粵拼資料庫點揀？5 個免費語料比較＋點樣砌成 G2P 詞典

一句答你：粵拼「資料庫」其實冇一份官方大表可以載落嚟用 —— 現實係五份用途、格式、授權都唔同嘅語料，而且大部分係「查詢式網頁」而唔係「可批次處理嘅檔案」。砌得成唔成，取決於你肯唔肯自己定三件事：每行記咩字段、多音字點存、邊個讀音做預設。

第一次查「粵拼資料庫」嘅人，通常有一個落差：佢哋以為有一個網站或者一個 GitHub repo，載入就有一張完整嘅「字 → 粵拼」對照表。實際查落去，五個常用來源入面只有兩個真係可以程式化處理，其餘三個都係網頁查詢。

呢篇唔教粵拼點讀。聲母韻母同六個聲調嘅基礎睇《粵拼 Jyutping 入門》；字典本身點查睇《廣東話讀音字典點用》。本文只答一條題：點樣由公開語料砌出一份你 team 真係用得著、又用得合法嘅粵語讀音資料。

如果你仲未分清「字庫」「詞庫」「自訂詞彙」三層，先讀同一個 cluster 嘅《廣東話字庫與自訂詞彙實戰》—— 嗰篇講三層模型同 ASR 詞表規則；本文講緊最底嗰層：讀音資料本身。

重點摘要（Key Takeaways）

• 冇一份「官方大表」：最接近嘅係中大審音配詞字庫，但佢係網頁查詢工具，唔係可下載資料集（查閱 2026-10-25）。
• 五個來源分三類：標準方案文件（語言學學會）、單字審音配詞（中大）、口語詞典（粵典）、可程式化工具（兩套開源 G2P）。用途完全唔同，唔好當同一樣嘢。
• 「有網頁查詢」唔等於「有 API」；「開源」亦唔等於「商用授權自動 OK」——授權三問要逐個問。
• 字典化之前一定要做正規化：Unicode NFC、統一聲調表示、拆多音字、決定邊個讀音做預設。
• 拼入合成之前要補情境讀法 —— 同一個字喺人名、地名唔同。
• 我哋冇公開可重複嘅測試集，所以本文唔會貼任何準確率百分比；文末有自查清單你可以自己跑。

呢五個來源，逐個睇佢實際俾咩嘢

（全部來源查閱日期：2026-10-25。）

【實測】我哋逐個試過（2026-10-25）：中大個頁面係 PHP 加 frameset、內含讀音檔；語言學學會嘅 /jyutping 會轉到 /jyutping-faq/；粵典係網頁查詢。換句話說，「可唔可以程式化處理」呢一欄，唔係估出嚟，係逐個試出嚟。兩個開源套件都有公開原始碼同安裝入口，但佢哋喺你自己嗰批詞彙上嘅實際效果，我哋未喺本機跑過，要用就自己試一次先。

G2P 係指由文字直接生成讀音（grapheme-to-phoneme），例如由「陳」推出「can4」。上面兩個開源套件做嘅就係呢一步；前三個唔做，佢哋只提供「查得到」嘅入口。

一個殘酷事實：真正可以批量處理嘅粵語語料好少

我哋逐個睇過（查閱日期 2026-10-25）。中大嗰個 Lexis 網站，根目錄之下有 Canton/（黃錫凌《粵音韻彙》電子版，頁面註明建立日期 1996 年 1 月、最近修訂 1997 年 1 月）、chifreq/（漢字使用頻率統計，跨港／內地／台灣），亦有 Lindict/、Wheelock-Latin/ 等目錄 —— 睇落好似一個可以成批攞嘅資料庫，但逐個入去，每個都係 CGI 查詢頁（例如查字用 canton.pl、查聲母關係用 pho-rel.pl），唔係你 wget 落嚟就攞到嘅 CSV。順帶一提，Canton/ 嗰個頁自己都寫住「試行版」，年份亦都係九七年 —— 即係話新字新詞未必覆蓋到，用之前要自己核。審音配詞字庫嗰頁仲要讀音檔（sound.php），即係話佢一半嘅價值喺「睇字嘅同時聽返個音」，唔喺「畀你一堆原始資料」。

