語音交互

概念定義

語音交互，又稱語音互動，係以人類語音做輸入及輸出載體嘅人工智能人機交互技術。系統透過收集使用者說話內容，將聲音轉換成可處理資訊，再理解意圖並以語音或裝置動作作出回應。完整技術鏈涵蓋語音採集、語音識別、自然語言處理同語音合成。

語音交互亦可以同手勢識別、面部追蹤及視線追蹤融合，形成多模態交互系統。呢類系統會同時處理語音及其他人體訊號，令裝置唔再只依賴單一輸入方式。

交互流程由語音採集開始。聲學模組接收使用者發出嘅聲音，語音識別技術將語音訊號轉換成文字或其他可供系統分析嘅形式；自然語言處理再分析內容及使用者意圖，交由相應功能執行；需要語音答覆時，語音合成技術會將回應內容轉換成人聲輸出。

對話式系統會將上述環節連接成持續交互流程，令使用者可以用說話提出要求、補充條件或者接收回覆。技術演進由早期指令響應逐步發展至對話理解及認知交互；全雙工模式則支援更連續嘅語音對話。

語音交互架構可分為硬件載體、聲學模組同智能技術三層。硬件載體負責承載功能及提供實際操作介面；聲學模組負責聲音輸入與輸出；智能技術層涵蓋語音識別、自然語言處理、意圖識別及語音合成。三層協同運作，先將聲音變成系統可理解嘅資訊，再把處理結果轉化為操作或語音回覆。

語音交互可用於智能家居同其他嵌入式設備，使用者以語音控制裝置或查詢資訊。車載場景可藉語音輸入操作相關功能，減少使用者對實體按鍵或觸控介面嘅依賴。技術亦應用於金融服務、政府應急指揮、智慧醫療、高速交通客服、智慧政務、博物館智能導覽及企業信用修復等服務場景。

喺多模態應用之中，語音輸入會同手勢、面部位置及視線方向等訊號配合。系統可利用多種交互方式共同接收指令，並按場景輸出語音回應或執行相應功能。

語音交互技術嘅早期發展可追溯至1952年貝爾實驗室嘅阿拉伯數字識別系統。1962年，IBM開發支援數學計算嘅語音控制設備。2011年蘋果推出Siri，語音用戶介面進一步進入消費級市場。其後，語音交互由辨認固定指令，逐步擴展至連續對話、語義理解及多模態融合。