方言数字人：技术难点和真实效果

去年有个景区找过来，想让数字人用本地话给游客讲解。做出来的第一版，本地人一听就笑了：音是那个音，调不是那个调，像外地人学话。方言数字人是这两年文旅项目里的热门需求，但它的难度比普通话高一个量级，根源在语料。这一篇讲清难在哪、现在哪些方言真的能用、以及落地时该怎么绕坑，免得预算花完了才发现方向不对。

景区大屏里的方言讲解，为什么有的很自然

你如果在不同景区看过方言数字人，会发现差别很大。有的听起来跟本地大爷聊天一样，有的像机器在模仿。差别往往不在技术供应商的水平，主要在方言本身有没有足够的语料。语料就是可供学习的录音和文字。普通话有海量素材，粤语因为有成熟的影视和歌曲积累，四川话因为使用人口多、网络内容多，都比较容易。而使用人口少、缺少书面记录的方言，模型没见过多少样本，只能靠普通话的发音去猜，出来就是那种学话感。所以选方言之前，先问一句这门话在网上有多少人天天说，比问技术参数更有用。

难点一：很多方言有音无字

普通话每个字都有标准写法，方言不一定。很多方言词只有发音，没有对应的汉字，或者有字但生僻到打不出来。这带来一个很实际的问题：稿子怎么写。写不出字，就没法输入给合成系统。常见的处理是找同音字替代，或者用拼音标注，但同音字替代会让文本看起来很奇怪，拼音标注又需要一套额外的解析规则。这一层工作量常常被低估，实际做起来能占到项目一半时间。更麻烦的是，同一句方言在不同老师的笔下写法还不一样，做三个景区就要维护三套写法，长期维护成本很高。

难点二：语料少，而且一个方言内部还分片

更麻烦的是方言不是一个整体。粤语里广府片和四邑片差别不小，闽南语在福建、台湾、潮汕各不相同，四川话成都和重庆的调也不一样。你在成都录的语料，拿到重庆用，本地人立刻能听出来。所以做方言数字人，第一件事不是选技术，是选口音：到底服务哪个片区的人。选窄了覆盖面小，选宽了哪个片区都不像，这是文旅项目最常纠结的地方。一个折中的办法是选省会或中心城市的腔调，本地人会觉得略有偏差但能接受，外地游客听不出来。

现在哪些方言能用了

下表是按语料丰富程度排的经验判断，不同工具差别很大，只能当参考，不能当保证。

还有一点要说清楚：这里说的能用，指的是讲解、问路这类日常表达，不包括说唱、戏曲、快板这些讲究韵味的场景。那些场景对韵律要求极高，目前的技术还撑不住，硬做出来会很难听。验收时有个简单办法：让本地人听完问一句这是哪个县的，说明口音选准了；如果对方只问这是不是机器，说明还差得远。

想做好方言数字人，四条落地建议

第一，先定片区再定技术，别一上来就问支持多少种方言。第二，稿子要短，方言合成在长句上最容易垮，一句控制在十五字以内，多用短句和问答。第三，准备真人兜底，重要讲解段落让真人录，数字人负责重复性内容，两者混用观众反而更接受。第四，一定要请本地人试听，普通话好听不等于方言好听，这一关省不掉，而且最好找三位不同年龄的人听，年轻人接受度高，老年人更容易听出问题。

方言数字人的意义不是炫技，是让本地人觉得被尊重。一句地道的乡音，比十句标准的普通话更能拉近距离。如果你在做文旅项目，建议先从一句欢迎语、一段三行的讲解词做起，找三位本地人盲听，过了这一关再谈整馆上线，风险小得多。