AI講台語，長輩為何有聽沒有懂？

概覽

本期從花東高齡患者與年輕醫護人員之間的語言隔閡出發，探討花蓮慈濟醫院如何運用 AI 製作台語衛教影片，協助患者與家屬理解醫療資訊，並在返家後持續學習自我照顧。

實際測試顯示，現有影片仍存在發音不準、變調錯誤及用詞不夠生活化等問題。受訪長輩往往只能理解部分內容，甚至需要依靠猜測，反映出將華語醫療文稿逐字轉成台語，並不能真正滿足溝通需求。

節目進一步指出，台語 AI 的瓶頸不只在模型技術，也包括標準化語料累積時間短、音文對應品質不佳，以及漢字、羅馬字與漢羅混寫並存等問題。若要真正服務醫療現場，AI 不僅要說得正確，還必須理解長輩慣用的疾病俗稱與症狀描述方式。

分段落總結

[00:57] 醫療現場的世代語言斷層

[事實] 花東高齡人口較多，許多長輩習慣說台語，但年輕醫護人員大多以華語為主，形成明顯的跨世代語言隔閡。

[事實] 節目引用的資料顯示，65 歲以上人口以台語為主要語言的比例為 65.9%；45 至 64 歲降至不足五成，25 至 44 歲更低於四分之一。

[事實] 花蓮慈濟醫院是花東地區重要的醫療中心，複雜疾病與高難度手術患者往往會被轉送至此，因此必須承擔大量語言溝通成本。

[03:13] 偏鄉就醫與高齡照顧的雙重壓力

[事實] 花東幅員廣、交通時間與成本較高，高齡者外出就醫所需付出的體力、心理壓力與費用都高於年輕人。

[事實] 當地常見「老老照顧」，陪診者可能是年齡相近的伴侶或已上年紀的子女，同樣可能只熟悉台語或有聽力問題。

[事實] 專職照顧者不足，使家屬必須輪班陪病；護理師經常要向不同家屬重複說明照護方式，也增加資訊傳遞不完整或理解錯誤的風險。

[06:35] 語言不通如何影響診療與信任

[事實] 節目以白內障說明為例：年輕護理師因不熟悉台語而誤用帶有罵人意味的詞彙，顯示即使是基本衛教內容，也可能因語言能力不足而失真。

[事實] 熟悉的母語能讓患者在陌生醫療環境中更放鬆，也有助於建立醫病信任。

[事實] 泌尿科等涉及私密症狀的場合，年長患者面對年輕女性護理師可能不願開口；若能使用台語溝通，患者較可能完整描述問題。

[事實] 患者願意說多少、醫療人員實際聽見什麼，都會影響後續判斷與處置。

[10:20] 以 AI 衛教影片延伸返家照護

[事實] 花蓮慈濟醫院希望利用 AI 製作台語衛教影片，減少護理師反覆說明的負擔，並讓患者與家屬返家後可以重複觀看。

[事實] 護理人員認為，在花東工作的重點不只是讓病人在院內恢復，更要教會患者與家屬自我照顧，避免慢性疾病或術後狀況再度惡化。

[事實] 製作流程包括由護理團隊準備含關鍵字與插圖的簡報、將專業人員照片轉成會動的 AI 主播，再把華語衛教文字輸入系統生成台語語音。

[12:40] 長輩實測：只能聽懂一部分

[事實] 一名八十多歲的受訪者起初委婉表示影片中的台語與日常說法不同，熟悉訪談者後才坦言其實聽不太懂。

[事實] 另一名六十多歲的受訪者指出，影片採用的詞彙不是日常生活中熟悉的說法，因此很難理解。

[事實] 影片把「凹陷處」等華語詞彙逐字翻成台語，未採用台語使用者熟悉的詞語；受訪者形容整體內容約一半聽得懂，另一半要靠猜測。

[推測] 這些回饋顯示，醫療台語 AI 的可用性不能只靠發音測試，還必須由實際使用台語的長輩檢驗理解程度。

[15:38] 台語變調與語料不足的技術瓶頸

