Dlaczego notatki z kantońskich spotkań zawsze są „nie do końca takie”: dwie linie pęknięcia

Osoby, które po raz pierwszy używają narzędzia AI do sporządzenia notatek z kantońskojęzycznego spotkania, reagują zwykle podobnie: wynik wygląda porządnie, ale sprawia wrażenie „nie do końca takiego”. Nie ma w nim rażących błędów, a jednak przy zestawieniu z pamięcią rozmowy czegoś brakuje.

Ta różnica zwykle nie bierze się stamtąd, gdzie odruchowo jej szukamy — z dokładności rozpoznawania. Przy czystym kantońskim, jednym mówcy i cichym otoczeniu dzisiejsze popularne narzędzia radzą sobie już całkiem dobrze. Problem leży w dwóch innych miejscach — i są to dokładnie te dwie formy, które dominują w codziennych rozmowach w Hongkongu.

Po pierwsze: gdy w jednym zdaniu miesza się chiński z angielskim, jakość rozpoznawania wyraźnie spada. Po drugie: nawet przy poprawnym rozpoznaniu tekst wyjściowy bywa już przepisany na chiński pisany — to nie jest już zdanie, które Pan lub Pani wypowiedzieli.

Obie kwestie mają różne przyczyny i dotyczą różnych sytuacji. Warto omówić je osobno.

Nie dotyczą one zresztą wyłącznie Hongkongu: ten sam schemat powtarza się wszędzie tam, gdzie w codziennej mowie dwa języki funkcjonują w obrębie jednego zdania — polski z angielską terminologią branżową, hindi z angielskim, hiszpański z angielskim. Para kantoński–angielski jest szczególnie dobrze udokumentowana, ale mechanizm błędu pozostaje ten sam.

Wnioski w 30 sekund

• Mieszanie języków ma swoją cenę i da się ją zmierzyć → publikowana literatura badawcza wskazuje dla treści z przełączaniem kodów kantoński–angielski wskaźnik błędu na poziomie znaków rzędu 20 %–26 %, podczas gdy te same systemy przy treściach jednojęzycznych osiągają około 6 %–8 %. To różnica trzy- do czterokrotna.
• „Dobrze usłyszeć” i „dobrze zapisać” to dwie różne rzeczy → wypowiadają Państwo zdanie w języku mówionym, a w notatce pojawia się wariant pisany: sens zostaje, oryginalne słowa znikają.
• W większości sytuacji nie ma to znaczenia, w nielicznych jest kluczowe → przy streszczaniu swobodnej rozmowy nie robi to różnicy; przy wywiadzie lekarskim, dokumentacji pomocy społecznej, protokołach mediacji i wywiadach badawczych — owszem.
• W 2025 roku zasoby danych kantońskich zmieniły się o rząd wielkości → z publicznych korpusów rzędu kilkudziesięciu godzin do 21 800 godzin WenetSpeech-Yue, ale przełączanie kodów pozostaje nierozwiązane.
• Zanim wybiorą Państwo narzędzie, proszę ustalić, czy potrzebny jest „sens”, czy „dosłowne słowa” → wymagają odmiennych ustawień; na końcu artykułu znajduje się krótka lista kontrolna.

Najpierw rozdzielmy dwie rzeczy: rozpoznawanie a prezentacja

W dyskusji o jakości kantońskich notatek łatwo pomieszać dwa niezależne etapy.

Rozpoznawanie (ASR) zamienia dźwięk w tekst. Porażka na tym poziomie to „przesłyszenie” — system nie wychwytuje tego, co zostało powiedziane, albo myli wyraz z podobnie brzmiącym.

Prezentacja decyduje o tym, w jakiej postaci ten tekst ostatecznie się pojawi. Porażka na tym poziomie to „przepisanie” — rozpoznanie było trafne, ale na wyjściu mowa potoczna została wygładzona do języka pisanego.

To, co większość osób zgłasza jako „niedokładne notatki po kantońsku”, w rzeczywistości oznacza problemy na obu poziomach, wymagające zupełnie różnych rozwiązań. Pierwszy poziom to kwestia możliwości modelu i danych treningowych, drugi zaś najczęściej kwestia decyzji projektowej — i to często świadomej.

