．前言

米娜桑～在看完主題小劇場後，都可以理解老闆的需求了吧！

兩週提交一個 簡單、陽春版的語音聊天機器人 ，Demo 給老闆看

可以想像成鋼鐵人的 Jarvis 網頁版

接著就讓我們邊勾勒產品的模樣，邊進行分析

這個語音聊天機器人，到底會需要用到哪些技術吧！

．核心技術介紹

首先，這個語音聊天服務流程會是這樣：

1. 使用者對聊天室中的機器人講話
2. 機器人大、聲、回、話！ (大聲什麼啦)

所以跟平常打字聊天不一樣的地方是：

1. 網頁要能夠接收使用者的聲音

• 透過 getUserMedia()，可以取得使用者麥克風輸入的即時音訊，再利用 Web Audio API搭配MediaStream Recording API 的 MediaRecorder，可以將音訊轉錄成檔案，用以傳送至後端。

2. 使用者講的話，機器人要能夠理解分析 (後續簡稱 chatGPT 吧，不演惹 AI)

• AI 要能夠判斷你說什麼，其實不是透過音訊，而是透過文字字串，所以我們必須藉由 Google 的 Speech-to-Text API(簡稱 STT)，將音訊檔轉成字串餵給 AI。

3. AI 分析完，要能用語音回覆

• 其實 AI 分析返回的結果也是字串，所以我們必須再藉由 Google 的 Text-to-Speech API(簡稱 TTS)，將字串轉成音訊檔，並透過 Web APIs 中的 Audio 來播放。

總結一下後續文章會使用的技術：

• Google Speech-to-Text：語音轉文字
• Google Text-to-Speech：文字轉語音
• OpenAI API：生成對話
• Web Audio API：音頻處理
• MediaRecorder：錄製音訊
• MediaDevices：獲取用戶麥克風輸入
• WaveFile：轉換音檔格式