粵語熱詞辨識：人名、地名、品牌，點樣教引擎聽得啱

一句答你：熱詞唔係「加多啲詞」咁簡單。佢係一次有代價嘅提示 —— 加得啱，專名命中率上；加得唔啱或者音檔太舊，引擎會反過來「照讀你俾佢嘅詞表」，變成完全冇轉寫。所以詞表要短、要準、要分場景，而且每次加完一定要跑一次 A/B。

「熱詞」呢個詞，好多團隊用得唔一致：有人講緊引擎嘅解碼提示，有人講緊 API 傳入嘅自訂詞彙，有人索性叫「關鍵字」。本文用同一個定義講到底，並且只講一個方向：輸入方向——即係點樣令引擎聽得明你嘅專有名詞。

方向唔同，答案就完全唔同。輸出方向（點樣令 AI 讀啱你啲字）喺《廣東話專有名詞讀音規則》同《廣東話人名讀音完全指南》嗰邊講；詞表有咩容量同點驗，喺同一個 cluster 嘅《廣東話字庫與自訂詞彙實戰》講；測試集點砌、WER 同 CER 點計，喺《廣東話語音轉文字實測》講；至於「點驗證加咗詞真係有用」嘅完整六步流程，喺同一個 cluster 嘅《粵語 ASR 自訂詞彙測試協議》嗰篇。

本文專答一條題：五類專名各自點解錯、錯成咩樣、詞表應該點寫。

重點摘要（Key Takeaways）

• 熱詞 係指提交俾辨識引擎嘅一組「呢個場景一定會出現嘅專有名詞」提示；自訂詞彙 係同一件事喺 API 層嘅叫法。兩者唔係兩樣嘢。
• 熱詞唔會令引擎「識得」新詞，佢只會令引擎更偏向揀你俾嘅嗰個讀法。所以對詞表嘅任何一個低頻專名，佢都有效。
• 五類專名嘅失敗模式唔同：人名怕同音、地名怕生僻字、品牌怕中英夾雜、機構名怕連讀、術語怕縮寫。搞錯類別，詞表就會寫錯。
• 詞表有硬上限：50 個詞、單詞 ≤30 字、提示總長 ≤200 字；而且分兩本（轉錄頁／會議），唔應該共用。
• 失效模式係真實存在嘅：音檔壓到 32 kbps 或以下、而詞表又短嘅時候，引擎會「照讀詞表」而唔係轉寫內容。
• 每次加完詞，一定要有修正數／回歸數兩個數；回歸數唔係零，就唔好上線。

熱詞（ASR 層面）同「加多啲詞」唔係同一件事

先定義清楚兩個詞，之後全文唔會含糊：

熱詞 係指一組「呢段音頻一定會出現嘅專有名詞」提示，交畀辨識引擎，令佢解碼時更傾向輸出你指定嘅寫法。自訂詞彙 係同一件事喺 API 層嘅叫法 —— 詞表入面嘅每個詞，都只係「提示」，唔係「命令」。

呢個分別好重要，因為佢決定咗你點期望。例如你以為熱詞係一本詞典，俾引擎學識新詞；但實際上佢只係一段解碼提示，令某啲詞更常被揀中，譬如你公司嘅內部產品代號，呢類詞引擎本來完全唔會輸出，加咗提示就會明顯偏向你俾嘅寫法。

換句話說，熱詞解決嘅係「呢啲詞引擎唔常見，但今次一定會出現」嘅問題。對常用詞加熱詞，係浪費額度仲增加風險。

五類專名，五種失敗模式

下面嘅錯例係示意（用香港常見專名作例子），唔係量度咗嘅錯誤分佈；真係要知自己場景嘅錯誤分佈，就要用下面嗰套逐詞標記方法跑一次。

機構名 嗰行值得再講多兩句：香港嘅機構名好多名本身係縮寫或者官方英文名（SFC、HKMA、ICAC），引擎有時會讀成中文近音，有時會逐個字母讀。你要事先決定想要邊一種，並且喺詞表之外，用語言或者後處理規則兜住。呢度亦都係連讀規則介入嘅位置 —— 連讀點樣改變聲調同音段，可以對返語言學學會嘅粵拼答問入面對變調同連讀嘅講法。