【獨家觀察】呢個落差唔係缺陷，係設計目的：呢啲工具服務嘅係「人查一個字」，唔係「機器攞一批字」。所以如果你嘅需求係批次處理，正路唔係搵一個不存在嘅「官方大表」，而係：

1. 用可程式化嘅工具做主幹（PyCantonese 或 canto-hk-g2p）；
2. 用網頁查詢做抽樣校對（每個唔同聲調、每個多音字抽一兩個核）；
3. 用方案文件做規則層（點樣標調、隔音字、gw 同 g 咁樣嘅取捨）。

譬如你想確認 gw 同 g 到底點分，語言學學會嘅答問頁直接答咗：g 同 gw 係兩個唔同嘅聲母，gw 係雙字母代表單一聲母；同樣 k 同 kw 係送氣與否嘅對立。呢類規則就係砌詞典之前應該先定死嘅嘢 —— 否則同一個「觀塘」，你同你同事會寫出兩個唔同嘅拼法。

資料模型：你要先揀一種，唔可以混住砌

三種常用模型，適用場景唔同：

詞典 係指一份「輸入項目 → 對應資料」嘅查表；喺呢度就係「字或詞 → 粵拼讀音」。砌嘅時候最重要係寧缺勿濫：預設讀音揀錯，影響嘅係每一個出現呢個字嘅句子。所以預設值應該用現代標準讀音，唔好用詞典排頭嗰個。

情境讀法 係指同一個字喺唔同語境（人名、地名、詞組、標題）嘅實際讀音。呢一層要靠詞層覆蓋，例如人名嘅讀法點樣處理，可以睇《廣東話人名讀音完全指南》；多音字嘅原理另外有文講，見《廣東話多音字攻略》。

正規化：五步，之後你嘅表先算得上一份資料

一段可以直接落手嘅清洗流程（純資料處理，唔涉任何 API 呼叫）：

import unicodedata

MAX_TERM_CHARS = 30

def normalize(text: str) -> str:
    """統一 Unicode 組合形式 + 收窄多餘空白。"""
    s = unicodedata.normalize("NFC", text)
    return " ".join(s.split()).strip()

def normalize_record(rec: dict):
    """一條字庫記錄 → 乾淨記錄。壞資料回 None，唔拋錯。"""
    word = normalize(str(rec.get("word", "")))
    if not word or len(word) > MAX_TERM_CHARS:
        return None
    readings = rec.get("jyutping") or []
    if isinstance(readings, str):
        readings = [readings]
    clean = []
    seen = set()
    for r in readings:
        v = normalize(str(r)).lower()
        if not v or v in seen:
            continue
        seen.add(v)
        clean.append(v)
    if not clean:
        return None
    return {
        "word": word,
        "jyutping": clean,          # 第一個係預設讀音
        "source": rec.get("source", ""),
        "updated": rec.get("updated", ""),
    }

呢五步有四個位值得講（呢個方法唔係最快，但係最穩陣：外部語料半壞唔會令你 pipeline 死機，每一步結果都可以逐條覆核）：

1. Unicode NFC：網頁抄出嘅「陳」有時係「陳」加 combining 音符，唔正規化就會 dedupe 唔到，重複項慢慢堆。
2. 統一聲調表示：粵拼可以用數字（can4）或者符號（càn）。同一份表入面兩種都出現，之後比對同合併就會出問題。揀一種，全表統一。
3. 超長即丟：一個「詞」超過 30 字，通常係句子唔係詞，靜靜丟走，唔好塞入去。
4. 唔拋錯：一份可能半壞嘅外部資料，唔應該令你成個 pipeline 停低。

授權三問：商用前一定要逐個問

【獨家觀察】三個最容易出事嘅位：

• 網頁內容唔等於開放授權。粵典嘅詞條有版權，批量抓落嚟嵌入產品，同「查字典睇答案」係兩回事。
• 學術資源唔等於免費授權。中大字庫頁面列有聯絡 email，正路係問，唔係自己抓。
• Apache 2.0 唔等於零責任。要保留授權聲明同 NOTICE；改動過嘅檔案要標明改動。

