近 年 來(lái) ， 由 于 電 腦 在 軟 件 上 的 長(cháng) 足 進(jìn) 步 ， 類(lèi) 似 電 視 影 集 霹 靂 游 俠 中 李 麥 克 與 霹 靂 車(chē) 伙 計 之 間 能 夠 使 用 人 類(lèi) 語(yǔ) 言 和 電 腦 溝 通 的 情 節 已 不 再 是 夢(mèng) 想 ， 語(yǔ) 音 辨 識 科 技 這 一 兩 年 來(lái) 已 慢 慢 從 實(shí) 驗 室 里 的 研 究 走 入 到 我 們 的 生 活 之 中 。 聲 碩 科 技 通 過(guò) 臺 灣 大 學(xué) 李 琳 山 教 授 在 中 文 語(yǔ) 音 辨 識 方 面 研 究 成 果 ， 專(zhuān) 注 于 語(yǔ) 音 辨 識 技 術(shù) 的 商 品 化 ， 目 前 是 華 人 地 區 唯 一 掌 握 中 文 語(yǔ) 音 辨 識 核 心 并 推 出 產(chǎn) 品 的 公 司 。
什 么 是 語(yǔ) 音 辨 識
語(yǔ) 音 辯 識 最 基 本 的 定 義 ， 就 是 “ 電 腦 能 聽(tīng) 懂 人 類(lèi) 說(shuō) 話(huà) 的 語(yǔ) 句 或 命 令 ， 而 做 出 相
對 應 的 工 作 ” 。 也 就 是 說(shuō) ， 如 果 電 腦 配 置 有 “ 語(yǔ) 音 辨 識 ” 的 程 序 組 ， 那 么 當 你
的 聲 音 通 過(guò) 一 個(gè) 轉 換 裝 置 輸 入 電 腦 內 部 、 并 以 數 位 方 式 儲 存 后 ， 語(yǔ) 音 辨 識 程 序
便 開(kāi) 始 以 你 輸 入 的 聲 音 樣 本 與 事 先 儲 存 好 的 聲 音 樣 本 進(jìn) 行 對 比 工 作 。 聲 音 對 比
工 作 完 成 之 后 ， 電 腦 就 會(huì ) 輸 入 一 個(gè) 它 認 為 最 “ 象 ” 的 聲 音 樣 本 序 號 ， 就 可 以 知
道 你 剛 才 念 的 聲 音 是 什 么 意 義 ， 進(jìn) 而 執 行 此 命 令 。 說(shuō) 起 來(lái) 簡(jiǎn) 單 ， 但 要 真 正 建 立
辨 識 率 高 的 語(yǔ) 音 辨 識 程 序 組 ， 卻 是 非 常 困 難 而 專(zhuān) 業(yè) 的 ， 世 界 各 地 的 學(xué) 者 們 也 還
在 努 力 研 究 最 好 的 方 式 。 例 如 ， “ 聲 音 樣 本 ” 要 如 何 建 立 呢 ？ 簡(jiǎn) 單 來(lái) 說(shuō) ， 如 果
要 辨 識 10 個(gè) 字 ， 那 就 是 先 把 這 10 個(gè) 字 的 聲 音 念 入 電 腦 中 ， 存 成 10 個(gè) 參 考 樣 本
， 辨 識 時(shí) ， 只 要 把 本 次 所 念 的 聲 音 （ 測 試 樣 本 ） 與 事 先 存 好 的 10 個(gè) 參 考 樣 本 一
一 對 比 ， 找 出 與 測 試 樣 本 最 象 的 樣 本 ， 即 可 把 測 試 樣 本 辨 識 出 來(lái) ； 問(wèn) 題 是 ， 每
個(gè) 使 用 者 念 入 電 腦 的 語(yǔ) 音 長(cháng) 度 、 音 調 、 頻 率 都 不 一 樣 ； 甚 至 同 一 個(gè) 人 ， 盡 管 每
次 都 念 相 同 的 聲 音 ， 但 波 形 卻 也 不 盡 相 同 ， 如 果 在 一 個(gè) 有 雜 音 的 環(huán) 境 中 ， 那 情
況 就 更 糟 了 。 因 此 ， 專(zhuān) 家 學(xué) 者 們 研 究 出 許 多 破 解 這 個(gè) 問(wèn) 題 的 方 法 ， 如 傅 立 葉 轉
換 、 倒 頻 譜 參 數 等 ， 使 目 前 的 語(yǔ) 音 辨 識 系 統 已 達 到 一 個(gè) 可 接 受 的 程 度 ， 并 且 辨
識 度 愈 來(lái) 愈 高 。
語(yǔ) 音 辨 識 技 術(shù) 的 應 用 層 面
電 腦 軟 件 是 目 前 最 被 視 廣 為 應 用 的 方 向 。 例 如 ： 語(yǔ) 音 命 令 、 語(yǔ) 音 輸 入 , 對 話(huà) 系 統 、 查 詢(xún) 系 統 、 教 學(xué) 軟 件 、 游 戲 軟 件 等 。
消 費 性 電 子 產(chǎn) 品
