完整定義
語音辨識(Speech Recognition),又稱自動語音辨識(Automatic Speech Recognition, ASR),是一種將人類口語轉換為文本或其他機器可理解形式的技術。其核心概念是通過分析語音訊號的聲學特徵,並將這些特徵與預先建立的聲學模型和語言模型進行比對,從而判斷語音內容。
語音辨識的發展歷程可以追溯到 20 世紀 50 年代,最初的系統只能識別少量詞彙。隨著電腦運算能力的提升和機器學習技術的發展,特別是深度學習的應用,語音辨識的準確率和應用範圍得到了顯著提高。現在,語音辨識技術廣泛應用於語音助手、智能家居、客戶服務、醫療保健等領域。
在 iPAS 初級 AI 基礎概論(L11402)考試中,語音辨識是一個重要的考點。考生需要理解語音辨識的基本原理、常見的聲學模型和語言模型、以及其在實際應用中的優缺點。理解語音辨識的評估指標,例如詞錯誤率(Word Error Rate, WER),也至關重要。掌握這些知識,能幫助考生更好地理解 AI 技術在人機交互領域的應用。
白話說明
你有沒有在你對手機說話,想把聲音變成文字或指令,發現只看表面常常不夠?
你可以把它想成讓機器先聽懂你說了什麼,再把聲音轉成文字。
語音助理、字幕、會議轉錄都靠它把口語變成可處理的文字。
記住這句
把聲音變文字,就是語音辨識。
比喻:語音辨識就像一位超級速記員,能把別人說的話瞬間變成文字 -- 你對著手機說話,它能立刻把你的聲音轉換成文字訊息,或者理解你的指令去執行操作,讓機器好像真的能「聽懂」你在說什麼一樣。
容易混淆
語音合成
語音辨識是「聽」的技術,把聲音變成文字。
語音合成是「說」的技術,把文字變成聲音。一個是把人的話讓機器懂,另一個是讓機器能用人的方式說話。
實際案例
手機語音輸入把你的口述轉成訊息內容。
會議錄音轉文字,方便後續搜尋和摘要。
演算法與應用
核心元件常包含聲學模型、語言模型和解碼器,現在也常用端到端深度學習架構。
評估常看詞錯誤率,因為一個字辨錯就可能影響整句意思。
中英對照與常見說法
相反方向是 TTS(Text-to-Speech,文字轉語音)。兩者常被搞混,判斷方式看輸入:語音辨識輸入聲音、輸出文字。
- 說法
- 語音辨識
- 出現場合
- 台灣正式用語
- 說法
- 语音识别
- 出現場合
- 簡體寫法
- 說法
- Speech Recognition
- 出現場合
- 英文原名
- 說法
- ASR(Automatic Speech Recognition)
- 出現場合
- 學術與產品文件裡的標準縮寫
- 說法
- STT(Speech-to-Text,語音轉文字)
- 出現場合
- 業界常用的說法,指同一件事
現在的做法跟以前差在哪
端到端讓建置門檻大幅下降,代價是不好局部修正。傳統做法要讓模型認得一個新的專有名詞,改詞典就好;端到端模型通常得靠提示、外掛的偏置詞表或重新微調。
- 組成
- 傳統流程(2010 年代前)
- 聲學模型、發音詞典、語言模型三塊分開訓練
- 端到端(現在)
- 一個模型直接從聲音到文字
- 需要的資料
- 傳統流程(2010 年代前)
- 音素層級的標註,昂貴
- 端到端(現在)
- 只需要音檔與逐字稿配對
- 新語言與新詞
- 傳統流程(2010 年代前)
- 要更新詞典
- 端到端(現在)
- 靠資料涵蓋
- 代表技術
- 傳統流程(2010 年代前)
- HMM 加 GMM、後來的 HMM 加 DNN
- 端到端(現在)
- CTC、注意力式編碼解碼、Whisper 這類大規模預訓練模型
評估指標與實務難點
字錯誤率(WER,Word Error Rate) 是標準指標:把插入、刪除、替換三種錯誤加起來除以參考文字的總詞數。中文一般改用字元錯誤率(CER),因為中文沒有空格分詞。
WER 可能超過 100%,因為插入錯誤沒有上限。看到一個 WER 數字要問清楚三件事:哪個資料集、有沒有做文字正規化(大小寫、標點、數字寫法)、以及是不是乾淨錄音。安靜錄音室與真實會議室的 WER 常常差兩倍以上。
實務上最難的不是安靜環境的一般對話,而是:多人重疊說話(需要語者分離與語者辨識)、專業術語與人名、口音與語碼轉換(中英夾雜在台灣特別常見)、以及遠場麥克風的迴音與噪音。
標點與斷句通常是另一個模型做的。原始輸出常常是一長串沒有標點的文字,可讀的逐字稿需要額外的標點還原步驟,評估時要分清楚錯的是辨識還是後處理。
情境判斷
Q1(直覺題): 你按住麥克風對手機說話,這就是語音辨識的典型應用嗎?
