亚马逊（Amazon）智慧音箱Echo的成功，改变了整个智慧语音应用的市场风貌，现在人们谈到智慧语音，脑海浮现的不是Siri，而是Alexa。而应用的场景也不是行动优先的手机，而是在家庭。

目前在美国市场，智慧音箱已在日常的家庭生活中有着日渐稳固的地位。根据研究机构PwC对1,000名美国成年人进行的调查显示，65%的消费者在进行烹饪时，会使用独立的智慧音箱；反之，使用行动装置进行语音辅助的比例仅为37％。此外，在处理多重任务和观看电视时，智慧音箱都是他们的主要选项。

家庭应用是智慧语音技术的主场

由此可见，家庭应用无疑是智慧语音技术的主场，而且更重要的是，几乎所有的消费者（93％）都对这些语音助理感到满意，但智慧手机上的语音助理则是最消费者满意度最低的一项。

所以毫无疑问，智慧语音助理在数位家庭用中的比重将会开始飙升。 IDC的最新报告就指出，全球智慧家庭装置市场，包括智慧音箱，数位媒体转接器，照明，恒温器等，预计2018年出货量达549.5万台，比去年成长26.8%。其中最热门的两个类别是智慧音箱和影片娱乐产品，预计将占2018年智慧家庭产品市场价值的71%。

另一家国际研究机构Juniper Research也指出，亚马逊Alexa与谷歌语音的智慧家庭助理装置，在未来五年将有望达到十倍（1000%）的成长。预计使用语音助理的数量，将从2018年的2500万，成长到2023年的2.75亿。这一成长的主要动能就是智慧家庭解决方案的大量成长。

而随着智慧语音在家庭应用规模的飙升，相关技术供应链的也将迎来美好的年代，其中晶片与模组供应商会是最主要的获利者。然而，相较于传统的独立、零散的语音设计方案，当前新一代的智慧语音，则是走向整体解决方案的形式，也就是结合晶片、软体与云端，并具备AI和机器学习的技术支援。

优化语音品质　高性能与低功耗是DSP的硬道理

瑞昱半导体（Realtek）是台湾老牌的音效晶片供应商，其DSP晶片已被广泛用在各式消费性装置与PC平台。而随着进入智慧语音世代，瑞昱的DSP也从高运算能力、大容量、省电，转移至神经网路技术（Neural Network Learning）与Video演算法，以往4到8个mac，目前已往300至1000个mac走。此外，配合消费性电子轻薄产品趋势，DSP体积也同步缩小。

「语音最自然，可以存在于每个装置上面。」瑞昱半导体电脑周边事业群副总经理苏祝鼎说道。

图1 : 瑞昱半导体电脑周边事业群副总经理苏祝鼎相信，未来每个装置都将支援语音介面。 （摄影／王景新）

瑞昱认为，语音介面的技术很多，概略可分为软体、硬体两大项，之后又可再依照是人和人之间的沟通（voice），或是人与机器间的指令（speech），这两者的技术又不相同，语音辨识之前有一段的pre-processing（前处理）跟语音品质息息相关，是为技术层面的最大挑战。

「我认为最大的挑战是怎么去处理语音的品质。」苏祝鼎强调。

他举例，人跟人之间的沟通，即便是在环境较嘈杂的咖啡店，我们仍能清楚接受同伴的讯息；机器则不然，「我们有一种过度期待是可以站得很远，或很吵的环境，机器还可以听得懂。」易言之，使用者对人机介面语音品质接收成功与否有很高期待，期待能跟人际沟通一样顺畅无碍。

「我们在硬体的部分，专注于Codec跟DSP上。」苏祝鼎说。他也指出，高品质、低电耗依旧是技术发展的硬道理。至于软体部分，瑞昱将重心放在Voice Processing。

他表示，过去瑞昱让终端用户自己选择使用的环境，然后再提供相应的对策；现在的趋势是，让软体自己侦测使用环境，具体而微地分辨出咖啡厅、餐厅、家里等，而瑞昱已投入了20年。

苏祝鼎指出，语音介面的硬体挑战不在编解码器（Codec）本身，而在数位讯号处理器（DSP）上。如果为了提高识别率，动不动把SoC叫起来，将相当耗电。

他分析，国外有大厂作法是辨识处理部分往云端丢，漏掉一个关键，这除了也耗电，更疏忽了资料保密性的重要。目前的技术趋势是，前处理同步进行个人语音，所以一颗DSP晶片有二分之一都是记忆体，跑得动演算法之外，也须具备省电特性。