術語／縮寫 嗰行嘅關鍵係「保留原形」：如果你嘅場景係客服或者內部會議，縮寫應該讀英文；如果你嘅場景係對外廣播，可能要讀中文全名。呢個係場景決定，唔係引擎決定。

詞表要點寫：容量、形狀、分域

詞表有硬上限，而且係三層（全部係現行產品規格）：

形狀上，有幾條規則好實用：

• 寫全名，唔好寫部分。人名寫「嘉詠」而唔係「陳嘉詠」，同音干擾會大好多。
• 唔好放常用詞。「公司」「開會」「報告」本身唔會錯，加落去只會推高佢哋嘅機會率，影響其他位置。
• 唔好放句子。詞表係詞，唔係句；譬如「陳總今日會上會講」咁樣一條，應該拆成「陳總」同其他真正嘅專名，唔好原句入表。
• 同一個詞唔好寫三種大小寫。去重之後額度先用得嚟。
• 中英夾雜分開處理。英文品牌名同中文近音唔應該同時出現喺同一個詞條。
• 預期讀音要可以核。你話「陳嘉詠」應該讀「can4 gaai1 weng2」，就要有辦法核返呢個讀音；如果核唔到，呢個詞就唔應該入表。用 G2P 工具（例如PyCantonese）可以批量由文字反查讀音，作為核對嘅第一步。

另外有一件事好多人忽略：詞表分兩本。轉錄頁（playground）同會議批次轉寫（meeting）係兩個 scope，詞表唔互通。同一間公司，會議入面嘅人名同客服錄音入面嘅產品名，可以完全唔同 —— 共用一本只會令兩邊都唔夠用。

供應狀態講清楚： 詞庫功能現階段係 Beta，按帳號開通，唔係所有帳戶預設見到。介面喺語音轉錄頁；如果登入後見唔到詞庫入口，即係你嘅帳號未開通，可以聯絡我哋申請。

一個真實嘅失效模式：引擎照讀詞表

呢個係本文最實用嘅一段，因為好多團隊會以為「加咗詞就一定變准」，然後喺某次匯報上撞到最難解釋嘅 bug。

【實測】我哋用小樣本測試過：加詞之後目標詞會修正，而且回歸數可以維持喺零（具體樣本數同百分比屬未公開嘅測試資料）。同一批測試亦重現咗一個失效模式 —— 當音檔壓到 32 kbps 或以下、而詞表又短嘅時候，引擎會唔轉寫內容，而係「照讀」你俾佢嘅詞表。呢個形態喺同一批音檔上重複出現過，可以當係一個可靠嘅預警訊號。

實際症狀係咁嘅：明明講緊一段對話，份逐字稿出嚟嘅係「證監會、庫務局、GEM。」—— 全部係你詞表入面嘅詞，就係嗰個錯誤輸出嘅形狀。

三個可以即刻做嘅動作：

1. 提高音檔碼率。同步轉寫嘅檔案上限係 4.5 MB，長音檔要壓成 16 kHz mono Opus 16k；如果你自己可以控制，寧願用較高碼率，唔好過度壓縮。
2. 延長詞表覆蓋範圍。詞表短 + 音檔舊，係最容易撞正呢個模式嘅組合。
3. 喺輸出端做安全網。我哋喺交稿之前會剝走「朗誦殘渣」—— 如果成段輸出全部都係詞表入面嘅詞（連續多個、用頓號連埋），就當係朗誦殘渣剝走；保守起見，貼住正文嘅自然並列句唔會被剝，寧願漏唔好錯。

【獨家觀察】呢個失效模式嘅成因唔神秘：解碼提示本質上係「請多啲呢啲詞」嘅訊號。當聲學資訊本身已經薄（低碼率），引擎手上冇乜線索可以拒絕呢個提示，於是就照單全收。換句話說，詞表係喺聲學線索充足嘅時候幫手，喺聲學線索不足嘅時候反過來搗亂。

