搜尋意圖： 如果你在找「語音辨識 是什麼」、「語音辨識 會怎麼考」或「語音辨識 和相近概念差在哪」，先看這頁的定義、考點定位與延伸比較。
TL;DR： 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。
實用情境： 適合用在 iPAS 複習、面試快查與閱讀 AI 文章時快速校正概念邊界。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
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。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
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。
最關鍵的區別：先看它是在比意思、比結構，還是在做任務輸出。
記住這句就好
把聲音變文字，就是語音辨識。
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。
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
| 說法 | 出現場合 |
|---|---|
| 語音辨識 | 台灣正式用語 |
| 语音识别 | 簡體寫法 |
| Speech Recognition | 英文原名 |
| ASR（Automatic Speech Recognition） | 學術與產品文件裡的標準縮寫 |
| STT（Speech-to-Text，語音轉文字） | 業界常用的說法，指同一件事 |
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。
現在的做法跟以前差在哪
| 傳統流程（2010 年代前） | 端到端（現在） | |
|---|---|---|
| 組成 | 聲學模型、發音詞典、語言模型三塊分開訓練 | 一個模型直接從聲音到文字 |
| 需要的資料 | 音素層級的標註，昂貴 | 只需要音檔與逐字稿配對 |
| 新語言與新詞 | 要更新詞典 | 靠資料涵蓋 |
| 代表技術 | HMM 加 GMM、後來的 HMM 加 DNN | CTC、注意力式編碼解碼、Whisper 這類大規模預訓練模型 |
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。
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
什麼是語音辨識？
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。
語音辨識在 iPAS 考試中怎麼考？
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。
語音辨識和哪個術語最常被混淆？
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。