語音辨識技術由來已久，隨著 iOS 6的推出、Siri 開始講中文，中文語音辨識技術可說是各大廠商討論及努力的方向。語音識別以及語音合成技術語音識別技術，也被稱為自動語音識別（英語：Automatic Speech Recognition, ASR），其目標是將人類的語音中的辭彙內容轉換為電腦可讀的輸入，並且以自然語言對答、回應需求。

除了手機積極發展語音系統之外，汽車、家電等也積極走向智慧化，發展聲控功能。除此之外，網頁搜尋也漸漸從打字發展到語音搜尋，Siri 所掀起的語音搜尋風潮，預計未來也將造成網頁搜尋習慣的改變。而儘管語音技術發展歷程已久，仍有些技術上的問題有待突破，辨識技術所涉及的領域包括：信號處理、模式識別、概率論和資訊理論、發聲機理和聽覺機理、人工智慧等，從近年的專利申請也可看出其技術突破情形及發展方向。

北美智權報在 68 期文章中曾介紹「口音多、聲控技術中國最難！」關於中國大陸語音辨識市場的發展概況，在探討各家廠商的發展策略方向後，為使相關業者初步掌握大陸語音辨識領域的專利技術發展趨勢，本文將藉由蒐集相關專利申請資料、結合關鍵詞檢索的方式，一窺語音辨識領域技術發展與國際專利（IPC）分類的對照關係，以對大陸中文語音辨識發展的趨勢做初步分析，供國內廠商參考。

一、中國語音辨識專利申請概況

自1985開始有語音相關專利申請開始，截至目前今年10月初止，大陸在語音領域的發展已有將近30年之久。如表一所示，大陸在語音領域申請件數共計6031件，目前大陸申請的語音辨識領域的專利主要分佈在21個四級IPC分類中，但主要的專利申請集中分佈在 G10L（   語言分析或合成；語言識別）、H04L（數位資訊的傳輸，例如電報通信）、H04M（電話通信）等技術分類項目中。語音辨識的核心技術是語言分析或合成，因此從技術的角度看，語音辨識技術是一個高技術含量的領域，要具有較高技術實力備援的企業才能進入該領域的技術研發。若要成為產業鏈上的主導者，廠商需要產業環境的成熟和產業鏈上每個環節的配合。新技術的應用，需歷經原有系統的更新換代及使用者的習慣養成，這也增加了語音技術普及的時間成本。莫怪乎中國語音技術發展了將近30年，在語音控制領域仍未能開枝散葉。儘管如此，從專利申請的熱絡看來，市場精彩程度未來可期。

二、近五年大陸語音辨識領域不同類型專利申請件數分析

如前所述，在21個四級IPC分類中，主要的專利申請集中分佈在 G10L（語言分析或合成；語言識別）、H04L（數位資訊的傳輸，例如電報通信）、H04M（電話通信）等技術分類項目中。語音辨識領域專利，不會出現「外觀設計專利」的申請，此表二僅統計「發明專利」及「實用新型專利」的部份。受公開日的限制，2011年及2012年的數據可能尚未準確，因為仍有專利未公開，這也是專利檢索上的盲點。儘管如此，從每個項目的發明和實用新型專利申請的件數看來，2011年和2012年並沒有因為專利申請尚未公開、而呈現申請數量較少的情形，意即近兩年來，大陸在語音方面的技術發展較往年積極活絡，中文語音控制的市場預計也將在今明年更加明朗。

三、崛起的中文「語音搜尋」服務

中文語音辨識技術的崛起，連帶使搜尋服務也往語音搜尋方向移動。大陸在語音技術領域中著墨較久遠的科大訊飛公司，聯想集團為其股東之一，日前由聯想與科大訊飛合作開發的「樂語音」，支援中文語音，也支援大陸內地的主流方言，可以藉由對漢語的識別自動調用應用程式，並幫助用戶完成操作。大陸知名搜尋引擎百度，今年年中才成立了百度多媒體部門，專門從事語音、圖像等方面的研究。百度現也提供語音搜尋服務，用戶可以透過如「掌上百度」、「百度手機地圖」等入口來體驗語音搜尋服務。大陸新版的聊天通訊軟體騰訊QQ，在多功能輸入欄裏出現了一個「語音輸入」，用戶可以使用麥克風輸入語音，就可以實現語音轉化成文字的操作，無需使用鍵盤輸入。由以上網站提供的語音搜尋服務可發現，隨著手機裝置及網路頻寬的進步，入口網站也必須開發語音搜尋服務，以符合使用者漸趨改變的搜尋習慣。

四、中文聲控朝應用工具發展 新增音調搜尋趨勢

Siri中文版的推出，很多使用者仿著詢問英文版 Siri 的方式，網路上出現了許多搞笑、逗弄的有趣對話，如詢問 Siri 是否單身、愛不愛我、人生的意義等。現階段因為中文化的 Siri 發展尚未成熟，用戶還不能用自己所常使用的說話方式、也還不能得到精確的回答結果，因此目前中文版的 Siri 還是有娛樂消遣的用途存在，並非全然成為不可或缺的應用工具。而為了使手機語音搜尋服務技術加速成熟，開發商必須不斷採集用戶的聲音、用戶語言，來建立完整的語音庫、語料庫等，使產品逐漸成熟。音調搜尋也會是未來的研究方向，如果想找音樂能簡單哼出音調或旋律，那搜尋音樂的結果便能出現曲目。

五、語音技術仍面臨諸多挑戰：訊息如何分段、雜訊干擾等

目前語音辨識技術在實現上還有幾大問題需要克服：

1. 對自然語言的辨識和理解：每人說話習慣不一樣、訊息斷句也不同，如何處理語音訊息的分段，首先必須將連續的講話分解為詞、音素等單位，其次要建立一個理解語義的規則。而語音模式不僅對不同的說話人不同，對同一說話人也是不同的，例如，一個說話人在隨意說話和認真說話時的語音資訊是不同的。這對語音辨識技術而言，仍有一段路要走。

2. 辨識模型複雜度高。語言常常具有模糊性，需要根據上下文才能判斷正確的用詞。尤其英文和中文中，常出現聽起來很相似的詞。而目前使用的聲學模型和語音模型尚未成熟，只能進行特定辭彙的識別。又如果對著手機突然從中文語音轉為英文，或者法文、俄文，系統就會不知如何反應，而給出一堆不精準或詢問是否需要網路搜尋的句子。

3. 語音訊息的差異性大：這部份受到說話速度、習慣、生理狀況、性別、年齡、地域等影響，尤其聲音有情緒，單個字母或詞、字的語音特性受上下文的影響，以致改變了重音、音調、音量和發音速度等。這部份也會造成語音判讀的失誤。

Facebook 按讚馬上加入北美智權報粉絲團