Face Landmarker 系列告一段落，府裡的健口操也練得有模有樣了。
老爺卻還掛心一件事：
「嘴型看得準了，那長輩念『怕、踏、卡、啦』清不清楚、繞口令順不順，誰來聽？」
府裡的 sherpa-onnx 聽這四個單音節時不太穩定，
於是決定上山，拜訪這位雲端「聞聲錄字」的俠客：Google Cloud Speech-to-Text。
今天就來認識他吧！
Cloud Speech-to-Text（Cloud STT）是 Google Cloud 提供的語音辨識 API，
讓開發者把 Google 的語音辨識技術整合進自己的 App。
語音辨識可以直接在手機端處理音訊（裝置端），也可以把音訊送到雲端的服務處理。
目前專案用的 sherpa-onnx 屬於裝置端，今天主角 Cloud Speech-to-Text 屬於雲端。
| 比較項目 | 裝置端（sherpa-onnx） | 雲端（Cloud Speech-to-Text） |
|---|---|---|
| 在哪裡辨識 | 使用者手機 | Google Cloud |
| 網路 | 不需要 | 需要 |
| 模型 | 打包進 App | 在雲端，不佔 App 空間 |
| 費用 | 開源，不另外計費 | 依處理的音訊秒數計費 |
| 音訊 | 留在手機 | 上傳到 Google Cloud |
Cloud STT 的 API 有 V1、V2 兩個版本：兩者的請求格式不同，
最新的 Chirp 模型只能在 V2 使用，官方建議新使用者直接用 V2。
以 V2 為例，一次辨識請求大致包含：
| 欄位 | 說明 | 例子 |
|---|---|---|
| recognizer | 辨識器：可儲存、重複使用的設定；不另外建立時用 _ | projects/…/recognizers/_ |
| model | 模型 | chirp_3 |
| language_codes | 語言（BCP-47） | cmn-Hant-TW（中文，台灣） |
| features | 功能開關 | 自動標點、字詞時間戳 |
| adaptation | 語音調整（詞語清單） | 怕、踏、卡、啦 |
| content 或 uri | 音訊：直接放進請求，或給 Cloud Storage 路徑 | gs://bucket/file.wav |
回應裡的重點欄位：
| 欄位 | 說明 |
|---|---|
| alternatives | 候選結果，第一個是最可能的 |
| transcript | 辨識出的文字 |
| confidence | 整句的信心分數，0～1 的估計值；通常只有最佳結果、而且是確定（is_final）的結果才有 |
官方提醒兩件事：
- 不要把 confidence 當成一定會有的欄位，它可能沒有值，也可能不準確。
- 辨識不出語音時，results 是空的；常見原因是音質太差，或語言代碼、編碼、取樣率和音訊不符。
| 方式 | 音訊怎麼送 | 上限 | 適合 | 健口動一動可能的用法 |
|---|---|---|---|---|
同步辨識（Recognize） |
放進請求，或給 Cloud Storage 路徑 | 1 分鐘或 10 MB，先到者為準 | 短音檔，錄完再辨識 | 念完一輪「怕踏卡啦」或一句繞口令後送出 |
串流辨識（StreamingRecognize） |
邊錄邊送；每則 25 KB 內，送出速度需接近即時；僅 gRPC | 一個串流最長 5 分鐘 | 即時字幕、語音指令 | 長輩邊念，畫面邊回饋 |
批次辨識（BatchRecognize） |
只收 Cloud Storage 路徑；非同步，完成後再取結果 | 每個檔案最長 8 小時，每次最多 5 個檔案 | 長錄音、會議記錄 | 目前用不到 |
Chirp 3 在 2025 年 10 月已經是正式版，但「繁體中文（台灣）」這個語言目前還是 Preview(體驗版)。
所以實際串接時，可以 chirp_3、chirp_2 都試試看。
V2 模型比較頁列出三個模型：
| 模型 | 用途 | 繁體中文可以用嗎？ | 可選的伺服器地區(繁中) |
|---|---|---|---|
| chirp_3 | 最新一代模型，官方說準確度與速度都優於前代 | 可以，但還在 Preview | us（美國）、eu（歐洲） |
| chirp_2 | 前一代模型，支援串流、翻譯 | 可以 | us-central1（美國）、europe-west4（歐洲）、asia-southeast1（新加坡） |
