3550条苏州话词条怎么变成AI可用的标准词库：一份方言数据工程实录

上一篇《方言TTS落地实战》里我们提过一个判断：方言AI应用的坑，八成出在文本层，不在语音层。通用大模型写的"苏州话"文案，经常混进上海话说法甚至普通话直译，TTS 音色克隆得再像，念出来的词就是错的。这篇文章把解决这个问题的核心资产——3550条苏州话标准词库——拆开讲：真实数据长什么样、覆盖率多少、在产线里怎么用、建设时踩过的坑。

一、先看真实数据：3550条词条的全量体检

不讲感觉，直接上统计。以下数字来自词库文件（343KB，JSON，3550个键）的全量扫描：

这个分布本身就说明问题：方言的精髓不在单字，在三言四言的固定说法。"呒手抓锣"（手足无措）、"阿作兴"（像话吗/怎么可以）、"坏脱哉"（糟糕了）——这些才是苏州人开口就来的东西，也恰恰是通用语料里最缺的部分。

二、真实样例：词库里的一条数据长什么样

{
  "倷":     {"word": "倷", "pinyin": "n", "meaning": "你"},
  "白相":   {"word": "白相", "pinyin": "b", "meaning": "玩儿"},
  "呒手抓锣": {"word": "呒手抓锣", "pinyin": "m",
              "meaning": "常用来形容忙乱时手足无措"},
  "结棍":   {"word": "结棍", "pinyin": "c", "meaning": "②厉害"}
}

三、词库在产线里的三个实际用法

1. 文本纯度校验（防上海话污染）

我们的苏州话 TTS 产线是"DeepSeek 翻译层（普通话→苏州白话）→ 词库校验 → TTS 合成"。翻译层输出的每一句，先拆词过词库：命中即安全；未命中的三言四言短语进复核队列，确认是苏州本土说法才放行或入库。跑通这个闭环后，"上海话词混进苏州话音频"这类事故基本绝迹。

2. 数字人话术的用词白名单

展会数字人、方言客服的预设问答，全部用词库倒查一遍：凡是词库里没有的"方言词"，要么改回普通话表达，要么核实后补进词库。宁可说地道的普通话，不说不地道的方言。

3. 语料分级的基准尺

产线每天产出数百条语料，质量分级（能用/噪声/兜底回复）的第一刀就是词密度：一条语料里词库命中率高、且命中的是三言四言熟语，基本就是高质量方言句；命中率异常低的，多半是模型开始说普通话了。

四、词库建设的四条工程纪律（踩坑换的）

1. 来源必须可追溯。我们的词库整理自吴语学堂公开资料，参考《苏州方言志》《邢晏春苏州话语音词典》。来路不明的网络词表混进去，后面所有校验都失效。
2. 先占位后补义，不许编造释义。吃不准的词条留空 meaning，等查辞书或问本地人。一条编造的释义比十条空缺危害大。
3. 字长分布是健康指标。如果你的"方言词库"九成是双字词，那它大概率只是普通话词表换了皮——真正的方言库，三言四言熟语必须占大头。
4. 词库跟着产线长。每次复核确认的新说法当天入库，词库版本与产线绑定，不做"一锤子买卖"的死数据。

五、这套资产适合谁

• 做方言TTS/方言数字人的团队：直接拿到校验层核心资产，省掉数月词条整理；
• 做方言学习产品的开发者：3550条带结构词条是现成的学习卡片数据源；
• 方言研究者、文化机构：JSON+CSV 双格式，可直接进统计分析流程。

这份词库已在站内上架（¥99，JSON+CSV 双格式，含字段说明与样例），所见即本文披露的这份数据，不注水。