知識 · AI 基礎

語音辨識・語音合成

Speech Recognition / Synthesis (STT/TTS)

📂AI 基礎⏱閱讀 2 分鐘📊入門🔗相關 5

什麼是語音辨識?

一句話定義
透過語音辨識(STT)將話語轉為文字,以及透過語音合成(TTS)將文字轉為語音。是 AI 助理、字幕與客服中心的耳朵和嘴巴。
這個主題,做成企業內訓📚 相關課程💬 教育諮詢
⚡ 3 行重點摘要
  • 語音辨識(STT)+ 語音合成(TTS)
  • 把話語變成文字,把文字變成話語
  • AI 助理・字幕・客服中心的耳朵與嘴巴

語音資料早就累積在那裡,卻是搜尋不到的資產。客服中心的通話錄音即使在 伺服器 裡有數萬筆,品保人員能親耳聆聽的也只有每位客服人員每月兩三筆而已;會議錄音結束後,也沒有人會再打開。導入 STT 後,這些語音會全部轉換成可搜尋的文字。可以只挑出提到 '退款' 的通話,或直接跳到提到特定產品名稱的會議片段。語音 AI 的真正效果不在於逐字轉錄本身,而在於 語音進入 資料庫 之中這一點。

STT 分為批次處理與串流處理兩種方式:批次是把錄音檔整段處理,串流則是邊說邊轉寫。會議紀錄與客服分析用批次就足夠,但即時口譯或客服人員的畫面輔助,若回應延遲超過 0.3 秒,現場就很難使用。準確度通常以字詞錯誤率(WER)衡量;一般對話已降到 5% 上下,但產業專業術語、產品名稱與人名,仍需事先登錄到自訂詞彙辭典才能辨識到。區分說話者的說話者分離是與 STT 分開的功能,需另外開啟;從文字中萃取摘要或情緒分類,則是後端 LLM 的工作。STT 只是耳朵,不是大腦,有了這層區分,報價與期待才會吻合。

現場最常出問題的地方,就是「準確率 95%」這個數字。那 5% 的錯誤不會平均分散在助詞或連接詞上,而是集中在金額、數量與專有名詞。「15 萬韓元」變成「50 萬韓元」,藥品名少一個字就被認成另一種藥,會議紀錄和諮詢紀錄就會直接變成危險文件。安靜的會議室,與夾雜雜音、方言和同時說話的實際通話,條件完全不同。把錄音轉為文字的那一刻,個人資料的處理範圍就擴大了,因此需要事先向客戶與員工雙方告知;若未經配音員或員工的書面同意就用 TTS 複製聲音,肖像權與冒充的問題會立刻爆發。

會出現此術語的課程 · AI・DX
推薦課程 · 推薦講師 · 迷你報價
🧮 迷你報價 · 講師費基準
約 KRW 1,200,000 (≈ US$900)專題講座 2 小時 · 20 人以下 · 韓語
依此條件取得正式報價 →
💡 簡單來說
為機器裝上耳朵(聽)與嘴巴(說)— 能聽寫,也能朗讀。
為什麼在實務上很重要
許多工作都是以'說話'完成。語音 AI 能將會議、諮詢、字幕等語音類工作自動化。
由來與出處

這是研究了數十年的領域。2010 年代導入深度學習後,準確度大幅提升;近年因大型模型問世,自然度與多語言處理也有顯著進步。

透過案例理解

以假設案例來看。A 公司是經營醫療器材與健康機能食品的企業,員工 240 人,進線客服人員 35 人。每月通話 1 萬 2 千通,但品保實際聆聽的只有每位客服人員 3 通、合計 105 通。每當發生退貨爭議,就得翻找錄音檔來聽,一次要花半天,後來一項為期三個月的語音 AI 導入專案就此成立。

  1. 客服組長用 300 筆錄音測試試用的 STT,結果自家產品名 'Ripreunol' 被辨識成 'Ipreunol'。"數字和產品名錯了,就沒辦法用於品保"這句話,在第一次會議上就出現了。
  2. 品質管理組將產品名、保險用語與競爭對手名稱共 420 個登錄到 自訂詞彙辭典,兩週後重新測量,產品名辨識錯誤率從 18% 降到 4%。
  3. 營運主管事先向 35 位客服人員說明:"通話會自動轉為文字,但這不是個人考核,而是用來改善服務品質。"並在語音選單(ARS)開頭加入錄音與分析的說明語音。
  4. 開啟說話者分離,將客服人員與客戶的發言區分開來後,自動統計從客戶問出"那退款可以嗎?"的時間點到回覆為止的靜默區間,找出 210 通應答延遲的通話。
  5. TTS 只用在配送查詢與營業時間等語音導覽,客訴與退款通話則保留由真人接聽。客服本部長表示:"對生氣的客戶配上機器聲音,只會讓對方更火大。"劃下了這條界線。
  6. 三個月後,QA 聆聽對象從每月 105 通增加到 全數 1 萬 2 千通,通話後處理時間也從每通平均 4 分 20 秒縮短為 1 分 50 秒。
相關術語
相關 AI 工具
與此術語相關的課程
📚AI 代理實務入門Nanum 經營顧問企業內訓 · 實體/線上查看課程 →
是否需要針對此主題進行企業內訓?
立即取得負責人為您量身打造的課程規劃與報價。
教育洽詢
最後修訂 2026年9月13日 · 監修 金鍾赫

常見問題

比過去進步很多。但在專業術語、方言或噪音環境中,仍可能出現誤差。
因有遭濫用於深偽語音的疑慮,需要同意、標示等倫理與安全管理。
最新模型的韓語辨識與合成品質相當好。
有遭詐騙與深偽(deepfake)濫用的風險,因此需要同意與浮水印等倫理與安全管理。