-- 例 如 ： 電 子 記 事 本 、 聲 控 玩 具 、 語(yǔ) 音 拔 號 功 能 的 手 機 等 。
工 業(yè) 產(chǎn) 品
-- 例 如 ： 車(chē) 用 移 動(dòng) 電 話(huà) 、 車(chē) 用 導 航 系 統 等 。
電 話(huà) 系 統 -- 例 如 ： 語(yǔ) 音 辨 識 總 機 服 務(wù) 、 語(yǔ) 音 拔 號 、 語(yǔ) 音 訂 票 訂 位 等 。
SpeechDirect SDK
聲 碩 科 技 在 1999 年 初 開(kāi) 發(fā) 了 "SpeechDirect SDK" 語(yǔ) 音 辨 識 應 用 軟 件 開(kāi) 發(fā) 工 具
， 利 用 這 套 開(kāi) 發(fā) 工 具 , 電 腦 軟 件 開(kāi) 發(fā) 廠(chǎng) 商 可 以 開(kāi) 發(fā) 出 各 式 各 樣 的 語(yǔ) 音 相 關(guān) 應 用
軟 件 。 “ SpeechDirect SDK ” 語(yǔ) 音 辨 識 應 用 軟 件 開(kāi) 發(fā) 工 具 可 以 提 供 電 腦 軟 件 廠(chǎng)
商 一 個(gè) 簡(jiǎn) 單 易 用 的 語(yǔ) 音 辨 識 程 序 界 面 ， 開(kāi) 發(fā) 關(guān) 于 語(yǔ) 音 控 制 、 自 然 語(yǔ) 音 資 料 庫 搜
尋 、 及 中 文 連 續 語(yǔ) 音 輸 入 等 等 的 應 用 。 其 內 含 的 中 文 語(yǔ) 音 辨 識 引 擎 可 以 支 援 單
詞 辨 識 （ ISR,Isolated Speech Recognition ） 、 關(guān) 健 詞 辨 識 （ KWS,Keyword-Spotting
） 、 甚 至 連 續 語(yǔ) 音 辨 識 （ CSR,Continuous speech recognition ） 。 此 外 還 支
援 電 腦 合 成 語(yǔ) 音 的 功 能 （ TTS ， Text-To-Speech ） 可 將 文 字 轉 為 語(yǔ) 音 ， 使 電 腦
不 僅 能 夠 聽(tīng) 得 懂 人 說(shuō) 的 話(huà) 而 已 ， 更 可 以 用 人 的 語(yǔ) 言 與 人 類(lèi) 溝 通 。 聲 碩 科 技 的 語(yǔ)
音 辨 識 引 擎 在 語(yǔ) 音 控 制 方 面 （ 包 括 單 詞 辨 識 及 關(guān) 鍵 詞 辨 識 ） ， 不 需 要 口 音 訓 練
即 可 使 用 ， 可 避 免 因 口 音 訓 練 而 帶 給 使 用 者 的 不 便 。
“SpeechDirect” 語(yǔ) 音 引 擎 主 要 包 含 下 列 功 能 ：
語(yǔ) 音 命 令 控 制 （ Voice Command & Control ） 功 能 。
關(guān) 鍵 詞 辨 識 （ Keyword-Spotting ） 功 能 。
文 字 轉 語(yǔ) 音 （ Text-To-Speech,TTS ） 功 能 。
連 續 語(yǔ) 音 辨 識 （ Continuous Speech Recognition,CSR ） 功 能 。
在 語(yǔ) 音 辨 識 率 方 面 ， 使 用 語(yǔ) 音 命 令 功 能 的 辨 識 率 大 概 在 90%--95% 之 間 ， 下 表 顯 示 語(yǔ) 音 命 令 的 個(gè) 數 與 辨 識 率 之 間 的 關(guān) 系 。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
“SpeechDirect” 語(yǔ) 音 辨 識 引 擎 的 特 色 有 ：
支 援 單 詞 語(yǔ) 音 辨 識 （ ISR,Isolatod Speech Recognition ） 和 關(guān) 鍵 詞 辨 識 （ KWS,Key word-Spotting ） 功 能 。 這 兩 種 模 式 可 用 來(lái) 發(fā) 展 語(yǔ) 音 命 令 和 語(yǔ) 音 查 詢(xún) 等 應 用 。
支 援 連 續 語(yǔ) 音 辨 識 （ CSR,Continuous Speech Recognition ） 功 能 。 此 模 式 可 用 來(lái) 發(fā) 展 語(yǔ) 音 聽(tīng) 寫(xiě) 輸 入 （ voice dictation ） 方 面 的 應 用 。
