要编写一个方言辨别程序，可以遵循以下步骤：
数据收集
收集不同方言的语音样本，确保样本数量足够多且质量高。
对每个样本进行标注，标明其对应的方言类别。
特征提取
从语音样本中提取特征，常用的特征包括梅尔频率倒谱系数（MFCC）、线性预测系数（LPC）等。
可以考虑将声调作为重要特征，因为声调在不同方言中差异显著。
模型选择与训练
选择合适的机器学习或深度学习模型进行训练，如高斯混合模型（GMM）、支持向量机（SVM）、深度神经网络（DNN）等。
使用标注好的训练数据集对模型进行训练。
模型评估
使用验证集评估模型的性能，常用的评估指标包括准确率、召回率、F1分数等。
根据评估结果调整模型参数或结构，进行优化。
部署与应用
将训练好的模型部署到实际应用中，如手机应用、服务器等。
开发用户界面，使用户可以方便地进行方言识别。
```python
import numpy as np
from sklearn.mixture import GaussianMixture
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
假设我们已经提取了MFCC特征并存储在features数组中
features.shape = (num_samples, num_features)
labels.shape = (num_samples,)
划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(features, labels, test_size=0.2, random_state=42)
创建并训练GMM模型
gmm = GaussianMixture(n_components=len(np.unique(labels)), random_state=42)
gmm.fit(X_train)
进行预测
y_pred = gmm.predict(X_test)
计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy}")
```
请注意，这只是一个简单的示例，实际应用中可能需要更复杂的特征提取和模型结构。此外，还可以考虑使用深度学习框架（如TensorFlow或PyTorch）来构建更高效的方言识别系统。
