語音識別技術，學術上稱為自動語音識別（ASR），其核心使命是將人類語音中的詞彙內容轉換為計算機可讀的輸入，如按鍵碼、二進制編碼或字符序列。作為一種輸入方式，語音輸入較鍵盤與手勢更為快捷，學習成本極低。針對非特定人連續語音識別系統，識別率已達 98.73%，滿足實用標準，應用前景廣闊，手機端應用涵蓋語音撥號、語音輸入、語音指令、語音搜尋及語音翻譯等場景。

語音交互的完整流程剖析

語音技術原理雖複雜，但可透過交互流程直觀理解：

1. 啟動語音識別

目前手機端主要由用戶手動點擊按鈕啟動，尚無法實現語音喚醒或基於音量自動判斷啟動。

2. 進入說話界面

介面透過視覺化方式即時反饋音量變化，讓用戶感知錄音狀態。

3. 結束輸入與系統分析

結束輸入分兩種：單詞說完自動停止，或用戶手動關閉。系統處理分為以下關鍵步驟：

• 前端處理： 去噪、端點檢測（區分語音與非語音段）、語音增強（常用維納濾波），提取特徵供聲學模型使用。
• 聲學特徵提取： 將信號壓縮並解卷，使模式分類器更易劃分；涉及語音編解碼以減小體積。
• 統計聲學模型： 計算各幀特徵，引入上下文建模，利用發音機理中音素間的漸變關係提升準確度。
• 發音詞典： 存儲系統可處理詞彙及其發音，類似拼音輸入法詞庫；熱詞更新對提高匹配率至關重要。
• 語言模型： 對目標語言建模，分析上下文關係。

受限於本地存儲，複雜語音需上傳雲端識別。Google 語音搜尋曾在輸入完成後才提示離線，理應在啟動前預檢網絡狀態。

4. 結果輸出與自適應

輸出模式分為自動呈現（如 Bing 搜尋）與提供候選列表供用戶選擇，後者依賴識別概率。用戶選擇會反饋至詞典排序，增強自適應與魯棒性，形成個性化輸入。

詞彙量與識別難度的關係

按可識別詞彙量分類：特定指令詞彙最少、輸入法中等、語句搜尋最大且需處理連音、變音及上下文語義。條件限制越少，識別難度呈指數級上升。詞典越小、約束越強，特定詞彙準確率越高。

中英文語音輸入的差異

英文未命中詞典即無法識別；中文由單字組成，可透過單字兜底識別，容錯率更高。

未來展望

iOS 5 已將語音納入輸入法，語音輸入將成手機標配。最終衡量交互優劣的核心指標，仍是輸出準確率與操作流暢度。