亞馬遜（Amazon）智慧音箱Echo的成功，改變了整個智慧語音應用的市場風貌，現在人們談到智慧語音，腦海浮現的不是Siri，而是Alexa。而應用的場景也不是行動優先的手機，而是在家庭。

目前在美國市場，智慧音箱已在日常的家庭生活中有著日漸穩固的地位。根據研究機構PwC對1,000名美國成年人進行的調查顯示，65%的消費者在進行烹飪時，會使用獨立的智慧音箱；反之，使用行動裝置進行語音輔助的比例僅為37％。此外，在處理多重任務和觀看電視時，智慧音箱都是他們的主要選項。

家庭應用是智慧語音技術的主場

由此可見，家庭應用無疑是智慧語音技術的主場，而且更重要的是，幾乎所有的消費者（93％）都對這些語音助理感到滿意，但智慧手機上的語音助理則是最消費者滿意度最低的一項。

所以毫無疑問，智慧語音助理在數位家庭用中的比重將會開始飆升。IDC的最新報告就指出，全球智慧家庭裝置市場，包括智慧音箱，數位媒體轉接器，照明，恆溫器等，預計2018年出貨量達549.5萬台，比去年成長26.8%。其中最熱門的兩個類別是智慧音箱和影片娛樂產品，預計將佔2018年智慧家庭產品市場價值的71%。

另一家國際研究機構Juniper Research也指出，亞馬遜Alexa與谷歌語音的智慧家庭助理裝置，在未來五年將有望達到十倍（1000%）的成長。預計使用語音助理的數量，將從2018年的2500萬，成長到2023年的2.75億。這一成長的主要動能就是智慧家庭解決方案的大量成長。

而隨著智慧語音在家庭應用規模的飆升，相關技術供應鏈的也將迎來美好的年代，其中晶片與模組供應商會是最主要的獲利者。然而，相較於傳統的獨立、零散的語音設計方案，當前新一代的智慧語音，則是走向整體解決方案的形式，也就是結合晶片、軟體與雲端，並具備AI和機器學習的技術支援。

優化語音品質　高性能與低功耗是DSP的硬道理

瑞昱半導體（Realtek）是台灣老牌的音效晶片供應商，其DSP晶片已被廣泛用在各式消費性裝置與PC平台。而隨著進入智慧語音世代，瑞昱的DSP也從高運算能力、大容量、省電，轉移至神經網路技術（Neural Network Learning）與Video演算法，以往4到8個mac，目前已往300至1000個mac走。此外，配合消費性電子輕薄產品趨勢，DSP體積也同步縮小。

「語音最自然，可以存在於每個裝置上面。」瑞昱半導體電腦周邊事業群副總經理蘇祝鼎說道。

圖1 : 瑞昱半導體電腦周邊事業群副總經理蘇祝鼎相信，未來每個裝置都將支援語音介面。（攝影／王景新）

瑞昱認為，語音介面的技術很多，概略可分為軟體、硬體兩大項，之後又可再依照是人和人之間的溝通（voice），或是人與機器間的指令（speech），這兩者的技術又不相同，語音辨識之前有一段的pre-processing（前處理）跟語音品質息息相關，是為技術層面的最大挑戰。

「我認為最大的挑戰是怎麼去處理語音的品質。」蘇祝鼎強調。

他舉例，人跟人之間的溝通，即便是在環境較嘈雜的咖啡店，我們仍能清楚接受同伴的訊息；機器則不然，「我們有一種過度期待是可以站得很遠，或很吵的環境，機器還可以聽得懂。」易言之，使用者對人機介面語音品質接收成功與否有很高期待，期待能跟人際溝通一樣順暢無礙。

「我們在硬體的部分，專注於Codec跟DSP上。」蘇祝鼎說。他也指出，高品質、低電耗依舊是技術發展的硬道理。至於軟體部分，瑞昱將重心放在Voice Processing。

他表示，過去瑞昱讓終端用戶自己選擇使用的環境，然後再提供相應的對策；現在的趨勢是，讓軟體自己偵測使用環境，具體而微地分辨出咖啡廳、餐廳、家裡等，而瑞昱已投入了20年。

蘇祝鼎指出，語音介面的硬體挑戰不在編解碼器（Codec）本身，而在數位訊號處理器（DSP）上。如果為了提高識別率，動不動把SoC叫起來，將相當耗電。

他分析，國外有大廠作法是辨識處理部分往雲端丟，漏掉一個關鍵，這除了也耗電，更疏忽了資料保密性的重要。目前的技術趨勢是，前處理同步進行個人語音，所以一顆DSP晶片有二分之一都是記憶體，跑得動演算法之外，也須具備省電特性。

