黃鴻哲 黃舒婷 邵敬毅

（1.嘉應(yīng)學(xué)院 廣東省梅州市 514011 2.上沙中學(xué) 廣東省深圳市 518048 3.天津財(cái)經(jīng)大學(xué) 天津市 300222）

1 背景

普通話現(xiàn)在是中華人民共和國的官方語言，這是婦孺皆知的。普通話作為官方語言是一件值得慶幸的事情，因?yàn)檫@統(tǒng)一了中國人民的交流語言，使得各地各名族溝通變得有一定的保障。孩子們從小學(xué)習(xí)普通話，人人都用普通話交流。然而，我們不可忽略的一個(gè)實(shí)際性問題就是，現(xiàn)在的小孩從幼兒園開始就接收普通話的熏陶，這毅然不是一件壞事，但凡事都有兩面性，我們也應(yīng)該從另外一個(gè)發(fā)現(xiàn)問題；孩子們從小忽視方言學(xué)習(xí)，是否不用日常練習(xí)就可以脫口而出呢？這顯然不是，問卷調(diào)查表明（圖1），對于這代年輕人來說，很多客家人只是聽懂客家語言而不會(huì)說客家話。那再經(jīng)過幾代人的迭代，客家語言會(huì)不會(huì)就此被遺忘呢？甚至一些客家優(yōu)秀傳統(tǒng)是否也會(huì)被人們所忘記呢？按照當(dāng)前發(fā)展趨勢，這一個(gè)問題還是值得所思的。為此，客家語庫的存在就是為了人民在學(xué)習(xí)普通話的同時(shí)，也可以對客家語言進(jìn)行了解和練習(xí)；而不至于想要學(xué)習(xí)客家語言而沒有平臺(tái)資源。

圖1：問卷調(diào)查結(jié)果

2 系統(tǒng)語音庫原理

智能識(shí)別音頻技術(shù)的發(fā)展是人工智能和云計(jì)算發(fā)展的結(jié)果。從翻譯服務(wù)到口譯服務(wù)是翻譯轉(zhuǎn)化的關(guān)鍵。自音頻識(shí)別技術(shù)發(fā)展以來,尤其是中小型詞匯量的非特定人音頻識(shí)別系統(tǒng)的識(shí)別準(zhǔn)確率高達(dá)98%，而特定的音頻識(shí)別系統(tǒng)的識(shí)別率更高。如此高的辨別率已經(jīng)能夠應(yīng)付常見應(yīng)用需求了，由于大規(guī)模集成電路的不斷發(fā)展,這些抽象的語音識(shí)別系統(tǒng)也可以制成特定芯片,用于大規(guī)模生產(chǎn)?？拼笥嶏w的語音引擎將文本轉(zhuǎn)換為TTS 語音文本存儲(chǔ)起來，供閱讀者語音閱讀?，F(xiàn)在你也可以用Android 手機(jī)安裝科大訊飛語音庫，可以直接轉(zhuǎn)換和識(shí)別語音云，語音翻譯的效果也很好。如圖2 所示。

