同一个字，两种念法

两岸汉语读音差异的一次数据考古

「茜」在字典里只有 qiàn。可现实里，宋茜读 xī，茜茜公主也读 xī。
那个 xī 从哪来？为什么台湾字典里查不到？

为了回答这一个问题，我花了几天时间，把两部字典的全部条目做了一遍机器比对。
过程中挖出的东西，比答案本身有意思得多——包括一个查了半年都没人发现的线上事故，
以及一句关于「自动化能做到什么」的教训。

一、从一个缺音说起

起因很小。

汉字卡的构建脚本里有一张人工维护的表，叫 READINGS_OVERRIDE，专门处理两岸读音分歧。里面躺着 10 个字：迹、企、菌、崖、发、括、携、堤、血、熟。

它们长这样：

"企": ["qǐ", "qì(台)"],     # 大陆企鹅的 qǐ，台湾企业的 qì  
"血": ["xuè", "xiě"],       # 大陆血液的 xuè，台湾血球的 xiě

意思很清楚：萌典是台湾教育部的字典，收的是台湾读音。要做一个给大陆用户看的卡面，就得把大陆读音补上，台湾读音打上「(台)」的标记保留。

某天我查「茜」，发现卡面上只有 qiàn。

xī 呢？

宋茜、刘茜茜、奥地利皇后茜茜（Sissi）——这个音在现实里天天被用到，字典里却查不到。对用户来说，这解释不通。

于是我做了件很笨的事：写脚本把萌典和另一部大陆来源的字典做全量比对，想搞清楚到底有多少字「缺音」。

二、两岸为什么会念得不一样

在讲数据之前，得先说清一件事：读音差异不是「谁对谁错」，而是历史沉淀。

1. 文白异读：同一个字，两套系统

汉字里有一批字，从古到今就是两套读法并行。

最有名的是「行」：走路的行读 xíng，做买卖的行读 háng。「行当」「行家」「银行」都是 háng——因为「行」本来的意思就是「十字路口」，后来引申成「排成行列」，再引申成「行业」。

血也一样。上古音里血是入声（入声在普通话里已经消失了），读入声的字派生出两个读法：一个带 -s 尾，一个带 -t 尾。血保留了 xiě（书面）和 xuè（口语），到了台湾变成 xiě 和 xuè——恰好各取一个 mainland 的一半。

这类差异是最"讲道理"的：两边读音都能从汉字自己的历史里推出来，谁也没错。

2. 文言音的残留

还有一类差异来自更早的时期。

「之 zhū」这种读音，源自先秦的声母系统，现代普通话已经不用了，但台湾的文言传统保留了它。「亨 xiǎng」「仇 jū」「亏 yú」也属这类——它们在台湾字典里有，在大陆字典里往往没有，或者收作次要读音。

这类差异对普通用户几乎没有价值，但对读古书的人有用。

3. 破读字：为了区分词义而分音

「相」在「照相」里读 xiàng，在「相互」里读 xiāng。这类分音不是为了区分古今，而是为了在口语里区分不同的词。

两岸的破读习惯不完全一样，于是同一个字在两边的主读音可能不同。

4. 最复杂的一层：不同的审音机构

这一层最容易被忽略，也最容易出错。

大陆有《普通话异读词审音表》（1985 年发布，后有修订），台湾有教育部的《重編國語辭典修訂本》。两者是两个机构、两套标准，覆盖范围不同。

关键在于：审音表明确「不审专有名词」。所以「茜」在人名里的 xī，从一开始就不在审音表的管辖范围内——它是在日常使用中约定俗成形成的，不是有机构认定的。这个音在大陆是"事实上的标准"，但在规范文件里找不到它。

我这次做卡面时遇到的「茜 xī」，就属于这一类。

5. 轻声与儿化：读音差异里最日常的部分

如果只看字典里的单字读音，会低估两岸差异的真实规模。真正让人「听不懂」的往往不是单字的读音，而是轻声和儿化。

实测几个词：

词	萌典（台湾）	大陆通行
舒服	shū fu	shū fú
明白	míng bai	míng bái
东西	dōng xi	dōng xī
意思	yì si	yì sī