Linia pęknięcia pierwsza: mieszanie kantońskiego z angielskim

Dlaczego jest to szczególnie trudne

「我想去 Causeway Bay 開個 meeting，順便 check 一下 schedule。」

Z grubsza: „Chcę pojechać do Causeway Bay na spotkanie i przy okazji sprawdzić harmonogram”. Po kantońsku są tu 我想去 (chcę pojechać do), 開個 (odbyć), 順便 (przy okazji), 一下 (na chwilę) oraz cała konstrukcja zdania; po angielsku — Causeway Bay, meeting, check i schedule. To właśnie owo wymieszanie w obrębie jednego zdania jest sednem sprawy.

W Hongkongu takie zdanie jest zupełnie zwyczajne, ale od systemu rozpoznawania wymaga czegoś zupełnie innego niż zdanie w czystym kantońskim. System musi w obrębie tego samego zdania, a nawet jednego oddechu, przełączać się w czasie rzeczywistym między dwoma całkowicie odmiennymi systemami fonologicznymi i dwoma zasobami leksykalnymi — a moment przełączenia nie jest w żaden sposób zapowiedziany.

Sprawę pogarsza to, że gdy mieszkańcy Hongkongu używają angielskich słów, wymowa bywa już skantonizowana — struktura sylabiczna i przebieg tonalny zostają zlokalizowane. Takie realizacje nie odpowiadają oczekiwaniom modelu angielskiego ani nie występują w słowniku modelu kantońskiego. Obie strony uznają je za obce.

Różnica w liczbach

Publikowana literatura badawcza daje dość spójny obraz: wskaźnik błędu na poziomie znaków dla treści z przełączaniem kodów kantoński–angielski mieści się mniej więcej w przedziale od 20 % do 26 %, podczas gdy te same systemy przy treściach jednojęzycznych osiągają około 6 %–8 %. Na wyspecjalizowanych zbiorach testowych dla mowy mieszanej kantońsko-angielskiej systemy oparte na Whisperze notują mixed error rate rzędu 22 %.

W przełożeniu na odczucie: przy czystym kantońskim błędny jest mniej więcej jeden znak na kilkanaście, przy treściach mieszanych — jeden na cztery, pięć. To drugie oznacza już konieczność sprawdzania notatki zdanie po zdaniu, zanim da się jej zaufać.

Te błędy mają szczególną postać

Warto zauważyć, że błędy wynikające z przełączania kodów nie są „widocznie błędne” jak zwykłe pomyłki rozpoznawania. System rzadko zostawia puste miejsce albo produkuje zbitki znaków — raczej wstawia chiński wyraz o zbliżonym brzmieniu, gramatycznie prawdopodobny.

W rezultacie powstaje zdanie na pozór całkowicie płynne, którego sens jednak już się przesunął. Jest to znacznie groźniejsze niż oczywista literówka — przy oczywistym błędzie zatrzymują się Państwo i sprawdzają, a po płynnym, lecz błędnym zdaniu prześlizgują się wzrokiem.

Linia pęknięcia druga: kantoński mówiony a chiński pisany

Dwa zapisy tego samego zdania

Żaden wiersz w środkowej kolumnie nie jest „błędny”. Znaczenie za każdym razem się zgadza, tekst czyta się nawet gładziej. Problem w tym, że nikt tak nie mówi.

Dlaczego systemy tak postępują

Zwykle nie jest to usterka. Dane treningowe chińszczyzny pisanej to w przytłaczającej większości standardowy chiński pisany; zapis mówionego kantońskiego (znaki takie jak 嘅, 咗, 喺, 哋) stanowi w całym korpusie znikomy ułamek. Bez wyraźnej instrukcji model w naturalny sposób ciąży ku tej odmianie chińskiego, którą zna najlepiej.

W większości przypadków to ustawienie domyślne jest zresztą właściwe. Do streszczeń spotkań, list zadań czy tekstów przekazywanych współpracownikom nieznającym kantońskiego wersja w języku pisanym jest wyraźnie użyteczniejsza.

