包容普惠技术发展，得先让机器听懂外婆的四川话

上周回南京，外婆对着智能音箱喊了三遍“把灯关了”。音箱回她：“没找到叫灯关了的设备”。外婆转头问我：这玩意儿是不是坏了？我说没坏，它就是没听懂你的四川话。她愣了一下，又用普通话喊了一遍——声调全歪，音箱干脆不吱声了。

我蹲在那儿调了半天，最后发现不是网络问题，也不是麦克风坏了。是语音识别模型里，四川话的声学特征压根儿就没怎么被训练过。这让我有点上火。一个卖了几千万台的智能音箱，连我外婆的日常指令都接不住，还谈什么包容普惠技术发展？

问题不在“方言包”，在数据分布

很多人以为，方言识别就是给普通话模型加个“四川话模式”。不是这么回事。

语音识别的骨架分三块：声学模型、语言模型、发音词典。声学模型负责把声音波形映射到音素，语言模型判断这个词的组合概率高不高，发音词典告诉你这个字怎么读。普通话的声学模型，训练数据基本来自标准播音腔。你拿四川话去跑，它一上来就懵了——比如“关”在四川话里可能是降调，也可能带鼻化，跟普通话的阴平完全两码事。

包容普惠技术发展_方言ASR声学模型结构图

更麻烦的是数据分布。全球几千种语言，几百种方言，普通话数据几个TB，四川话可能就几百小时。而且四川话内部还分岷江片、仁富片，隔个县发音就不一样。你让工程师怎么采？挨家挨户录音？成本高，还涉及隐私。这就像你只拿北京人的照片训练人脸识别，然后指望它在四川农村也能认出所有人——不现实。

普惠不是做慈善，是算账

普惠不是做慈善，是算账

说实话，很多公司做方言适配，动机挺可疑的。发布会讲两句方言，显得有“温度”，但真到了产品排期，方言模型总是被砍。为什么？用户量小嘛。商业上算不过账。

但你算账的方式可能错了。方言用户不是一个小众群体。西南官话覆盖人口接近三亿，包括大量中老年人、农村用户、下沉市场。这部分人恰恰是智能设备很难触达的。你让他们用标准普通话发指令，就像让一个不识字的人填表——不是他们笨，是你设计的东西根本就没考虑他们。

包容普惠技术发展的核心，不是“我施舍你一个功能”，而是“我的默认功能就包含了你的使用习惯”。你看电梯里的盲文按钮，它不是给盲人特供的电梯，它就在普通电梯上。这才叫普惠。

别把“无障碍”做成“阉割版”

我见过太多产品，一说包容，就搞个“关怀模式”——字体巨大，功能砍半。这是偷懒。

真正的包容普惠技术发展，应该是在不降低整体体验的前提下，提供等效的路径。语音识别方言，不是把普通话模型降级成方言模型，而是在同一套端侧系统里，跑多套轻量级声学模型。用户说普通话就调普通话，说四川话就切四川话。后台自动判断，不用老人手动选。因为老人根本不会去设置里找“方言切换”。

包容普惠技术发展_老人方言语音交互场景

技术上有解。少样本学习、跨语言迁移、众包数据标注，都在往前走。但难点不在实验室，在工程落地。方言数据采集的合规边界、端侧算力的内存占用、识别延迟和准确率的平衡……每一个都是坑。你吭哧吭哧调了三个月，识别率从85%提到90%，产品经理一句“用户感知不强”就能给你否了。

真正的坑：老人不说“打开客厅灯”

真正的坑：老人不说“打开客厅灯”

还有个更隐蔽的问题。我教外婆用语音助理，发现她从来不说“打开客厅灯”。她说：“那个灯，给我弄亮。”或者“把那个亮亮的关掉。”

这不是方言问题，是交互范式问题。我们训练模型的时候，用的语料都是“打开+设备名”这种指令式句子。但真实人类，尤其是老人，说话是含混的、依赖上下文的、带指代和省略的。你的语音助手能识别“打开客厅灯”，却听不懂“把它开一下”。这才是包容普惠技术发展真正的深水区——不是加几个词表，是重新理解人怎么说话。

所以我现在做产品评估，会拉几个非技术同事来当测试用户，专门不说标准指令。一测就露馅。有个同事拿着遥控器说“声音大点”，音箱回“已为您播放《大点声》”。他气得笑出来。你说这算技术问题还是设计问题？都算。

慢一点，但别只做发布会特供

慢一点，但别只做发布会特供

包容普惠技术发展，说白了就是让技术适应人，不是让人适应技术。这活儿急不得。采集方言数据要花钱，做端侧模型要啃硬骨头，改交互范式要反复试错。但方向不能偏。

我后来给外婆换了个支持四川话的智能音箱。她试了两天，现在天天用它听评书。但我问她想不想让它帮忙打电话，她摆手：“算了，它连我喊‘幺儿’都听不懂。”

你看，离真正的普惠还差得远。差在我们做技术的人，太习惯用实验室里的标准普通话，去想象全中国用户怎么说话。包容普惠技术发展不是一句口号，它得先蹲下来，听听那些被默认设置排除在外的人，到底在说什么。