Rahasia Pengenalan Suara Bahasa Kantonis di Rapat DingTalk: Bisakah Bahasa Kantonis Diubah Menjadi Teks Secara Instan?

Bicara soal pengenalan ucapan kantonis, sungguh susah nak "berbual" dengan AI! Bahasa Mandarin punya empat nada, bahasa Inggris malah langsung tak ber-nada, tapi kantonis justru punya "sembilan nada enam nada dasar", satu bunyi yang sama bisa berubah maknanya menjadi "shi, shi, shi, shi, shi, shi" (syi, si, si, si, si, si) seperti 诗（puisi）、史（sejarah）、试（mencuba）、时（masa）、市（pasar）、事（urusan). Jangan main-main, orang biasa pun akan tanya: “Awak maksud ‘si’ yang mana ni?” Apa lagi AI, macam mana dia nak bezakan?

Belum lagi perkara lebih rumit—ucapan kantonis sering kali "menelan bunyi", contohnya "ngo5 dei6 zau2 laa1" (kita pergi lah) kalau disebut cepat jadi "ngo5 dei6 zau2～", bunyi akhir diregang dan hilang, partikel penekanan seperti "laa1", "lo1", "ze1" berselerak merata, kedengaran macam kod rahsia. Kajian linguistik menunjukkan, perbezaan antara kantonis baku dan percakapan harian boleh sebesar perbezaan antara "dua bahasa".

Kebanyakan model suara masa kini pada asasnya dilatih dalam bahasa Mandarin atau Inggeris, manakala korpus ucapan kantonis terlalu sedikit, ibarat menyuruh orang asing faham dialog juru masak di kedai teh yang cakap pantas hanya dengan buku "Pengenalan ke Kantonis Guangzhou", mana mungkin bertahan?

Mengulas enjin pengenalan kantonis dalam mesyuarat DingTalk, ia bukan bergantung pada "tekaan sembarangan" atau "telinga tajam", tetapi benar-benar mempunyai teknologi hebat tersendiri! Ia menggunakan rangkaian neural mendalam (DNN) dan model hujung-ke-hujung (End-to-End), secara langsung menukar gelombang suara menjadi teks, melompati pelbagai langkah perantaraan dalam pengenalan suara tradisional. Yang paling penting, sistem ini tidak hanya belajar kantonis baku, tetapi juga melakukan pemodelan khusus untuk "sembilan nada enam nada dasar"—artinya, AI menganalisis lengkung ketinggian nada untuk membezakan perbezaan halus antara "fan1" (bahagi) dan "fan2" (serbuk), perbezaan yang begitu halus sehingga ketika tidur pun susah nak bezakan.

Lebih hebat lagi, pasukan DingTalk menggunakan "pembelajaran perpindahan silang bahasa" untuk mengatasi kekurangan data kantonis: mereka dahulu melatih model asas dengan data besar bahasa Mandarin, kemudian menyesuaikan (fine-tune) dengan sampel ucapan kantonis terpilih agar AI dapat cepat menguasai inti kantonis. Partikel penekanan seperti "laa1", "lo1" pun tidak dilepaskan, semua dimasukkan ke dalam model bahasa supaya tidak dianggap sebagai kesilapan masa pengenalan. Tambahan pula, terdapat ramalan konteks masa nyata; apabila mendengar "hoi1 zo2 go3 wui2 sin1 zi3 faan1 uk1 gei2", sistem secara automatik menyimpulkan "hoi1 zo2 go3 wui2" merujuk kepada aktiviti mesyuarat, bukan diterjemahkan sebagai "pik zo2 go3 wui2"!

Nak mesyuarat DingTalk faham ucapan kantonis awak lebih tepat daripada aksi Tang Boh Hu mencubit Qiu Xiang? Kena tahu teknik baru menang!Jaringan tak stabil, suara jadi sengal—Wi-Fi terputus, sambungan 4G lompat-lompat, jangan salahkan AI tak faham, ibu awak sendiri pun akan tanya, "Suara awak putus kat mana tu?" Mikrofon rosak macam siew mai char siew semalam, rakaman bercampur angin, bunyi tertelan, gema, ibarat menyuruh mesin membongkar kod rahsia. Latar belakang bising macam pasar Sham Shui Po? Lagi pun ramai yang bercakap serentak? AI bukan Zhuge Liang, memang tak mampu bezakan siapa yang kata "naa4 san1" (kenaikan gaji) atau "gaam2 san1" (potongan gaji)!

Pronunsi selemas Chow Sing Chi jadi San Liu Gau? "Ngo5 dei6" jadi "Ngo5 dei6", "m4 goi1" dibaca "m4 goi1~~~" dengan regangan tiga saat, AI pun boleh tertidur dengar macam tu. Cuba guna kantonis baku, kurangkan argot seperti "hea", "zat1 zat1", supaya sistem ada peluang untuk belajar corak awak. Jangan lupa semak tetapan bahasa, jangan asyik pilih "Bahasa Mandarin", nanti "lou5 sai3" (bos) jadi "lou5 syu2" (tikus), kesilapan besar terus berlaku.