支 援 文 字 轉 語(yǔ) 音 （ TTS,Text-To-Speech ） 功 能 。 利 用 此 功 能 可 用 語(yǔ) 音 來(lái) 告 知 使 用 者 相 關(guān) 訊 息 以 發(fā) 展 更 互 動(dòng) 性 的 軟 件 。
支 援 使 用 特 定 說(shuō) 話(huà) 者 的 聲 音 模 型 和 資 源 設 定 值 ， 所 以 語(yǔ) 音 引 擎 可 以 根 據 個(gè) 別 說(shuō) 話(huà) 者 的 聲 音 差 異 來(lái) 調 整 辨 識 參 數 設 定 。
無(wú) 語(yǔ) 音 資 料 記 憶 體 大 小 限 制 ， 使 用 者 可 持 續 作 語(yǔ) 音 辨 識 而 不 用 擔 心 語(yǔ) 音 資 料 過(guò) 多 造 成 記 憶 體 爆 滿(mǎn) 。
使 用 者 可 動(dòng) 態(tài) 地 在 程 序 中 改 變 所 使 用 的 語(yǔ) 音 模 型 及 詞 庫 而 達 到 最 大 的 方 便 性 與 彈 性 。
使 用 者 可 在 程 序 中 動(dòng) 態(tài) 地 增 加 或 刪 除 詞 匯 ， 進(jìn) 而 定 義 新 詞 或 自 己 專(zhuān) 屬 的 詞 匯 。
使 用 callback 的 方 式 來(lái) 通 知 應 用 程 式 辨 識 結 果 以 使 辨 識 更 有 效 率 。
在 同 一 應 用 程 序 中 可 使 用 好 幾 個(gè) 辨 識 引 擎 物 件 ， 例 如 有 多 條 電 話(huà) 線(xiàn) 的 情 況 之 下 ， 可 對 多 個(gè) 來(lái) 源 的 聲 音 同 時(shí) 進(jìn) 行 辨 識 。
采 用 不 同 的 執 行 緒 （ thread ） 來(lái) 執 行 不 同 的 工 作 以 增 進(jìn) 辨 識 的 效 率 。
使 用 Ｃ ++ 物 件 模 型 程 序 界 面 （ Ｃ ++ object model programming interface ） 的 設 計 方 式 ， 以 物 件 導 向 程 序 設 計 （ object-oriented programming ） 的 方 式 使 程 序 發(fā) 展 及 維 護 更 為 容 易 。
使 用 者 可 以 根 據 其 應 用 程 序 的 需 求 來(lái) 調 整 辨 識 引 擎 的 參 數 以 調 整 辨 識 引 擎 的 效 能 及 準 確 率 。
支 援 語(yǔ) 音 播 放 及 存 檔 的 功 能 。
支 援 單 詞 語(yǔ) 音 辨 識 （ ISR,Isolatod Speech Recognition ） 和 關(guān) 鍵 詞 辨 識 （ KWS,Key word-Spotting ） 功 能 。 這 兩 種 模 式 可 用 來(lái) 發(fā) 展 語(yǔ) 音 命 令 和 語(yǔ) 音 查 詢(xún) 等 應 用 。
支 援 連 續 語(yǔ) 音 辨 識 （ CSR,Continuous Speech Recognition ） 功 能 。 此 模 式 可 用 來(lái) 發(fā) 展 語(yǔ) 音 聽(tīng) 寫(xiě) 輸 入 （ voice dictation ） 方 面 的 應 用 。
支 援 文 字 轉 語(yǔ) 音 （ TTS,Text-To-Speech ） 功 能 。 利 用 此 功 能 可 用 語(yǔ) 音 來(lái) 告 知 使 用 者 相 關(guān) 訊 息 以 發(fā) 展 更 互 動(dòng) 性 的 軟 件 。
支 援 使 用 特 定 說(shuō) 話(huà) 者 的 聲 音 模 型 和 資 源 設 定 值 ， 所 以 語(yǔ) 音 引 擎 可 以 根 據 個(gè) 別 說(shuō) 話(huà) 者 的 聲 音 差 異 來(lái) 調 整 辨 識 參 數 設 定 。
無(wú) 語(yǔ) 音 資 料 記 憶 體 大 小 限 制 ， 使 用 者 可 持 續 作 語(yǔ) 音 辨 識 而 不 用 擔 心 語(yǔ) 音 資 料 過(guò) 多 造 成 記 憶 體 爆 滿(mǎn) 。
使 用 者 可 動(dòng) 態(tài) 地 在 程 序 中 改 變 所 使 用 的 語(yǔ) 音 模 型 及 詞 庫 而 達 到 最 大 的 方 便 性 與 彈 性 。