Ale w pewnych sytuacjach jest dokładnie odwrotnie

Istnieje cała kategoria zastosowań, w których potrzebne są właśnie oryginalne słowa.

• Wywiad lekarski: słowa, którymi pacjent opisuje objawy, same w sobie są informacją kliniczną. Wyrażenia takie jak 「頂住頂住」 (uporczywe uczucie ucisku), 「唧住痛」 (ból ściskający, jakby zaciskało), 「作嘔作悶」 (mdłości połączone z uczuciem osłabienia) po przełożeniu na standardowe terminy tracą dokładnie tę konkretną jakość.
• Dokumentacja pomocy społecznej: własne słowa podopiecznego mają znaczenie dla oceny sprawy; przepisanie dodaje warstwę interpretacji już na etapie rejestrowania.
• Mediacja i rozstrzyganie sporów: kto co powiedział i jakim tonem, jest samo w sobie przedmiotem sporu.
• Wywiady badawcze i historia mówiona: wartość transkrypcji dosłownej zakłada, że jest ona dosłowna.
• Dydaktyka języka i prace korpusowe: tutaj forma mówiona sama jest przedmiotem badania.

Wspólną cechą tych sytuacji jest to, że zapis nie służy jedynie zapamiętaniu, o czym była mowa — może być później cytowany, weryfikowany lub traktowany jako podstawa. Po cichu wygładzona notatka jest w takim zastosowaniu ryzykowna, ponieważ wygląda całkowicie normalnie i nie dowiedzą się Państwo, w którym miejscu coś zmieniono.

Łatwo pomijana przesłanka: sytuacja danych kantońskich

Aby zrozumieć, dlaczego narzędzia do kantońskiego wypadają tak nierówno, warto spojrzeć na skalę dostępnych danych.

Pojawienie się WenetSpeech-Yue w 2025 roku to zmiana o rząd wielkości — wcześniej publiczne kantońskie dane mowy przez długi czas utrzymywały się na poziomie od kilkudziesięciu do kilkuset godzin, podczas gdy w przypadku języków głównych operuje się swobodnie dziesiątkami tysięcy godzin. To wyjaśnia, dlaczego narzędzia do kantońskiego były dotąd powszechnie w tyle.

Trzeba jednak zaznaczyć, że przyrost danych poprawia przede wszystkim rozpoznawanie jednojęzycznego kantońskiego. Przełączanie kodów wymaga korpusów mieszanych, a te są trudniejsze w anotacji i wciąż skromne objętościowo. Pierwsza linia pęknięcia będzie się więc poprawiać wyraźnie wolniej niż rozpoznawanie czystego kantońskiego.

Jeszcze jeden hongkoński kontekst

Na marginesie zestaw powiązanych liczb. Według spisu powszechnego z 2021 roku w Hongkongu mieszka około 619 568 osób niebędących etnicznymi Chińczykami, co stanowi 8,4 % ludności. Jeśli chodzi o umiejętność mówienia po kantońsku: 17,6 % wśród osób pochodzenia filipińskiego, 25,0 % wśród osób pochodzenia indyjskiego, 34,7 % wśród ogółu osób pochodzenia południowoazjatyckiego — natomiast znajomość angielskiego przekracza zwykle 84 %.

Innymi słowy, codzienna sytuacja językowa Hongkongu to nie scenariusz wyłącznie kantoński, lecz jednoczesna obecność kantońskiego, angielskiego i wielu innych języków. Narzędzie, które dobrze rozpoznaje kantoński, ale nie potrafi tłumaczyć w czasie rzeczywistym, rozwiązuje jedynie połowę problemu.