Pemain tahap tinggi mesti kuasai: guna "senarai kosakata tersuai" untuk masukkan nama syarikat, istilah khas, supaya "DingTalk" tak lagi salah dengar "CRM xitong" sebagai "Xi Ya Mi xun". Kelajuan ucapan jangan pantas macam penyampai nombor kuda, rehat sesekali, bagi AI sempat tarik nafas. Ingat, AI sekarang masih macam "bayi zaman belajar bercakap", belum jadi pakar bahasa, harapan realistik sahaja yang tahan lama!

Bicara soal pengenalan ucapan kantonis dalam mesyuarat DingTalk, tak perlu lagi dianggap sebagai permainan "teka perkataan dari suara"! Kami uji dari pesanan "dung6 ling4 caa4 zau2 tim4" (teh lemon sejuk tanpa gula) di kedai kopi hingga "Q3 yip6 zik6 tung4 bei3 sing1 15%" (prestasi Q3 naik 15% tahun ke tahun) di mesyuarat lembaga, mendapati AI kadang-kadang bijak sangat sampai dekat dengan realiti, tapi kadang-kadang bodoh macam salah tukar "hop6 tung4" (kontrak) jadi "hap6 gung1" (jumlah), "fu6 mou5 hei2" (pelayan) jadi "fuk6 ci6 hei2" (alat perkhidmatan)—nak suruh dia balik sekolah tiga tahun belajar tatabahasa kantonis.

Dalam perbualan harian yang penuh partikel penekanan "laa1, ze1, mai6", DingTalk sesekali menapisnya sebagai bunyi hingar, menyebabkan maksud terputus-putus; dalam laporan perniagaan yang campur nombor dan Inggeris, contohnya "API yin2 ci4 di1 jyu1 200ms", hasil pengenalan boleh jadi "A po4 ji4 lau4... dua ratus wen2", membuatkan orang ingin ketawa atau menangis. Mesyuarat pelbagai pihak paling mencabar, tiga orang berebut mikrofon, sistem tak mampu bezakan siapa yang kata "ngo5 dei6 jiu3 kwo6 zin1 wan4 dyun6 bou6 syu3", akhirnya jadi "ngo5 dei6 jiu3 kwo6 zin1 ceon1 gam2 bou6 luk6".

Latar belakang dengan suara TV tengah siar "War and Beauty" pun masih ok, yang paling ditakuti ialah bunyi papan kekunci mengetik ikut campur, AI terus "berdengung telinga". Punca utama kesilapan bukan kerana model akustik tak cukup kuat, tetapi kerana perbendaharaan kata tak lengkap dengan ungkapan tempatan. Situasi sebenar seterus macam nasi loyang, teknologi masih belum sepenuhnya "masak empuk".

Soal masa depan, bilakah AI akhirnya benar-benar "terbuka minda" untuk faham kantonis? Sekarang pun mesyuarat DingTalk sudah mampu bezakan asas sembilan nada enam nada dasar, tetapi apabila jumpa bencana homofon seperti "dim2 gaai3" (kenapa) atau "din2 gaai3" (edisi), "kei4 sat6" (sebenarnya) jadi "kei4 sik6" (makan sebenarnya), masih perlukan manusia selamatkan. Tapi era model besar telah tiba, AI seperti versi audio Tongyi Qianwen dengan kekuatan pemahaman konteks super kuat, mungkin boleh "teka" perkataan betul berdasarkan maksud ayat secara keseluruhan, tak perlu lagi bergantung pada nasib. Bayangkan AI dengar "ngo5 dei6 jiu3 cin1 hap6 gung1", terus sedar: eh, dari konteks sebelum dan selepas tadi bercakap tentang kontrak, mestilah "hop6 tung4"!

Tapi algoritma sahaja tak cukup, data ialah raja. Jika orang ramai boleh sumbangkan rakaman perbualan harian, bina set data suara kantonis terbuka, supaya AI belajar faham loghat kasar, bahasa santai, malah intonasi jenaka, ketepatan pengenalan akan melonjak naik. Teknologi multimodal juga patut dinanti—gabungkan bacaan bibir, isyarat tangan, malah ekspresi muka, supaya AI boleh "baca gerak mulut" pun faham cakap. Akhir sekali, kenapa bahasa Perancis, Sepanyol boleh ada sistem suara kelas dunia, tapi kantonis sering dianggap "bahasa minoriti" dan dipinggirkan? Keadilan dalam teknologi bahasa tidak boleh diabaikan. Wahai para pembangun, tolong ingat: suara kami tidak mahu hilang di dunia digital.

We dedicated to serving clients with professional DingTalk solutions. If you'd like to learn more about DingTalk platform applications, feel free to contact our online customer service or email at This email address is being protected from spambots. You need JavaScript enabled to view it.. With a skilled development and operations team and extensive market experience, we’re ready to deliver expert DingTalk services and solutions tailored to your needs!