▋前言

為了達成前一篇（Day 3）提到的目標，我們設計了一個整合式架構，包含四大核心模組，每一個模組都解決了一個關鍵問題。

▋內容

系統由以下模組組成：

1. 語音識別 (Speech-to-Text, STT)
   使用 Whisper 提升逐字稿準確率。

2. 語者分離 (Speaker Diarization)
   採用 NeMo 框架解決「誰在說話」的問題，將多人對話切分。

3. 語者識別 (Speaker Recognition, SR)
   結合 pyannote (X-vector base) 確認發言者身份，區分老師與學生。

4. 語音情緒辨識 （Speech Emotion Recognition, SER）
   由 Speechbrain 搭配 wav2vec 模型來判斷學生情緒狀態，提供互動氛圍分析。

這四大模組透過 Pipeline 串接，形成一個完整的系統，從原始錄音到結構化數據，一條龍處理。

▋下回預告

下一篇將深入介紹第一個模組：語音轉文字 (STT)。

▋參考資料

Whisper 語音模型
NVIDIA NeMo
圖片源自競賽成果簡報