Jak Traverba radzi sobie z obiema liniami pęknięcia

• Priorytet dla mieszania języków — rozpoznawanie jest dostrojone do hongkońskich zdań mieszających chiński z angielskim, zamiast traktować kantoński i angielski jako dwa wykluczające się tryby.
• Zachowanie formy mówionej — transkrypcja odwzorowuje formę, w jakiej rzeczywiście padły słowa; streszczenie i tłumaczenie powstają osobno. Oryginalna wypowiedź i wersja opracowana współistnieją, zamiast tego, by opracowanie nadpisywało oryginał.
• Transkrypcja i tłumaczenie w czasie rzeczywistym w jednym — jedna rozmowa, jeden mówca, ponad 100 języków: słuchacze skanują kod QR i widzą napisy we własnym języku, bez pobierania aplikacji.
• Najpierw urządzenie — rozpoznawanie mowy działa domyślnie na urządzeniu, sztuczna inteligencja w chmurze jest opcjonalna; przy treściach wrażliwych nic nie musi opuszczać urządzenia.
• Pełna transkrypcja do eksportu — po spotkaniu można wyeksportować dosłowną transkrypcję oraz wersję przetłumaczoną i przechowywać je osobno.

Dla jasności: jeśli chodzi o streszczenia zwykłych spotkań biznesowych, wewnętrzne uzgodnienia czy listy zadań, większość dostępnych narzędzi do notatek AI radzi sobie już dobrze, a wynik w języku pisanym jest wręcz wygodniejszy — nie ma powodu zmieniać narzędzia. Opisane różnice mają realne znaczenie tam, gdzie oryginalne słowa same są informacją.

Jak zdecydować? Krótka lista kontrolna

Proszę zadać sobie trzy pytania:

Po pierwsze: czy ta notatka będzie później cytowana lub weryfikowana? Jeśli tak (dokumentacja spraw, zapisy kliniczne, mediacja, wywiady), potrzebna jest transkrypcja dosłowna oraz pewność, że narzędzie niczego nie przepisuje w tle. Jeśli nie, streszczenie w języku pisanym będzie praktyczniejsze.

Po drugie: jak gęste jest mieszanie języków w rozmowie? Pojedyncze angielskie słowo obsłuży większość narzędzi. Jeśli chodzi o typowe hongkońskie rozmowy z dwoma czy trzema przełączeniami w jednym zdaniu, proszę najpierw przetestować narzędzie na prawdziwym nagraniu, a nie polegać na oficjalnych listach obsługiwanych języków.

Po trzecie: czy treść jest wrażliwa? Przy nagraniach dotyczących dokumentacji medycznej, spraw socjalnych lub kwestii prawnych proszę najpierw ustalić przepływ danych: przetwarzanie lokalne czy w chmurze, okres przechowywania, ewentualne wykorzystanie do trenowania modeli.

Na koniec jedna rada: niezależnie od wybranego narzędzia proszę przetestować je na własnej, prawdziwej rozmowie, a nie na czytanym tekście. Czytany kantoński nie zawiera przełączania kodów, partykuł mowy potocznej ani nakładających się wypowiedzi — nie ujawni więc żadnego z opisanych problemów.

Dowiedz się więcej

W kwestii kantońskich zapisów nie ma narzędzia odpowiedniego do każdej sytuacji. Kluczowe jest, aby najpierw ustalić, czy potrzebny jest „sens”, czy „dosłowne słowa” — ta decyzja bezpośrednio przesądza o wyborze i konfiguracji.

Aby dowiedzieć się, jak Traverba radzi sobie z mieszaniem języków i zachowaniem formy mówionej, zapraszamy na traverba.com lub do pobrania aplikacji z Google Play oraz App Store.

Przytoczone w artykule wskaźniki błędów pochodzą z publicznie dostępnej literatury badawczej dotyczącej rozpoznawania mowy kantońskiej, dane o wielkości korpusów — z oficjalnych informacji publikowanych przez poszczególne korpusy, a dane o ludności i kompetencjach językowych — ze spisu powszechnego rządu Hongkongu z 2021 roku. Wszystkie dane według stanu na połowę 2026 roku; modele i narzędzia stale się zmieniają, a rzeczywista skuteczność zależy od jakości nagrania, akcentu, hałasu otoczenia oraz konkretnej wersji. Wszystkie marki i znaki towarowe należą do ich właścicieli.