在現今AI技術發展越來越純熟的狀況下，人們期待可以通過「說」的方式，讓各種機器裝置「聽」得懂我們說的話。最常見的就是Apple手機的Siri：

「Hey，Siri，幫我看今天天氣」
「今天天氣很好，但你嘴巴閉閉，我在忙。」

另外，在某些場景下，例如：法庭庭審、企業會議、影片字幕等等，常常需要將錄音檔，轉換為文字；又或者是針對某些電子書的「說書」、針對視障者的文字轉合成語音的應用，也會需要使用到這類型的服務。

但是輪到實際應用開發的時候，若是自己重新訓練一個模型，或者準備設備，都需要花相當多的時間與成本，同時囿於訓練資料的不足，可能訓練出來的效果也不如預期。
那麼，究竟該如何解決這些問題呢？

語音交互在金融、保險、電商、教育、IOT產業中都佔據相當重要的角色，而如果想要解決上述的開發問題，其實我們可以採用雲原生的AI服務，在語音交互、識別、文字語音轉換(Text to Speech or Speech to Text)的這塊領域下，阿里雲發展出了所謂的「智能語音交互服務」。

筆者整理出一些最常見的應用場景：

上述的表格粗略的簡介了阿里雲上面「智能語音交互」的服務，而阿里雲在語音識別、合成上又有哪些特點呢？

在語音識別上，阿里巴巴iDST智能語音交互團隊，根據自身AI上的經驗，除了建構自有的AI語音訓練模型，並採用字级LC-BLSTM/DFSMN-CTC的模型外，也使用了LFR-DFSMN（Lower Frame Rate-Deep Feedforward Sequential Memory Networks）的新技術，讓識別速度相較傳統的模型提高三倍以上，同時複雜度也下降三倍以上。效果如下圖所示：

那麼接下來，話不多說，就讓筆者為各位展示阿里雲的智能語音交互如何操作吧！

實作：
本次實作將會使用語音合成的功能，先合成一段自定義的語音，並用語音識別，來將此語音轉換為文字。
此外本次使用的範例程式碼為Python3，並且使用Visual Studio。

1. 工欲善其事，必先利其器。先來開通智能語音交互服務，開通後會長的如下畫面，本次因為僅測試用，所以全部選擇試用即可。
   

2. 開通完成後，選擇畫面上的「我的項目」，並且選擇「創建項目」
   

3. 填寫好名稱後，直接創建。
   

4. 創建後點選功能配置。
   

5. 選擇語音合成，並且點選去配置
   

6. 在這邊，可以配置音調、配置音色、以及聲量等等，創建完成即可用Python3來呼叫語音合成的服務。
   

7. 創建完成後，就需要使用程式碼來調用服務，需要使用到項目AppKey、Access Token(僅作測試用)，如下圖位置。

Access Token：

項目AppKey：

8. 可以在我的Github裡面找到本次語音合成的程式碼，並且將appkey、token修改成自己的，並且將想要翻譯的字放在text變數裡，本次使用「Learn to walk before you run」這句話，當作語音合成用。
   

9. 執行，獲得200OK！成功獲取一個新的Audio檔案(.wav格式)，檔案名稱為syAudio.wav，這個檔案便是Ali的合成語音。
   

10. 接下來重複步驟3與步驟4，但創建的是語音識別，並且系統會請我們配置模型，選擇基於場景選擇模型。
    

11. 選擇英語識別模型後按下確認。
    

12. 可以在我的Github裡面找到本次實作語音識別的程式碼，並且將appkey(記得與語音合成的AppKey不同)、token修改成自己的，並且將音檔位置放在audioFile的變數當中，如下圖。
    

13. 執行Python Code調用服務，預期的結果是「Learn to walk before you run」。
    

14. 大成功！

本次實作透過Python3來執行，並且完成語音合成與語音識別的功能，結果也如同我們預期的一樣，有興趣的小夥伴不妨拿自己講話的音檔試試喔！

敬請期待接下來的文章吧！！！