夜雨聆风
AI还是听不懂你的方言——这不只是技术问题
AI还是听不懂你的方言——这不只是技术问题
普通话识别准确率已经超过人类速记员，但你用粤语或闽南话跟语音助手说话，它还是一脸茫然。这个落差背后，不是算法不够聪明，而是一个更麻烦的问题：谁来决定哪种语言值得被「听见」。
先说一个反直觉的事实：语音识别这项技术，在技术层面早就「解决」了。深度学习模型处理普通话的准确率已经稳定在97%以上，噪音环境、口音、语速，基本都能应对。但与此同时，全国还有数以亿计的人，在用自己的母语跟机器说话时，得到的是一堆乱码。技术明明在进步，为什么这个问题还在原地踏步？
数据不是「收集来的」，是「选择来的」
语音识别模型的核心是数据。要训练一个能听懂粤语的模型，你需要大量标注好的粤语语音数据——不同年龄、不同地区、不同语速的真实录音，每一条都要人工核对转写。这个过程贵、慢、难规模化。普通话有国家标准、有广播体系、有几十年的语料积累；粤语、闽南语、吴语，虽然各有几千万甚至上亿的使用者，但系统性的语音语料库，几乎是空白的。
●不是没人说，是没人记录——方言的数字化程度，比大多数人想象的低得多。
更深的问题在于：即便有人愿意做这件事，「方言」本身就是一个模糊的边界。粤语在广州和香港的发音差异，比很多人以为的要大。闽南语在泉州、漳州、台湾三地，调值就已经不同。「训练一个方言模型」这句话，听起来是一个任务，实际上可能是十几个任务叠在一起。
迁移学习：用已有的知识撬动新语言
当然，研究者不是在从零开始。目前最主流的技术路径叫迁移学习——先用海量普通话数据训练出一个强大的底层模型，再用少量目标方言数据对它「微调」。这个思路的逻辑是：不同汉语方言之间，共享大量语音特征，底层的声学规律是相通的，只需要在顶层调整方言特有的部分。
1/10
迁移学习所需的方言标注数据量，大约只有从头训练的十分之一
这个方法有效，但有边界。迁移学习的前提是「两种语言足够相近」。粤语和普通话的差距，实际上比英语和德语还大——声调系统完全不同，粤语有九个声调，普通话只有四个。用普通话模型迁移到粤语，就像用德语模型去适配汉语，底层假设本来就不太成立。效果会有，但天花板很低。
真正的突破，来自一个意外的方向
过去两年，大语言模型的崛起意外地给方言识别带来了新思路。以Whisper为代表的多语言语音模型，训练数据横跨近百种语言，它学到的不只是「这个音对应这个字」，而是更底层的语音表征能力——某种意义上，它学会了「听」这件事本身。把这类模型用于方言识别，即便没有专门的方言数据，效果也比传统迁移学习好一截。
「
真正的通用语音模型，不是把所有语言都学一遍，而是学会了语言背后的共同结构。
」
但即便如此，这条路也没有绕开数据问题。Whisper在粤语上的表现，明显好于闽南语，原因很简单：网上能抓到的粤语内容，比闽南语多得多。互联网上的语言分布，本来就是不均匀的，模型只能学到它见过的东西。
谁在解决这个问题，用什么方式
商业公司的逻辑很直接：哪个方言的用户多、付费意愿强，就优先支持哪个。粤语因为港澳市场的存在，商业价值相对清晰，所以各家大厂都有粤语语音产品。闽南语、客家话、东北话，就很难排进优先级。这不是歧视，是商业决策——但结果是，使用小语种方言的人，被系统性地排除在语音交互的便利之外。
●方言识别的不平等，本质上是数字资源分配的不平等。
另一条路来自学术界和非营利组织。Mozilla的Common Voice项目，通过众包方式收集多语言语音数据，目前已经覆盖一百多种语言，包括部分汉语方言。国内也有高校在做类似的语料库建设工作。这类项目的优势是覆盖广，劣势是数据量和质量参差不齐，离实用还有距离。
还有一个没人在认真讨论的问题
假设技术问题真的解决了，方言语音识别真的做到了普通话的水平，然后呢？方言是活的，它在持续演变。年轻一代的粤语里混入了大量普通话词汇和英文词汇，老一辈的发音和新一代已经有明显偏差。一个在2020年训练的模型，到2030年可能已经跟不上语言的变化。语音识别不是一个「解决一次就好」的问题，它需要持续更新，而这又回到了数据和资源的问题上。
更深层的问题是：当机器开始定义「标准」发音，方言本身的多样性会不会因此加速消失？人们为了让机器听懂自己，会不会主动向「机器能识别的发音」靠拢？这不是科幻，这是已经在普通话推广过程中发生过的事情。技术从来不是中性的，它在记录语言的同时，也在悄悄塑造语言。
✦ 小结
方言语音识别的困境，表面上是技术问题，实质上是资源分配和价值判断的问题。迁移学习和大模型让技术门槛降低了，但数据的稀缺和商业逻辑的优先级，决定了哪些语言会被「听见」。在AI重塑人机交互的时代，值得追问的不只是「技术能不能做到」，而是「我们愿不愿意做，以及为谁做」。