第7章 語音處理#

語音是人類文明最主要的資訊載體，也一直是聲音演算法最激烈的戰場。本章將完整走過一條語音處理流水線：先問「哪裡有話」，再問「說了什麼」，最後問「怎麼把字唸回來」。

語音端點偵測（VAD）是語音應用的第一道關卡，從簡單的能量門檻，到雙門限法、 Gusenu 類的統計決策，再到今天神經網路版本的 Silero VAD，我們用能量與過零率實作一個可以實際運作的偵測器。語音辨識的部分，我們梳理歷史脈絡：DTW 與向量量化、隱含馬可夫模型（HMM）與高斯混合模型的黃金年代、GMM-HMM 框架的三大組成（聲學模型、發音詞典、語言模型），接著看到 2000 年代末 GMM-HMM/DNN 混合模型，一路走到今日端到端的 CTC、RNN-T、Whisper 與 Conformer。語音合成（TTS）則從拼接式合成、共振峰合成、單元挑選，走到今日的 Tacotron、FastSpeech 與聲碼器 WaveNet/HiFi-GAN。

我們不會實作一整套 ASR/TTS——那是一整套產業——但會以 numpy 實作其中可獨立理解的核心演算法，並輔以清楚的演算法流程圖與 pseudocode。