| telephony | 電話錄音專用（通常是 8 kHz） | 語言表沒有列出繁中 | — |
小提醒：
呼叫模型時要指定「區域」，也就是音訊要送到哪個地區的伺服器處理，
和使用者人在哪裡無關。
語言表列出的項目（語音調整、自動標點、字詞信心分數）以 cmn-Hant-TW 為準；
其他項目依各模型頁面的說明整理。
| 功能 | 說明 | chirp_3 | chirp_2 | 健口動一動可能的用法 |
|---|---|---|---|---|
| 語音調整 | 提高清單裡詞語被辨識出來的機率（見下一節） | ✓ | ✓ | 放入「怕、踏、卡、啦」和繞口令 |
| 自動標點 | 自動加上標點，可以關閉 | ✓ | ✓ | 比對繞口令前先關掉，或移除標點 |
| 降噪（denoiser） | 送進模型前，先減少背景音樂、雨聲、車聲 | ✓ | ✓（另有 SNR 過濾） | 減少長輩家中的環境噪音 |
| 斷句靈敏度（endpointing） | 串流時，偵測到停頓後要等多久才算說完；SUPERSHORT 適合單一詞語 | ✓ | 頁面未列出 | 單音節的即時回饋 |
| 字詞時間戳 | 每個字詞的開始、結束時間 | 列在不支援清單 | ✓（開啟後品質、速度可能略降） | 計算每個音節的間隔與速度 |
| 字詞信心分數 | 回應的每個字詞附一個 confidence 數值 | 列在不支援清單 | 有數值，但官方說明不能當成信心分數 | 可能不適合直接當發音分數 |
語音調整（Speech adaptation）可以提高特定詞語被辨識出來的機率。
官方的例子是：
音訊裡常出現 weather，就把它加進清單，讓它比發音相近的 whether 更容易被選中。
「怕、踏、卡、啦」都是單音節，正是語音調整可以派上用場的地方。
| 項目 | 內容 |
|---|---|
| 詞語清單（PhraseSet） | 放進想提高辨識機率的詞或句子 |
| 加權（boost） | 大於 0 的數值，實務上限 20；越高，越容易選中清單裡的詞 |
| 單一詞語 | 預設的調整效果比較小，單一詞語尤其如此，可以用 boost 加強 |
| 副作用 | boost 越高，沒說的詞也越可能被寫成清單裡的詞 |
| 數量上限 | 每個 PhraseSet 最多 1,200 個詞語，每個最多 100 字元；Chirp 3 最多 1,000 個，官方建議越少越好，避免影響清單以外的詞 |
| 自訂類別（CustomClass） | Chirp 2 不支援 |
- 概念上和 sherpa-onnx 的熱詞（hotwords）很像，
都是先告訴模型哪些詞要特別注意，再用分數決定加權多少。- 官方也建議 boost 要邊測邊調整，在漏聽和誤判之間找到平衡。
| 建議這樣做 | 盡量避免 |
|---|---|
| 取樣率 16,000 Hz 以上 | 重新取樣（例如把 8 kHz 的電話錄音轉成 16 kHz） |
| 用無損編碼：FLAC 或 LINEAR16 | mp3、m4a、mu-law 等有損編碼；非用不可時，依序優先 AMR_WB、OGG_OPUS |
| 麥克風盡量靠近說話的人 | 過多的背景噪音與回音 |
| 關掉自動增益（AGC）與降噪處理，避免破音 | 送出前自己先降噪，官方說通常反而降低準確度 |
| 串流時，每段音訊約 100 毫秒 | — |
對照健口動一動現在的錄音設定（MicStream）：
16 kHz、16-bit PCM、單聲道，存成 WAV，剛好就是官方建議的 LINEAR16。
WAV 和 FLAC 可以從檔頭自動判斷編碼與取樣率，不用另外指定。
今天這趟上山，認識了俠客 Google Cloud Speech to Text 的本領：
本事都打聽清楚了，他能不能聽懂長輩的「怕、踏、卡、啦」，還得請他實際出手才知道!
要請這位大俠出手，得先出示令牌（Google Cloud 的憑證）。
但令牌不適合發給每一支長輩的手機，萬一外流，帳單會寄到府上。
所以府裡得先在山腳下開一間鏢局：
「由鏢局保管令牌，替 App 把錄音送上山、把結果帶回來。」
明天就來開這間鏢局： Firebase Cloud Functions
感謝有緣看到這裡的你～
希望佛菩薩也祝福你：🌟平安健康 開心順遂🌟
南無觀世音菩薩🍀 南無地藏菩薩🏠 南無阿彌陀佛☀️
iThome鐵人賽
看影片追技術