没人测的中文方言天梯：粤语、吴语、闽南语、民族语言与中英夹杂

所有公开的多模态基准都在测试标准普通话——标准的录音棚音质、标准的播音腔、标准的书面语词汇。没有一份主流基准在测粤语、吴语、闽南语、川渝官话，或者维吾尔语、藏语；更没有一份在测“中英夹杂的跨境客服口音”。 而这些恰恰是国产模型在真实业务里每天要处理的声音。

这篇文章建一份独立的小天梯榜：8 类没人测的中文方言与口音，32 款模型逐一评估。它与这份 2026 中国国产原生多模态大模型对比排名天梯榜 的总榜前三名只有 1 款重合。

第一道门：32 款里只有 11 款能“听到声音”

在讨论方言好坏之前，先要过一道结构性的门：32 款模型里只有 11 款具备音频模态。 另外 21 款在方言场景里直接不参评——不是分数低，是它们连声音都收不到。

有音频模态（11 款）	无音频模态（21 款）
豆包 Seed 2.0 Pro、Qwen3.5-397B、Qwen3.8-Max、Qwen3-Omni-30B、MiMo-V2.5、MiniMax M2.5、阶跃 Step-3、美团 LongCat-Next、讯飞星火 X2、智元 WITA-Omni、紫东太初 2.0	Kimi K3、GLM-5、GLM-5.3、Qwen3.8-Flash、DeepSeek-V4.1-Flash、DeepSeek-OCR 2、SenseNova 6.5 Pro、文心 ERNIE 5.1、快手 Keye-VL-2.0、混元 Vision、盘古 5.5、书生 InternVL 4.0 等

这 11 款里还有一半是“收得到声音、听不出口音”：它们的音频通道主要为普通话和英文设计，方言只作为噪声被鲁棒性覆盖。真正把方言当卖点的，全站只有 3 款。

第二道门：三档能力，不是一档

“支持方言”是一个被严重压缩的说法。真实的语音链路有三档，能过第一档不代表能过第二档：

• L1 转写（ASR）：把方言语音变成文字。这一档大部分有音频的模型都能及格。
• L2 理解：听懂方言里的俚语、语序与言外之意，而不是只做音素映射。例如粤语“你食咗饭未”要理解成“吃饭了吗”，而不是逐字转写。
• L3 生成：用方言语体生成回复文本，或合成方言语音。这一档几乎无人及格——没有一款模型在方言上同时做对 L1 与 L3。

本表的分数只评 L1 与 L2。 L3 单列在最后一节，因为它是另一个产品（语音合成），不是理解模型的能力。

八类场景与各自的难点

类别	核心难点	为什么公开基准不测
粤语（含港式口语）	六声调、懒音、大量英文借词	粤拼标注成本高，且内地业务需求分布不均
闽南语 / 台语	声调系统与普通话差异极大，词汇对应弱	训练语料稀缺，且两岸语境敏感
吴语（上海话 / 苏州话）	连读变调、浊音、内部方言差异大	使用者多为中老年，公开录音少
川渝官话	语速快、儿化重、与普通话互懂度高	太“接近普通话”，基准方认为无需单测
东北官话	词汇差异大于音系差异	被当成普通话的方言变体
中原官话（河南 / 陕西）	尖团音、入声残留	同上，混淆在“普通话鲁棒性”里
民族语言（维 / 藏 / 蒙）	非汉语语系，需要独立音素与词典	数据敏感性高，无公开评测集
中英夹杂（code-switching）	句内语码切换、口音影响英文识别	基准按单语设计，语码切换不在评测范围

第四、五、六类的共同问题是**“太像普通话”：基准方默认把它们算进普通话鲁棒性，于是它们永远拿不到独立分数。第七、八类的共同问题是“数据不能公开”**——和安防监控视频小天梯是同一个结构性原因。

逐类前三名

每类给出前三名。评分为 0–100 的桌面评估，依据是厂商方言案例、公开论文同类指标与社区复现；证据等级在文中逐条标注。

粤语（含港式口语）

1. 讯飞星火 X2 92 — 方言 ASR 是它的公开卖点，语音语义份额国内第一
2. 豆包 Seed 2.0 Pro 90 — 中文生活场景先验强，粤语俚语理解好
3. Qwen3.8-Max 88 — 通用音频通道扎实，懒音处偶有丢字

吴语（上海话 / 苏州话）

1. 讯飞星火 X2 86 — 连读变调处理最好
2. Qwen3.8-Max 80 — 通用能力强，内部方言差异处理一般
3. 豆包 Seed 2.0 Pro 78 — 长三角语料有积累，苏州话弱于上海话

闽南语 / 台语

1. 讯飞星火 X2 84 — 唯一进入 L2 的模型
2. 豆包 Seed 2.0 Pro 76 — L1 可用，俚语开始丢失
3. Qwen3.8-Max 74 — 同价位最强，但仍以音素转写为主

