SoundWise 处理方言或非标准口音，通常不是靠某个开关一键解决的，而是要看口音问题发生在哪个环节：是音频采集阶段的环境噪声、是声学模型对音素映射不敏感、还是解码阶段没有覆盖该方言的词汇和说法。多数情况下，需要先做一次小规模的诊断，再决定是调整输入音频、切换模型、扩展词汇表，还是补充微调数据。
处理方言或非标准口音时，建议先确认 SoundWise 当前使用的模型版本和语音识别接口是否支持自定义解码参数。如果没有现成的口音专项模型，通常可以从三方面入手：用热词或自定义词汇表提升地名人名等专有名词识别率，调整解码参数中的候选路径数量或语音活动检测阈值，再用少量真实方言音频做效果对比，找出最影响识别的音素或表述习惯。整套策略的验证不应只看合成测试语料，还要对照真实场景录音。
先判断口音问题出现在哪一层
拿到一段识别错误或识别率偏低的方言音频，不要急着调参数。先做两个小动作：一是听一遍原音频，确认音频里是否有明显噪声、截断或多人重叠；二是看 SoundWise 返回的识别结果和置信度，判断是结果完全偏离，还是个别字词错误。如果音频本身质量差，先处理采集端比任何模型调整都有效。如果是“字错但句子结构清晰”，问题多半在热词覆盖或语言模型偏好；如果整个句子颠三倒四，则可能是声学模型对该口音的音素映射不充分，这类情况往往需要额外数据微调。
通过自定义词汇和热词先解决专名问题
很多方言口音的识别问题并不是每个字都错，而是集中在地名、人名、当地特有的物品名称上。SoundWise 如果支持自定义热词或词表注入，可以优先把这类词拉出来。以下是一个通用的词表配置骨架，实际操作时把字段名替换为 SoundWise 控制台或 API 中实际支持的参数：
{
"phrase_hints": [
"潮汕牛肉",
"汕尾",
"老街坊",
"冇问题"
],
"language_code": "zh",
"boost": 20
}这段配置适合放在调用语音识别接口前作为参数传入。注意 boost 的值不宜调得过高，否则会把音频中相近的发音强行改成热词，反而引入新错误。建议从 10 到 20 开始试，如果发现类似“老街访”被误改，就适当下调或删除该词。验证时，拿二十段包含这些词的方言音频跑一遍，看词级别错误是否下降。
调整解码参数和音频预处理
SoundWise 的识别接口通常会暴露若干和解码相关的参数，比如候选假设数量、语音活动检测阈值、停顿灵敏度、模型采样率等。方言口音和标准口音的声学特征差异较大，默认参数未必合适。如果你不确定具体参数名，可以先查看控制台的“高级识别设置”或 API 文档中的可选字段。比较常见的调整方向是：
- 提高候选数量：让解码器多返回几条候选结果，再根据上下文或回复自动选择，能缓解因单条路径错误导致整句失败的问题。
- 放宽语音活动检测阈值：部分方言语速快或发音方式懒散，导致被当成静音切断。适当降低阈值可以保留更多完整语句，但也可能引入尾部噪声。
- 确认采样率和编码格式：某些方言高频辅音较多，低采样率会丢失关键音素。先确认输入音频不是 8kHz 的电话格式，尽量使用 16kHz 以上。
参数调整的效果必须用同一批音频对比，不要边调边只凭耳朵感觉。可以先准备十段有代表性的音频，跑一个基线，记录每个句子的识别结果，然后改动单个参数再跑，对比错误字数和置信度。每次只改一个变量，否则无法定位是哪个参数起了作用。
需要微调模型时的数据准备和评估思路
如果热词和参数调整仍不能解决核心口音问题，通常就要考虑用目标方言数据微调或定制模型。这个动作成本较高，需要先确认 SoundWise 是否允许导入音频和转写文本，或者是否支持在特定模型基础上做增量训练。如果支持，数据准备的优先级是：
- 真实场景录音，最好和最终使用环境一致，比如电话、室内外、不同距离，音频不是从其他素材里截取的。
- 每段音频配套纯文本转写，标点不要乱加，数字、英文按实际发音写。例如“二〇二五”不要写成“2025”，除非实际读法就是“二零二五”。
- 覆盖同一方言下不同口音程度的说话人，至少三到五位。只用一个说话人的数据，微调后会偏到那个人的音色和节奏上。
微调前先评估数据量级：如果只是百来条短句，直接做成自定义词汇表往往更可控；如果到数千条、数小时音频，并且有对应转写文本，才值得做模型微调。不要期望十句话就能改变识别效果。微调后必须准备独立的验证集，验证集里的说话人和录音条件不应和训练集重叠。
验证清单和边界
无论你采用哪种策略，都建议按下面的清单做一次验收，避免只做了配置却不知道效果如何：
- 清单一：准备一组在真实使用场景录制的方言音频，数量在二十条以上，包含完整句、短句、带语气词的说法。
- 清单二：记录每条音频的预期转写和 SoundWise 实际输出，计算字错误率或句子级别是否达标，不用精确到百分数，先看错误分布是否集中在可接受的范围内。
- 清单三：测试时把常见的人名、地名、数字混入，确认热词和参数调整是否能保持稳定性。
- 边界提醒：SoundWise 如果只是通用模型，对严重的地方方言或非标准口音可能天然支持有限，此时仅靠配置无法可恢复，需要确认产品路线中是否有口音专项模型或第三方识别服务可替换。
最后要明确一点：不要在验收时只使用合成的方言测试音频，那只能验证音素层面的匹配，无法反映真实环境中的噪声、语速和带口音普通话的混合状况。判断 SoundWise 是否适合你的方言场景，唯一可靠的标准是拿真实音频直接跑一遍对比。
常见问题
Q1：SoundWise 有没有现成的方言模型可以直接调用？
这取决于你使用的服务版本和数据中心。你需要先查看控制台是否出现“方言识别”或“accent adaptation”相关的模型列表。如果没有明确列出，就默认没有现成模型，不要依赖自动检测引擎去处理所有口音。可以先通过热词或参数调整做验证，如果不能满足，再问官方是否存在隐藏参数或定制模型申请渠道。
Q2：我没有大量标注好的方言音频，还能怎样提升效果？
可以先用二十条左右的音频做一次小规模诊断，找出错误最集中的几个词或句式，把这些词加入热词表。同时调整解码参数中的候选数量和语音活动检测阈值。如果你的音频是双声道或低噪声，先做预处理也能减少部分误识。如果效果仍不明显，那就要考虑增强实际数据的收集，而不是继续依赖调参。
Q3：为什么调整热词后，原本正确的标准口音反而识别错了？
热词和词表会改变解码器对候选结果的偏好，特别是 boost 值过高或词表里包含容易混淆的词时，会把标准口音强制映射到热词上。建议每次调整后都用标准口音的测试集做回归，只保留对目标方言有帮助且不影响标准口音的词项。如果影响过大，说明热词表设计得过于狭窄或 boost 值需要降低。