一个单词，qara，意思是“黑色”。我把它喂给现成的语音合成模型，按下播放，听到的却是一个柔和、礼貌、非常土耳其语的kara。在克里米亚鞑靼语里，къ和к是两个不同的音，而къ就藏在我们每天说的词里：yoq、qız、vaqıt、qadar。读错它不是一个口音问题，是模型悄悄说着邻国的语言，还指望没人发现。

我发现了。就为这一个音节，我花了接下来几个月，用一块消费级显卡，在晚上下班后，从零数据集开始给克里米亚鞑靼语做语音模型。下面是我踩坑之后留下的工程笔记，写给准备为自己低资源语言做同样事情的独立开发者。大部分教训，每条花了我一周。

打开网易新闻 查看精彩图片

鸡和蛋都濒危

做语音数据集的标准流程是拿音频跑自动语音识别，得到文本。但克里米亚鞑靼语没有可用的自动语音识别，而没有语料库又做不出好的自动语音识别。典型的鸡生蛋问题，只不过这只鸡也濒危了。

我盯着这个死循环看了很久，才意识到自己把问题拿反了。有声书自带文本。文本是印好的，它就在那里，根本不需要识别。于是我停止尝试转写，转而尝试对齐：已知文本，已知音频，找出每个词落在哪里，按边界切分。用强制对齐代替识别。这个翻转是整个项目能存在的根本原因，因为它绕过了这门语言恰恰没有的东西。

如果你只从这篇文章带走一点，就带这一点：在训练识别器之前，先看看标准答案是不是已经躺在架子上。如果是，你面对的就是一个对齐问题，而对齐要便宜得多。

骗了我三个半小时的那次运行

第一次大规模对齐跑了七个半小时的音频。它跑完了，没有报错，产出了干净、自信、格式良好的输出。前两个小时是对的，剩下三个半小时全是垃圾。还不是那种一眼就能看穿的垃圾：时间戳合理，分段合理，看起来和好的部分一模一样。七个小时里我得到不到两小时可用材料，而且我是靠亲耳去听才发现的。

我现在把崩溃当成礼物。崩溃会指向出错的那一行。一个返回自信废话的进程，会慢慢耗掉你一周的命。修复它的不是代码改动，而是粒度改动。我没有把材料喂给对齐器三大块，而是拆成四十章，每一章独立定位。同样的音频，同样的文本，同样的工具，结果从不到两小时干净语音变成超过五小时。

这就是我保留的规则：如果一个阶段可能静默失败，绝不在大单元上跑它。小单元会显眼地失败，让你丢掉坏的那部分，而不是整批。

词对不齐，字母对得齐

章节匹配这一步也有自己的陷阱。在一本书里定位一个章节，听起来像字符串搜索问题，但实际做起来完全不是那么回事。音频里的朗读和纸面文本之间，隔着标点、停顿、重复、口误，还有朗读者偶尔跳过的段落。直接拿整段文本去匹配，错位会像雪崩一样越滚越大。

真正管用的是把对齐单位从词降到字母。不是拿整词去对，而是把文本和音频都切到更细的粒度，让匹配在字母层面发生。这样即使某个词被读错或者跳过，周围的字母仍然能锚定位置。对齐的容错率一下子高了很多，坏段也更容易被单独揪出来扔掉。

这个项目最后能跑通，靠的不是什么高级模型，而是三个很朴素的判断：先找现成的对齐材料，别硬做识别；把大任务拆小，让错误显形；把对齐粒度降到字母，让错位不再传染。低资源语言的语音技术，缺的往往不是算力，是愿意在晚上一块显卡前慢慢磨的耐心。