自動語音辨識 是什麼？
ASR (Automatic Speech Recognition)：自動語音辨識 的完整解釋
將人類口語音頻訊號自動轉換為文字的技術，是語音 AI 的基礎元件，廣泛應用於語音助理、會議記錄、字幕生成等場景。
自動語音辨識是語音 AI 領域歷史最悠久、應用最廣泛的技術之一，從 1952 年貝爾實驗室的 Audrey 系統（只能辨識 10 個數字）到今天能準確辨識多語言連續語音的端對端深度學習系統，經歷了數十年的技術演進。
傳統 ASR 架構（HMM-GMM 時代）
在深度學習普及之前，ASR 系統由以下元件組成：
- 聲學特徵提取：將音頻波形轉換為 MFCC（梅爾頻率倒譜係數）等特徵序列。
- 聲學模型（Acoustic Model）：通常使用隱馬可夫模型（HMM）建模語音的時序結構，高斯混合模型（GMM）建模每個狀態的聲學特徵分布，合稱 HMM-GMM 系統。
- 語言模型（Language Model）：N-gram 統計語言模型，根據詞序列的統計概率限制解碼結果，提升辨識的流暢度和語義合理性。
- 解碼器：結合聲學模型和語言模型的機率，使用 Viterbi 演算法或 Beam Search 找到最可能的詞序列。
深度學習 ASR 架構
深度學習帶來了 ASR 的技術躍升：
DNN-HMM：以深度神經網路（DNN）替換 GMM 建模聲學特徵，大幅提升辨識準確率。
CTC（Connectionist Temporal Classification）：允許神經網路直接輸出字元序列，無需框架對齊（Frame Alignment），簡化了訓練流程。代表系統：DeepSpeech 系列。
Attention-based Encoder-Decoder：以序列到序列（Seq2Seq）架構，編碼器處理音頻特徵，解碼器自迴歸生成文字輸出，注意力機制對齊音頻與文字。
Transformer ASR：將 Transformer 架構引入 ASR，Conformer（Convolution-augmented Transformer）結合卷積局部建模與 Transformer 全局建模，是目前主流架構之一。
Whisper（OpenAI，2022）：在 68 萬小時多語言語音資料上預訓練的端對端 ASR 模型，支援 99 種語言，在零樣本設置下達到接近人類水準的辨識率，並同時支援語音翻譯（直接從語音翻譯到英文）。
評估指標：字錯率（WER）
ASR 的主要評估指標是字錯率（Word Error Rate，WER）： WER = (替換數 S + 刪除數 D + 插入數 I) / 參考詞數 N × 100%
WER 越低表示辨識效果越好。現代 ASR 系統在特定場景（如乾淨的英文演講）上 WER 已可低於 5%，接近人類轉寫的錯誤率。但在強背景噪音、重口音、多人交叉發言等困難場景下，WER 仍可能大幅上升。
挑戰與難點
- 口音與方言：同一語言的不同腔調對 ASR 系統是重大挑戰，訓練資料中不平衡的口音分布會導致特定口音辨識效果差。
- 低資源語言：許多語言缺乏大量標注語音資料，難以訓練高品質 ASR 系統。無監督預訓練方法（如 wav2vec 2.0）的出現改善了這個問題。
- 說話人重疊（Speaker Diarization）：多人同時說話或交替發言的場景，需要同時解決「誰在說話」和「說了什麼」兩個問題。
- 即時辨識的延遲：串流 ASR 需要在接收部分音頻的同時輸出文字，對模型架構和系統工程都有額外要求。
主要應用場景
- 語音助理：Siri、Alexa、Google Assistant 的核心技術。
- 會議記錄與字幕：自動生成視訊字幕、會議記錄，提升內容可存取性（a11y）。
- 語音介面：讓使用者透過說話操作設備，對無障礙設計尤為重要。
- 語音翻譯：先 ASR 將語音轉為文字，再進行機器翻譯，或直接以端對端模型（如 Whisper）從語音翻譯到目標語言文字。
- 電話客服分析：自動將客服通話轉錄並分析情緒、關鍵詞，提升服務品質。