延續AI NEXT大會揭密Alexa是怎麼練成的Topic
這次的主題是聲學模型的部分

跟各位介紹一下，語音辨識系統框架主要包含四大部分->分別是 1.訊號處理 2. 聲學模型 3. 解碼器 4. 後端處理

首先，Alexa會對麥克風蒐集來的聲音，進行一些訊號處理，將訊號轉換到頻域，從每10毫秒語音提出一個特徵向量，提供給後面的聲學模型。聲學模型負責把聲訊分類成不同的音素。接下來就是解碼器，可以得出概率最高的 一串詞串，最後一步是後端處理，就是將單詞組合而成容易讀取的字檔。

在這過程當中，都會用到機器學習和深度學習的部分。

聲學模型為一個分類器，底部是匯入資訊，隱藏層將向量轉化到最後一層裡的音素概率，這是一個典型的神經網路。

Alexa是一個美式英語的語音辨識系統，所以會匯出美式英文中的各個音素。在Echo初發表時，Amazon錄製了幾千小時的美式英語語音來訓練神經網路模型。

2016/9發行德語版Echo，如果從頭來過一遍用幾千個小時德語語音來訓練，成本相當高。所以這個神經網路模型很棒的地方，就是可以透過”遷移學習”，保持原有網路其他層不變，只把最後一層換成德語。

兩種不同的語言，音素很多不一樣，但仍然有很多相同的部分，所以，可以只使用少量的德語的訓練資料，在稍作改變的模型上最終可以得到不錯的結果。

(本文為擷取TechNews聲學模型部分來為大家做分享，請詳以下資料來源)

資料來源: TechNews, Association of Technology and Innovation