香港粤语技术研究观察

粤语是全球使用人口最多的汉语方言之一，仅在香港就有逾七百万母语者，加上澳门、广东大部以及散布全球的华人社区，使用人口以亿计。然而在中文信息技术的世界里，粤语长期处于一种”看得见、听不懂”的尴尬位置：搜索引擎能识别繁体字，自动字幕却频频把”食饭”写成”吃饭”，语音助手听到粤语的回应仍是普通话。

过去几年，这一格局正在悄然改变。香港高校、人工智能团队与语言学机构正联手推动粤语的数字化进程。本文从技术、应用与政策三条线索，记录这场正在发生的语言技术变革。

一、为什么粤语对 AI 是一个”难题”

很多人会问：粤语和普通话不都是汉语吗？为什么不能直接套用？

答案藏在三个层面。

1.1 语音层面的根本差异

粤语保留了大量中古汉语的入声（-p、-t、-k 韵尾），声调系统也更为复杂，常见说法是”九声六调”。同字异音的情况比比皆是：”行”可以读作 haang4（行走）、hang4（行业）、hong4（银行），在缺乏语境时连母语者也会犹豫。

1.2 词汇与表达的高度本土化

粤语有大量普通话不存在的口语词：搭的士、饮嘢、瞓觉、畀钱、搞唔掂。机器翻译若以普通话为枢纽，往往会把”我而家去街市买啲餸”翻成奇怪的”我现在去市场买些菜”——意思接近，但已经失去粤语原味。

1.3 文字书写的双轨制

香港通行繁体中文，与内地简体中文属不同字符集。这本身不是粤语问题，却让跨语料训练时数据清洗成本倍增——一个简体模型要”学会”粤语，必须先解决繁简对应与粤普词对照两个工程问题。

因此，开发粤语 AI 不是”多加一行代码”那么简单，而是一个独立的语言技术栈。

二、研究现状：三大主线并行推进

2.1 自动语音识别（ASR）与语音合成（TTS）

这是目前商业化最成熟的方向。香港本地团队与几家国际科技公司在粤语 ASR 上已经接近”可用”水平，关键词识别准确率较高，但连续语音、长句、噪声环境下的字错率（CER）仍高出普通话约一截。

典型应用场景：

客服热线粤语转写
法庭、立法会会议记录
视障人士辅助阅读

典型痛点：

多人对话中港式英语夹杂（如”我 send 个 email 畀你”）
年长者发音与青年用语差异极大
缺乏标注数据，特别是行业术语数据

合成方面，主流 TTS 系统已经能输出”听起来自然”的粤语，但情感表达、儿童音色、本地俚语节奏仍待打磨。

2.2 机器翻译（MT）与跨语言处理

粤普翻译、粤英翻译是研究热点。早期系统以统计机器翻译为主，如今几乎全部转向神经机器翻译。香港高校发布的若干开源模型在新闻语料上表现尚可，但在社交媒体、口语对话上的流畅度仍有明显落差。

翻译类型	难度	当前水平（粗略参考）
粤 ↔ 普（书面）	中	主流模型可达到日常阅读可用
粤 ↔ 英（书面）	高	行业垂直语料仍依赖人工校对
语音 → 文本 → 翻译	很高	链路叠加误差，口语场景不够稳健

2.3 大语言模型（LLM）与粤语生成

2023 年起，大语言模型兴起，粤语研究出现新路径。问题不再是”有没有粤语数据”，而是”模型对粤语的内在理解有多深”。

观察几个现象：

主流通用大模型在粤语 prompt 下，多以普通话回答，或混入书面粤语腔。
香港本地团队开始发布专门强化粤语的小型模型与对话系统，多以开源方式提供。
在长文本生成、文学创作、古文粤语拟写等任务上，模型仍需要后训练与本地语料支持。

三、产学研生态：谁在推动这件事

3.1 高校研究力量

香港的多所大学长期设有语言学、计算语言学、语音工程相关团队，研究方向涵盖：

粤语声调实验语音学
港式中文语料库标注
跨语言模型迁移学习
香港手语、口语变异等延伸议题

部分研究项目与政府数字政策办公室、创新及科技局辖下基金有合作。

3.2 政府部门与公共机构

数字政策办公室：牵头政府内部粤语、普通话、英语三语信息系统的建设。
公共图书馆与档案机构：推动粤语有声语料、历史录音的数字化保存。
司法与立法机关：立法会会议设有粤语即时字幕需求，是技术落地的重点场景。

3.3 产业界与社区力量

媒体集团与电视台：字幕生成、节目翻译的需求长期存在。
金融与法律机构：粤语客服、合规记录对 ASR 有刚性需求。
本地开源社区：不少工程师、爱好者在 GitHub 等平台发布小型粤语数据集与模型，弥补商业公司未覆盖的细分场景。

四、政策与语言资源：底层基础设施正在补齐

技术能否跑得远，取决于”语料”够不够。粤语的特殊之处在于：使用者众多，但结构化、可商用授权的数字语料相对匮乏。

近两年，几个方向正在推进：

官方语料库建设：政府与学术界合作，整理包括立法会演讲、法院判词、公开新闻等在内的粤语文本，并提供研究授权。
众包与社区标注：通过志愿者平台，采集带发音人信息的口语录音，覆盖不同年龄、性别、地区口音。
多模态数据：除了文字与音频，视频语料（手势、表情、对话节奏）也开始进入研究视野。

任何具体数据规模、模型开源情况以官方最新公布为准，本文不列举未经验证的数字。

与此同时，关于”标准粤语”“港式中文书写规范”的讨论仍在持续，技术团队需要在语言学合理性与社会接受度之间寻找平衡。

五、内地读者关心的几个问题

5.1 赴港后，会因为不会粤语被技术边缘化吗？

短期内不会。香港的官方语言是中文（粤语）与英文，政府公共服务、地铁、机场、医院、餐厅普遍有普通话服务。但若计划长期在港生活、从事媒体、教育、社区工作，粤语仍是融入本地社会的重要工具。技术层面，粤语学习类 App 已经成熟，配合本地文化节目学习效率较高。

5.2 粤语 AI 工具能帮内地人”听懂”粤语吗？

可以部分解决。实时字幕、翻译 App 对日常对话、旅游问路的帮助已具实用价值；但面对复杂会议、俚语密集的社交场合，仍需人工辅助。建议把粤语 AI 工具当作”桥梁”，而非”翻译官”。

5.3 学会粤语会失去普通话能力吗？

不会。香港居民普遍具备粤普双语能力，内地赴港人士只要保持普通话使用环境，双语共存完全没有问题。

六、未来值得关注的趋势

方向	可能演进	时间感
端到端粤语语音大模型	单一模型同时支持 ASR、TTS、翻译	中期可见
粤语专属 LLM	开源小模型达到日常对话水平	已有雏形
教育科技	粤语学习与儿童阅读 AI 化	商业化已启动
文化保存	历史录音、戏曲、电影语音数字化	长期项目

任何具体路线图与产品时间表，以相关机构最新公布为准。

粤语不只是”一种口音”，更是一整套语音、词汇、文化与社区身份的集合。让 AI 真正”听懂”粤语，听懂香港，需要的不仅是算力，更是长期的语料投入与跨学科协作。对内地赴港读者而言，理解这场技术变革，也是理解香港这座城市如何在新时代保留自身语言基因的一扇窗口。

更多香港生活、语言、签证、教育与社区融入指南，请持续关注 香港大全。