使 用 者 可 在 程 序 中 動(dòng) 態(tài) 地 增 加 或 刪 除 詞 匯 ， 進(jìn) 而 定 義 新 詞 或 自 己 專(zhuān) 屬 的 詞 匯 。
使 用 callback 的 方 式 來(lái) 通 知 應 用 程 式 辨 識 結 果 以 使 辨 識 更 有 效 率 。
在 同 一 應 用 程 序 中 可 使 用 好 幾 個(gè) 辨 識 引 擎 物 件 ， 例 如 有 多 條 電 話(huà) 線(xiàn) 的 情 況 之 下 ， 可 對 多 個(gè) 來(lái) 源 的 聲 音 同 時(shí) 進(jìn) 行 辨 識 。
采 用 不 同 的 執 行 線(xiàn) 程 （ thread ） 來(lái) 執 行 不 同 的 工 作 以 增 進(jìn) 辨 識 的 效 率 。
使 用 Ｃ ++ 物 件 模 型 程 序 界 面 （ Ｃ ++ object model programming interface ） 的 設 計 方 式 ， 以 物 件 導 向 程 序 設 計 （ object-oriented programming ） 的 方 式 使 程 序 發(fā) 展 及 維 護 更 為 容 易 。
使 用 者 可 以 根 據 其 應 用 程 序 的 需 求 來(lái) 調 整 辨 識 引 擎 的 參 數 以 調 整 辨 識 引 擎 的 效 能 及 準 確 率 。
支 援 語(yǔ) 音 播 放 及 存 檔 的 功 能 。
下 圖 為 語(yǔ) 音 識 別 引 擎 的 系 統 結 構 ：
聲 碩 科 技 的 “ SpeechDirect ” 語(yǔ) 音 辨 識 應 用 軟 件 發(fā) 展 工 具 （ SDK ） 為 一 個(gè) 包 含 最 先 進(jìn) 中 文 語(yǔ) 音 辨 識 引 擎 的 應 用 軟 件 發(fā) 展 工 具 ， 其 目 的 是 幫 助 在 微 軟 視 窗 作 業(yè) 系 統 發(fā) 展 應 用 軟 件 的 廠(chǎng) 商 ， 能 快 速 而 簡(jiǎn) 易 地 將 語(yǔ) 音 辨 識 功 能 加 進(jìn) 他 們 的 軟 件 中 。 “ SpeechDirect SDK ” 提 供 一 個(gè) 簡(jiǎn) 單 易 用 的 語(yǔ) 音 應 用 程 序 界 面 （ speech API, Application Programming Interface ） 給 使 用 者 作 語(yǔ) 音 辨 識 上 的 應 用 ， 同 時(shí) 又 不 失 使 用 上 的 彈 性 和 擴 充 性 ， “ SpeechDirect SDK ” 的 內 容 除 了 聲 碩 科 技 的 中 文 語(yǔ) 音 辨 識 引 擎 外 ， 還 包 括 使 用 說(shuō) 明 文 件 、 范 例 程 序 、 相 關(guān) 工 具 及 語(yǔ) 音 資 料 庫 、 教 育 訓 練 和 技 術(shù) 咨 詢(xún) 支 援 等 等 。
下 列 為 建 議 的 系 統 需 求 ：
操 作 系 統 Microsoft Windows95,Window98 或 WindowsNT 。
CPU ： Pentium III 處 理 器
內 存 32 MB 以 上 。
與 Windows 相 容 的 16 位 聲 卡 及 喇 叭 。
品 質(zhì) 良 好 的 麥 克 風(fēng) 。
聲 碩 科 技 將 持 續 提 升 語(yǔ) 音 辨 識 的 正 確 率 ， 并 朝 電 話(huà) 語(yǔ) 音 辨 識 及 語(yǔ) 音 集 成 的 方 向 發(fā) 展 ， 此 外 ， 也 會(huì ) 開(kāi) 發(fā) 支 援 微 軟 語(yǔ) 音 程 序 界 面 （ SAPI ） 的 語(yǔ) 音 辨 識 引 擎 ， 使 語(yǔ) 音 程 序 界 面 標 準 化 。
| 主要語(yǔ)音引擎及開(kāi)發(fā)工具 2002-01-30 |
| 聲揚語(yǔ)音識別系列開(kāi)發(fā)工具 2002-01-30 |
| ASR：“說(shuō)得出做得到” 2002-01-30 |
| IBM ViaVoice語(yǔ)音軟件開(kāi)發(fā)工具 2002-01-30 |
| 語(yǔ)音識別的應用前景 2002-01-30 |