整理

標注每個音節發音 錄入不同口音

有了豐富的“食材”，烹制好這道“菜肴”還需要“配菜”。為此，許彬彬團隊做了大量的整理工作。在許彬彬的電腦里儲存著大量文檔。“我現在有5臺電腦，10個硬盤，全都裝滿閩南話文件。”許彬彬說，閩南話的聲母有15-18個不等，韻母有73-90個不等，聲調有5-8個不等，都要逐一整理，錄入系統。

別以為只是簡單的標注，每個音節的發音以及發音時長，都必須詳細標注下來。以“他們坐車去臺北”為例，許彬彬就標注了16個音素，音素與發音時長還要逐一對應。而這只是一個句子的其中一種口音。

許彬彬告訴記者，單單是廈門地區，細微的語音差別就有十幾種。“思明區鷺江街道是一種口音，廈港街道又是另外一種口音，海滄東孚街道的口音又接近漳州口音，這些都要逐一標注。”她說，系統錄入的不僅僅是廈門口音，還有泉州口音、漳州口音、潮汕口音等。

建模

收集十萬句日常對話 邀志愿者測試

為了讓這一系統的閩南方言數據盡可能全面，洪青陽團隊又歷時一年，先后收集近十萬句閩南話日常對話。

除了許彬彬所提供的語音資料外，測試階段，他們還邀請了幾百名志愿者參與測試，讓系統“學習”不同口音的閩南話。待系統基本“學會”不同口音的閩南話后，洪青陽又給系統加大了難度——文讀和白讀都要會。

閩南話中存在大量多音字，有著復雜的文讀白讀現象，以“大學”這一詞為例，就有文讀和白讀兩種讀法。該團隊對閩南話語音識別采取了特定規則的發音詞典標注，并用革新后的算法建立了閩南話語音識別模型。

鏈接

將實現閩南話與

普通話無障礙溝通

當發音速度不一、吞音等情況出現時，軟件如何準確識別？系統的背后還有一位“把關人”。當遇上系統無法識別的語音時，許彬彬團隊就會進行分析，把新的表達整理成文檔，擴充詞典和句子語料。與此同時，洪青陽團隊在系統后臺不斷完善算法，以學習到更多口音和生僻詞匯。現在，系統依舊在不斷完善升級。

據了解，基于深度學習方法，他們目前正在研發閩南話合成系統，最終可以實現閩南話與普通話之間的無障礙溝通。洪青陽說，該系統預計在今年上半年上線。