族語 AI 不是鍵盤問題：當語音資料變成公共服務基礎建設

先別急著問模型支不支援，先問誰有權決定

每次談族語 AI，科技圈很容易把問題縮成三件事：有沒有鍵盤、能不能語音辨識、模型會不會翻譯。這些當然重要，但如果只停在這裡，族語就會被降級成工程功能，好像語言只是一組符號，放進資料集、跑完訓練、接上 API，就算完成復振。這種想法很方便，也很危險。

族語不是一般產品的「多語支援」。它牽涉家族記憶、土地關係、祭儀禁忌、世代創傷、教育制度與公共服務可近性。當一段族語錄音被拿去訓練模型，它不只是聲波檔；它可能是某位耆老的知識、某個部落的口述脈絡、某種只適合在特定場合說出的語彙。工程師若只看到音檔長度和轉寫準確率，那不是進步，是視野太窄。

語音資料不是撿到的貝殼

開放語音資料庫對低資源語言很有幫助。沒有足夠語音，ASR 做不起來；沒有足夠轉寫，語音助手永遠只聽懂主流語言；沒有可測試資料，政府服務也很難變成真正的多語平權。可是「開放」不是自動等於正義。對原住民族語言來說，開放必須回答：誰同意？誰管理？誰受益？誰能撤回？哪些內容根本不該被開放？

CARE 原則提醒我們，資料治理不只要 FAIR，也要看見集體利益、控制權、責任與倫理。換句話說，族語資料不能只被設計成讓模型容易使用，也要被設計成讓族群能夠掌握。若一套族語 AI 最後讓外部公司拿走資料、政府拿到成果、學術單位拿到論文，而部落只得到一場成果發表，這不是數位復振，是資料殖民的雲端版。

公共服務需要族語，但不能偷走族語

真正值得做的族語 AI，不是炫技，而是公共服務。長者看診能不能用熟悉語言描述疼痛？災害警戒能不能用族語說清楚撤離與避難？學校能不能讓孩子聽見自己的語言不是表演，而是能查資料、問問題、做作業的知識工具？這些問題不浪漫，卻很實際。

但公共服務也最容易用效率壓過同意。政府可能會說，為了服務更多人，需要集中資料；廠商可能會說，為了提升準確率，需要更多錄音；研究者可能會說，為了保存語言，需要先把能收的都收起來。這些理由聽起來都很善良，善良到讓人更需要小心。文化資料一旦進入系統，就會被複製、備份、轉檔、再利用。今天說只做辨識，明天可能變成生成聲音，後天可能被拿去做商業客服。族語不是無主礦脈。

雙向知識不是把部落接上平台而已

雙向知識的重點，不是讓部落知識「被科技化」，而是讓科技也被地方倫理重新教育。族語 AI 的設計應該從治理開始：資料蒐集前有共同規範，錄音者知道用途與風險，部落或族群組織能參與授權，敏感詞彙與禁忌知識有排除機制，模型輸出有錯誤回報管道，成果能回到教育、醫療、災防與文化傳承現場。

這樣做會比較慢。可是慢不一定是缺點。語言復振本來就不是一場 hackathon，不是週末做出 demo 就可以上台領獎。它更像照顧火種：要知道火從哪裡來、誰能靠近、何時該添柴、何時該讓它安靜。AI 可以幫忙，但不能把火種變成投影片素材。

族語 AI 最後要問的，不是「模型會不會說」。而是當模型開始說話時，族人是否仍然擁有決定權。若答案是否定的，再漂亮的語音介面都只是另一種口音很準的掠奪。若答案是肯定的，族語科技才可能從工程專案變成公共基礎建設，並且真的站在文化主體這一邊。

技術可以加速，但不能替代關係

族語公共服務最困難的地方，不是把一個按鈕翻成族語，而是讓使用者在真正需要幫助時能信任系統。長者如果在醫療場域說出疼痛，系統不能只追求辨識率，還要知道錯誤可能造成照護風險；災害訊息若用族語推播，不能只求口號好聽，還要把撤離地點、時間、交通與責任單位說清楚。語言科技一旦進入公共服務，就會牽動生命、尊嚴與權利。

因此，族語 AI 需要的不是單一產品發表，而是一套可被族群檢查的制度：資料從何而來、誰能使用、錯了如何回報、模型更新時如何再授權、成果如何回到學校與部落。技術可以加速復振，但復振本身仍然是一種關係工程。沒有關係，只剩模型；沒有治理，只剩展示。