作者：陸向陽
近年來語音辨識應用愈來愈流行，2011年蘋果（Apple）為iPhone提供Siri語音助理，之後谷歌（Google）、微軟（Microsoft）等也跟進，先後提出Google Now（2012年）、Cortana（2014年4月）。
到了2014年11月，亞馬遜（Amazon）推出Echo家庭語音助理（179美元），使語音辨識從行動裝置普及回家庭客廳，2016年3月在推出平價版的Echo，即Echo Dot（49美元），以及行動版的Echo，即Amazon Tap（129美元），使語音辨識助理裝置的應用風氣更為開展。
Amazon Echo熱賣，引爆聲控介面應用商機
Maker的語音辨識開發套件：ReSpeaker
不過，上述的語音辨識應用，通常用來搜尋網頁、開啟或操作App、或獲得語音回應，卻較少用來操控家電或物聯網裝置，因此深圳矽遞（SeeedStudio）在2016年11月推出ReSpeaker開發套件，一方面可接受語音辨識，另一方面透過創客（Maker）的硬體控制電路開發，有機會用語音操控家電及物聯網裝置。
ReSpeaker是具備語音辨識技術的開發板
ReSpeaker是如何做到更廣大可能的語音辨識應用？
事實上ReSpeaker借用了現行多種技術，在硬體電路控制部份，ReSpeaker使用與Arduino相同的控制晶片：ATmega32u4，讓原本熟悉Arduino的創客，可以直接把過往設計過的控制電路，直接沿用到ReSpeaker上；它也規劃了I2C、AUX、USB等介面可供Maker來連接週邊，拓展應用性。
在Wi-Fi方面，ReSpeaker採用了聯發科（MediaTek）的MT7688晶片，這是顆本來用於家晶用Wi-Fi Router的晶片，但之後也學仿Linino ONE、Arduino Yun，透過重新規劃，包裝成LinkIt Smart 7688/7688 Duo，打入創客應用領域（相關報導）。
軟硬整合，開發潛力大
為了讓MT7688晶片獲得更穩的收發、運作表現，運用群登（AcSiP）的SiP封裝技術，事先將MT7688晶片外圍需要的電路封裝在一個模組內，再將模組交付給SeeedStudio做成ReSeapker（相關報導）。
因此，使用者發出的語音，會先由MT7688晶片先行接收，而後透過Wi-Fi無線方式傳遞到Internet上，再由Internet上的各種語音雲端服務接手處理，並傳遞回應，MT7688再將回應以喇叭方式發聲，或轉換成其他控制信號，進而控制家電等。
值得注意的是，ReSpeaker基本上只有一個單純的麥克風來接收語音，比較適合近距離發聲、低環境背景噪音下發聲，若要遠距離發話辨識，或是在較吵雜環境，則建議擴充連接陣列式麥克風（Array MIC），此在ReSepaker屬於選購配件。
ReSpeaker的麥克風陣列架構
實測影片如下：
而在控制應用程式的開發環境上，ReSpeaker與LinkIt Smart 7688/7688 Duo一樣使用嵌入式Linux作業系統，即OpenWrt，程式語言方面可用Python，或是C/C++、Arduino、JavaScript及Lua。
可以使用多種工具開發，以ReSpeaker打造各種物聯網裝置（Source）
語音辨識服務是關鍵
有關軟硬體構成簡述如上，我們將重點轉到語音辨識部份，ReSpeaker並沒有自己獨立發展的語音辨識技術，而是直接呼叫（Call，大陸稱為：調用）數家知名科技大廠的語音雲端服務，例如Microsoft的Cognitive Service（感知服務）、Amazon的Alexa Voice Service（簡稱AVS）、Google的Speech API，或者，也可呼叫Wit.ai或Houndify。
能支援多種雲端與離線的語音辨識系統是ReSpeaker很大的特色（Source）
如果ReSpeaker無法連上Internet呼叫這些語音辨識服務，在離線狀況下，也有PocketSphinx可呼用，直接在ReSeapker機內進行辨識運算，了解發話者的字彙意涵，進而採取行動。
且以Microsoft的Cognitive Service為例，談談語音辨識是怎麼一回事。Microsoft Cognitive中的語音辨識區分成Bing Speech API、Custom Speech Service、Speaker Recognition API，簡介定義如下：
- Bing Speech API是將發話轉成文字，轉送到Bing搜尋引擎，而且會嘗試了解發話者真正想搜尋的意向、意涵；
- Custom Speech Service則是更精進辨識，在不同發話方位或噪音環境下也能保有辨識正確性；
- Speaker Recognition API則可以知道發話者是家庭成員的爺爺、奶奶等。
事實上，Microsoft的Cognitive Service並非只有語音辨識，其實也包含視覺辨識、語言辨識、知識辨識、搜尋辨識等。其中「語言辨識」和「語音辨識」不同，前者的功能是辨認一段文字是否有拼錯字？判斷這段文字資訊是哪一國的文字？判斷一段文字中的關鍵字詞為何？好用來建立Tag標籤，方便歸類與搜尋。
Microsoft Cognitive的服務類型
值得注意的是，微軟感知服務最終仍是追求獲利，所以雖可呼用，但卻有限度，以Bing Speech API而言，每個月只能免費呼叫使用5次，每次呼用不得超過15秒，每次呼用不能超過1,000個字元，若是超過，每1,000次呼用收取4美元，呼用時間0-10小時內，每小時收取9美元，10-100小時則每小時收取7.5美元，100小時以上每小時收取5.5美元。
其他服務也類似，免費均只能限度性呼叫，Amazon與Google也類似。此外，Amazon現階段只支援英文與德文辨識，中文尚未支援。
新應用潛力無窮
有關語音辨識的應用，不只有聲控，其實還有許多可以發揮，舉例來說，日本視算（SGI）曾發展一種言花（KOTOHANA）技術，透過語音辨識了解發話者的情緒，是緊張、高興、生氣等，可以有6種情緒，每種情緒有10個刻度，這項技術之後轉至恩益禧（NEC）。
透過語音辨識出情緒可以有多種應用，例如裝置在車內，在駕駛處於興奮狀態（注意力較低）時，汽車的安全系統（ABS緊急煞車系統、Air Bag安全氣囊）會較嚴格感應，反之放寬；當用於餐廳氣氛感應，冷清與熱鬧等差別，進而改變餐廳燈光與音樂 ；也可用來輔助客服人員，確定安撫來電者的怒氣才掛電話；或用在電子寵物上，感應家庭成員的情緒，進而安慰主人等。
事實上，一項人機介面的出現，可能改變許多人的行為模式，甚至是帶來科技應用上的典範轉移，2007年iPhone問世，其觸控介面的影響力就是最好的例子。而今語音辨識的應用已打開市場，下一步可望走向穿戴式及IoT應用，而Maker創意及技術的投入，有機會加速這些事情的發生。
最後，從語音辨識到語言辨識的技術含量，大程度在軟體與演算法上，硬體反而是簡單的接軌，此方面有待更多人參與與努力。
（註：截至發稿前，ReSpeaker尚未上架線上賣場）
- 創客積木M5Stack加入LLM戰局 - 2024/11/29
- MLPerf大語言模型、生成式AI測項觀察 - 2024/11/27
- Sony強力加持！樹莓派發表專屬AI攝影機 - 2024/10/28
.jpg)
.jpg)
2019/06/25
您好，請問一下respeaker是如何辨識人聲與非人聲的呢？？是分辨波紋嗎？ 謝謝。