瞭解語音辨識和合成
語音辨識 會採用口語文字，並將它轉換成可以處理的數據，通常是藉由將它轉譯成文字。 說出口的話可以是音訊檔案中所錄製語音，或來自麥克風的即時音訊。 系統會在音訊中分析語音模式，以判斷對應至單字的可辨識模式。 為了達成此目的，軟體通常會使用多個模型，包括：
- 「原音」模型，可將音訊訊號轉換成音素 (特定聲音的表示法)。
- 「語言」模型，可將音素對應到單字，通常會使用統計演算法來根據音素預測最可能的單字序列。
辨識的字組通常會轉換成文字，您可以用於各種用途，例如：
- 為錄製或即時影片提供隱藏式輔助字幕
- 建立通話或會議的文字記錄
- 自動化筆記聽寫
- 判斷所需的使用者輸入以進一步處理
語音合成與語音轉換 數據有關，通常是藉由將文字轉換成語音。 語音合成解決方案通常需要下列資訊：
- 要說出的文字
- 用來表達語音的語音
為了合成語音，系統通常會將文字「Token 化」，以將其細分為個別單字，並將語音指派給每個單字。 然後，其會將語音轉譯分解成「韻律」單位 (例如片語、子句或句子)，以建立將轉換成音訊格式的音素。 這些音素接著會合成為音訊，並可指派特定的語音、說話速率、音調和音量。
您可將語音合成的輸出用於許多用途，包括：
- 產生使用者輸入的語音回應
- 建立電話系統的語音功能表
- 在免手式案例中大聲閱讀電子郵件或簡訊
- 在公共場所廣播公告，例如火車站或機場