運用深度學習與音訊處理技術，研究高精度語音辨識、語者識別與聲紋驗證，並將其應用於智慧家庭與 IoT 設備的免持語音控制互動介面。
本研究聚焦於語音音訊的深度學習應用，涵蓋自動語音辨識（ASR）、語者識別（Speaker Recognition）、語音增強（Speech Enhancement）及語音喚醒（Wake Word Detection）等核心技術。
在特徵擷取方面，研究採用 MFCC、Mel Spectrogram 等音訊特徵，並結合 CNN、RNN、Transformer 等神經網路架構，達成高噪音環境下的強健語音辨識能力。
研究最終目標是將語音互動模組整合至智慧家庭場景，實現自然語言控制家電、生活輔助及語音身分驗證等應用，打造更直覺友善的人機互動體驗。
噪音環境下中文語音辨識 WER < 8%
與 Home Assistant / MQTT 無縫對接
聲紋識別 EER < 3%，支援多語者區分
端側推理延遲 < 200 ms，可嵌入式部署
基於端到端深度學習模型（CTC / Attention），針對中文連續語音進行高準確度的語音轉文字。
利用聲紋特徵嵌入（d-vector / x-vector）技術，實現語者身分識別與聲紋驗證。
運用深度神經網路（DNN / CRN）對家庭噪音環境下的語音信號進行去噪與增強處理。
結合意圖識別（Intent Detection）與命名實體辨識（NER），解析用戶語音指令並執行相應動作。
設計低功耗的關鍵詞喚醒（KWS）模型，部署於 MCU 端實現隨時待命的語音觸發。
整合語音辨識與 IoT 控制平台，打造語音操控燈光、家電、門鎖的完整互動系統。
在真實家庭噪音環境下，維持穩定的中文語音辨識精度，降低誤觸發率。
建立使用者聲紋模型，支援個人化語音指令及多用戶權限控管。
透過模型量化與剪枝，將語音模型壓縮後部署至 Raspberry Pi 等低功耗設備。
實現連續語音對話功能，結合 TTS（語音合成）打造自然的雙向人機溝通體驗。