一、前言

昨天替鏢局增添 通行守衛 和 金鑰保險箱 ，
今天終於可以安心請俠客 Google Cloud Speech-to-Text 出手！

這次想解決兩個實際需求：

• 念「怕、踏、卡、啦」時，能不能每次都辨識正確？
• 練習繞口令時，能不能把繁複相似的詞語，完整辨識出句子？

今天就從實測結果出發，看看 Google Cloud STT 能替健口動一動做到哪些事！

二、實測：單音辨識

（一）單音辨識的困難點

平常說一句話，前後文能提供線索。
只念一個「踏」，模型的輸出會是預期的那個字嗎？

健口動一動的開發需求，還會特別關注：

• 正確性：「踏」「卡」分不清、漏字少輸出
• 穩定性：同樣的發音，模型吐的結果都維持相同

（二）發音相同，輸出不同

結果：「卡」兩邊都辨識出來了，其他幾個音則出現不同的字。

實務上，
做 prototype 時，我就遇過同樣發音但辨識結果是其他字(例如：怕，辨識結果 帕)。
健口動一動的小遊戲(詳見下方)，是透過語音辨識判別操作的指令。
所以，我的做法是寬鬆比對，將同音或近音字映射成相同指令。

（三）輸出漏字

結果：四個音分別念八次：輸出結果都只有五個字

為了確認是不是偶發情況，
我把同一份「怕×8」的錄音，再交給兩個模型各辨識 30 次。
結果仍然一樣：每次輸出都只有五個字。

目前也不知道為什麼會有這麼穩定的漏字XD

接著想確認，是不是跟「念了幾次」有關。
我先用語音合成產生一個「怕」，再把這段聲音複製、接在一起，
做成重複 4 次、5 次、6 次、7 次、8 次的五份音檔，分別送給兩個模型辨識。
兩個模型的結果都是：4 次回 4 字、5 次回 5 字，6 次以上，全部停在 5 個字。

看起來比較像輸出有「最多 5 個」的上限，但從 API 回傳的內容，無法確認原因。

這個現象，我有回報到 Google 的 Issue Tracker：Issue #567868709

（四）加入語音調整，會不會改善？

語音調整（Speech Adaptation），先提供可能出現的詞，讓模型辨識時多留意它們。
這次添加四個提示字：怕、踏、卡、啦

boost 的數字怎麼選？
boost的數值可以設定 0～20，官方建議用實際音檔比較，再逐步調整。
數值提高時，也可能更容易出現「沒說卻辨識出來」的詞。

以 Chirp 3 的部分結果來看：

結果：單音辨識更符合預期了，重複音的漏字問題，仍然存在。

本輪使用 13 個既有音檔，
讓 Chirp 2、Chirp 3 分別在「開整、不設 boost」與「開調整、boost＝5」下，
各辨識 3 次，共完成 156 次請求。

（五）健口操小遊戲

實測影片：
https://youtube.com/shorts/_I7yjjogxy8?feature=share

辨識方式：串流辨識
選用模型：Chirp3
語音調整：怕、踏、卡、啦，四字。
辨識正確性：有正確辨識單音節發音(符合別名映射)
辨識穩定性：後續幾場，偶有不穩定、混淆情況(唸踏，辨識成怕)，可能需要多驗證。

三、實測：繞口令

（一）繞口令辨識的困難點

繞口令也是日本口腔體操的其中一項訓練，對語音辨識模型也是一項挑戰：

• 發音相近，容易混淆
• 相似音連續出現，容易漏字或辨識錯順序
• 辨識結果可能偏向常見語句

（二）正常朗讀的結果

第一段：

繞口令：四是四，十是十，十四是十四，四十是四十。

結果：
兩個模型都轉出了對應內容，
但 Chirp 2 使用漢字，Chirp 3 則使用阿拉伯數字，並加上標點。

對 App 來說，「十四」和「14」表達相同的數字，
直接逐字比對，卻可能把格式差異也算成錯誤。
比對前，可以先做文字正規化，統一標點、空白與數字格式。
並且保留原始辨識文字，方便回頭核對。

第二段：

吃葡萄不吐葡萄皮，不吃葡萄倒吐葡萄皮。

結果：兩個模型都完整保留了句子內容，差別主要在標點。

（三）如果真的念錯了呢？

練習時，我們也會想知道自己哪裡念錯。
這就需要模型忠實留下實際念法，才能進一步比對。

另一份錄音，我把「十是十」念成「十是四」：

四是四，十是四，十四是十四，四十是四十。

結果：兩個模型都沒有完整保留實際念出的句子，
因此難以從辨識文字可靠地定位「十是四」這個錯讀位置。

所以，即使正常朗讀時能順利轉成文字，讀錯時是否仍能忠實記錄，可能需要再確認。

四、小結

今天從單音、重複音到繞口令，
實際看了 Cloud STT 在不同練習情境下的表現：

• 單音辨識：回傳的字可能與預期不同；小遊戲可以透過別名映射，將同音或近音字對應到相同指令。
• 重複單音計次：這批八次發聲都只留下五個字，還無法直接用辨識文字計算練習次數；已回報 Google（Issue #567868709）。
• 語音調整：加入提示詞後，部分字形更符合預期；這批錄音沒有看到 boost＝5 帶來額外改善。
• 繞口令辨識：正常朗讀已有可用結果，比對時需要處理文字格式；錯讀時，模型卻未能完整保留實際念法。
• 小遊戲應用：把串流辨識接進遊戲，已能用「怕、踏、卡、啦」操作，讓聲音成為互動的一部分。

經過這次的實測，雖然發現：可能有無法滿足開發需求的點。
但我真的覺得 Chirp 3 相較於我去年試的 Chirp 1，真的有大大的變強XD

尤其今天測小遊戲的時候，
Chirp 3 加上 Adaptation ，整場小遊戲沒有辨識錯誤，這一點我特別感動！

因為做prototype時，辨識 「踏」「卡」很常混淆，就會看到小精靈的方向一直走錯XDD

五、預告

今天看了 Cloud STT 在健口動一動 App 的實測，
可是 App 端究竟如何實作同步辨識、串流辨識？

明天就讓我們繼續看下去吧！

感謝有緣看到這邊的你～
希望佛菩薩也祝福你：🌟開心幸福 健康順遂🌟
南無觀世音菩薩🍀 南無地藏菩薩🏠 南無阿彌陀佛☀️