觀點投書：台灣首創—三族原住民母語混合語音辨識模型開發紀實

在語言科技領域，台灣於九月九日取得一項突破性成就：成功開發出國際第一個整合馬蘭阿美、泰雅賽考利克與北排灣三族原住民母語的語音辨識模型。這項創舉由台灣的泰雅族學者阿將伊崮喜瀾教授領銜，僅耗時五個月便宣告完成馬蘭阿美、泰雅賽考利克與北排灣Laval三個單一族別母語語音模型和一個混合三族母語辨識模型，為原住民語言數位化和文化傳承奠定了堅實的基礎。

與其他國家原住民語音模型開發經驗相比，例如，LREC 2022：做了多語聯合ASR（DNN/HMM）涵蓋 Cree 與 Inuktut（再加 Kurmanji Kurdish）—屬於「多語」但不是「三個皆原住民族語」，且非明確由原住民學者主導。 NAACL 2024：對 Bribri 與 Cabécar（兩種中美洲 Chibchan 語）做聯合/轉移學習 ASR—是雙語聯合，不是三語。Te Hiku Media（紐西蘭）：原住民團隊主導的 Māori 單語 ASR，近期也擴展到雙語/姊妹語合作，但仍非三語單一混合模型。加拿大 NRC 計畫：針對多個原住民族語（Inuktitut、Cree、Innu、Dénésuline 等）發展 ASR 與分割工具—多語管線與實驗，但無明載三語單一混合權重之公開模型。語音模型通常僅限於兩個方言的混合，而台灣的這個模型涵蓋三個不同原住民族群的語言，顯示技術上的進步和對多元文化的尊重 。

這項模型的核心技術不只圍繞著「族語E樂園」影片及標註數據，其運用10小時時長的三族母語紀實報導與紀錄做分塊、透過三種不同程度的AI辨識工具分離成千上萬段片段，透過 Google Colab 平台建置。開發團隊首先針對馬蘭阿美、泰雅賽考利克和北排灣laval原住民母語，分別建立個別語音辨識模型，接著整合這些模型，最終形成能夠辨識三族母語的混合模型。這個過程不僅涉及技術層面的挑戰，更重要的是，它體現了對原住民文化語意和脈絡的深刻理解。

例如，在建立模型時，開發團隊使用了來自「族語E樂園」的影片資源和母語老師音檔所建立的標註CSV檔案與成千上萬被切分的影音小分段。經過多次人工與機器過濾，數據集涵蓋了4,032行來自CSV檔案的標註數據，以及2,302個影片片段數據，總共合併生成6,334行數據。這些數據經過預處理、分割後，用於模型的訓練 。最終，模型採用計畫領導者最先完成的Whisper -Lora模型進行微調 。

值得強調的是，在開發過程中，原住民母語的特殊性是不可忽視的。原住民的語言不僅在語音上，更在語義和知識的生成邏輯上與主流文明存在差異。因此，在模型建置時，不能僅僅依靠技術手段，還必須融入「文化參數」。這些參數反映了不同族群的文化背景和語意，確保模型能夠準確理解和辨識母語中的細微差別，避免產生歧視或錯誤的決策。

此外，在訓練過程中，開發團隊還面臨許多技術挑戰，例如看似簡單透過包括chatGPT 5 與Claude sonnet 4.0在內的頂級參數設定，依然導致資料載入失敗、OCR 效果不足，模型中斷，數千次程式碼修訂，以及模型訓練啟動失敗等問題 。透過引入更高階的Vision AI 改善了OCR 效果，並成功解決了模型訓練的技術性問題 。

為了評估模型的性能，開發團隊計算了模型在獨立測試資料集上的 WER (詞錯誤率) 和 CER (字錯誤率)。 評估結果顯示合併資料集訓練後的模型的 WER 為 0.2222，CER 為 0.1000。

上述成果意味著模型在許多需要快速轉寫、輔助人工校對，或是對錯誤容忍度較高的應用場景中，已經具備一定的實用價值 。

儘管如此，阿將伊崮喜瀾博士也表示、開發團隊也認識到模型仍有改進空間。未來的努力方向包括擴大數據集、運用超參數、提高數據質量、優化模型架構，以及針對不同族群的語音特徵進行分族再優化。此外，將模型部署到實際應用環境中，為原住民母語的記錄、傳統知識傳承和學習提供工具支持，將是這項工作的最終目標，這項研究不僅是技術上的突破，更重要的是，它為原住民語言的保護和傳承，以及多元文化的尊重和發展，開啟了新篇章。

＊作者為台灣原住民傳統知識教育傳播暨心理健康促進協會
（相關報導： 阿將伊崮喜瀾觀點：致富？破產？只差一行AI代碼矣！ ｜ 更多文章 ）