六個常見坑

1. 抄咗半套拼法：網頁上有人用耶魯式，有人用粵拼數字調。混埋同一份表，之後你分唔出邊個係方案、邊個係手寫。
2. 以為拼得出就讀得啱：拼寫規則只保證「合法」，唔保證「自然」。變調、連讀、語氣詞係另一層，唔好將語言學問題當資料問題處理。
3. 粵典用字 vs 標準書面語：口語字（嘅／咗／喺）同標準書面語對唔上，兩套資料合併時要有一致嘅用字政策。
4. 預設讀音揀咗罕見嗰個：多音字預設值應該用現代標準讀音，唔係詞典第一條。
5. 中英夾雜詞冇處理：英文縮寫（KPI、Q3）唔應該轉成中文近音；canto-hk-g2p 呢類工具就係專門處理數字、日期同中英夾雜。
6. 過度覆蓋：將所有字都入表，反而令「邊個先」嘅預設值難以維持。要覆蓋嘅應該係你產品真正會出現嘅詞。

落地自查清單（十條，逐條打剔）

1. □ 表入面每一行都係「字或詞」，冇句子
2. □ 全部行都做咗 Unicode NFC
3. □ 聲調表示全表只有一種
4. □ 多音字用陣列，而且有預設讀音
5. □ 預設讀音係現代標準讀音
6. □ 情境讀法（人名／地名／品牌）另開一張覆蓋表
7. □ 授權三問逐個有答案，而且有記錄
8. □ 出處同版本寫咗落表（唔係得個 source 欄空住）
9. □ 有一份 50 條以內嘅人工核對抽樣清單
10. □ 表入面冇任何未確認嘅猜測讀音（猜嘅要另外標記，唔好混入正式表）

第 10 條最易踩。你無法避免有「未知讀音」嘅詞，但佢哋應該住喺另一張表，等你攞到客戶確認先入正式表 —— 呢個做法同 ASR 詞表嘅驗收邏輯一樣，細節可以睇同一個 cluster 嗰篇字庫實戰文嘅 A/B 流程。

常見問題 FAQ

粵拼資料庫有官方版本嗎？

最接近嘅係中大審音配詞字庫，但佢係網頁查詢工具（查閱 2026-10-25），唔係一份可以批次下載嘅官方資料表。語言學學會嗰邊出嘅係 1993 年《方案》同答問，講嘅係拼寫規則，唔係逐字讀音表。

開源 G2P 套件可唔可以商用？

睇授權。PyCantonese 用 MIT；canto-hk-g2p 用 Apache 2.0（查閱 2026-10-25）。兩者都要按條款保留聲明，而且你仍然要自己驗證佢哋喺你嘅業務詞彙上準唔準 —— 開源唔代表對你啲專有名詞識得。

我淨係想要一個字嘅讀音，用咩最快？

逐字查用中大審音配詞字庫最快（連聲音一齊有）；但如果你有一批字要處理，就唔好逐個查，直接用批次工具。

詞典入面要唔要收口語用字？

如果你嘅產品輸出係口語（例如對話式語音），要，而且要明文定死用字政策；如果輸出係書面語（例如文件朗讀），就要另建一套書面語用字表。兩套用字政策混落同一張表，係後期最難清理嘅技術債。

砌好之後點驗？

用你產品真實會出現嘅句子，砌一個 50 條以內嘅抽樣集，人手核對讀音，再逐條試合成、睇實際輸出。因為本文唔會貼任何「準確率 XX%」，原因係我哋冇公開可重複嘅測試集 —— 有測試集嘅話，個數字先有比較價值。

想試下把讀音資料接落去？

最直接嘅入口係《點樣用 API 生成地道粵語語音》—— 佢講點用讀音錨點處理專名同多音字，係讀音資料落地最直接嘅下游場景。想先打好三層模型同詞表基礎，返去睇本 cluster 嘅字庫實戰文；想試下自己嘅錄音，喺語音轉錄頁跑一段。

相關功能

想一次過查聲母、韻母同 6 個聲調嘅對照表，睇廣東話拼音：粵拼聲母韻母全表。

相關文章

• 粵語口語字點寫？常用字詞寫法懶人包
• 粵語潮語發音大全：網絡潮語點讀先至啱？
• 香港地名讀音：TTS 點讀先地道
• 廣東話專有名詞讀音規則：人名、品牌、地名、縮寫五類點處理

---

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；授權同資料集嘅使用問題，可以用聯絡表格問我哋。