▋前言

在完成資料探勘後，我們接下來要進入實驗設計階段。這一階段的目標是：定義清楚的實驗目標、輸入與評估方式，確保後續的測試與模型比較能有一致性與可信度。

▋內容

一、實驗目的

我們的核心問題是：

「AI 語音辨識系統能否在不同資料條件下，維持高準確率與穩定性？」

為此，我們設計三個層面的實驗：

準確率驗證：Whisper 在口語、重疊語音下的 WER 表現。

語者識別驗證：X-vector 嵌入的語者一致性。

情緒辨識驗證：SpeechBrain + Wav2Vec 在不同語料的精準度差異。

二、實驗架構

整個實驗流程如下：

資料集 → 前處理 → 模型推論 → 結果比對 → 評估指標 → 報告生成

資料集輸入：AMI、Switchboard、IEMOCAP

預處理：音訊切段、正規化、降噪

推論模組：Whisper / NeMo / Pyannote / SpeechBrain

比對機制：Ground truth 對照（字詞、說話者、情緒）

評估指標：WER、DER、Accuracy

報告生成：自動輸出分析摘要（含圖表）

三、設計原則

可重現性 (Reproducibility)：相同資料與設定下應得相同結果。

模組化 (Modularity)：每個模組可獨立測試。

可擴充性 (Scalability)：後續可替換不同模型測試。

▋下回預告

明天將進一步說明三大核心評估指標（WER、DER、Emotion Accuracy）的意涵與計算方式。

▋參考資料

Whisper GitHub