近來全球吹起全球語音熱，但國際大廠開發的系統多半不支援中文，該如何克服中文難以被人工智慧破解的痛點，提升辨識精準度？
10月底的週末午後，華山文創園區古色古香的紅磚建築裡，不少新創團隊正展示他們研發的語音助理。
這是科技部主辦的「科技大擂台，與AI對話」活動，目標要讓以往只聽得懂字正腔圓標準國語的語音助理，也能輕鬆和「台灣國語」互動。
放眼全球，目前蘋果、亞馬遜、Google、微軟等科技巨擘都看好語音助理的發展，紛紛投入資源開發語音助理的產品，陣容龐大。
如Amazon內建語音助理Alexa的Echo系列產品，2014年推出後，至今仍然不斷推出新款。而Google也推出內建Google Assistant的語音助理產品；近兩年來已經大大地改變美國人的生活。
消費者只要對著這些產品說話，不需要操作電腦或手機介面，就能操控居家電器、冰箱、音樂等，甚至可以直接線上購物，完成金流與物流。
但坊間的語音助理，幾乎不支援中文。就算有中文，辨識度也偏低。
Gartner個人技術研究部研究總監李良達觀察，今年年初，百度與北京新創公司在大陸發表的對話機器人「小魚在家」，銷售不理想，原因之一就是辨識精準度還不夠好。
語音助理中文化，到底為什麼這麼難？
難題1〉腔調導致判斷失準
第一個難關，就是中文南腔北調的差異。
參與開發OLAMI語音助手的威盛電子OLAMI人工智慧開放平台產品總監杭志明指出，過去該公司在大陸累積較成熟數據，且大陸人腔調跟台灣不同。
特別是大陸業者對台灣國語普遍不熟悉，沒有加入特別的處理或支持，就會造成機器聽不懂、辨識不出來。
負責智慧語音機器人Zenbo研發的華碩科技創新實驗室技術長龐台銘也坦言，確實收到客戶反映，台灣國語口音導致Zenbo判讀錯誤，後來除把常用的台灣國語詞彙放入機器訓練，還加到語音辨識資料庫進行校正，強化機器人的詞彙辨識能力。
難題2〉中文有五聲聲調
第二個難題是聲調。「華語和英語，語言結構差異很大，最明顯的差別之一是聲調，」國內語音辨識權威、中央研究院院士李琳山分析，華語的五種聲調，代表不同意思，這種情況在很多語言中沒有，包括英語。
例如，穿「著」念二聲或念輕聲，意義就有差別。杭志明解釋，中文一字多音的情況很多，必須訓練機器去判讀詞彙在整句話中代表什麼意涵，才不致判斷失準。
難題3〉一字多義難判斷
另一個中文語音辨識面臨的問題，就是「一字多義」。例如，我現在不太「方便」通電話、我要去「方便」、我在吃「方便」麵，雖然三種「方便」讀起來一樣，但代表的意義卻天差地遠。
李琳山分析，機器必須把前後文都考慮進去，才能清楚分辨一字多義。
如果把一字多義，和正體字、簡體字的差異放在一起討論，問題會變得更複雜。例如，台灣人煮麵時會說「下麵」，而描述方位時則說「下面」，即便兩者讀音相同，但用字卻有差異。
若把情境拉到大陸，不管是描述方位或煮麵，都稱為「下面」，因為簡體字並無「麵」這個字。
對此，杭志明認為，台灣使用正體字，用字的歧異度較高，使得台灣語音辨識要比大陸困難。
難題4〉與外語、方言混用
此外，中文常與英語、日語、方言混用，加上網路不時出現的火星文，對機器而言不僅沒有邏輯，更難以回應。
「語言夾雜是全球化帶來的自然現象，強勢語言本來就會入侵比較弱的在地語言，」李琳山觀察，很多語言都有多語切換的現象，而且每種語言也都有機器解不出來的句子，要能做到更完美，得人工慢慢調整。
為了解決這個問題，華碩Zenbo團隊導入更多語料、更複雜的演算法來訓練模型。但龐台銘指出，國台語混雜較中英混雜困難，目前各家廠商均無較完整的解法。
而針對網路火星文，如近期用「seafood」表示「師父」，威盛OLAMI語音平台在與軟體開發者合作時，平均每星期都會導入時下流行語言，讓平台能支援流行用語。
儘管各家科技大廠掀起語音助理熱潮，但李琳山認為，語音技術應用在產品才剛剛開始，未來還有很長時間使其慢慢優化，「現在看起來這裡有一點，那裡有一點，但都不能算是它最主要的產品。」要讓中文語音助理更成熟，未來有哪些必走的路？
解方〉分類更細、客製化
由於英式英語、美式英語有不同的腔調和用字，不少語音助理早將這兩種英語視為不同的語言體系。
「想要真正把語音助理做好，分類一定要更細緻，」李琳山認為，無論是地域、性別、年齡或口音，倘若能把族群區分得更細，語音辨識精準度就會提升，但這仰賴大量人力、物力，也和各業者投資意願有關，「不見得有人很快去做這件事。」
此外，針對各種使用者行業、情境客製化，滿足客戶需求，也是未來語音助理發展的趨勢。
威盛電子嵌入式系統與物聯網事業處總經理吳億盼觀察，市面上不少語音助理雖宣稱辨識度高達97％以上，但那通常是針對同一句話不斷優化的結果，如果是接收各種訊息的通用型語音助理，辨識度頂多80％上下。
「金融、醫療會有很多專有名詞和術語，如果遇到實際商業應用，必須針對其用途與情境客製化，就能把個別行業的應用做得更好，」吳億盼說。
同時，語音助理也能針對不同地域，設計出不同的詞彙資料庫，提升判讀精準度。
李琳山指出，如果是台北人使用的語音助理，裡面出現「101、鼎泰豐」詞彙的機率會較高，因而當語音聽起來像是101、鼎泰豐時，系統會優先判讀為這兩個台北常出現的詞彙。
說穿了，語音助理優化其實就是數據是否夠多、夠好的問題，倘若能滿足上述條件，辨別能力就會提升。
李良達觀察，不少語音助理大廠都用數十萬個小時的數據訓練機器，相當於一個嬰兒呱呱墜地到30歲所經歷的時間，儘管現在可能離每個人都能輕鬆使用的語音助理有段距離，但未來發展一定會更成熟。
