語音輸入設定的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

Hey Siri及Ok Google原理：AI語音辨識專案真應用開發

為了解決語音輸入設定的問題，作者楊學銳,晏超,劉雪松 這樣論述：

☆★☆★【語音辨識專案應用開發！】★☆★☆ 了解語音辨識概要，讓你對WebRTC及Kaldi瞭若指掌！ 　　隨著AI時代的來臨，人類語言的處理在硬體高度平民化之後，你我也可以開發出類似的產品，事實上語音服務早在1950年代就開始研究了。這些應用早就存在於智慧喇叭、手機語音助理、車載智慧座艙、語音輸入法與翻譯機等；企業級應用包括智慧客服、語音品管、智慧教育、智慧醫療等。本書是難得少見的中文語音高階技術的教材，用簡單的Kaldi、WebRTC、gRPC等專案，就可以開發出企業等級的語音服務應用，這些下放至平民百姓家的技術，在搭配本書之後，立即成為你可以立刻上手的工具，充份應用人工智慧時代深度

學習技術帶來的福利。 本書特色 　　✪語音前端處理，語音辨識 　　✪語者自動分段標記演算法原理 　　✪基於WebRTC，Kaldi和gRPC，從零建構穩定、高性能、可商用的語音服務 　　✪前端演算法完整介紹 　　✪語音活動檢測、語音降噪、回聲消除、波束形成 　　✪WebRTC和Kaldi最佳化處理流程 　　✪形成語音演算法SDK 　　✪微服務建構的RPC遠端呼叫框架和SDK

語音輸入設定進入發燒排行的影片

一位先天盲者對「形義點字」探究歷程之敘說

為了解決語音輸入設定的問題，作者郭孝宇 這樣論述：

摘要⠀⠀ 本文透過敘說方式分享一位先天盲對「形義點字」的研究過程：除回顧個人的點字學習與教學經驗，研究者還自行定義電腦報讀軟體NVDA的點字轉譯表，以倉頡輸入法輸入字根為編碼基礎定義形義碼，並添加在注音點字後面，創出「形義點字」。如此使注音點字具有與漢字相似的表形義之效果，視障者可在閱讀過程分辨同音異字，提昇中文理解程度，亦可提高中文輸入的準確度。此外，點字使用者可藉此理解漢字部件組合，建構文字概念，增加學習文字相關知識的自主能力。 此「形義點字」之研究經驗說明：建構先天盲視障者的文字概念關鍵不必是筆劃的認知與記憶，而是摸讀形義編碼的認知。多數先天盲者雖難以視覺認讀文字，缺乏

圖像概念，但這並不妨礙其對漢字的學習與應用。盲人學字，可不用知道筆劃寫法，透過盲用電腦的操作練習，即可以摸讀文字，學習認讀與輸入中文。也許有人認為「形義點字」比「注音點字」寬度較大，難以掌握，但由於每個形義碼之間皆有空方，使用體驗與摸讀英文相似，較寬的點字其實並不礙於對文字注音的閱讀理解。

App Inventor 2輕鬆學 : 手機應用程式簡單做(第二版)

為了解決語音輸入設定的問題，作者鄭苑鳳,黃乾泰 這樣論述：

易學易懂的圖解說明，加深學習者的印象與使用技巧。   　　★以深入淺出的方式，站在無程式背景的學習者角度思考，目的是讓學習者利用邏輯思維與執行步驟來思考問題和解決問題。   　　★每章都有多個應用範例，範例精緻且多樣化，依照指示進行設定都能完成編排。   　　★以「做中學」的方式，讓學習者將所學到的組件應用在實際的範例之中。   　　★本書是全方位的APP Inventor學習教材，除了學習程式模塊的運用技巧外，圖像的設計製作也有著墨，讓學習者跟著附錄的解說，也能加入精美的圖案或背景插圖，輕鬆美化生硬的版面。   本書特色   　　◆本書專為毫無程式設計背景的人所撰寫，讓學習者利用邏輯思