圖2：音頻處理流程

3 成為客家語庫用戶

所以，我們開發(fā)了客家語音資料庫系統(tǒng)，由黃鴻哲負(fù)責(zé)平臺(tái)開發(fā)工作，黃舒婷負(fù)責(zé)客家語音詞條收集，邵敬毅負(fù)責(zé)數(shù)據(jù)分析工作。當(dāng)然，生活在現(xiàn)在的社會(huì)上，人人都需要一個(gè)身份標(biāo)識(shí)，這不僅僅是個(gè)人身份的證明，也是一個(gè)通行證和后期處理事務(wù)的重要依據(jù)，因?yàn)樯矸輼?biāo)識(shí)和個(gè)人是一對一的關(guān)系，有著極大的信服力。在客家語庫平臺(tái)系統(tǒng)中，用戶標(biāo)識(shí)也是你在該系統(tǒng)的通行證，倘若是游客身份，那么您將無法體驗(yàn)客家語庫系統(tǒng)的所有功能，這將會(huì)影響您在該系統(tǒng)的用戶使用體驗(yàn)。用戶通行證也是為了更加方便您對客家語庫系統(tǒng)的使用以及記錄您學(xué)習(xí)客家語言過程，另一方面也是為了該系統(tǒng)對用戶的統(tǒng)一管理，讓客家語庫系統(tǒng)更好的為大家服務(wù)。成為客家語庫新用戶只需要點(diǎn)擊注冊按鈕，待頁面跳轉(zhuǎn)后填寫相關(guān)學(xué)習(xí)即可（國家級保密，不會(huì)透露個(gè)人信息）成為客家語庫用戶后將會(huì)贈(zèng)與客家學(xué)習(xí)資料一份。如圖3 所示。

圖3：部分學(xué)習(xí)資料

4 客家語庫練習(xí)系統(tǒng)

好記性不如爛筆頭，學(xué)習(xí)客家方言也是如此，客家語庫提供了聽、練一體的練習(xí)系統(tǒng)，在學(xué)習(xí)客家話的同時(shí)，為了鞏固學(xué)習(xí)的客家語言和拓展對客家語言的界限，練習(xí)系統(tǒng)會(huì)隨機(jī)提供一條客家語音，用戶可以根據(jù)自己所聽到的內(nèi)容翻譯成對應(yīng)的漢字信息后提交，提交后系統(tǒng)將數(shù)據(jù)提交至審核系統(tǒng)，通過后成為信息流輸入到該條音頻對于的提交表中，在經(jīng)過系統(tǒng)信息過濾展現(xiàn)在該條音頻對應(yīng)的提交區(qū)反饋給用戶查看，查看后系統(tǒng)還會(huì)根據(jù)每條提交的支持?jǐn)?shù)形成降序展現(xiàn)，這是為了激發(fā)用戶的好勝心，讓用戶認(rèn)真提交而設(shè)置。如圖4 和圖5 所示。

圖4：數(shù)據(jù)I/O 流圖

圖5：用戶與提交的實(shí)體聯(lián)系

5 數(shù)據(jù)分析和解釋

如圖6 所示，根據(jù)清洗后的有效數(shù)據(jù)，統(tǒng)計(jì)用戶的發(fā)音和音調(diào)得分。顏色越深，數(shù)字越多。直觀地獲得每個(gè)類別的評分頻率。在1732 次評估中，5 分的評論占比最高，而用戶的發(fā)音得分最高。

圖6：發(fā)音、音調(diào)的評分分布直方圖

6 客家辭典

存儲(chǔ)翻譯語庫的大數(shù)據(jù)集中化趨勢。存儲(chǔ)翻譯語庫、術(shù)語語庫等資源集中在中央服務(wù)器的文件中,將具有不同搜索習(xí)慣的用戶通過網(wǎng)絡(luò)連接到服務(wù)器進(jìn)行有針對性的辨別，檢索和維護(hù)更加方便。另一方面,通過資源數(shù)據(jù)集成，也是實(shí)現(xiàn)對語庫數(shù)據(jù)知識(shí)產(chǎn)權(quán)的有效保障，更好地順應(yīng)當(dāng)下網(wǎng)絡(luò)數(shù)據(jù)安全的趨勢。在用戶索檢對應(yīng)客家語音的時(shí)候會(huì)有專業(yè)的語音和索檢關(guān)鍵詞的相對于解析，還有協(xié)助用戶學(xué)習(xí)的發(fā)音標(biāo)準(zhǔn)。如圖7 所示。

圖7：客語辭典語音轉(zhuǎn)譯界面

7 有關(guān)于其他客家文化地區(qū)

