AI 唱越南语：歌词能听清多少？

MuziAI 背后的演唱模型官方只支持英文和中文。那么，交给它越南语会怎样？越南语有六个声调，用附加符号书写，同样的字母换一个符号就是另一个词。我们测量了语音识别能从歌声中听回多少歌词，并与原本写下的歌词对比。答案是：78.6% 到 94.7% 的歌词能连同每个声调符号都正确地听回，具体取决于风格，而英文对照歌曲是 100%。丢失的大多不是词，而是符号；根据我们的测量记录，主要错误是声调跑偏：去掉声调符号后，数字升到 87.5% 到 98.4%。

在得到可信的数字之前，三把尺子都坏了

在拿到可用的测量之前，我们错了三次。每一次问题都出在尺子上，而不是歌曲上，这也正是最值得讲的部分。

1. 用快速语音识别，按整首歌的字符错误率打分。 在纯器乐段落，它凭空编出一句越南语，类似视频频道的「订阅我们的频道，别错过精彩视频」，而且这段编造的文字取代了真实唱出的词，而不只是多加了一句。英文不受影响，于是这个比较从一开始就不公平：英文错误率 0.012，越南语却是 0.32 到 0.48。
2. 把歌曲切成 12 秒的窗口，想让它更容易听清。 结果更糟：几乎每个窗口都冒出那句编造的话，连整首识别时已经听对歌词的段落也不例外。
3. 先把人声从伴奏中分离出来，再转写。 仍然有编造的文字，而英文照样正常。到这一步就很清楚了：问题出在快速识别器处理越南语上，而不是演唱模型。

教训是：没有在已知答案的案例上检验过的越南语错误率，不值得引用。一个会幻听出歌词的歌词指标，恰恰会不公平地惩罚它听得最差的那种语言。

可用的尺子：逐句覆盖率，先在已知答案上检验

最终方案改用更大的识别器，关掉它根据上一句来推测下一句的习惯（正是这个机制让一句编造的话拖出一连串编造），并加上阈值，丢弃低置信度的片段。我们不再用整首歌的错误率，而是计算逐句覆盖率：对每一句不同的歌词（去掉段落标签，重复的句子只算一次），在转写文本中找到最匹配的一段，统计这一句的音节有多少比例按顺序出现，然后对所有句子取平均。多出来的词不扣分，所以混进一句编造的话也不会拉低得分。

每首歌打两次分：带声调符号（每个符号都必须一致）和不带声调符号（去掉所有符号，只要求字母骨架一致）。两列之间的差距，就是「词形对了、符号错了」的比例。正式使用前，我们先在四个已知答案的案例上运行了这项指标：

关键在第三个案例：一份丢失全部声调符号的转写，带符号得分 0.19，不带符号得分 1.0。换句话说，这项指标能把「词错了」和「词对了、符号错了」区分开来。

结果：流行、抒情、Bolero，以及一首英文对照

抒情歌最清楚，Bolero 最不清楚。三首歌里，不带符号一列都高于带符号一列：相当一部分词唱对了词形，却唱错了符号。Bolero 的差距最大（0.089），不带符号的得分也最低（0.875），所以这首歌里模型既跑偏了更多符号，也漏掉了更多词。原因我们还没有测。声调跑偏之所以要紧，是因为它不改字母却改了意思：ma、má、mà、mả、mã 和 mạ 是六个不同的词。

按伴奏演唱工具里也是同样的规律

本站用于在现成伴奏上演唱歌词的工具，跑在另一套演唱系统上，打分用的是专门为越南语打造的识别器，所以它的数字不能与上表直接比较。不过规律是一样的：

流行那首不带符号达到 1.000：每个词都唱出来了，唯一的损失是声调符号。而在抒情那首上，同一项指标给这条伴奏上的原版真人演唱打了 0.979，所以即使是真人歌手也拿不到完美的 1。每个分数里都有一部分只是「听者」本身的极限。

局限与尚未知道的事

• 主表只涵盖三首越南语歌曲（流行、抒情、Bolero）。足以看出规律，但不足以有把握地给风格排名；随着歌曲库扩大，我们会重新测量。
• 它测的是机器听到的，不是人听到的。 我们还没有找真人做听感测试，所以不知道人耳能凭上下文修补多少声调跑偏。
• 多出来的词不扣分。 这是为了让指标不受编造句子影响而刻意做的选择，但这也意味着，如果歌手唱出了歌词里没有的词，指标不会发现。
• 不带符号一列也去掉了元音符号（ă、â、ê、ô、ơ、ư、đ），而不只是声调符号。两列之间的差距是笼统的「符号错误」；我们还没有单独隔离声调的一列。
• 一把尺子在一类音频上管用，换一类可能就失灵。 同一个更大的识别器，在听经过本站 AI 翻唱工具处理的人声时，3 个文件里有 3 个都编出了那句「订阅」。那里我们只能改用越南语专用识别器。

怎样写出经得起演唱的越南语歌词

1. 按歌词的重要程度选风格。 如果歌词才是重点（献给某人的歌、叙事歌、带店名的广告歌），在我们的测试里，抒情（0.947）和流行（0.909）比 Bolero（0.786）更能保住歌词。
2. 每行写一个完整的演唱乐句，并加段落标签。 把 [Verse] 和 [Chorus] 单独成行，每个乐句后换行。在按伴奏演唱工具里，整块粘贴的歌词会让系统把整首歌当成一个段落；结果晚进 16 秒，唱得像在说话。
3. 在关键位置检查那些换个声调就变意思的词。 副歌句、人名、店名，是声调一跑偏伤害最大的地方。在成品里专门听这几个词。
4. 多生成几个版本，留下最清楚的。 每次生成都是一次新的随机抽取，所以在改写歌词之前，值得先重试。
5. 别用普通的语音转文字应用给结果打分。 我们最初的三把尺子在越南语歌声上都编造了歌词。如果转写里出现「subscribe cho kênh…」这类奇怪的内容，错的是转写工具，不是歌。