29 条词表做最长匹配，四句方言分别命中 3／3／4／2 个词。 「我晓得你在摆龙门阵，巴适得很」变成「我知道你在聊天， 舒服得很」——但「呢个」「啷个办」这类没收录的，只能原样留着。
上一节做图像，这一节做语言。方言翻译看着是「换个词」，真做起来最难的是语序和没见过的说法。
一、方言翻译难在哪
不只是词不同。三层困难，一层比一层深： 1. 词不同：晓得＝知道，巴适＝舒服。这层查表就够。 2. 语序不同：「你走先」是「你先走」；「给本书我」是「给我一本书」。这层查表解决不了。 3. 语气和习惯不同：「得板」「得很」这类程度补语，直译出来很别扭。 Demo 的词典法只能处理第一层。所以它翻出来的句子「能看懂，但不像人话」。 认清这一点比翻对几个词重要：知道方法的边界，才知道什么时候该换方法。
二、最长匹配：先试最长的那个词
查表也有讲究。 如果按「从左到右、碰到哪个词就换哪个」的朴素做法，「摆龙门阵」会被切成「摆」「龙门」「阵」，全错。 正确做法是最长匹配：在当前位置，先把词表按长度从长到短试一遍，能匹配多长就吃多长。 Demo 的词表里有 29 条，最长的是「摆龙门阵」（4 字）。所以「摆龙门阵」会整体换掉，不会被拆碎。 这个思路在分词、地址解析、日志模板提取里都在用，叫「最大正向匹配」。 它简单、快、可解释，缺点是遇到歧义会错（比如「的确」和「的」加「确」）。
三、没收录的词怎么办
Demo 里四句话的命中率是 3、3、4、2，剩下的字原样输出。 所以「啥子时候落雨哦，啷个办」只翻出了「什么时候下雨哦」， 后面的「怎么办」能翻是因为「啷个」在表里——「办」本来就不用翻。 对没收录的说法，Demo 用编辑距离找词表里最像的一条，作为兜底提示。 「晓得伐」最像「晓得」（距离 1），「啷个回事」最像「啷个」（距离 2）， 「巴适得板」最像「巴适」（距离 2）。 编辑距离就是「改几个字才能变成另一个」，插入、删除、替换各算 1。 它是个很实用的兜底手段：不知道是什么，至少知道最像什么。
四、真要做方言翻译，得用神经模型
神经机器翻译的流程是：编码器读整句，解码器逐字生成。它不需要词表对齐，语序差异也能学出来。 但代价是要平行语料：同一句话的方言版和普通话版，成对出现。 方言的平行语料极少，这是它比英译中难做的根本原因。 折中的做法有两种：先用大模型做零样本翻译（不训练，直接给提示词），再用人工校对的结果攒语料， 最后才考虑微调。 这条路径的顺序很重要：先验证需求，再投数据。反过来做，往往花三个月攒了语料，发现没人用。
五、动手 Demo：方言转普通话：最长匹配 + 编辑距离兜底
建一张 29 条的四川话／粤语词表； 按词长从长到短做最长匹配，把四句方言逐字扫一遍，统计命中词数与未登录字； 再用编辑距离给三个没收录的说法各找一条最像的词表条目。
keys = sorted(lex, key=len, reverse=True) # 长的先试
while i < len(s):
for k in keys:
if s.startswith(k, i):
out.append(lex[k])
i += len(k)
break
else:
out.append(s[i]) # 没命中就原样留
i += 1
实跑输出：
--------------------------------------------------------------------
方言转普通话：最长匹配 + 编辑距离兜底
--------------------------------------------------------------------
方言原文 转成普通话 命中词数 未登录字
----------------------------------------------------------------------------------
我晓得你在摆龙门阵，巴适得很 我知道你在聊天，舒服得很 3 我你在，得很
啥子时候落雨哦，啷个办 什么时候下雨哦，怎么办 3 时候哦，办
佢唔好意思讲，点解要返工 他不好意思讲，为什么要上班 4 意思讲，要
呢个几钱，多谢你 呢个多少钱，谢谢你 2 呢个，你
词表规模 29 条（四川话 + 粤语混编）
匹配方式 按词长从长到短做最长匹配
最长词 摆龙门阵（4 字）
未登录字用编辑距离找最近的词表条目兜底：
「晓得伐」最像 「晓得」→ 知道（编辑距离 1）
「啷个回事」最像 「啷个」→ 怎么（编辑距离 2）
「巴适得板」最像 「巴适」→ 舒服（编辑距离 2）
这个翻译器只有 29 条词，句子稍长就一半靠原样输出。
真正的方言翻译是神经机器翻译：编码器读整句、解码器逐字生成，
能处理语序差异和没见过的说法。词典法只能换词，换不了语序。
沙箱里装不了 transformers，也调不到在线大模型接口，
所以这里只保留「可复现的那一半」：词表、最长匹配、编辑距离兜底。
四句的命中词数是 3 / 3 / 4 / 2。 第一句「晓得」「摆龙门阵」「巴适」三条都中了，翻出来读着还算顺。 第四句「呢个几钱」只命中 2 个——「几钱」翻了，「呢个」没收录，所以结果里原样留着「呢个」。 这就是词典法的天花板。 编辑距离那三行是兜底效果：「晓得伐」离「晓得」只有 1 步，挺准；「巴适得板」离「巴适」2 步，也对。 但「啷个回事」离「啷个」2 步只是「最像」，不是「就是」——兜底结果必须人工确认，不能直接当真。
30 秒实验
- 往词表里加 10 条你家乡的方言，重跑，看命中数涨多少。
- 把最长匹配改成最短匹配，看「摆龙门阵」会不会被拆碎。
- 想一想：为什么方言翻译的平行语料这么难攒？
常见误区
- 「方言就是换几个词」——语序和语气才是难点。
- 「有词表就够了」——词表处理不了没见过的说法。
- 「先攒语料再找需求」——很可能攒完发现没人用。
自测三问（点开对答案）
1. 为什么查表要按最长匹配？ —— 否则「摆龙门阵」会被切成「摆」「龙门」「阵」，全错。 2. 编辑距离在这里起什么作用？ —— 没收录的说法至少能找到一个最像的词表条目，作为兜底提示。 3. 方言翻译比英译中难做的根本原因是什么？ —— 方言几乎没有平行语料，而神经翻译要靠平行语料训练。语言处理完，下一个实例做推荐：从口味推一道菜。
- ☐ （本节完，下一节 5.2.3 实例3：使用AI推荐美食）