點知加詞有冇用：先睇一個指標

加詞之後最常出現嘅兩種結果：① 目標詞修好 ② 其他本來正確嘅字變錯。第二種更危險，因為你唔會即刻發現。

回歸（regression） 係指加詞之後，原本正確嘅字變成錯 —— 你只會盯住目標詞，所以呢種副作用最容易被漏掉。所以最少要計兩個數：修正數（由錯變對嘅目標詞數）同回歸數（由對變錯嘅非目標詞數）。回歸數唔係零，就唔好上線。

有回歸就逐個詞剔除，通常元兇係太短、太常見、或者同其他詞撞音嗰幾個。完整嘅六步 A/B 流程、測試集設計、逐詞對錯表同判定閘，喺開頭提到嘅《粵語 ASR 自訂詞彙測試協議》一文，本文唔重複。

詞表之外：仲有三樣嘢影響辨識

熱詞只解決「揀字」層面，仲有三樣嘢係你控制到、而且影響更大：

• 音檔本身。碼率、單聲道定雙聲道、有冇底噪，直接決定引擎聽唔聽得清。語音轉錄嘅落載同壓縮方法，睇《會議音檔上載指南》同《廣東話語音轉文字上架》嗰邊講嘅實際做法。- 上下文長度。一句入面嘅詞比三句入面嘅詞易聽得多。開會時每句獨立抽出嚟轉寫，準確度一定差過保留前後文。
• 講者同場景。同一個詞喺唔同 scope 嘅價值唔同（會議 vs 客服），所以詞表唔應該跨場景共用。

常見問題 FAQ

熱詞同「關鍵字」係同一樣嘢嗎？

係同一件事嘅唔同叫法：引擎入面叫熱詞，API 層叫自訂詞彙／詞表。本文用「熱詞」講原理，用「詞表」講你實際要填嗰樣嘢。

加咗詞會唔會令其他字變差？

有可能，呢個叫回歸。所以每次加詞都要跑 A/B，而且明確要求回歸數 = 0。有回歸就逐個詞剔除。

詞表可以放幾多個詞？

每本詞庫 50 個詞、單詞 ≤30 字、提示總長 ≤200 字。超出會被截斷或者丟棄，所以唔好把成個客戶資料庫倒入去。

人名讀音唔確定，應該唔應該放入詞表？

唔應該。除非你已經攞到對方確認（客戶、助理、同事本人），否則放低頻人名但讀音錯咗，等於教引擎穩穩咁讀錯。你未確認嘅詞，應該住喺另一張待確認清單，唔好入正式詞表。

熱詞可以令引擎聽到字典以外嘅新詞嗎？

唔可以。熱詞只影響「同一個音、寫法唔同」嘅取捨。真正冇出現過嘅生僻音，佢幫唔到你 —— 嗰個要靠詞典同讀音資料，唔係靠提示。

想試下自己嘅專有名詞？

先睇語音轉文字嘅產品範圍同收費，再喺語音轉錄頁跑一段你嘅錄音試下。 錄音檔太細或者太長會上唔到閘門，壓縮同切件嘅做法睇《音檔壓縮上載指南：mp3 轉文字 廣東話，16kHz mono Opus 點揀先唔會被拒》。詞庫入口需要帳號開通，可以上面嗰個聯絡表格申請。想先打好字庫三層同詞表基礎，睇本 cluster 嘅字庫實戰文；想知完整嘅測試集砌法同評分表，睇《廣東話語音轉文字實測》一文。

相關文章

• 粵拼資料庫點揀？5 個免費語料比較＋點樣砌成 G2P 詞典
• 廣東話讀音字典點用？新手必睇完整教學指南

---

本文由港嘢內容團隊編輯審閱（editorial review，2026-10-25）。想了解我哋嘅背景，可以睇關於港嘢；詞庫開通同技術問題，可以用上面同一張聯絡表格。