台湾保留了更多中古汉语的轻声习惯（尤其是「子」「头」类词缀的轻声化），大陆则在普通话规范化过程中，把一批原本读轻声的字重新归入本调。

有意思的是，萌典把这些轻声读法都当作正式的读音收了，不是记在注释里。因此做跨海数据合并时，这批差异会以「读音条目」的形式出现，而不是「可选读法」——如果按单字去比对，根本看不出来。

6. 还有一层：简体字

这一层与技术实现直接相关，后面会详细讲。

简繁合并让一些原本不同的字变成了同一个简化字。最典型的是「朴」：

「朴」（U+6734）：读 piáo（朴姓）、pò（朴树）
「樸」（U+6A38）：读 pǔ（质朴、朴素）

繁体里这是两个字，简化合并成了「朴」。所以在大陆，「朴」这个词同时承载了两边的读音。

这类差异对做工具的人最麻烦：你不能假设「简体字查到繁体字」是一对一的关系。

三、第一次踩坑：以为找到了正确的数据源

要判断「哪些读音大陆有、萌典没有」，需要两部字典：一部台湾的（萌典现成），一部大陆的。

我先看的是手边的 makemeahanzi-dictionary.txt——名字听起来很通用，还带拼音字段，应该正好是大陆数据。

拿它和萌典一比：

茜 → 只有 qiàn（没有 xī）  
迹 → jī（这是台湾音，大陆读 jì）

它是空的。

原来 makemeahanzi 的拼音和萌典同源。用它和萌典比对，等于拿同一份数据减去自己，差集必然是空。

这是第一个教训：数据源的"名字"不说明它是什么。你以为的对照，可能根本不是对照组。

真正的大陆来源应该是 mozillazg/pinyin-data——它整理自汉典和《现代汉语词典》，确实是大陆规范。这才是对的对照组。

四、第二个坑：变调混进了读音表

拿到正确的数据源，跑完比对，第一次结果差点让我下错结论。

跑出来 3275 个「大陆有、萌典没有」的读音。排在最前面的几个：

一 → 大陆 yī,yí,yì    萌典 yī  
七 → 大陆 qī,qí       萌典 qī  
九 → 大陆 jiǔ,jiū     萌典 jiǔ  
也 → 大陆 yě,yí       萌典 yě

「一」有三个读音？「九」多一个 jiū？

那些是变调，不是读音。

普通话有变调规则：两个三声字相连，前一个变二声；「一」和「不」在四声前要变。这些音在真实语境里确实会被念出来，但它们不是字典里该单独列出的读音。

问题在于，pinyin-data 没给变调做标记，混在正常读音里。得自己判断。

我在这里踩了三个坑才做对：

第一个，正则表达式的字符类写成了 [a-z]，匹配不了带声调符号的字母。qiū 里的 ū 不在 [a-z] 里，结果 20924 个字只解析出 99 个。

第二个，判断三声时只写了 ǎ，漏了 ě ǐ ǒ（也 yí 因此漏网）。三声有六种韵尾：ǎ ě ǐ ǒ ǔ ǚ。

第三个，我假设「第一个读音是基准音」，结果「丙」的语料里把 bìng（变调）排在第一位。改用不依赖顺序的判据才解决——只要存在同音节的三声读音，那个读音就是变调形式。

变调过滤掉之后，候选从 3275 降到 2584。

但这还是太多，而且明显还有噪音。

五、第三个坑：以为按词频排序能解决

剩下的噪音主要有三种：

类型	例子	问题
文言/旧读	之 zhū、亏 yú、亨 xiǎng、仇 jū	学习者永远不会遇到
轻声变体	道 dǎo（对 dào）、别 biè（对 bié）	不是独立读音
数据噪音	能 xióng、那 nǎi	源数据本身的问题

