简介：克木语“有语言、无文字”，全民族以口语交流，部分人掌握傣文与汉语，这正是数千种无文字语言的缩影，也是文本驱动型NLP完全失效的场景。本文以该场景为切入点，系统讲解语音优先的语料库建设、正字法设计、低资源语音识别、跨语言迁移与语音合成全链路技术方案，并给出可落地的工程组织与数据治理建议，帮助开发者掌握濒危语言数字化的核心方法。
克木人拥有本民族语言，克木语，属南亚语系孟高棉语族，是族内通用的口头交流工具；但克木语长期没有与之配套的传统文字，涉及书面记录的场景，通常由掌握傣文或汉语的社区成员借助周边强势语言的文字系统完成。“有语言、无文字”并非克木语独有的处境：学界普遍估计，全球七千余种语言中，拥有成熟文字系统的只是其中一部分，大量语言以纯口语形态存续，其中不少正面临代际传承断层。
对开发者而言，这一现象指向一个真实而棘手的技术命题：现代自然语言处理（NLP）技术栈几乎完全建立在“文本”之上，分词、向量化、预训练语言模型，都默认存在大规模可读写的文本语料。当一门语言没有文字、没有文本、没有标注时，这条流水线从第一步就无法启动。本文以克木语所代表的无文字语言场景为切入点，梳理一套以语音为核心的完整技术方案，覆盖语料采集、正字法设计、语音识别、跨语言迁移与语音合成五个环节，并给出工程组织与数据治理层面的落地建议。
无文字语言带来的不是简单的“数据少”，而是“表示层缺失”。可以拆解为三个层层递进的约束：
其一，表示层缺失。 主流NLP以字符序列为基本操作单元：中文按字切分，英文按子词切分。无文字语言没有标准化书写系统，语音无法稳定映射为字符序列，“训练语言模型”这一步便无从谈起。
其二，数据层稀缺。 此类语言的使用人口通常有限，社会生活中缺少大规模口语留痕的场景，天然不存在互联网量级的语料，常规的“网络爬取—清洗—预训练”路径完全不可用。
其三，标注层瓶颈。 将语音转写为文本，需要既精通该语言、又能熟练使用某门书面语的双语人。部分克木人掌握傣文和汉语，在工程视角下，这些双语者恰恰是最稀缺、最关键的资源：他们既是转写规范的制定者与质检员，也是面向外界沟通的翻译桥梁。
三个约束叠加，决定了无文字语言的处理必须更换技术主轴：以语音为第一等公民，先解决“声音的数字化与结构化”，再解决“文本化表示”，最后才谈得上文本侧的NLP能力。这个顺序不能颠倒。
语料库是所有后续能力的地基。对无文字语言而言，录音质量与元数据规范性比初期规模更重要——低质量数据在后期的纠错成本，远高于前期多花的那点采集功夫。
一条规范的语料记录至少应包含以下字段（示意性结构）：
{"utterance_id": "km_000123","audio_path": "raw/km_000123.wav","duration_sec": 8.4,"speaker": {"id": "spk_017","gender": "F","age_group": "40-49","dialect_region": "D02","l2_scripts": ["傣文", "汉语"]},"scenario": "daily_dialog","transcription": {"ipa": null,"orthography": null,"translation_zh": null,"status": "pending"}}
其中 speaker.l2_scripts 字段值得特别说明：记录发音人的第二文字能力（如掌握傣文、汉语的情况），可以直接支撑后续的双语转写分工、翻译平行语料生产与质检仲裁——这是无文字语言项目里极具价值的人员画像信息，应当在采集之初就设计进数据结构，而不是事后补录。
大规模田野音频建议统一托管在对象存储类云服务上（如百度智能云的对象存储类能力），按“原始录音／转写结果／加工特征”分目录管理，配合版本化的清单文件做增量同步；权限上对含个人信息的录音做细粒度访问控制，并为社区方保留数据所有权的凭证与审计日志。
要构建文本侧模型，迟早要回答“这门语言怎么写”。工程上通常双线并行推进。
国际音标（IPA）是语言学通用的记音标准。先以IPA做宽式转写，好处是转写者无需发明新符号系统、结果可跨方言点比较，适合作为“黄金层”语料；缺点是符号集大、输入效率低，不宜作为日常标注的唯一载体。
面向社区与算法的双重需求，设计一套基于拉丁字母的简化书写系统，通常遵循以下原则：
获得几十到几百小时转写语料后，即可启动ASR基线。无文字语言场景下的关键选型如下。
