這篇文章將會談到智慧語音助手的運作理論，想先知道要讓 Voice Kit 能夠進行語音辨識和回話需要做哪些設定，請參考『實作篇』～
先來回想一下我們以聲控操作智慧型設備的過程吧！
目前我們使用語音助手時，大致上會是以類似下列的順序來進行的：
- 以關鍵字（之後稱為觸發詞）啟動語音助理
- 語音助理給出回應
- 根據需要繼續給予命令（必須事先設定好觸發詞並說出）
- 語音助理根據觸發詞執行命令
- 給予我們所需的結果
那麼，這到底是什麼樣的機制造成的呢？讓我們來告訴你。
1. 以「 Hey Google」、「 Alexa」、「Hey Siri」等觸發詞，或是以特定按鍵（例如：長按 Home 鍵）使語音助理啟動
2. 觸發語音助理後，語音助理會將我們的命令錄音下來存成音訊檔案
＊此過程通常維持 3 到 5 秒左右，或者是自動偵測我們停止說話後停下
3.語音助手會把音訊檔送往負責進行語音轉文字（Speech To Text，簡稱為 STT）的模組
＊這個步驟可能在設備上進行，也有可能透過雲端的伺服器進行
4. 接著，當語音助手獲得從 STT 模組轉好的文字之後，會開始整合當下的其他資訊
這些資訊我們稱為上下文（Context），例如：使用者的居住地、使用者的疑問（天氣資訊、交通資訊等等）
而語音助手也內建有判斷我們語意意圖（Intent）的物件，這個模組有人稱為自然語言理解（NLU），在這裡我們會把它稱為語法分析器（Parser）
＊會這麼稱呼是因為我們在研究從女僕小白送進來的字串後，發現我們還是不太能利用這些字串理解使用者的意圖，所以才會改稱語法分析器
5.當語音助手得到語意意圖後，就會讓原有的模型（Model）去處理相關的命令
例如：住在台北的使用者問了今天的天氣，語音助手就會透過氣象局的 API 查訊目前台北的氣溫、濕度、空氣品質、降雨機率等等資訊，再透過 Maid White 的 API 去查詢家電狀態、控制家電
6. 通常模型會回傳結果（Result）給語音助手，接著語音助手要把結果配合上下文（Context），調整成對使用者體驗最佳化的句子給予回應，在這邊我們把它稱作渲染器（Renderer）
例如：使用者的母語是中文，結果就要以中文回覆；使用者是小朋友，就用親切一點的語氣回應；如果使用者使用的裝置有螢幕（像是電視機、手機、冰箱面板等等），還能放出圖示讓使用者可以一目瞭然地獲得資訊
7.最後，語音助手將從渲染器而來的文字結果透過文字轉語音的模組 （Text To Speech，簡稱TTS） 轉為音訊檔，再傳送到設備的麥克風上回應使用者
目前在音訊轉文字（ Speech To Text）及文字轉音訊（ Text To Speech） 的部分，由於機器學習（ Machine Learning，簡稱 ML）的發展，已經有了很重大的突破，這使我們可以用更加簡單、便宜的方式完成這項工作。
而錄音和播放聲音的部分，透過 Voice Kit 也可以簡單的處理掉，唯獨在語法分析器（Parser）以及渲染器（Renderer）的部分，還需要更進一步才能使我們使用的更加順手
這就是語音助手運作的機制啦，是不是覺得對身邊的語音助手有更深入的了解了呢？我們會繼續推出相關文章，歡迎追蹤我們喔！
