上海话语音数据需求分解——上海话的定义
上海话语音数据的第一个关键问题在于如何定义上海话。与学术派不同，数据需要考虑准确的同时还需要兼顾习惯，所以我们从采集三维度和标注两词典来考虑上海话的定义标准。
一．采集
- 时间维度
（1）古上海话
是指上海刚开始建立到上海外来移民前的时间，大致从宋朝时期开始，以苏州的吴语为班底。这部分很多流传至今，但因为有些又和现代上海话差异较大，或用的人较少，不主要作为数据的参考依据。
（2）老上海话
是指清末开始上海大发展时期。这一段时间有大量外地移民涌入，其中影响最大例如宁波话，比如现在上海话中常见的“阿拉”实际是宁波话带入。
（3）现上海话
现代上海话是指现代普通话的融入，改变当代上海人的语音习惯（比如“所以”这个词，现代上海人很多就是su xi，但老上海话其实是ge lao）。
- 空间维度
（1）上海城区话
传统老上海市区人所理解的上海话就只针对浦东、浦西和周边较小范围的地区。这一带的上海话较为纯正。
（2）上海地区话
或者可以称为“本地话”，包括传统意义上的上海地区郊区，例如青浦、松江等地的方言时长被当地人认为非上海话。例如：上海部分地区说“廿块钱往里”是指“二十元左右”，但在另一些区域则没有这样的意思。
（3）上海市行政区域话
另外因为上海还包括崇明部分区域，所以若以行政区划来考量，还会包含一些苏北话。例如：老上海话的“我”发音“wu”，而苏北部分地区发音为“en”
（4）类似上海话的非上海区域
因为吴语区发展的问题，苏州大部、无锡郊区、常州小部分和浙北部分区域与传统上海城区话非常相似。
二．标注
- 发音词典
发音词典的主要作用是在算法识别时作为基本输入。这里需要注意，上海话作为一门方言实际有5种音调，需要考虑实际应用中是以官方为准，还是实际上海人自身的习惯，同时需要考虑是否需要将5音调转成更通用的4音调。
另外，所有方言都用的是罗马音，而不是我们汉语拼音使用的英文音，是否需要转换也需一并考量。
- 转写词典
上海话的写法有两种，分别是正确写法和习惯写法。（例如，”我“这个字的发音是wu，通常上海人写成“吾”，但实际上“我”这个字的发音在上海话就是wu，不应该更换。）
另外需要考虑说法和发音的区别。（例如：上海话“讲”的发音是gang，通常被写成了”刚“是不对的。因为上海的”讲“就发音gang，所以就该写成讲，而“你”的说法是“侬”所以需要改写。）