我的想法是：既然要判断「学习者会不会遇到这个音」，那就按字频排序——高频字排在前面，低频字沉底。人工核对时只看前面一批就够了。

于是我下载了一份中文词频表（5 万词），给候选字打分。

结果更糟了。

排名前列的是：

的 +dī      是 +tí      道 +dǎo  
有 +wěi     能 +xióng +nái +nài

因为高频字的读音条目本来就多，噪音也被一起顶上来了。「的」「是」「有」这些字的读音列表里塞满了各种变体和罕见读音，按词频排反而让它们排在最前面。

我试过三条自动化路径——按常用度筛、按差集直接用、按词频排序——全部失败。

最终的结论是：自动化只能当候选生成器，最终必须人工核。 而且这里的「人工核」不是可选步骤，是唯一可行的路径。

六、意外发现：萌典的底子远比预期扎实

既然自动分诊走不通，我换了个笨办法：手挑一批「传统认知里的两岸多音重灾区」，逐字核对萌典到底收了什么。

给  萌典有 gěi,jǐ          ✓ 已齐  
谁  萌典有 shéi,shuí       ✓ 已齐  
薄  萌典有 bó,bò,báo       ✓ 已齐  
差  萌典有 chā,chà,chāi,cī ✓ 已齐  
卡  萌典有 kǎ,qiǎ          ✓ 已齐  
落  萌典有 là,lào,luò      ✓ 已齐  
秘  萌典有 bì,mì           ✓ 已齐  
携  萌典有 xié,xī          ✓ 已齐  
括  萌典有 kuò,guā         ✓ 已齐

23 个候选里，16 个萌典本来就全收。

我原本的假设（"萌典常只收 gěi"、"萌典把 qiǎ 另立或偏废"）全都不成立。

更值得说的是，萌典对两岸差异的兼容度远超预期：

垃圾：萌典收 lè, sè（台湾读音），大陆的 lā jī 另在别处
削弱：萌典收 xuè，大陆读 xuē
舒服：萌典收 shū fu（台湾轻声），大陆读 shū fú
明白：萌典收 míng bai，大陆读 míng bái

萌典不只收台湾读音，它把两岸的读法都收了，只是排序上以台湾为主。

这直接改变了工作量的判断：原本准备补 20–30 个字，实测只需要 2 个。

七、朴：不是缺读音，是差一个声调

这两个字里，第一个就有意思。

朴在萌典里的读音是 pú（二声），大陆标准是 pǔ（三声）。

第一反应是「萌典缺 pǔ，得补」。但写代码时发现，现有逻辑处理不了——它靠前缀匹配把释义分组贴上新标签，而 ú(U+00FA) 和 ǔ(U+01D4) 是两个完全不同的 Unicode 字符，startswith("pú") 对 "pǔ" 根本不成立。

这不是「缺一个读音」，而是「同一个音节，声调不同」——和血（xuè/xiě）、熟（shú/shóu）同类，但更隐蔽，因为字形看起来一模一样。

顺带一提，我原本打算用简体繁体的映射来解决（因为「朴」在繁体里是「樸」）。实测发现没必要：萌典的「朴」条目自己就有「質樸」释义，而「樸」只有「未加工成器的木材」——加进去只会多一条噪音。

一个假设，两次实测，都推翻了。

这里值得多说一句「朴」的编码问题，因为它是整件事里最反直觉的一处：

污  U+6C61   ← 简体字形  
汙  U+6C59   ← 台湾正体  
着  U+7740   ← 简体字形  
著  U+8457   ← 台湾正体

污和汙不是繁简关系，是两个完全不同的码位。它们看起来像简繁对应，但 Unicode 层面毫无关系——因为简化字方案里，「污」这个字形被用来承载了台湾写作「汙」的那个字，同时又保留了原义。

