粤语学习记录

以前我就很喜欢粤语同埋粤语正字。但是一直没有正经学习，只是听歌和看剧，听和说都是半吊子，也不会粤语拼音。

粤语歌曲和粤剧的字幕大多不是正字字幕，很多语气词同埋一些粤语特有词（例如明天我只会说明天，而不会说听日）都会糊里糊涂就过去了。我感觉再继续这样子听歌同埋看剧已经不会再进步了。

我很喜欢电影《门徒》，所以我打算看看能不能用AI大模型（Whisper）识别一份粤语正字字幕出来，但是由于一些配置上的问题（而且那时候粤语正字的语音转文字模型似乎不是很好），这个想法最后以失败告终（现在看来这个事项应该被重新提上日程！），于是我的粤语学习进度再次搁置。

但是最近，一连串机缘让我再次打算开始把粤语学习提上日程。

1. 我最近发现B站上有人转载了很多粤语短剧（从Youtube），大多是东京西望、香城映画……等等这些不知道什么来头的剧组（跳转-1-东京西望和香城映画）拍摄的。时长大多在6-12分钟。自带粤语正字硬字幕。内容贴近生活，非常有趣（而且有些咸湿，正合我意好吧）唯一缺点就是，我遇到看不懂的字幕的时候，往往需要截很多图给AI让它给我讲解，速度慢，而且上下文理解有时候会有误。
2. 无聊在B站上冲浪的时候，发现了这样一个教程：【粤语发音与粤拼教学】广东人教你说粤语、正字音！学不会不收钱！，感觉讲的不错。

所以，我打算开始正式开始我的粤语学习之路了。

2026-09-05

由于上面提到的看粤语短剧时遇到的问题，我打算设计一个流程，输入粤语短剧的B站链接，输出粤语正字的文本。

一开始我想用Skill来快速解决，同时又打算试一下新出的gpt-6-astra的性能，于是我便让Codex制作一个Skill。

然鹅效果挺差劲的，一个8分钟的视频，我用Luna+xhigh+Skill居然花了34分钟才完成。我觉得效率很低。而且居然还有至少4-5个字的错字漏字。它采用的方案是PP-OCRv4模型+大模型核对的方式。但是PP-OCRv4模型对粤语正字的识别率非常低，基本上每一句话都有缺字错字，基本全靠大模型核对。

所以我打算寻找更加高效的办法。在咨询GPT过后，它表示目前并没有模型是专门做粤语正字OCR识别的。我可以用 繁体中文 OCR 模型 + 粤语字符集/HKSCS + 粤语语料微调或纠错模型 的方案来微调出一个自己的模型。先从 PaddleOCR PP-OCRv5 开始，然后转到 OpenOCR / SVTRv2 ，我很兴奋，因为之前就听说过模型微调，但是不知道详细的怎么操作，这次刚好有一个需求，我就打算开始我的模型微调之旅。我还让GPT帮我写了一篇详细的教程和步骤。

• 搜索粤语正字OCR模型.md

• 微调训练教程步骤.md

2026-09-06

东京西望和香城映画

东京西望是一个剧组恶搞东张西望的名字。东张西望是一个香港TVB剧组。 Good Tempo好節拍 Good劇場丨東京西望丨直擊廁所援交PTGF 中年大叔當場斷正丨 Good Tempo

而香城映画是一个在Youtube上有着25.7万订阅量的一支独立的香港剧情短片制作团队。 香城映画

类似的还有下列频道：