[事實] 節目將影片難以理解的原因歸納為兩項：發音不精準，以及用詞不夠生活化。

[事實] 台語共有七種聲調，多數字具有本調與變調；字詞進入句子後如何變調，還會受到斷句方式影響。

[事實] AI 並非逐條背誦變調規則，而是透過大量音訊與文字的正確對應學習，因此理論上只要資料量和品質足夠，便能掌握變調。

[事實] 教育部於 2006 年才公布統一的台語羅馬字拼音方案，符合標準的台語資料累積時間約二十年；相較之下，成熟商用語音合成系統可能需要十萬小時以上的語料。

[事實] 開發者可先讓模型學習英語等大型語言的一般規律，再以有限台語語料進行遷移學習，以緩解資料不足問題。

[19:55] 錯誤音文對應與多元書寫系統

[事實] 台灣人工智慧實驗室取得的部分台語語料來自逐字稿軟體使用者自願捐出的音檔，但對應文字往往被整理成通順華語，無法精準呈現原本的台語發音。

[事實] 多種不同的台語口語表達可能都被轉寫成同一個華語詞，導致 AI 學到模糊甚至錯誤的音文對應。

[事實] 台語同時存在純漢字、純羅馬拼音及漢羅混寫三種主要書寫方式，選擇哪一種訓練資料會直接影響模型成果。

[事實] 台灣人工智慧實驗室在與醫院合作後，決定改用台羅拼音訓練，不再使用漢字，以建立較清晰、穩定的發音對應。

[22:12] 醫療台語從專業詞彙到生活描述

[事實] 節目引述研究，將台語表達身體不適的方式分成四類：直接翻譯的西醫詞彙、大眾化西醫詞彙、疾病俗稱，以及用完整句子描述身體感受。

[事實] 專業詞彙與通俗表達對醫療人員同樣重要：通俗語言有助於先了解病情，再以專業詞彙幫助患者建立醫學知識。

[事實] 若台語 AI 要真正服務高齡患者，至少需要掌握第三類疾病俗稱，並以理解第四類生活化症狀描述為目標。

[事實] 目前系統連第一類專業詞彙的發音仍不完全正確，也常把華語短詞逐字翻譯，未能傳達台語中更自然、精確的完整說法。

[25:23] 台語 AI 的進步與漫長落差

[事實] 受訪者曾測試 Gemini、Claude 等通用模型說台語，認為其輸出近似不會說台語的人勉強模仿，幾乎無法理解。

[事實] 相較之下，台灣人工智慧實驗室已讓台語生成從「完全聽不懂」進步到「有一點聽得懂」，仍是一段值得肯定的發展歷程。

[事實] 受訪者原本期待 AI 能像翻譯機一樣協助醫師與長輩即時交流，但研究後才理解其中還有語料、發音、詞彙與情境等多重關卡。

[推測] 台語 AI 的發展目標不應只停留在產出近似台語的聲音，而應以患者能否正確理解、表達病情並安全執行照護為真正標準。

播客點評/總結

本期的亮點是以花蓮醫療現場的真實需求為起點，串連患者實測、護理經驗、語言研究與 AI 技術限制，清楚說明台語 AI 為何「能說」仍不等於「能溝通」。

節目也具體呈現了低資源語言技術背後的社會背景：語言政策造成的世代斷層、偏鄉高齡照護壓力，以及標準語料長期不足。這使討論不只是技術效能評估，也觸及醫療平等與語言權益。

[推測] 節目的局限是長輩實測樣本僅有兩人，較適合用來揭示問題，而不足以代表所有台語使用者或各地腔調的接受程度。節目也未提供改善後模型的量化成效，現階段較難判斷技術迭代的實際幅度。

本期適合關注醫療溝通、高齡照護、台灣語言政策、低資源語言與語音 AI 的聽眾，也提醒技術開發者：真正有效的醫療語言工具，必須從使用者的日常語言與理解能力出發。