是。把聲音轉成文字或指令,正是它的主場。
Q2(判斷題): 如果環境很吵、講話又重疊,準確率通常會怎樣?
會下降。看情況,噪音和重疊語音都會讓辨識變難。
iPAS 考題
出題方向: 常考基本定義、聲學模型與語言模型的分工、以及詞錯誤率這個評估指標。
題目: 語音辨識系統的主要目的是什麼?
答案: → 把人類語音轉換成機器可處理的文字或指令。
常見問題
語音辨識是一種將人類語音轉換為機器可理解的文字或指令的技術,使電腦能夠聽懂並處理人類語言。它結合了聲學模型和語言模型,在人機交互中扮演重要角色。
iPAS 初級考試(L11402)中,語音辨識的考點包括基本概念、核心技術(聲學模型、語言模型)、評估指標(詞錯誤率)和實際應用。常見題型有選擇題、簡答題和案例分析。
語音辨識最常與語音合成混淆。語音辨識是將語音轉換為文字,而語音合成則是將文字轉換為語音。兩者功能相反,但都是語音處理的重要組成部分,應用於不同場景。
語音辨識的英文是 speech recognition,正式全名常寫作 automatic speech recognition,縮寫 ASR。業界也常說 speech-to-text(STT,語音轉文字),指的是同一類技術。方向相反的文字轉語音則是 text-to-speech(TTS)。
Whisper 是 OpenAI 在 2022 年發表的語音辨識模型,論文是〈Robust Speech Recognition via Large-Scale Weak Supervision〉。它用約 68 萬小時多語言的網路音檔與逐字稿訓練,不必針對特定資料集微調就能處理多種語言。
最常用的指標是詞錯誤率(WER),把替換、刪除、插入三種錯誤的數量加總,再除以參考逐字稿的總詞數。中文沒有空格分詞,通常改用字元錯誤率(CER)。數值越低越好,比較不同系統時要確認用的是同一個測試集與同樣的文字正規化方式。
出現在這些考古題
官方公告試題的逐題解析裡,這 2 題把語音辨識列為延伸術語。
立即測驗
想測試你對 語音辨識 的掌握程度?用考古題作答
相關術語
- 自然語言處理Natural Language Processing先懂 NLP 的整體範圍,才知道這個概念在文字任務裡扮演哪一段。
- 機器學習Machine Learning很多應用的底層都離不開機器學習。
- 深度學習Deep LearningSigmoid 和 Softmax 都是深度學習裡最基本的輸出工具。
- 循環神經網路Recurrent Neural Network語音和序列任務常先從它開始理解。
- 長短期記憶網路Long Short-Term Memory語音辨識的傳統基礎模型之一。
- 文字轉語音Text-to-Speech
- 聲學建模Acoustic Modeling
- 語音轉錄模型Whisper
來源
參考來源:ipd.nat.gov.tw
考試範圍:iPAS AI 應用規劃師評鑑內容範圍參考(115.02 更新),經濟部產業人才能力鑑定,實際考試內容以官方公告為準。
其他格式:Markdown 版本