[問題] 有關語音辨識的問題

[oe725 ( )]

各位先進們好

最近在做語音辨識的research, 並對同事做了一些技術分享
當下被問到了一些問題, 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
而這邊所用的語音辨識機制, 也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.
比較複雜的句子的語音辨識(聲學/語意分析), 應該都是上傳到雲端處理
而此時上傳的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
是否要考慮那一種上傳格式的data資料量較小

感謝

-
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 114.136.223.48
※ 文章網址: https://www.ptt.cc/bbs/DataScience/M.1543906448.A.78B.html
※ 編輯: oe725 (114.136.223.48), 12/04/2018 14:56:03
推 whsunset: y Siri 的做法，基本上是跑在手機上的小 DNN 沒錯
→ whsunset: 抱歉推文跑掉了，連結在這 https://goo.gl/6tKXKa
→ oe725: 感謝回覆, 至於Q2的部分在原文中並沒有提及Orz
推 NatsukiH: Q2不確定siri怎麼做，google是傳原始訊號~
→ oe725: 感謝回覆, 我有在apple的developer forum上提問, 不過對方
→ oe725: 的有點籠統, 後續再問也沒得到進一步訊息 Orz
→ oe725: That 'pre-work', as you call, is processing done on the
→ oe725: device, for use on the device. Additionally,
→ oe725: encapsulated voice data is transmitted off the device.