語音人機介面——技術及應用經驗分享

人機介面的發展歷程簡而言之就是從人去適應機器（Machine-centered）到機器不斷去適應人（Human-centered）的過程，從最早期的以鍵盤作為互動介面的命令列介面（Command-line Interface, CLI），到1963年由Dr. Douglas Englebart發明滑鼠，以及Xerox、Apple、Microsoft等公司在圖形介面的成就，發展到現在最常用的圖形化介面（Graphic User Interface, GUI），再到目前逐漸演化中的自然化介面（Natural User Interface, NUI），結合了人的感知，如語音（Speech）、手寫（Hand-writing）、眼球追蹤（Eye-tracking）、手勢（Gesture）、表情（Emotion）等，而機器也不再侷限於俗稱的電腦，包含愈來愈多有計算的功能的裝置，同時這些裝置從也不再侷限於靜止狀態，不斷的有各種移動式裝置（Mobile Device）推陳出新，例如Notebook、Tablet PC、PDA、Cellular Phone等。在這新一代的人機介面（NUI）中，與機器互動的主導權逐漸轉移到人的手中，而其中語音人機介面（Voice User Interface, VUI）無疑是被高度期許的，在這幾年中，語音人機介面從被商業上的高度期待到失望，再到目前被成功的應用於某些地方（Specialty Niches），例如聽寫機在醫學業、法律業及倉儲業等的應用，簡單的對話系統在電信服務上的應用，以及行動裝置或資訊家電的應用如手機聲控撥號等。圖一顯示各種不同的人機介面技術目前的成熟度，以VUI為例，Telephony的應用算是比較成熟的，而行動裝置的應用正慢慢的走向高峰，至於PC端的應用目前在谷底；以技術的角度來看，語音合成算是相對成熟的技術，而對話系統的技術成熟度還在很初期的階段。在這篇文章中，我們嘗試用不同的角度來看如何讓語音人機介面走向實用性，特別是在輸入（語音辨識）這端，希望這些觀點能激發出更多好的想法，不管在技術及應用上給這個領域更多的活水。