方言是 AI 语音识别最难啃的硬骨头：同是语音转文字，普通话的识别率各家都很高，换到方言就拉开差距。谁听得懂方言？答案不靠宣传语，靠一套对比方法。各家语音识别对方言的覆盖数量、口音容忍程度差异明显，讯飞开放平台等厂商公开的方言能力清单可作第一手参考。这篇先讲方言识别难在哪，再给一套自己动手就能完成的对比流程，最后按场景给选择建议。
方言识别难在哪三个环节
第一难在训练数据：方言大多只有口语形态，没有统一的书面规范，标注语料远少于普通话，模型见得少就认得差。第二难在口音连续谱：方言与普通话之间并非两极，中间隔着从标准普通话到浓重乡音的连续过渡，同一种方言内部，县城与县城之间的口音都可能不同，模型对哪一段口音熟悉、哪一段陌生，直接影响体验。第三难在混说场景：现实对话里方言混普通话、方言混方言极常见，「川普」式的混说对模型的切换能力要求很高。三个难点决定了对比时要测什么。
主流语音识别的方言覆盖面
看覆盖面先查官方清单：讯飞开放平台的文档列出支持的方言种类，其他厂商的能力说明也各自公开，支持的方言数量与专精度存在差异，具体以各家官方文档为准。普遍规律是：粤语、四川话、上海话、河南话这类使用人口多的方言覆盖较好，小方言与次方言片的覆盖薄弱。覆盖数量多不等于每一样都准，有的厂商主攻几种重点方言做到很精，有的广撒网但每种都一般。看清单时把「支持」和「专精」分开，重点方言通常有单独的模型或参数选项，这类选项的存在本身就是专精度的信号。
口音轻重对结果的影响
同一方言不同人的口音差异，对识别率的影响不亚于方言之间的差异。对比测试要覆盖口音梯度：找三位以上说话人，口音从轻到重各一位，同一段材料分别录制。口音轻的识别得好、口音重的一塌糊涂，说明这个工具对标准口音适配得好、对浓口音泛化差；反之两头的表现接近，泛化能力更强。家里老人说话往往是口音最重的一档，如果你的使用场景涉及老人，测试名单里必须有他们的录音——年轻人觉得能用的工具，老人用起来可能完全不行。
设计一场公平的方言实测
对比实测这样设计：材料上准备三类——日常对话（含方言普通话混说）、带数字与地名的信息句、安静与嘈杂两种环境各录一遍；样本上至少两三位说话人、每种条件各若干条；统计上按字错率粗算——识别文本对照原话数错字，分开统计三类材料的成绩。讯飞开放平台这类提供开发者接口的平台可以直接用接口测，普通用户用各家 App 的语音输入功能测也可行，但注意不同入口的模型版本可能不同，对比时保持同一入口。样本量别太少，每种条件至少几十句，几句话的偶然性说明不了问题。录音设备保持一致，换设备会引入新的变量。
按使用场景选方言工具
场景决定权重。记家庭语音、和长辈聊天记录，宽容度要求高，逐字精确不现实，能把大意转对就有价值，这种场景选对方言整体流畅度好的工具，错字靠上下文人工脑补。会议纪要、访谈整理类，准确率要求高，方言重的场合建议「方言转写加人工校对」组合，纯指望机器不现实。客服、外呼这类商用场景，先小范围试点再铺开，把真实业务录音拿去测，行业术语与方言叠加后的表现和通用测试可能完全不同。没有全能选手，方言识别的选型永远是「在你的口音、你的场景里表现更好」的那一个，别人的结论只能当起点。
粤语和普通话混着说，识别工具能应付吗？
- 混说场景主流工具表现如何？：头部工具对「方言混普通话」大多有一定适应能力，但切换频繁、句子中途换语言的场景仍是难点，实测才知道具体到你的口音行不行。
- 识别不准时有什么补救办法？：先确保录音质量——离音源近、环境安静，比换工具提升明显；然后看工具是否支持热词或自定义词表，把专有名词加进去能改善一部分。
- 小众方言基本没人支持，还有办法吗？：试试用普通话模式容忍口音，部分浓口音普通话模式反而能转出大意；实在不行退回录音留档加人工整理，别在识别率上硬耗。
