12月6日，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在广州大学大学城校区举行。会上，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研发的AI-DimSum粤语语料库平台正式发布。

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主任、广州大学教授齐佳音介绍，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。 

齐佳音介绍成果。广大宣供图，下同

作为数字中文的关键领域，粤语不仅关涉粤港澳大湾区的文化共同体认同，更关涉中华文化全球传播的国际话语权，关涉全球华人与祖国情感的纽带。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。岭南文化的传承要搭上人工智能的快车，亟待构建“技术为体，文化为本”的通用粤语语料库。

面向“数字中文建设”和粤港澳大湾区文化数字化需求，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。 

发布现场。

据介绍，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20万等。 

AI-DimSum语料库平台是全球首个集文化忠实、安全可信及AI友好于一体的多模态、大规模、通用粤语语料库平台，其探索出的“技术为体，文化为本”的方言语料库建设路径与独特的“1+1+N”协同创新机制为方言文化的数字化保护与传承发展提供了可复制、可推广的数字化范式。