☝️AI-DimSum多模态粤语语料库平台发布🕙
发布时间：2025-12-08 05:32:50 来源: 上游新闻
中新网广州12月7日电 (记者 许青青)第十届语言服务高级论坛暨2025年度国家应急语言服务团学术年会6日至7日在广州大学举行。粤语语料库建设与大模型评测广州市哲学社会科学重点实验室(下称“实验室”)研发的AI-DimSum粤语语料库平台在大会上正式发布，标志着粤语数字化发展进入新阶段。
Al-DimSum多模态粤语语料库平台发布。广州大学供图
粤语作为汉语的一种方言，在海内外有上亿用户，但在网络世界中却属于低资源语言。广州大学网络空间安全学院教授齐佳音介绍，该平台围绕“数字中文建设”和大湾区文化数字化需求，遵循“标准先行、数据可溯、服务可用”原则，构建了基于岭南文化、面向AI应用、兼顾研究与学习的多模态粤语语料数据生态系统。
据介绍，AI-DimSum多模态粤语语料库平台建设了语料采集子系统、语料标注子系统、大模型对接子系统、语料确权检索子系统、语料质量评估子系统、语料管理子系统以及应用商店子系统等七个子系统。通过子系统协同工作，实现从数据采集、清洗、标注、确权、存储检索，到模型接入与最终应用发布的一体化流程，为粤语语料库的构建、管理、利用与落地应用提供完整、模块化、可扩展的基础设施与运行机制。
AI-DimSum粤语语料库汇聚处理文本语料超过100万字，涵盖新闻、文学、社交媒体等领域；完成3000小时高保真语音标注及1TB以上的音视频资料，包括大模型训练专用语料集；功夫熊猫、小猪佩奇、哪吒、大圣归来、花木兰等包含粤语字幕与标注的动画影视作品；外来媳妇本地郎、溏心风暴等包含粤语字幕与标注的影视作品；超过1万句的多用途粤语生活场景音频+文字的语料；岭南文化图像素材10000张；构建了包含6669条权威词条、30000条扩展词条的粤语安全语料库；粤语大模型内容安全多模态评测题超过20万道等。(完)
🐃