可能大家耳熟能詳?shù)目图椅幕牡湫痛頌橛兄袊投贾Q的廣東省梅州市，但是我們也應(yīng)該知道，客家文化不在廣東梅州。客家文化包括客家話，客家民俗，戲劇等多個(gè)方面。其中廣東省的惠州、河源、深圳等地級市；江西，福建等多個(gè)省會(huì)；甚至遠(yuǎn)至印度尼西亞、馬來西亞、日本、臺(tái)灣等地區(qū)都有客家文化存在的身影?？图椅幕植紡V泛，影響深遠(yuǎn)，有三個(gè)經(jīng)中華人民共和國文化部批準(zhǔn)的國家客家文化生態(tài)保護(hù)試驗(yàn)區(qū)。而客家系統(tǒng)根據(jù)大數(shù)據(jù)也設(shè)立了其他地區(qū)客家文化的特色資料學(xué)習(xí)，也利用python 爬蟲技術(shù)收集了各個(gè)地區(qū)客家文化的主要官網(wǎng)地址供用戶學(xué)習(xí)和攬閱。

8 基于客家語庫數(shù)據(jù)的補(bǔ)充和總結(jié)

8.1 數(shù)據(jù)的填充

對于一個(gè)系統(tǒng)核心而言，邏輯功能必不可少，其次就是大量的準(zhǔn)確而具有科學(xué)性的數(shù)據(jù)。本系統(tǒng)不僅利用某些計(jì)算機(jī)技術(shù)進(jìn)行數(shù)據(jù)的開掘，另一方面也是進(jìn)行了實(shí)實(shí)在在的大量的數(shù)據(jù)搜素匹配，然后進(jìn)行過濾打量，對數(shù)據(jù)本身進(jìn)行篩選和優(yōu)化，才給予錄入該系統(tǒng)的條件；然而這樣龐大的工作量僅僅有開發(fā)團(tuán)隊(duì)來收集和處理顯然應(yīng)付不了大后期的系統(tǒng)需求；因此團(tuán)隊(duì)還開發(fā)了線上注音的功能，如圖8 所示，這一舉措也可以讓熱愛客家文化的用戶對我們的客語系統(tǒng)進(jìn)行數(shù)據(jù)的補(bǔ)充，從而緩解開發(fā)團(tuán)隊(duì)本就緊張的時(shí)間和成本資源，也能收集更多更廣的客家文化，讓開發(fā)團(tuán)隊(duì)和用戶一起進(jìn)行客家文化的運(yùn)用和傳承。

圖8：線上注音

不過，收集的數(shù)據(jù)可能會(huì)魚龍混雜，因此還是需要專業(yè)的客家后臺(tái)管理人員進(jìn)行對用戶提交的注音進(jìn)行審核后在覺得是否錄用用戶的提交，這樣不僅能保證數(shù)據(jù)的可靠性，也還是可以從一定的角度緩解開發(fā)團(tuán)隊(duì)的壓力。

8.1.1 應(yīng)添加的語庫后臺(tái)

對于現(xiàn)有的語庫系統(tǒng)，從具有用戶權(quán)限的練習(xí)系統(tǒng)到對用戶開源的客家辭典；無論是查看客家資料，還是轉(zhuǎn)換到其他客家官網(wǎng)，都可以進(jìn)一步的精述為致至用戶使用的一個(gè)系統(tǒng)。除開添加功能外，系統(tǒng)難免會(huì)對客語系統(tǒng)現(xiàn)有的數(shù)據(jù)進(jìn)行一些管理的更改，倘若從源碼底層去動(dòng)用這些龐大的數(shù)據(jù)流，先不談及工作量，也會(huì)導(dǎo)致管理效率變得及其的底下，因?yàn)橐M(jìn)入源碼層，需要預(yù)先配置好的系統(tǒng)環(huán)境變量以及源碼等條件，光是系統(tǒng)環(huán)境變量和源碼這兩項(xiàng)，開發(fā)人員不可能隨身攜帶這些現(xiàn)成條件。所以，我們應(yīng)該給語庫系統(tǒng)添加理論上的可視化系統(tǒng)后臺(tái)數(shù)據(jù)管理界面以及功能。

