多语言语料库万卷·丝路2.0开源，数据模态全面升级，搭建文化交流互鉴AI桥梁

3月22日，上海人工智能实验室（上海AI实验室）联合新华社新闻信息中心、上海外国语大学、外研在线等，发布全新升级的“万卷·丝路2.0”多语言语料库，通过构建多语言开源数据底座，以人工智能赋能“一带一路”高质量建设。

在“万卷·丝路1.0”的基础上，2.0语料库新增塞尔维亚语、匈牙利语、捷克语3类语料，涵盖四大数据模态共计1,150万条数据，并运用精细化处理技术使数据质量达到“工业级”标准，实现“开箱即用”。

开源链接：https://opendatalab.com/applyMultilingualCorpus

“万卷·丝路2.0”具有多语言、大规模、多模态、高质量的特点，更新速览：

1. 语种数量扩充：在阿拉伯语、俄语、韩语、越南语、泰语5个语种基础上，新增塞尔维亚语、匈牙利语、捷克语等3个稀缺语料数据。

2. 数据模态、总量全面升级：在纯文本数据基础上，新增图片-文本、音频-文本、视频-文本、特色指令微调SFT四大模态数据，覆盖多模态研究全链路；整体数据总量超过1150万条，音视频时长超过2.6万小时，满足多种研究任务的需求。

3. 超精细数据，多场景适用：经成熟数据生产管线及安全加固，结合过滤算法与当地专家人工精细化地标注质检，“万卷·丝路2.0”  已成为覆盖多模态、多领域的大规模高质量数据集，含20余种细粒度多维分类标签及详细的文本描述，适配文化旅游、商业贸易、科技教育等不同场景，为开发者提供得力助手。

为验证语料库质量与应用前景，上海AI实验室研究团队基于“万卷·丝路2.0”，训练出匈牙利语大模型，通用能力对标国际主流大模型，在本地化特色、安全性与中国关联性上表现出显著优势，可适用于本地生活与中匈合作领域场景。

目前，该模型已衍生出对话平台、多语言AI教师助手、AI匈中双语词典等创新应用。上海AI实验室同时与外研在线、库帕思等多家机构开展合作，推动“万卷·丝路2.0”在教育、文旅、技术交流领域落地，助力多语言AI生态发展。

一、新增四大模态数据，满足多样化研究需求

今年1月，上海AI实验室开源“万卷·丝路1.0”综合性文本语料库，“万卷·丝路2.0”在1.0的基础上新增了4大模态数据，可满足多领域研究人员的多样化研究需求。

 1. 图片-文本：视觉与语言的桥梁

● 数据构成：

“万卷·丝路2.0”开源的图文数据集包含200万余张图片，原始图片总大小362.174G，专注于科技、自然风光、民俗传统等10个高关注度领域且数据分布均匀，采用Alt-text基础描述 + 视觉模型生成扩展描述的双重标注，大幅提升了信息丰富度。为AI大模型行业从业人员和小语种研究人员等专业人士，提供了低成本获取特定语言语料的便利工具。

● 标签分布：

图片-文本数据标签分布

 2. 音频-文本：真实交流的记录

● 数据构成：

“万卷·丝路2.0”构建了涵盖8种语言的大规模语音语料库，每种语言均包含200小时超高精度标注数据，并结合环境噪声消除技术有效提高了音质，使数据质量显著高于同类开源数据集，人工校验通过率为98.2%。

数据内容聚焦社会人文、娱乐媒体、学识教育和生活文化四大主题，涵盖真实对话场景，记录自然交流中的语音，更贴近实际生活，为跨语种语音研究者提供了坚实的数据基础。

● 样例展示：

越南语音频-文本样例

 3. 视频-文本：动态叙事场景

● 数据构成：

“万卷·丝路2.0”视频-文本子集涵盖8种语言，总视频片段数量超过800万条，原视频总时长超过28,000小时，清洗后仍保留16,000多小时的高质量内容。该数据集包括了8种语言（含匈牙利语/塞尔维亚语等）低资源语种，填补了这些语言在视频数据集中的空白，是多模态研究和低资源语种处理的宝贵资源。

数据类别覆盖广泛，从科技与战略、文化、电影动画，到旅行、人物、动物、访谈、音乐、新闻、教育和体育等多个领域，满足多样化的研究需求，为推动视频领域技术进步与应用创新提供保障。

● 样例展示：

 4. 特色指令微调SFT：避免文化偏见

● 数据构成：

“万卷·丝路2.0”特色指令微调SFT涉及了8种语言，总共提供18.4万条SFT数据，覆盖了本地文化、日常对话、代码、数学、科学等领域。

每个语种提供2.3万条，每个语种均有3,000条由当地国家居民设计的关于本地文化的特色问答对数据；其余2万条来自公开数据翻译，并经一套结合规则和模型打分的质检pipeline筛选出高质量SFT数据。

● 样例展示：

捷克语SFT样例

二、多元文化数据基座，驱动全球化AI落地

作为全球首个聚焦"一带一路"研究的大规模、多模态、多领域、高质量的语料库，“万卷·丝路2.0”将有效破除AI全球化进程中"语言孤岛"与"文化断层"的双重壁垒，为AI普惠、跨国合作搭建数字桥梁。

上海AI实验室研究团队认为，通过整合多模态数据与精细化标注技术，“万卷·丝路2.0”首次实现了对低资源语言的系统性覆盖，尤其扩充了塞尔维亚语、匈牙利语、捷克语等语言的高质量语料建设，为文化交流互鉴带来可量化、可迭代的智能新维度。

新华社新闻信息中心上海中心副主任陈侃琪指出，“万卷·丝路2.0” 的发布，将构建互联互通的多元文明交融格局，为更精准广泛的国际传播和更本地化的文化产品提供数据基础。通过“万卷·丝路2.0” 的多维应用，媒体能够更准确地针对不同文化背景下的社会受众呈现更加多元、真实的全球新闻产品。与此同时，“万卷·丝路2.0” 的建设可为语言的保护与传承提供技术赋能，助力维护语言多样性，为构建更加包容、互联的世界贡献中国力量。

外研在线CEO商其坤认为，多语言语料库是AI时代的关键物资，是教学资源开发的基础、语言保护与传承的数字化载体，有助于语言节后分析与教学法优化，有利于促进教育公平与全球化能力。

中旅旅行入境游欧洲市场总监周占峰表示，国内入境旅游日渐升温，但小语种导游从业者较为稀缺。通过“万卷·丝路2.0”，既能完善入境游小语种导游的培训内容，也可以打造导游智能体，为入境游游客提供定制增值服务，切实帮助和促进入境游发展。

“万卷·丝路”语料库下载链接：https://opendatalab.com/applyMultilingualCorpus

参赛有奖：上海AI实验室携手库帕思，联合举办的2025·语料数据智能创意大赛火热进行中，利用“万卷·丝路2.0”多语言多模态开源数据集，设计满足教育、文旅等行业要求，具备技术创新性与产业落地潜力的数据集构建方案，即可赢取奖励，欢迎大家踊跃报名：https://www.kupasai.com/cicc/#/