OmniAction 是面向上下文指令跟随的多模态机器人操作数据集，用于支持 RoboOmni 所关注的主动意图识别与操作执行场景。其设定不是依赖显式命令，而是从 spoken dialogue、environmental sounds 和 visual cues 中推断用户意图，覆盖日常交互中的情感、声音和多人对话线索。

数据集包含 141,162 个 episodes，覆盖 112 项 skills 和 748 个 objects，并加入 5,096 种说话人音色、2,482 类非语言声音事件以及 640 个环境背景。上下文指令分为六类：sentiment cues、overlapping voices、non-verbal cues、identity cues、dyadic dialogue 和 triadic dialogue。

数据格式为 RLDS，音频按文件名排序。由于数据集体量较大，当前以分批方式上传，完整数据将在上传完成后可访问。