ICS35.240.30 CCSA10 GBC 团 体 标 准 T/GBC122—2026 东盟国家语料库建设规范 SpecificationfordevelopmentofASEANcountries'corpus 2026-03-31发布 2026-04-30实施 广西物品编码与标准化促进会  发布 全国团体标准信息平台 全国团体标准信息平台 T/GBC122—2026 I目次 前言.................................................................................III 1范围................................................................................1 2规范性引用文件......................................................................1 3术语和定义..........................................................................1 4缩略语..............................................................................1 5建设规划............................................................................2 需求分析........................................................................2 总体规划........................................................................2 语料库结构......................................................................2 语料数据格式....................................................................3 建设管理........................................................................3 6语料采集............................................................................3 采集方式........................................................................3 采集流程........................................................................4 7语料预处理..........................................................................4 数据清洗........................................................................4 数据转换........................................................................4 数据脱敏........................................................................4 数据验证........................................................................5 8语料标注............................................................................5 标注基本原则....................................................................5 SFT语料.........................................................................5 RLHF语料........................................................................6 价值观语料......................................................................6 平行语料........................................................................6 ASR语料.........................................................................6 TTS语料.........................................................................7 9验证集构建..........................................................................7 核心要求........................................................................7 构建原则........................................................................7 10语料质检...........................................................................7 质检方法.......................................................................7 质检流程.......................................................................8 11语料存储和管理.....................................................................8 语料分类与归档.................................................................8 备份与恢复.....................................................................8 全国团体标准信息平台 T/GBC122—2026 II 元数据管理.....................................................................8 存储策略.......................................................................8 全国团体标准信息平台 T/GBC122—2026 III前言 本文件按照GB/T1.1—2020《标准化工作导则第1部分：标准化文件的结构和起草规则》的规定 起草。 请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任。 本文件由中国—东盟信息港股份有限公司提出。 本文件由广西物品编码与标准化促进会归口。 本文件起草单位：中国—东盟信息港股份有限公司、广西壮族自治区标准技术研究院、老挝科技与 通信部数字政府管理中心、老挝工业与贸易部标准化与计量司、阿里云计算有限公司、科大讯飞股份有 限公司、浪潮云信息技术股份公司、联通数据智能有限公司、北京面壁智能科技有限责任公司、三六零 科技集团有限公司、中国移动通信集团广西有限公司、中兴通讯股份有限公司、广西达译科技有限公司、 安徽飞数信息科技有限公司、老挝国立大学、北京海天瑞声科技股份有限公司、杭州君同未来科技有限 公司、广西民族大学、北京晴数智慧科技有限公司、数据堂（北京）科技股份有限公司、整数智能信息 技术（杭州）有限责任公司、马来西亚Maxeon科技、北京智源研究院、北京火山引擎科技有限公司、马 来西亚Agmo集团、印度尼西亚AiSENSUM公司、广西大学、越南河内国家大学所属社会科学与人文大学、 泰国INTERVECCenter、上海人工智能创新中心、泰中科技协会、泰国清迈职业技术学院、泰国北部职 业教育推广与发展中心、央视国际网络有限公司、北京邮电大学、泰国彭世洛职业学院、人工智能省部 共建协同创新中心（浙江大学）。 本文件主要起草人：李昌金、廖丁石、刘夏、罗宁、高健、何琛、杨霞、塔维萨·玛诺坦、拉达万·西 翁赛、曲振斌、孟凡胜、陈扬、关业海、刘聪、刘丹、胡明婷、王一鸣、王宁、王斌峰、梁轶晓、林伟 家、贾守盛、梁舒昱、苏良良、罗鹏、郝乔波