分享小组 | 资源采集组
分享人 | 陈熙元
这是2026年潮人语·资源采集组的第1次主题分享，介绍我们多年来方言语料资源采集落地实践。
本次分享分为四个部分：
第一部分寻根溯源，和大家讲清楚我们耗费人力、时间采集方言语料的核心价值与意义。
第二部分躬身入局，介绍过去落地推进的四大类资源采集实践项目。
第三部分复盘反思，结合六年多实操经验，剖析采集、管理两大环节遇到的核心痛点。
第四部分数字赋能，针对现存问题提出数字化平台建设构想，畅想未来方言资源采集标准化、可持续的工作模式。
1. 寻根溯源：语料资源采集意义
首先进入第一部分，寻根溯源，聊聊方言语料采集的三大核心意义。
第一，最基础的价值：完成本土语言完整记录，搭建完整的人类地方语言资源档案。海宁各镇街方言差异细微，很多老一辈母语使用者逐年减少，如果不及时录音留存，本土方言词汇、句式、口音会永久流失，采集本质是为地域文化留存原始语言档案。
第二，实用落地价值：为方言教育、本土文化科普、方言工具研发提供真实、地道的一手参考素材。不管是线下方言课堂、线上科普短视频，还是方言读本、学习小程序，都离不开真实录制的本土语音作为基础素材。
第三，前沿技术价值：支撑方言 AI 模型训练，让本地老年群体也能用母语享受数字化技术成果。当下通用 AI 大多以普通话为主，缺少方言语料，我们采集的语音素材，能够用来训练适配海宁吴语的语音识别、语音合成模型，降低老年人使用智能设备的语言门槛。
2. 躬身入局：四大资源采集实践
接下来进入本次分享的核心板块 —— 躬身入局：四大资源采集实践。从 2020 年至今，我们结合不同场景、不同需求，先后落地四种差异化采集模式，分别是日常对话自然采集、结合方言教育的标准化文本采集、结合科普实用创新的垂直语料采集、结合本土文学艺术创作的专题词汇采集，各有优势和无法回避的局限。
首先是第一个实践项目，2020 年 4 月启动的日常对话自然采集。 一共 13 位志愿者参与日常闲聊录制，覆盖海宁 9 个核心方言点位，录制完成后会做基础剪辑，去除环境杂音，每个点位最终留存音频数量都只有个位数。
这种无剧本、无预设的闲聊录制，最大优势就是语料自然度极高，完全还原本地人日常聊天、交际时真实的语言使用习惯，没有书面翻译带来的生硬感，是最贴近生活的原生方言素材。
但局限性也很明确：
第一，线下录音环境不可控，街道、家中、户外录制都会混入大量环境杂音或者多人重叠语音，后期剪辑成本很高；
第二，聊天话题完全随机，无法定向收集特定场景、特定领域词汇；
第三，项目高度依赖志愿者自发空闲时间和参与意愿，缺少稳定督促和激励机制，很难长期持续采集。
第二个实践，2020 年 6 到 12 月开展了与教育普及相结合的海宁话 900 句项目。先划分日常生活场景，编写 900 句标准化普通话基准文本，再由本土地道发音人逐句翻译成海宁方言，同步录制音频、配套制作教学短视频；2020年7到12 月，我们完成硖石、盐官、周王庙、许村、黄湾5 个方言点位、每个点位 80 句的录制工作。
项目成效非常突出：标准化文本能精准控制录制话题，整体录制进度可规划、可量化，适合批量产出标准化教学素材，适配线下课堂、线上短视频科普。
但同样存在明显局限：当代人习惯书面普通话思维，直译出来的方言免不了带有 “翻译腔”；素材质量完全依赖发音人自身的方言功底、口头翻译能力，个体差异极大，素材质量参差不齐。
这是第一次把海宁吴语拓展到气象垂直专业领域，填补了本土方言在科普、现代专业场景下的语料空白，丰富方言现代化应用场景，打破方言只能聊日常家长里短的固有局限。