业界通行做法是利用大规模多语言语音数据做自监督预训练，再用少量目标语数据微调。预训练阶段完全不依赖目标语言的任何标签，这正好绕开“无文本”的硬约束。微调时需注意：学习率取较小值并冻结编码器底层若干层，防止小样本过拟合；按发音人划分训练与测试集，保证说话人无关的评估结论。
速度扰动、加性噪声、频域掩码等增强手段可显著提升鲁棒性；未转写录音可通过“预训练模型伪标注—人工抽检修正—回灌训练”的自训练闭环逐步消化。注意伪标签置信度阈值要保守，避免错误在迭代中累积放大。
以字错误率或音素错误率为主指标，且必须固定转写规范版本，否则评估结果不可比。建议保留一个从不参与调参的留出测试集，由最资深的转写者复核定稿。
示意性训练配置（伪代码）：
task: asr_finetunebase: multilingual_self_supervised_encoder # 多语言自监督语音编码器units: phoneme_ipa # 或 practical_orthographytrain_hours: 120augment: [speed_perturb, additive_noise, freq_mask]optimizer: {lr: 3e-5, warmup: 1000_steps, schedule: cosine}speaker_split: heldout_by_speakereval: {metric: PER, heldout_set: gold_v1}
部分克木人掌握傣文和汉语，这一社会语言事实在技术上有清晰的对应物——借助强势语言的既有资源，为弱势语言搭建脚手架。
由双语母语者产出“目标语音频—目标语转写—汉语译文”三元组，即可同时服务三类任务：语音识别、语音翻译与文本机器翻译。数量不必贪多，几百小时高质量三元组的价值远超数千小时单语录音。
资源不足时，用级联方案先打通可用性：
目标语音频 → 语音识别（输出音素/正字法文本） → 文本翻译（目标语→汉语） → 汉语语音合成
每一级可独立评估、独立迭代，是工程上最稳健的路径。
音素集合可在语言学层面与相近语支的语言对齐，训练多语言共享参数的声学模型；已有文字系统的语言（如汉语）提供的高质量数据，在预训练阶段被吸收为通用语音表征，进而迁移到目标语微调中。这与社会语言学现象形成有趣对应：个体通过第二语言获得读写能力，模型通过多语言预训练获得跨语迁移能力。
对识别出的目标语文本，可借助具备多语言理解能力的通用大模型做摘要、检索与知识问答。当前通用模型对极低资源语言的理解仍然有限，稳妥做法是先翻译为高资源语言，再送入通用模型处理，即“翻译桥接”模式。
语音合成在语言保护中的价值常被低估。具备目标语合成能力后，可以自动生成母语教学音频、词表朗读与口传文学有声化，为媒体与教育内容提供“语言在场感”，激励年轻一代继续使用该语言；同时可与ASR互相校验，形成“合成—识别”一致性回归测试，反向提升两个系统的质量。低资源TTS的通行做法是以音素序列为输入条件、在多说话人大规模数据上预训练、再用少量目标语录音微调，可直接复用第四章的音素建模成果。
| 阶段 | 目标 | 产出物 |
|---|---|---|
| P0 田野采集 | 20～50小时多场景录音 | 无损音频＋元数据清单 |
| P1 转写规范 | IPA转写＋实用正字法v1 | 规范文档＋黄金子集（双人复核） |
| P2 ASR基线 | 微调多语言预训练模型 | 字／音素错误率报告 |
| P3 闭环迭代 | 伪标注＋人工抽检 | 语料扩展至百小时级 |
| P4 应用层 | 翻译、检索、教学音频 | 可演示的端到端服务 |
团队至少需要三种角色：田野语言学者负责规范与音系分析，母语双语者负责转写、仲裁与翻译，算法工程师负责模型训练与工程化。三者缺一，项目都会在某个环节卡死。
濒危语言语料往往包含口传史诗、家族史、仪式唱词等高度敏感的文化内容，治理必须前置：
“有语言、无文字”不是技术禁区，而是对现有NLP范式的一次压力测试：它迫使工程师把语音放到第一位，把双语人放到数据链路的核心，把社区共识写进工程规范。克木语所代表的场景，少量人口、纯口语传承、依赖周边强势语言完成书面功能，恰恰是低资源语言技术最好的试金石。当语音采集、音素建模、跨语言迁移这条链路被打通，语言保护就不再只是文化事业，而是一个边界清晰、可以增量交付的工程问题。对开发者而言，这类项目或许没有最亮眼的商业回报，却是技术最接近“不可替代”的时刻。