Google解释Pixel手机录音程式背后的语音转文字技术

Google之前就推出适用于Pixel手机的新型录音应用程序Recorder，这个录音程式不只可以将语音转译成文字，还可以视觉化地显示声音类型的分类，另外，在录音结束用户要输入标题时，Recorder也会提供建议标签。这些功能，都是Google应用装置上机器学习技术开发，现在揭露了背后的细节。

将语音转录成文字的功能，其应用的技术在早前就已经趋于成熟，Recorder可以使用装置上自动语音辨识模型，即时地转译语音，Google提到，除了增加模型稳定度，使其能可靠地转录数小时的录音之外，他们还将单词对应到时间戳记以索引对话，用户可以点击转录出来的单词，并且从对应时间点开始播放录音，用户也能搜寻单词，并精确地跳到录音提到该单词的时间点。

虽然显示录音的文字纪录，可让使用者搜寻特定单词，但Google提到，以视觉化标示特定时刻或是声音的录音段落，对于长时间的录音来说，用户能更容易进行搜寻。因此Recorder会将声音以波型表现，并且用不同颜色来表示不同的声音类型，像是狗叫声或是乐器演奏就会以不同的颜色区分。

实际情况通常是同一个时间点，Recorder可能会录到多种声音，Google会将波型以最具代表性的声音颜色着色。Recorder辨识声音类型的方法，会侦测部分重叠的960微秒声音音框（Frame），来判断50微秒区间的声音类型，Google提到，以较小50微秒偏移量分析处理960微秒视窗中的内容，不容易出错且能精确的找出视窗开始时间与结束时间。

另外，当音讯录制完成之后，Recorder会挑选最具记忆性的内容作为建议标签，用户可以快速地应用这些标签撰写成标题。而为了能够在音讯录制结束之后，马上能够提供建议标签，Recorder在转录音讯的时候，便会即时进行分析。

Recorder会计算单词出现的次数以及在句子中的语法作用，并且大写专有名词，接着会使用词性标记程式，这是一个根据句子文法标记每个单词的模型，来侦测用户更容易记住的一般名词与专有名词，Recorder以对话资料以及字词频率和特性等文字特征训练决策树，计算单词和双字词分数，在滤掉禁用词与脏话，最后输出前三名的结果。