这带来一个实际后果：任何基于「简体 → 繁体」的自动映射，都可能对这类字失效。必须用「台湾正体」专属的转换规则，而不能图省事用通用规则。

至于朴，萌典的读音列表是 pò, piáo, pú——它其实把台湾那边的读音给全了，只是 mainland 要的 pǔ 没有。所以真正的工作只是把标签改对，内容不用造。

八、茜：唯一需要「造」数据的地方

茜是真缺。萌典只有 qiàn，xī 完全没有——不是声调问题，是这个读音在台湾根本不用。

如果只把 xī 加到读音列表里，卡片上会出现这样：

拼音：qiàn  xī  
释义：  
  qiàn  植物名。茜草科……  
  xī    （空）

有音无义，比缺音更糟。 用户点进去发现没有解释，只会以为字典出错。

所以必须手工补一条释义：

xī —— 外国女子名字的译音用字，今亦多用于人名。
例：茜茜（Sissi）

这是全库唯一一个需要「造」数据的地方。原因也很清楚：它是大陆独有的读音，而台湾字典的编写范围里根本没有这类用法。

九、抽象出来的三件事

排查完，剩下两字，但踩过的坑里有三样东西值得留下来。

1. 繁简映射：不能只用通用繁体

这是本次最大的收获，也是一个查了半年都没人发现的线上事故。

萌典收的是台湾正体，而常用的简繁转换工具默认给的是通用繁体——后者经常给出异体字。

异体字在萌典里只有一条「『X』的異體字」的指针。而构建脚本本来就有一条防御规则：剔除没有实质释义的条目。

两条规则叠加，结果是：这个字在卡片上释义全空。

全量扫描发现 22 个 GB2312 一级常用字中招：

为  众  伪  启  着  污  痹  钵  狸  硷 …

「为」「众」「伪」「启」「着」「污」——都是每天被查几百次的字。

修法是让候选链优先用「台湾正体」转换，通用繁体作备选。全量 9534 字实测：两种转换结果不同 42 字，修好 17 个，弄坏 0 个。

上线的第二天，「为」恢复 12 组释义，「着」恢复 25 组。

这个 bug 的隐蔽之处在于：它不会报错、不会崩溃，只会让内容静悄悄地消失。 如果没有全量扫描去数「哪些字释义为空」，永远不会有人发现。

2. 补丁机制：三种形态，不是三种技巧

原来那张表只能做一件事：给读音重新排序、给台湾读音加「(台)」标记。

但实际需要处理的形态有三类：

形态	例子	处理
主次颠倒	企 qǐ/qì	排序 + 标注
同音节声调不同	朴 pú/pǔ	显式声调映射
萌典完全没有	茜 xī	补义项

第三类和前两类的性质完全不同——前两类只是改标签，第三类要新增内容。

把它们混在一个机制里，要么表达不了，要么写出别扭的特例代码。分开之后，每种机制都很直白，而且都能单独测试。

3. 自动化：明确它做不到什么

这轮我试了三条自动化路径，全部失败。但失败得很有价值——每一次失败都让我更清楚「人工该做什么」。

尝试	结果	教训
按常用度筛范围	把「茜」自己筛掉了	范围不是越窄越好
差集直接当候选	1056 条里可用不到 10%	召回高 ≠ 可用
按词频排序	高频字噪音更多，更糟	排序会放大噪音

最后我用了最笨的办法：手挑 23 个候选字，逐字核对萌典的实际收录。

结果推翻了我原本的假设——萌典早就收了 16 个，工作量从「20–30 个字」降到「2 个字」。

如果我没做这次核对，就会照着「20–30 个」的预期去改表，最后给 16 个字加上不必要的覆盖，反而污染了数据。

十、一些反直觉的数字

整理下来有几个数字值得单独说：

萌典的两岸兼容度很高

手册上常见的「两岸读音差异 100 例」，萌典覆盖了其中绝大多数。实测：

差异类型	萌典的收录情况
台湾独有音（企 qì、菌 jùn、崖 yái、迹 jī）	✓ 收了，但排在大陆音之后
台湾音 + 大陆音并存（血 xiě,xuè / 熟 shóu,shú）	✓ 两个都收
台湾特有词读法（垃圾 lèsè / 削弱 xuè）	✓ 收了（在台湾语境内正确）
大陆独有音（茜 xī）	✗ 完全没有

