詞頻統計

貼上文字，看你到底重複了什麼，依次數排序。英文用單字計算；中日韓改用單字或雙字、三字詞組計算 —— 因為用空白去切這些語言，只會得到一個巨大而毫無意義的詞。

為什麼多數詞頻工具算中文會得到垃圾

標準做法只有一行：用空白把文字切開，然後數。這對所有詞與詞之間有空白的語言都正確，對沒有空白的語言則是災難。一篇四百字的中文文章裡沒有任何空白，於是整篇變成一個詞、次數是 1，而「前十名」那張表裡只有一列，那一列還沒有用。

中英混排的情況更糟，因為結果看起來很合理：英文單字被正確計算、排出一張很正常的榜，而整個中文部分安靜地躺在最下面那一列。什麼都不像壞掉，於是你對自己「重複了什麼」所得到的每一個結論都是錯的。

這個工具改成算什麼

在「自動判斷」之下，統計單位是依內容決定的：以英文為主就用空白斷詞，以中日韓為主就用雙字詞。你也可以自己指定 —— 選「單字」會得到字頻，那正是中文編輯與語文老師通常要的東西；選「三字詞」則會浮出比較長的固定用語與人名。

我們唯一不做的事，是宣稱一個超出方法本身的精確度。這裡的中文詞組是 n-gram：把相鄰的兩個或三個字構成的每一個視窗都數一次。它不是字典分詞，所以清單裡會有橫跨兩個真詞的片段。用來找「我過度重複了什麼」已經非常夠用，而把這件事講清楚，比給你一張看起來很有信心但詞是錯的清單更有價值。

這些數字怎麼讀

「不重複比例」是單一篇文字裡用詞豐富度的粗略指標。長文件裡這個比例很低，通常意味著幾個詞組在撐全場；短文裡比例很高只代表沒什麼重複，那是正常而不是好。請拿同一篇的不同版本互相比較，不要跟某個絕對標準比 —— 文件越長，這個比例本來就會自然下降。

「只出現一次」那一欄在編輯時最實用。在翻譯稿或技術文件裡，只出現一次的詞，最有可能是「同一個東西在別處用了另一個說法」—— 而術語不一致正是讀者會察覺、卻說不出名字的那種瑕疵。

虛詞，以及什麼時候不該排除它

虛詞會佔滿任何一張詞頻榜：英文的 the、of、and，中文的「的」「了」「是」「在」。預設排除是因為清單少了它們才有用；而這一頁用的是與關鍵字密度工具同一份清單，兩邊的口徑才會一致。

當虛詞本身就是重點時請把排除關掉。檢查翻譯稿是不是連接詞過多而讀起來不像中文、稽核某條寫作規範、或者量一份合約裡「應」出現幾次，都需要把那些詞算進來。世界上沒有一份普遍正確的虛詞表，這正是它應該是一個開關、而不是一個藏起來的行為的原因。

在你的瀏覽器裡計算

一切都在這個分頁裡完成。詞頻分析通常是拿來跑草稿、訪談逐字稿、私人往來信件與未發表的研究 —— 那種你要當成檔案上傳會猶豫一下、但因為「只是文字」就毫不猶豫貼進網頁工具的內容。

這裡沒有任何請求可以被攔截。打開開發者工具盯著 Network 分頁然後貼上看看。你也可以把網路斷掉再重新整理：頁面照樣能用，因為這個統計從來不需要伺服器。