虽然瑞昱并非麦克风或喇叭厂，苏祝鼎仍点出这两项硬体的摆放位置，直接影响收音好坏。

「收音设备机构设计上如果有问题，再好的算法跟硬体DSP，可能都救不了。」他举例，曾经碰过有人把麦克风摆在风扇旁边，对语音辨识就是较不理想的摆放位置。他强调，人的语音特征不能被破坏，杂音抑制（Noise Surrpressing）做过头，人声辨识不出来；做太少，则音感不好。

图2 : 瑞昱半导体通讯网路事业群总监沈家厌拿着的Ameba Pro仅2.7乘以2.2公分大小。（摄影／王景新）

通讯网路事业群总监沈家庆则特别介绍旗下一款Wi-Fi SoC晶片Ameba，其以具有改变其形状和适应能力的真核生物体命名。产品像其名字，Ameba可以应用于几乎每个IoT应用。这款晶片整合了Wi-Fi与MCU和丰富的I/O介面。

深度学习技术解决人类自然语意难题

不同于瑞昱在音效技术上的长期投入，威盛电子（VIA）则是从处理器端起步，并透过在运算端的优势，在近期转往发展人工智慧（AI）技术，并将之运用在智慧语音上。

OLAMI（欧拉蜜），便是威盛独立开发的智慧语音助理方案，未来将融入智慧电子看板、电视墙，和物联网（IoT）应用等。 OLAMI基于深度学习（Deep Learning）的语音辨识与电脑视觉等相关技术，具备语音检测、回声消除、噪声抑制语音辨识；自然语言理解、对话管理、语音合成，提供一站式的解决方案。

威盛嵌入式事业部总经理吴亿盼表示，语料库的建立，是发展AI的前期基础门槛。必须搞清楚定位在哪，想这个市场多大，建立语料、定位，再定义场景，最后收敛到应用端。

图3 : 威盛投入人工智慧语音方案的布局。威盛嵌入式事业部总经理吴亿盼（右）、郭宇帆。（摄影／王景新）

他指出，人类有70%的感官靠眼睛。但也必须结合听觉，因此，机器视觉、智慧语音、人工自然语言等三者，彼此有不可或缺的紧密、连动关系，这里头的关键技术，是以绘图晶片的演算法跟逻辑开发出来的。再以B2B的形式，落地到各个行业。

「技术的核心一样，不同的排列组合，堆叠出客户的需求。」吴亿盼说。

「客户对AI有电影般的想像。」威盛嵌入式-Smart Cities产品行销郭宇帆分享。他认为，要先了解客户的最终目的是什么，梳理中间架构，协助画清楚中间地图，从预期收敛到现实，是推广方面的最大挑战。

他举例，就医院的应用场景来说，总有推床等声音干扰，不见得适合完全以机器人为主，「这时候可以投过手机App来辅助，纪录相关数据，让产品更能落实。」即是于劳力密集的零售端，传统人力仍然难被取代。

他指出，最大的限制是自然语意理解（NLP）的部分，人类语音有太多复杂的模型。机器人目前有其局限范围，一定范围之外听不懂，最后还是会找上真人。

这个痛点，威盛看到了。其OLAMI自然语言人机互动方案，就是覆盖众多垂直领域的语意通用场景，藉由海量知识库，支持亿万量级词典的复杂语意空间建模以及自定义语法解析，专利研发的深度语意解析技术以及OSL语法描述语言，让开发者或企业可以根据自身需求快速构建各种应用，并降低开发成本。

「OLAMI是台湾最local的中文语音辨识服务。」郭宇帆介绍。

他解释，OLAMI中文语音辨识（Speech-To-Text；STT）能提供中、英、台语混合辨识引擎企业级解决方案，针对不同产业领域，专业客制化语音辨识引擎。其中，在台语语音、以及声音转成文字都能做得非常精准，例如，一般语音辨识台语的「脚踏车」，中文显示结果可能「卡的车」，并不精确；拜OLAMI台语语料库、文法逻辑之赐，把特殊词汇建进中文逻辑，混搭中、英、台语三种不同语言逻辑，精准呈现，拉开与同业的距离

由于其强大的辨识与学习能力，因此OLAMI的应用远超出了智慧家庭的范畴，不仅在中国大陆智慧家庭应用颇有斩获，也能因应电信、金融、零售以及企业内部等的商业级的应用。

今年第三季，信望爱基金会出导入威盛开发的AI语音辨识，开发的系统可辨识学生朗诵课文，依据流畅度、发音等评分，给出红（挣扎）、黄（注意）、绿（流畅）三灯级分，也让智慧语音技术进入了教育市场。