萌典的立场不是「只讲台湾话」，而是「以台湾规范为主，兼容大陆读法」。这个判断如果早点知道，工作量会直接砍掉八成。

真正需要人工判断的极少

在 1056 个一级字缺音候选里，能用的不到 10%。剩下的九成：

文言/旧读：之 zhū、亏 yú、亨 xiǎng、仇 jū  
轻声变体：道 dǎo（对 dào）、别 biè（对 bié）  
源数据噪音：能 xióng、那 nǎi、她 chí

自动化适合「找出来」，不适合「定下来」

差集能高召回地找出所有可能有问题的地方（2584 条）。但决定「这个差异该不该补」需要语言学判断——「之 zhū 是不是真的存在」「能 xióng 是不是录入错误」，机器回答不了。

我试过用词频给候选打分，结果更糟：高频字的读音条目本来就多，噪音被一起顶到了最前面。排名前列的是「的 dī」「能 xióng」这类。

萌典有 14 个常用字根本没收录

僳、勋、叁、墒、彝、挎、狸、硷、耪、茬、菏、酞、钎、锨——这些是萌典的覆盖边界，不是技术缺陷。台湾用不同字形（「叁」写作「參」），或者属于大陆简化新字。

要补就得找第四个数据源。而从使用频率看，这些字极罕见——为一亿个用户里可能查一次的字引入一条新数据链，性价比很低。

十一、回到最初的问题

现在回答开头那个问题：茜的 xī 从哪来？

它是大陆在几十年的使用中约定俗成形成的读音——受外来人名（茜茜公主 Sissi）影响，也被人名（宋茜）强化。这个读音在大陆是事实上的标准，但不在《普通话异读词审音表》里，因为审音表不审人名和译名。

台湾字典不收它，是因为台湾没有这种用法习惯——不是它「错了」，是它「不需要」。

所以「缺音」这个说法其实不太准确。准确的说法是：这个读音超出了台湾字典的收录范围。

至于为什么「为」这种字的释义会是空的——那跟语言学毫无关系，纯粹是一个转换器的默认行为撞上了一部字典的编排体例。

两件事，一个是语言学问题，一个是工程问题。但它们都藏在同一个「查不到字」的体验背后。

附：这次沉淀下来的三个工具

写这篇的过程中顺手做了三个脚本，都留在项目里：

check_common_hanzi.py —— 扫全量字卡，找「有拼音没释义」的空洞字
check_reading_gaps.py —— 核对指定一批字在萌典的收录情况
diff_readings.py —— 两部字典的读音差集（仅用于排查，不参与构建）

第一个特别有用：改完构建跑一次，对比基线数字，就能知道有没有引入回归。这次它一跑就报出 22 个空洞字——其中「为」「众」「伪」「启」「着」「污」都上线了半年没人发现。

静默的内容缺失，只有靠这种全量扫描才能发现。 这是整个教训里最实用的一条。

尾声：两类问题，藏在同一个体验背后

现在回答开头那个问题：茜的 xī 从哪来？

台湾字典不收它，是因为台湾没有这种用法习惯——不是它「错了」，是它「不需要」。

所以「缺音」这个说法其实不太准确。准确的说法是：这个读音超出了台湾字典的收录范围。

至于为什么「为」这种字的释义会是空的——那跟语言学毫无关系，纯粹是一个转换器的默认行为撞上了一部字典的编排体例。

两件事，一个是语言学问题，一个是工程问题。但它们都藏在同一个「查不到字」的体验背后。

而要把这两件事分开，唯一的办法就是——去数一遍。看看到底有多少字是这样，有多少不是。