8.1.2 語庫后臺(tái)功能介紹

（1）語庫練習(xí)系統(tǒng)：在眾多的用戶提交答案中，難免有些用戶會(huì)提交一些系統(tǒng)過濾不了的不良的、不合乎正常邏輯的答案，那么我們就需要將這些提交的答案進(jìn)行一個(gè)刪除操作

（2）用戶權(quán)限管理：基于語庫練習(xí)系統(tǒng)的不良用戶提交，倘若該用戶多次利用系統(tǒng)本身具有的過濾功能的BUG 進(jìn)行一個(gè)提交答案，影響正常用戶的使用，那我們會(huì)給予撤銷該用戶的用戶權(quán)，并且對該用戶進(jìn)行用戶注冊時(shí)填寫的聯(lián)系信息進(jìn)行一個(gè)短信警告。

（3）客家辭典：一個(gè)系統(tǒng)好壞首先看功能性能方面實(shí)現(xiàn)的如何，其次是該系統(tǒng)歸屬下的數(shù)據(jù)量海納多少，客家辭典就如同字典，數(shù)據(jù)信息必須齊全，用戶使用體驗(yàn)才會(huì)良好。對于添加數(shù)據(jù)，開發(fā)人員亦然可以從底層數(shù)據(jù)庫進(jìn)行添加，但這樣就會(huì)顯得冗余，故該數(shù)據(jù)后臺(tái)應(yīng)該具備上傳文件的功能以導(dǎo)入數(shù)據(jù)，不必動(dòng)用底層代碼而產(chǎn)生更多的系統(tǒng)問題。

（4）審核在線注音：數(shù)據(jù)可以有開發(fā)人員進(jìn)行添加，但不同的人，見識(shí)會(huì)有差異，項(xiàng)目團(tuán)隊(duì)的認(rèn)知并不是十全十美的，或許有些用戶正好見識(shí)過項(xiàng)目組所未見識(shí)的，那么這些用戶就可以行對客家知識(shí)的一個(gè)提交。提交的數(shù)據(jù)匯流到語庫后臺(tái)，由專業(yè)組進(jìn)行一個(gè)審核與處理音頻，確定用戶提交的價(jià)值性后再給予納入系統(tǒng)數(shù)據(jù)。

8.2 總結(jié)

8.2.1 客家語言文化

世界上現(xiàn)在僅存約六千種語言，約是上世紀(jì)末的一半，像不少的動(dòng)植物一樣，有些弱勢語言只剩下幾個(gè)人講，馬上就要淘汰。但是若以人口計(jì)算，客語在頭三十名內(nèi)，照算是沒那么快會(huì)消失的。然而，有資料顯示，客家語被認(rèn)為是地球上衰落最快的語言之一。近20 年，全球會(huì)說客家話的人由6000 多萬減少到不足3000 萬，流失速度驚人?？图艺Z言文化歷史悠久，雖是一方語言，但也是博大精深的中華文化缺一不可的一部分，也算是特色文化之一，承載了文化發(fā)展的腳印，具有重大的文化意義。而這種語言的形成，則是客家人向客家群體歸屬的基本條件。客家方言作為一種文化現(xiàn)象，不是孤立的，而是深深植根于客家民系的總體文化之中，昭示著自己祖先、來源的一面明鏡。

8.2.2 客家語庫

（1）客家語庫提供漢轉(zhuǎn)譯客家語音的功能供給用戶使用。

（2）系統(tǒng)配備的練習(xí)系統(tǒng)方便用戶的學(xué)習(xí)。

（3）系統(tǒng)收集了各地區(qū)的客家方言，供給用戶參考差異。

（4）考慮到客家系統(tǒng)的往后發(fā)展，客家系統(tǒng)可考慮類似的論壇功能，為客家文化。小白和客家文化熱衷者提供交流平臺(tái)，方便用戶之間的溝通。