2025 iThome鐵人賽
「 Flutter ：30天打造念佛App，跨平台從Mobile到VR，讓極樂世界在眼前實現 ! 」
Day 12
「 Flutter 語音辨識 實戰入門篇 — 生活在地球的勇者啊，你聽過阿彌陀佛嗎(3) 」
前兩天我們已經透過 speech to text ，
實際Demo 用戶端App的語音辨識運作，
並且知道如何實作核心步驟與進行細節設定。
今天我們來認識 語音辨識的實作方法之一「 雲端語音轉文字 」，
並且了解 雲端服務商之間的差異 與 初步認識 Google Cloud Speech to Text！
Day12 文章目錄：
一、雲端語音轉文字
二、雲端服務供應商
三、Google Cloud Speech to Text
1. 簡介
雲端語音轉文字，
又稱 雲端自動語音辨識、雲端轉寫（Cloud ASR / Cloud Speech-to-Text）。
指的是：App 將音訊上傳雲端服務商，由雲端模型將語音轉成文字，並將結果回傳。
2. 常見模式
- 即時串流（Streaming）：邊錄邊傳，雲端回 partial / final 結果，
適合即時字幕、語音助理。
- 批次轉寫（Batch）：錄完一段檔案（例如 30 分鐘、1 小時）再上傳，
幾分鐘內拿到完整逐字稿，適合會議、訪談、長檔分析。
3. 優點與缺點
| 優點 | 缺點/成本 |
|---|---|
| 準確度高：多語系與口音覆蓋廣。 | 依賴網路：網路品質不佳時，可能無法使用或延遲增加。 |
| 裝置端負擔小：App 體積小、裝置運算/耗電較低。 | 成本：依音訊分鐘計費，長時間或大量用戶費用可觀。 |
| 生態成熟：維運工具完善。 | 隱私/合規：音訊上傳雲端處理與存儲，需事先告知/取得同意，並做好加密與存取控管。 |
| 擴充功能：關鍵詞加權、內容審查等。 | 供應商鎖定：API 與費率可能變動，跨雲遷移成本高。 |
1. 簡介
雲端服務供應商（Cloud Service Provider, CSP）
是提供運算、儲存、AI/ML 等雲端能力的廠商。
以語音轉文字（ASR）來說，雲端服務商讓我們的 App 不必在裝置上載入大模型及負擔維運，只需要將音訊串流或批次上傳到雲端，就能拿到逐字稿。
2.常見的雲端服務商- Cloud ASR
| 關鍵點 | Google Cloud Speech-to-Text | AWS Transcribe | Azure AI Speech | Deepgram | OpenAI Whisper API |
|---|---|---|---|---|---|
| Flutter 串接難易度 | 中： gRPC；有社群套件 google_speech | 中：WebSocket， SigV4驗證 | 中：原生 SDK（iOS/Android）→ 平台通道 | 易：WebSocket | 易：HTTP上傳檔案 |
| 即時串流協定 | gRPC | HTTP/2 或 WebSocket | SDK 內建串流 | WebSocket | 無(以批次為主) |
| 批次長檔支援 | 檔案最長8小時 | 最長4小時或上限 2 GB | 最長4小時或上限 1 GB | 檔案上限2GB | 檔案上限25MB |
| 關鍵詞辨識強化 | 有，Speech Adaptation | 有，Custom vocabularies | 有，Speech Studio Custom Keyword portal | 有，Keywords | 無內建，靠後處理比對 |
| 說話人分離 | 有 | 有 | 有 | 有 | 無（需外掛工具） |
| 價格計費 | 依音訊分鐘數（型號不同價） | 依音訊分鐘數 | 依音訊分鐘數 | 依音訊分鐘數 | 依音訊分鐘數 |
| 語言覆蓋 / 支援中文辨識 | 廣 / 有 | 廣 / 有 | 廣 / 有 | 廣 / 依模型 | 廣 / 有 |
1. 支援語系廣，且支援繁體中文
2. 計費價格
3. 音訊要求
4. 擴充功能
| 重點 | 內容 |
|---|---|
| 雲端語音轉文字 | 常見模式與優缺點 |
| 雲端服務供應商 | 差異比較 |
| Google Cloud Speech to Text | 音訊要求與擴充功能 |
iThome鐵人賽
看影片追技術