项目短板也很突出：科普文本包含大量专业气象术语、书面长难句式，和本地人日常口语表达习惯差距很大，朗读时生硬拗口，语音流畅度差，整体利用价值有限。
第四个实践，2024年6至8月，开展了结合本土文学创作的吴语词汇盘点项目。每月设定一个主题，比如第一期主题 “防暑、乘风凉”，由项目牵头人撰写方言散文，全体组员一起补充对应主题本土特色词汇，持续了3个月。
对比前面文本翻译模式，本项目最大优势是采用方言本位创作，先有方言文学、方言词汇，而非根据普通话翻译，同时能精准锁定主题，语料自然度、话题可控性同时兼顾，产出的散文、词汇还能用于本土文化宣传，附加文化价值更高。
短板也十分明显：散文原创、本土词汇挖掘对志愿者文字功底、方言储备要求极高，参与门槛大幅提升，创作消耗大量时间精力，很难常态化、长期稳定更新，项目容易中途停滞。
3. 复盘反思：采集过程痛点剖析
结合四个项目的实操经验，总结采集环节和管理环节的痛点。
采集环节，有两大难以平衡的跷跷板矛盾：
第一，自然度与可控性难以兼得。如果做无剧本日常对话，语音地道自然，但录音杂音多、话题散乱，无法定向收集目标词汇；如果用标准普通话文本翻译录制，话题可控、素材规整，但容易出现生硬翻译腔，丢失方言原生语感，二者很难同时兼顾。
第二，参与门槛与项目持续性相互制约。像词汇盘点、散文创作这类模式，能同时解决自然度和可控性问题，但文字创作、深度方言挖掘大幅抬高志愿者参与门槛，不管是发音人还是组织者都需要投入大量时间，不易长期坚持。
后端管理层面，有两大信息孤岛危机：
第一，没有统一数字化资产存储中枢。我们六年积累的音视频方言素材，长期分散存放在个人手机、电脑、不同网络平台，没有统一仓库，随时存在文件丢失、版本混乱的风险，历史语料无法完整留存。
第二，语料元数据标注严重缺失。绝大多数录音、视频文件只有音频本身，没有配套标注：分不清对应哪个方言点位、哪位发音人、配套原文文本、口音特征、使用场景，缺少标注的语料无法检索、分类，也不能直接用于 AI 模型训练、辞典查询，采集价值大打折扣。
4. 数字赋能：未来采集工作畅想
分析痛点后，我们畅想未来语料收集的理想目标，简单概括三个标准：
第一，语音素材自然地道、话题覆盖全面；
第二，音频录制纯净、杂音少，后期处理成本低；
第三，整套采集流程稳定可持续，不用过度依赖少数核心志愿者。
为实现理想采集状态，结合当前AI编程技术的发展，我们或许可以尝试搭建一套数字化方言资源工作平台，分为三大核心功能模块：
第一，多媒体资产统一管理模块。搭建专属数据仓库，统一存储全部方言音频、视频素材，支持线上在线预览、流媒体播放，集中归档所有历史语料，从根源解决素材散落、丢失、版本混乱的问题。
第二，多维度精细化标注系统。自主开发结构化线上打标工具，每一条语音素材都可以绑定完整元数据：所属方言点位、国际音标标注、方言/普通话对照文本、使用场景、发音人信息等，完成深度标签绑定，让语料具备检索、训练、研究的完整使用价值。
第三，无缝对接本土电子辞典生态。平台开放标准化 API 数据接口，我们采集的所有标准化语料，能够直接作为底层素材接入海宁吴语电子辞典，编纂词条时可以直接搜索播放地道语音作为参考，让采集成果直接服务工具研发。
资源采集组话题日历
2026年7月：潮人语做过什么样的资源采集尝试？有什么不足？
2026年8月：语言学界是怎么做田野调查的？有什么不足？
2026年9月：科大讯飞、阿里巴巴等互联网公司是怎么收集、标注语料的？有什么不足？
2026年10至12月：我们可以如何采集、标注海宁吴语？需要怎样的人员支持、信息系统支持？
方言辞典
小红书
云音乐
QQ音乐
Apple
B站
抖音
1
视频号
1
知乎
微博
