 62 |
| 名人传记/ | 661 | 201.5 MB | txt 660 url 1 |
| 洪荒流文/ | 79 | 147.9 MB | txt 79 |
| 科幻大全/ | 275 | 115.6 MB | txt 275 |
| 恐怖惊悚/ | 277 | 96.0 MB | txt 277 |
| 【用前必看 视频打不开 疑难问题 播放器软件】/ | 4 | 95.1 MB | exe 2 apk 1 mp4 1 |
| 盗墓系列/ | 44 | 34.6 MB | txt 44 |
| 子目录 | 文件数 | 大小 | 格式（绿色 = 能直接用） |
|---|---|---|---|
| 玄幻仙侠武侠奇幻/ | 1,312 | 15.2 GB | txt 1,102 epub 128 pdf 54 mobi 25 |
| 军事科幻历史类/ | 758 | 7.7 GB | txt 616 epub 90 pdf 47 mobi 3 |
| 经典文学现代文/ | 383 | 7.7 GB | pdf 167 epub 125 txt 64 png 6 |
| 都市（都市，言情，青春，职场，黑道，娱乐）/ | 1,011 | 7.5 GB | txt 930 epub 54 pdf 23 mobi 2 |
| 动漫同人/ | 237 | 6.4 GB | epub 107 pdf 87 txt 40 mobi 3 |
| 作者/ | 1,213 | 5.3 GB | txt 997 epub 135 pdf 77 mobi 2 |
| 专业书/ | 192 | 4.9 GB | pdf 89 epub 79 txt 20 (无后缀) 3 |
| 未分类/ | 519 | 4.1 GB | txt 354 epub 95 pdf 55 (无后缀) 5 |
| 平台/ | 1,854 | 3.7 GB | txt 1,703 epub 139 pdf 10 azw3 2 |
| 纪实/ | 91 | 2.5 GB | pdf 44 epub 29 txt 15 mobi 2 |
| 悬疑推理，盗墓灵异/ | 245 | 2.3 GB | txt 147 epub 65 pdf 28 mobi 3 |
| 体育文游戏电竞文/ | 147 | 1.9 GB | txt 143 epub 3 pdf 1 |
| 官场类/ | 58 | 1.2 GB | txt 47 epub 7 pdf 4 |
| 重生穿越无限流系统文/ | 168 | 1.2 GB | txt 145 epub 19 pdf 3 temp 1 |
| 小精品100/ | 90 | 695.2 MB | txt 88 xlsx 1 epub 1 |
| 末日生存/ | 40 | 302.1 MB | txt 37 epub 3 |
| （直接放在此目录的文件） | 2 | 937 KB | epub 1 txt 1 |
| 子目录 | 文件数 | 大小 | 格式（绿色 = 能直接用） |
|---|---|---|---|
| 中国热门热播经典电视剧剧本大全电影编剧导演考研表演资料电子版/ | 2,263 | 16.8 GB | pdf 770 docx 747 png 486 doc 196 |
| 子目录 | 文件数 | 大小 | 格式（绿色 = 能直接用） |
|---|---|---|---|
| （直接放在此目录的文件） | 1,874 | 3.5 GB | docx 1,044 pdf 777 doc 39 txt 8 |
| 赠送/ | 30 | 442.1 MB | pdf 29 zip 1 |
| 楚门的世界（上）.pdf等多个文件/ | 2 | 1.4 MB | pdf 2 |
| 非常嫌疑犯（下）.pdf等多个文件/ | 2 | 1.3 MB | pdf 2 |
清洗工具只能读纯文本（txt、jsonl 等）。按文件格式看，整个桶里：
| 格式 | 文件数 | 大小 | 占比 | 能不能用 |
|---|---|---|---|---|
| .zip | 35 | 253 GB | 54.6% | 压缩包，先解压 |
| .txt | 66,346 | 114 GB | 24.7% | 能直接用（纯文本） |
| 3,498 | 55.0 GB | 11.9% | 电子书 / 文档，先转成 txt | |
| .jsonl | 51 | 15.0 GB | 3.2% | 能直接用（纯文本） |
| .epub | 1,236 | 9.3 GB | 2.0% | 电子书 / 文档，先转成 txt |
| .parquet | 23 | 5.9 GB | 1.3% | 图片、音频等，不是文本 |
| .mobi | 520 | 3.4 GB | 0.7% | 电子书 / 文档，先转成 txt |
| .json | 99 | 2.2 GB | 0.5% | 能直接用（纯文本） |
| .gz | 8 | 933.4 MB | 0.2% | 压缩包，先解压 |
| .docx | 1,807 | 915.5 MB | 0.2% | 电子书 / 文档，先转成 txt |
| .rar | 92 | 799.4 MB | 0.2% | 压缩包，先解压 |
| .csv | 8 | 563.4 MB | 0.1% | 能直接用（纯文本） |
| .png | 496 | 511.0 MB | 0.1% | 图片、音频等，不是文本 |
| .chm | 10 | 342.7 MB | 0.1% | 电子书 / 文档，先转成 txt |