低資源語言不是低價資料：族語 AI 要先學會禮貌

低資源語言，不是低價資料

AI 產業很愛用一個詞：低資源語言。聽起來中性，甚至帶著技術憐憫，好像這些語言只是資料太少、模型太小、標註太貴。但對許多族群來說，語言不是「缺資源」，而是長期被國家教育、市場平台與殖民分類排除在資源之外。真正低的不是語言價值，而是主流科技願意付出的耐心。

近期一篇關於孟加拉少數民族與原住民族語言數位化的研究，提出大規模平行、多模態語料建置，包含文字、翻譯、IPA 標音與音訊資料。這類工作對低資源 NLP 很重要，因為沒有語料，就很難做語音辨識、機器翻譯、教學工具與數位典藏。然而它也立刻提出一個老問題：誰決定資料怎麼收？誰能下載？誰能訓練模型？誰在未來獲利？若答案只剩研究者與平台，那麼「保存」可能很快變成另一種抽取。

低資源語言不是低價資料。這句話必須寫在每一份族語 AI 計畫的第一頁，最好還貼在每一個資料標註平台的登入畫面。語言不是等待模型吃掉的燃料，也不是研究計畫結案時用來換論文的素材。語言是人與地方、祖先、禁忌、幽默、羞恥、親密、權力與世界分類方式的總和。AI 若要替族語開口，最好先學會禮貌。

語料庫不是倉庫，而是治理制度

建立語料庫很像蓋房子。外行人只看見屋頂漂亮不漂亮；真正重要的是地基、管線、鑰匙與誰有權進門。語言資料尤其如此。錄音裡可能有老人家的聲音、儀式語彙、地名記憶、親屬稱謂、笑話、罵人方式，也可能包含不適合公開的敘事。把它們全丟進「開放資料」四個字底下，看似進步，實際上可能非常粗暴。

對台灣原住民族語言科技來說，這點尤其關鍵。台灣有豐富的族語復振經驗、羅馬字書寫系統、教學平台與語音資料需求，但也有資料零散、授權不清、社群回饋不足與模型外流風險。AI 若要進入族語，不應只問「可不可以拿來訓練」，而要問「族人要它解決什麼問題」。是輔助長者口述轉寫？是支援老師備課？是讓年輕人查詢詞彙？還是建立部落內部可控的知識助理？不同目的，應該有不同資料邊界。

資料治理不是把同意書寫長一點。真正的治理要處理生命週期：採集前如何說明、採集中誰在場、採集後誰能審、資料如何分級、誰能撤回、模型如何限制、錯誤如何修正、成果如何回到社群、商業使用是否禁止或重新協議。沒有這些安排，語料庫只是看起來高尚的倉庫；倉庫越大，風險越大。

從技術問題退一步看權力問題

低資源語言工程常把挑戰列成清單：資料少、標準不一、拼寫變異、音檔品質差、缺標註人力。這些都是真的，但還不夠。更根本的問題是權力如何分配。如果一個語料庫讓外部研究者發論文、平台訓練模型、企業做產品，卻讓社群只能得到一張感謝狀，那就不是雙向知識，而是漂亮版的單向搬運。

比較好的做法，是在資料生命週期一開始就設計治理：清楚的同意書、可撤回機制、分級授權、敏感內容標記、社群審查、回饋工具、收益或成果共享，以及模型使用限制。某些資料可以公開，某些只能在社群內使用，某些根本不該數位化。AI 界常把「資料越多越好」當成常識；文化資料主權則提醒我們，有時候資料越少、權限越清楚，反而越負責。

高德生長期從鄒族祭儀生態、獵人學校與文史工作中提醒一件事：知識不是單獨漂浮的資訊，它總是有地點、有季節、有對象、有責任。這個提醒對 AI 很重要。模型最擅長把脈絡拆開，把聲音變成文字，把文字變成向量，把向量變成回答。但文化知識常常不能只看內容，還要看何時說、誰能說、對誰說、說到哪裡要停。技術如果不懂停，禮貌就不存在。

不要把禁忌做成搜尋功能

族語科技最需要警惕的，不是模型不夠強，而是模型太會回答。很多系統為了展示能力，會追求「問什麼都答」。但在文化知識裡，問什麼都答，可能不是聰明，而是失禮。某些祭儀細節、獵場知識、家族故事、地名脈絡與禁忌語，不一定適合公開查詢。就算資料已經存在於某些文本，也不代表可以被重新包裝成聊天機器人的即時答案。

這不是反科技，而是要求科技承認邊界。好的族語 AI 可以在回答裡說「我不能提供這類內容，請回到社群授權與長者指引」。它可以標示「此答案為一般語言學習用途，不代表儀式或家族脈絡」。它可以把敏感資料從訓練集排除，或只在封閉、社群治理的環境中使用。更重要的是，它必須承認自己不是長者、不是祭司、不是獵人、不是部落會議。AI 可以輔助，不應冒充文化權威。

台灣族語復振若要進入 AI 階段，應該先建立這種謙卑，而不是急著展示模型會唱歌、會翻譯、會講故事。會講，不代表該講；講得像，也不代表講得對。文化資料主權的核心，不是把資料鎖起來，而是讓社群有能力決定開放的形式、速度與目的。

讓語言科技先學會禮貌

一個真正有用的族語 AI，不一定要一開始就會寫詩、辯論或模仿耆老。它可以先學會很樸素的事：聽清楚、轉寫準、標註來源、承認不懂、不要亂翻禁忌語、不要把不同族語混成一鍋。這些看似基本，卻比炫技更難。因為它要求模型背後的人，先尊重語言社群的秩序。

孟加拉少數語言語料計畫，給我們一個可參考的國際案例；但台灣不必照抄。台灣真正需要的是把族語科技放回部落、學校、家庭與公共服務場景裡思考。低資源語言不是等待 AI 拯救的弱者，它們是提醒 AI 產業重新學會禮貌的老師。語言不是資料礦，聲音不是免費燃料。若模型要開口，最好先知道自己站在哪一塊土地上。

結論：模型開口以前，治理要先到

低資源 NLP 的技術挑戰值得投入，因為語言工具確實可能幫助學習、保存與公共服務。問題不在於做不做，而在於怎麼做。沒有資料主權的語料庫，可能只是新的殖民檔案；沒有社群同意的模型，可能只是會說族語的外部權力；沒有禁忌邊界的搜尋功能，可能把文化尊嚴變成產品體驗。

族語 AI 的第一課不是 transformer、embedding 或 RAG，而是禮貌。禮貌不是客套，是知道自己不能替誰發言；是知道資料不是撿來的；是知道有些知識必須回到關係裡，而不是被拆成零件。當 AI 產業願意接受這一課，低資源語言才不會再次被低價處理。

延伸閱讀與資料來源

• arXiv：Oral to Web: Digitizing 'Zero Resource' Languages of Bangladesh，2026-03，https://arxiv.org/abs/2603.05272
• arXiv：IndT5: A Text-to-Text Transformer for 10 Indigenous Languages，2021，https://arxiv.org/abs/2104.07483
• 原住民族委員會：族語與原住民族政策公開資訊，https://www.cip.gov.tw/

source-check notes

• 核對 Oral to Web 論文中的語言數、資料量、音訊時數、採集地區、資料公開方式與授權條件。
• 台灣族語治理段落屬政策評論，發布前可再核對原民會、族語中心與各語言社群現行資料政策。
• 高德生諮詢委員資訊需確認姓名、專長與《鄒族的動植物書》作者署名格式；本文不揭露禁忌祭儀細節。