變調同連讀點樣影響 ASR 準確度：工程視角拆解

一句答你：變調同連讀喺語言學上係「正確嘅音變」，但喺語音辨識裡面，佢哋出現嘅方式係「錯字」—— 因為引擎輸出嘅係字，唔係音。所以你要做嘅唔係學晒變調規則，而係識分辨你嗰份逐字稿錯喺邊一層：聲調錯、音段錯，定係揀字錯。三類錯，補救方法完全唔同。

大部分人睇到 ASR 嘅錯字，會直接歸咎「詞彙唔夠」或者「音檔太舊」。但有一類錯，根源喺語流本身：兩個字連住講，音變咗，引擎聽到嘅音同你以為嘅音唔一樣，於是揀咗另一個字。呢類錯唔會因為你加多啲詞表就自動修好 —— 因為佢根本唔係「詞表唔夠」，而係「聲學線索同你嘅預期唔一致」。

呢篇唔教變調規則。規則嗰部分：變音（詞彙性變調）同自動變調（tone sandhi）嘅分別，睇《粵語變調規則完整指南》；高升變調、疊字變調、分詞性變調，睇《粵語變調進階》；想自己練，睇《粵語聲調對比練習》；懶音（音段變化）嗰套，睇《粵語連讀音變》。

本文只答工程問題：同一段音，變調同連讀令佢喺 ASR 裡面變成咩樣嘅錯；你點樣分辨同埋補救。

重點摘要（Key Takeaways）

• 變調 係指同一個詞嘅聲調喺連續語流中按語法規則改變；連讀 係指相鄰音段互相影響，令前一個字嘅尾音被拉走或者變成近似音。兩者喺語言學上係規則，在 ASR 裡面卻表現為錯字。
• 錯字要分三類：聲調錯（字啱音調唔啱）、音段錯（聲母或韻母被改變）、選字錯（音啱但揀咗更常見嘅字）。三類嘅補救方向完全唔同。
• 詞表（熱詞）主要救「選字錯」，對「聲調錯」同「音段錯」幾乎冇作用 —— 呢個係最常見嘅期望落差。
• 最有用嘅測試設計係成對片段：同一個詞，孤立講一次、喺連續語流講一次。兩者嘅差異，就係音變帶嚟嘅差異。
• 詞表唔夠、上下文太短、音檔太舊，三者都會放大音變嘅影響；但根因係「線索唔夠」，唔係「規則唔識」。
• 我哋未有一份公開、可重複嘅「變調對 ASR 影響」測試集，所以本文唔會貼任何百分比；文末畀一個你可以自己跑嘅量度方法。

呢篇唔教變調規則，講變調點樣變成錯字

先定義，之後全文唔會含糊：

變調 係指同一個詞嘅聲調喺連續語流入面，按語法規則改變 —— 例如高升變調，令前一字嘅調升到後一字嘅最高位。連讀 係指相鄰音段互相影響 —— 例如前字嘅鼻音尾被拉走，變成另一個近似音。

呢兩個詞對語言學家嚟講係「描述規則」；對做辨識嘅工程師嚟講，佢哋係「錯誤來源」。呢個落差就係本文存在嘅理由：語言學文講點樣變，產品文件講點樣聽，工程文章要講中間嗰層 —— 變咗之後，個錯長咩樣。

【獨家觀察】最容易被忽略嘅一點係：ASR 嘅輸出單位係「字」，唔係「音」。所以音變唔會以「音變」嘅形式出現，而係以「揀錯字」嘅形式出現。你會見到一個音似但唔同嘅字，而唔會見到「呢個字被讀成咗另一個調」。呢個設計決定，令變調嘅影響全部收窄咗喺「揀字」呢一層 —— 換句話說，語言學層面嘅音變，最後一定會表現為字嘅錯。

三類錯字，三種補救方向

三類之中，A 同 B 都係「語言學上正常嘅音變」造成嘅，詞表幫唔到，因為詞表改變嘅係「揀邊個字」嘅傾向，唔係「聽到咩音」。只有 C 類，本質上係「引擎唔識你嘅專名」，所以先有得用詞表救。

要點分 A 同 C？好簡單：睇個字係咪高頻常用字。如果引擎揀咗一個日常高頻字，而你想講嘅係個低頻專名，咁通常係 C；如果兩個字都係常用字、但一個啱一個唔啱，咁通常係 A 或者 B。

【實測】呢個分類方法喺 2026-10 我哋做詞庫測試時用過：逐詞對錯時，每一個錯字都標一次「聲調／音段／選字」。嗰次測試入面出現嘅錯全部落喺 C 類 —— 即係話加詞就救得晒。A 類同 B 類喺嗰批稿入面一次都冇出現過；但嗰批稿未特別設計成成對片段，所以 A／B 兩類究竟係「未觸發到」定係「真係冇咁嘅語境」，仲要另外設計音檔驗過先知。

成對測試片段：點樣量度音變嘅影響

想知「呢個變調令辨識差咗幾多」，最直接嘅設計係成對測試（minimal pair in context）：

1. 設計兩段音。第一段：目標詞孤立講出，冇前後接駁。第二段：同一個詞放喺自然語流入面，前面有會觸發變調／連讀嘅字。
2. 錄低同一個人、同一支咪、同一個距離。其他條件一律唔好改。
3. 兩段都跑一次辨識，記錄目標詞嘅輸出。
4. 比較：孤立嗰次啱、語流嗰次唔啱 —— 差異就係音變嘅貢獻。兩次都唔啱，係詞表問題；兩次都啱，呢個變化點對你冇影響。

