前言

當我們說出「開燈」的瞬間，腦中其實已經構築了一個期望 —— 我希望燈亮起來，而不是只是被「聽見」。

這正是語音互動設計的核心：語音不只是輸入，還必須驅動回應。

今天，我們就來實作一個最小可行語音互動系統（MVP）：
👉🏻 使用 CNN 模型辨識「開燈」和「關燈」語音指令，並用 print() 模擬控制燈光的行為！

系統架構與流程

語音資料來源

本專案採用 Google 開源的 Speech Commands Dataset：

• 包含數十種語音指令（如：yes, no, stop, go, on, off 等）
• 每筆資料為 1 秒 .wav 聲音檔，採樣率 16kHz
• 多人錄音，增加泛化能力

我們將挑選其中的 on 與 off ，分別代表「開燈」與「關燈」指令。

特徵工程

CNN 模型對圖像敏感，因此我們會將聲音波形轉換成 梅爾頻譜圖（Mel Spectrogram），讓聲音變成一張圖片：

如下圖所示：

import torchaudio
import matplotlib.pyplot as plt

waveform, sr = torchaudio.load("on.wav")
mel = torchaudio.transforms.MelSpectrogram()(waveform)

plt.figure(figsize=(10, 4))
plt.imshow(mel.log2()[0].numpy(), cmap='viridis', aspect='auto')
plt.title("Mel Spectrogram of 'on'")
plt.xlabel("Time")
plt.ylabel("Mel Frequency")
plt.colorbar()
plt.show()

CNN 模型設計與訓練

以下為模型架構，經資料增強後進行訓練，最終在測試集達到 94.45% 的準確率：

import torch.nn as nn

class CNNClassifier(nn.Module):
    def __init__(self):
        super().__init__()
        self.net = nn.Sequential(
            nn.Conv2d(1, 16, kernel_size=3),
            nn.ReLU(),
            nn.MaxPool2d(2),
            nn.Conv2d(16, 32, kernel_size=3),
            nn.ReLU(),
            nn.MaxPool2d(2),
            nn.Flatten(),
            nn.Linear(32 * 14 * 14, 64),
            nn.ReLU(),
            nn.Linear(64, 2) 
        )

    def forward(self, x):
        return self.net(x)

控制邏輯模擬（print 實作）

def control_light(pred_label):
    if pred_label == 1:
        print("燈亮起來了！")
    elif pred_label == 0:
        print("燈熄滅了...")
    else:
        print("無法辨識的指令")

y_pred = model(mel_tensor.unsqueeze(0).to(device))
pred_label = torch.argmax(y_pred, dim=1).item()
control_light(pred_label)

輸出：

成效評估

模型訓練後的測試結果：

✅ Test Accuracy：94.45%
✅ 混淆矩陣如下：
Confusion Matrix:
[[374 6]
[ 20 300]]

✅ 分類報告：

結語

這是一個從 語音資料 → CNN 模型 → 控制回應 簡單的 print() 語音控制開關燈的實作，雖然只是 HCI × Deep Learning 世界中的一個小實驗，卻象徵著智慧互動將不再侷限於滑鼠與螢幕，而是更貼近我們的語言與感官。

你是否也開始想像，下一個用語音控制的對象會是什麼？