雖然瑞昱並非麥克風或喇叭廠，蘇祝鼎仍點出這兩項硬體的擺放位置，直接影響收音好壞。

「收音設備機構設計上如果有問題，再好的算法跟硬體DSP，可能都救不了。」他舉例，曾經碰過有人把麥克風擺在風扇旁邊，對語音辨識就是較不理想的擺放位置。他強調，人的語音特徵不能被破壞，雜音抑制（Noise Surrpressing）做過頭，人聲辨識不出來；做太少，則音感不好。

圖2 : 瑞昱半導體通訊網路事業群總監沈家慶拿著的Ameba Pro僅2.7乘以2.2公分大小。（攝影／王景新）

通訊網路事業群總監沈家慶則特別介紹旗下一款Wi-Fi SoC晶片Ameba，其以具有改變其形狀和適應能力的真核生物體命名。產品像其名字，Ameba可以應用於幾乎每個IoT應用。這款晶片整合了Wi-Fi與MCU和豐富的I/O介面。

深度學習技術解決人類自然語意難題

不同於瑞昱在音效技術上的長期投入，威盛電子（VIA）則是從處理器端起步，並透過在運算端的優勢，在近期轉往發展人工智慧（AI）技術，並將之運用在智慧語音上。

OLAMI（歐拉蜜），便是威盛獨立開發的智慧語音助理方案，未來將融入智慧電子看板、電視牆，和物聯網（IoT）應用等。OLAMI基於深度學習（Deep Learning）的語音辨識與電腦視覺等相關技術，具備語音檢測、回聲消除、噪聲抑制語音辨識；自然語言理解、對話管理、語音合成，提供一站式的解決方案。

威盛嵌入式事業部總經理吳億盼表示，語料庫的建立，是發展AI的前期基礎門檻。必須搞清楚定位在哪，想這個市場多大，建立語料、定位，再定義場景，最後收斂到應用端。

圖3 : 威盛投入人工智慧語音方案的布局。威盛嵌入式事業部總經理吳億盼（右）、郭宇帆。（攝影／王景新）

他指出，人類有70%的感官靠眼睛。但也必須結合聽覺，因此，機器視覺、智慧語音、人工自然語言等三者，彼此有不可或缺的緊密、連動關係，這裡頭的關鍵技術，是以繪圖晶片的演算法跟邏輯開發出來的。再以B2B的形式，落地到各個行業。

「技術的核心一樣，不同的排列組合，堆疊出客戶的需求。」吳億盼說。

「客戶對AI有電影般的想像。」威盛嵌入式-Smart Cities產品行銷郭宇帆分享。他認為，要先了解客戶的最終目的是什麼，梳理中間架構，協助畫清楚中間地圖，從預期收斂到現實，是推廣方面的最大挑戰。

他舉例，就醫院的應用場景來說，總有推床等聲音干擾，不見得適合完全以機器人為主，「這時候可以投過手機App來輔助，紀錄相關數據，讓產品更能落實。」即是於勞力密集的零售端，傳統人力仍然難被取代。

他指出，最大的限制是自然語意理解（NLP）的部分，人類語音有太多複雜的模型。機器人目前有其侷限範圍，一定範圍之外聽不懂，最後還是會找上真人。

這個痛點，威盛看到了。其OLAMI自然語言人機互動方案，就是覆蓋眾多垂直領域的語意通用場景，藉由海量知識庫，支持億萬量級詞典的複雜語意空間建模以及自定義語法解析，專利研發的深度語意解析技術以及OSL語法描述語言，讓開發者或企業可以根據自身需求快速構建各種應用，並降低開發成本。

「OLAMI是台灣最local的中文語音辨識服務。」郭宇帆介紹。

他解釋，OLAMI中文語音辨識（Speech-To-Text；STT）能提供中、英、台語混合辨識引擎企業級解決方案，針對不同產業領域，專業客制化語音辨識引擎。其中，在台語語音、以及聲音轉成文字都能做得非常精準，例如，一般語音辨識台語的「腳踏車」，中文顯示結果可能「卡的車」，並不精確；拜OLAMI台語語料庫、文法邏輯之賜，把特殊詞彙建進中文邏輯，混搭中、英、台語三種不同語言邏輯，精準呈現，拉開與同業的距離

由於其強大的辨識與學習能力，因此OLAMI的應用遠超出了智慧家庭的範疇，不僅在中國大陸智慧家庭應用頗有斬獲，也能因應電信、金融、零售以及企業內部等的商業級的應用。

今年第三季，信望愛基金會出導入威盛開發的AI語音辨識，開發的系統可辨識學生朗誦課文，依據流暢度、發音等評分，給出紅（掙扎）、黃（注意）、綠（流暢）三燈級分，也讓智慧語音技術進入了教育市場。