呢個設計好處係可重複（完整嘅測試集設計同逐詞對錯表，喺同一個 cluster 嘅《粵語 ASR 自訂詞彙測試協議》一文）：同一對片段，換一個引擎或者換一批詞都仲用得著。而且你唔需要知道嗰個變調嘅語言學名稱 —— 你只需要知道「同一個詞，喺唔喺語流入面，輸出唔同咗」。

要準備測試稿，仲有兩個實際問題。第一個係你自己打字嘅稿，讀音可能同你想測嘅唔一樣：呢個可以靠中大審音配詞字庫逐字核讀音，或者用 G2P 工具（例如PyCantonese）由文字反查讀音，先確保「稿」係啱嘅 —— 否則你會花時間 debug 一個根本唔存在嘅辨識錯誤。第二個係口語用字（例如「嘅」「咗」「喺」）寫法唔統一，呢類可以喺粵典對返。

仲有一招可以令測試更精確：用 G2P 工具（例如canto-hk-g2p）計出「如果冇音變，呢個詞應該點讀」，再同音檔嘅實際讀音對比，兩者嘅落差就係你要研究嗰個變化。

連讀喺 ASR 入面嘅三個具體位置

連讀唔係抽象概念，佢喺逐字稿入面有幾個固定出現嘅位置：

• 詞尾鼻音尾被拉走：前一字以 -n／-ng 收尾，後一字以元音或鼻音開頭，前字嘅尾音會弱化甚至消失，聽落似咗另一個音。
• n 類聲母嘅弱化：連讀之後，n 同 l 嘅分別會變模糊，引擎如果靠呢個分別揀字，就會揀錯。
• 入聲韻尾弱化：短促嘅 -p／-t／-k 尾喺快語速下幾乎聽唔到，音節聽落短咗一圈。

實務上呢三個位置意味住同一件事：相鄰兩字嘅界線唔係清晰嘅。引擎要靠語言模型去猜邊度斷詞，猜錯咗，字就錯咗。所以：

• 詞與詞之間加停頓（喺稿度層面），有時真係可以提升準確度；
• 保留前後文（唔好每句獨立抽出嚟轉寫），可以俾引擎更多線索去斷詞。

連讀規則嘅細節同例子，語言學嗰邊寫得比我好，睇本 cluster 嗰篇《粵語連讀音變：懶音同變調》一文；規則嘅正式講法可以對返語言學學會嘅粵拼答問。

詞表、上下文、音檔：三樣嘢點分工

回到大家最关心嘅「咁我加詞表有冇用」。答案係：有用，但只對 C 類有用，而且要配合其他兩樣。

詞表嘅完整規則（容量上限、分場域、驗收流程）喺《粵語熱詞辨識：人名、地名、品牌》同《廣東話字庫與自訂詞彙實戰》兩篇；完整嘅測試集砌法、WER 同 CER 點計，喺《廣東話語音轉文字實測》一文。

【獨家觀察】有一個常見誤解值得拆一拆：有人以為「加咗詞表，變調嘅問題就會消失」。唔會。因為詞表改變嘅係「喺幾個候選字之間點樣分配機會率」，而變調改變嘅係「音本身變成咗乜」。當引擎聽到嘅音已經唔係你以為嗰個音，俾佢幾多個候選字佢都一樣會揀錯嗰個最近似嘅字。

常見問題 FAQ

變調係咪一定會令 ASR 錯？

唔一定。變調係語流入面嘅正常現象，引擎本身有一定嘅處理能力。會唔會錯，睇三樣嘢：變調幅度、引擎嘅語言模型同你嘅詞彙覆蓋。呢三樣都係因場景而異，所以本文唔會講「變調令準確度跌 X%」—— 冇公開可重複測試集嘅百分比，係冇比較價值嘅。

我應該用詞表定係改善音檔？

睇你錯字嘅類型。錯嘅係低頻專名（人名、品牌、術語），加詞表。錯嘅係通用字但音唔啱（A／B 類），改善音檔同保留上下文先有用。最好嘅做法係用上面嗰套分類先做一次診斷。

稿度寫得「正統」啲，會唔會準確啲？

會，方向係啱嘅，但唔係因為「正統」本身，而係因為稿正統 → 讀音穩定 → 連讀變化更可預期。真正有影響嘅係「停頓同節奏」，唔係用字。節奏重音嗰層可以睇本 cluster 嘅《粵語節奏重音》一文。

變調、變音、連讀，三者有咩唔同？

三者都係音流入面嘅變化，但層次唔同：變調係聲調層；連讀／懶音係音段層；而「變音」喺粵語文獻入面通常指詞彙性變調（例如名詞化變音），同語法驅動嘅自動變調唔同。三者嘅細節同例句，喺本 cluster 嗰兩篇變調同連讀文講得最齊。

一次過測試所有變調規則，有冇可能？

理論上可以，但工程上唔划算 —— 變調規則數量多、條件互相影響，而且同一個詞喺唔同語境會唔同。成對片段嘅設計好處就係唔需要你窮舉規則：你測嘅係「呢個詞喺呢個語境」，而唔係「呢條規則應唔應該觸發」。

想試下自己嘅音檔？

先睇《廣東話語音轉文字上架》一文了解產品範圍同收費，再喺語音轉錄頁跑同一段錄音兩次 —— 一次逐字孤立講，一次連住講 —— 就已經可以開始做上面嗰個成對測試。想知點樣砌一套完整嘅測試集，睇《廣東話語音轉文字實測》一文；想處理專名，睇上面嗰篇《粵語熱詞辨識》一文。

相關文章

• 粵拼 Jyutping 入門：完整教學指南
• 粵拼資料庫點揀？5 個免費語料比較＋點樣砌成 G2P 詞典

---

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；語音轉錄同詞庫嘅問題，可以用聯絡表格問我哋。