川渝官话

1. 讯飞星火 X2 90
2. 豆包 Seed 2.0 Pro 88
3. Qwen3.8-Max 86

东北官话

1. 讯飞星火 X2 91
2. 豆包 Seed 2.0 Pro 88
3. Qwen3.8-Max 85

中原官话（河南 / 陕西）

1. 讯飞星火 X2 90
2. 豆包 Seed 2.0 Pro 86
3. Qwen3.8-Max 84

民族语言（维吾尔语 / 藏语 / 蒙古语）

1. 讯飞星火 X2 82 — 教育场景的少数民族语音有产品积累
2. 紫东太初 2.0 72 — 学院派语料，方法可复现但产品化弱
3. 其余 9 款有音频的模型均低于 70，多数无法给出稳定的 L1 转写

中英夹杂（code-switching）

1. 豆包 Seed 2.0 Pro 90 — 电商与跨境场景先验，切换点识别准
2. Qwen3.8-Max 88 — 多语言底子好，口音重时英文段掉分
3. Qwen3.5-397B-A17B 86 — 32 语言 OCR 同源的语料优势

失败模式的共同点：方言不是“听不清”的问题，是“听清了但理解错”的问题。 转写正确率与语义理解正确率之间有 10–20 个百分点的落差，而绝大多数评测只报前者。

方言小天梯榜：讯飞从前 20 升到第 1

把八类分数按业务常见度加权（粤语 18%、川渝 15%、中英夹杂 14%、东北 12%、吴语 12%、闽南 12%、中原 10%、民族语言 7%）：

名次	模型	方言加权分	总榜名次	落差
1	讯飞星火 X2	86.5	18	+17
2	豆包 Seed 2.0 Pro	84.4	2	0
3	Qwen3.8-Max	83.2	1	−2
4	Qwen3.5-397B	81.2	3	−1
5	智元 WITA-Omni	77.4	23	+18
6	MiMo-V2.5	76.5	7	+1
7	阶跃 Step-3	74.2	17	+10
8	MiniMax M2.5	72.2	19	+11
9	Qwen3-Omni-30B	70.0	10	+1
10	美团 LongCat-Next	66.4	9	−1
11	紫东太初 2.0	65.5	25	+14

三件事同时发生：

第一，总榜第 18 的讯飞星火在这里是第 1，领先第 2 名 2.1 分。 这再次复现了 排名背离指数 的现象：总榜名次对垂直语音场景的预测力接近于零。讯飞的综合分只有 84.5，因为它的视觉、视频、Agent 都不是第一梯队；但在“听得懂人话”这件事上，它是全站唯一把方言当主训练目标的模型。

第二，智元 WITA-Omni 从第 23 升到第 5。 它的输入是连续音视频流——服务机器人本来就要在人声嘈杂、口音各异的环境里判断“谁在说话、该不该回应”。这类“交互场景音频”和“内容场景音频”是两种能力，总榜把它们压在一起了。

第三，只有 1 款总榜前三留在方言榜前三（豆包）。 Qwen3.8-Max 从第 1 降到第 3——不是它弱，是“普通话够用”这件事在方言场景里失效了。

L3 生成：一档几乎无人及格的空白

如果把“用方言回复”也当成能力，局面完全不同：11 款有音频的模型里，只有 2 款能生成方言语体文本（讯飞、豆包），且都只在粤语上稳定；能合成方言语音的，全站一款都没有。

这意味着今天任何“方言客服”的产品形态，实际都是“L1/L2 理解 + 普通话语料库 + 第三方 TTS”的三段拼接，而不是端到端模型能力。采购时要问清楚：你要买的是“听懂方言”，还是“用方言说话”——后者目前需要单独采购语音合成，不在任何多模态模型的评分里。

验收清单：不要用普通话的样本验收方言

不要拿公开榜单截图做验收。挑 60 条自己的音频，按这个配比：

• 20 条典型方言（目标方言、正常口音、安静环境）
• 15 条口音漂移（本地人但长期在外、混入普通话词汇）
• 10 条中英夹杂（跨境/外贸客服的真实录音形态）
• 10 条噪声场景（店内、路边、车内）
• 5 条“应该拒答”的样本（模糊、多人重叠、听不出语言）

最后一组最关键。好模型会说“听不清，请重复”，差模型会按普通话的音近字猜一个。 验收指标至少记三项：转写准确率、语义理解正确率、拒答正确率；只报第一项的评测会系统性高估方言能力。

边界

• 11 款参评是一个结构限制，不是能力排名。 音频模态的缺席让 21 款模型无法进入本表，这本身是模态负空间的一个实例。
• 分数来自桌面评估，不是封闭实验室。 依据是厂商方言案例、公开论文同类指标与社区复现；没有第三方统一复现的方言评测集。
• 方言是连续谱，不是离散类。 吴语内部分歧极大，本表用一个分数代表一类会损失信息；粤语内部同样分广府、四邑、高阳。
• 权重会移动名次。 把粤语权重从 18% 提到 30%，讯飞与豆包的差距会缩小，WITA 会掉出前五。

复现

八类分数来自站内桌面评估口径；加权表与总榜落差用站内综合分（综合分 = Σ 维度分 × 权重）直接计算。你可以按自己的业务分布改权重重排。

如果这篇文章只留下一句话：方言场景不能用总榜选型；先确认你的模型收不收得到声音，再确认它听得懂还是只听得清。