不確定這個問題是否可以在此版發問, 如果有其他更合適的版, 再請指正, 謝謝
最近在做語音辨識的research, 並對同事做了一些技術分享
當下被問到了一個問題, 我發現這部分我還真的不知道
我的問題如下, 以現今的語音辨識APP, 如apple的siri
Q1.
當我們輸入喚醒詞 "Hey siri" 或者其他內建的語音命令時
它的語音辨識機制應該是在手機(local)端做掉, 也可以說是離線處理的部分
而這邊所謂的語音辨識機制, 也就是先將時域訊號透過傅立葉轉成頻域訊號, 然後經過特
徵提取, 再做聲學辨識?
還是local端是採用其他較快速的辨識方式?
Q2.
比較複雜的聲學/語意分析, 理論上都要上傳到雲端做
此時上傳的data是原始的語音訊號? 還是會先做一些前處理, 比如降噪/轉頻域訊號...等