維與執行步驟來思考問題和解決問題，靈活運用App Inventor所提供的程式模塊，輕鬆設計出各種豐富而精采的APP專案。   　　◆書中規劃了「簡單做設計」和「密技」單元，讓學習者輕鬆運用介紹的功能來編排版面或設定組件的程式模塊，「範例」是將該章節所學到功能技巧，靈活運用到日常生活的APP專案中，範例多達三十個以上，精緻而完整。   　　◆本書「附錄」將一般讀者不熟悉的影像處理也一併做介紹，對於如何製作去背景的按鈕，以及如何製作螢幕背景圖的技巧都一併做介紹，讓讀者不再為插圖的設計傷腦筋。   　　◆內附完整範例與相關圖檔，方便學習者操作練習，無程式基礎的人也能輕鬆上手無負擔。   　　◆從開

發環境的建構、專案的設計、管理、維護、測試、打包、上架Play商店等都有完整解說，主題涵蓋介面的布局、程式基礎運算、流程控制、清單應用、影片、音樂、照相、錄影、繪圖、動畫、網路瀏覽器、地標搜尋、導航、電話、簡訊、聯絡人等各種應用，內容精彩有看頭。

基於轉換器之跨語言語者辨識強健性分析

為了解決語音輸入設定的問題，作者陳威妤 這樣論述：

　　語者辨識廣泛運用於生活之中，小至語音助理，大至犯罪鑑識。隨著深度學習技術進展，語者辨識正確率逐步提升，不過多數研究專注於單一語言，鮮少處理跨語言的語者辨識任務，跨語言資料集亦相當稀少。本研究錄製跨語言資料集MET-40，其中每位參與者皆以三種語言（包含華語、英語和台語）錄音，當中有40位參與者，男性與女性人數各半，總和時長為740分鐘。華語、英語與台語文本主要取自小學教材，部分英語文本採用TIMIT資料集，錄製後會評估每位參與者運用個別語言之流暢度。　　本論文採用轉換器與卷積網路為概念的網路架構，探討單一語言、混合語言、跨語言之語者辨識，訓練模型包含ResNet、Vision Trans

former（ViT）和Convolutional Vision Transformer（CvT），搭配三種常用語音特徵（頻譜圖、梅爾頻譜圖和梅爾倒頻譜係數圖）進行實驗。混合語言與跨語言差異在於識別語言是否加入訓練資料，混合語言是測試之語言已存在於訓練集，反之跨語言則是識別語言不在訓練集。實驗結果在MET-40單一語言模型下，最高可達97.16%準確率。與單一語言模型相比，混合兩種語言以上之模型最高識別率為99.17%。跨語言識別中，語者混合越多種類語言有助於提升模型之泛化性。在我們實驗中，單一語言模型在跨語言識別最高準確率為79.64%，混合兩種語言以上之模型於跨語言辨識最高準確率為90.9

2%。實驗結果顯示CvT不易受抽取特徵影響，且具有較佳泛化性，不論是單一語言、混合語言或跨語言，整體識別度最佳。　　模型的強健度，攸關應用時安全性，因此本論文分析不同模型的語者辨識遭致對抗例攻擊影響程度。從對抗例攻擊實驗結果，訓練與測試選擇相同語言資料集，可利用FGSM與PGD產生有效攻擊。進而探討跨語言攻擊之可轉移性，其中特徵使用頻譜圖或梅爾頻譜圖之模型攻擊不具可轉移性，而梅爾倒頻譜係數圖特徵雖在語者識別任務有卓越表現，但易受對抗例攻擊影響使得識別率降低。即使沒有訓練資料依然能產生攻擊，在FGSM跨語言攻擊中平均下降31.57%識別率，因此採用梅爾倒頻譜係數圖特徵之模型需要更加小心保護。