MSDN Magazine 有一篇文章：Exploring New Speech Recognition And Synthesis APIs In Windows Vista，看了之後不禁開啟期待 Windows Vista  的語音辨識和語音合成功能。

我把這篇文章裡面的基礎觀念部份整理出來：

===============================

語音技術包含兩個部份：語音辨識（speech recognizers）和語音合成（speech synthesizers）。語音辨識就是將輸入的聲音資料轉成文字的過程，而語音合成則是相反的過程－－將輸入的文字轉換成語音，因此又稱為 Text-To-Speech，簡稱 TTS。

語音合成

要將一段文字轉換成語音輸出，牽涉到許多複雜的處理，主要可分為前端（front end）與後端（back end）處理兩個子系統。在前端處理的部份，使用自然語言規則來分辨字元，以及哪些是名詞、哪些是數字、一個句子的開頭和結束、時態（過去是、現在式、未 來式）、以及是一般的陳述句還是疑問句...等等。有些處理對英文來說比較容易，對其他語言（例如中文或日文）則比較麻煩。例如英語的疑問句，在句尾時會 提高音調，又如「read」這個單字，會因為時態的不同而有不同的發音，這些都是語音合成器必須處理的問題。而且不同語言各有不同的規則，因此，語音合成 需要許多複雜的分析。

在後端處理的部份，則是接收前端子系統的分析結果，把文字轉成語音輸出。比較早期或一些簡單的語音合成器，通常用事先錄好的音標來合成聲音，這種方 式產生出來的聲音聽起來就很呆板、不自然。而 Windows Vista 的語音合成器則採用比較費時的聲音區段（sound segment）錄製方式，預先錄製各種的聲音區段，而後端處理的重點，就在於如何選擇適當的聲音區段，並且將各聲音區段平順地銜接起來，以產生比較自然 的發音。

這些處理聽起來很複雜，事實上的確如此。所幸這些複雜的功能，現在都由 Windows Vista 作業系統提供了，我們－－開發人員－－只要使用 .NET Framework 提供的元件來撰寫應用程式，就能為應用程式加入語音的功能了。

語音辨識

語音辨識的處理也可以分為前端與後端子系統。前端子系統分析聲音串流資料，將各個聲音區段分離出來，然後由後端子系統將分析的結果轉換成文字。轉換 的過程需要到三種資料庫中搜尋比對以找出正確的字詞，包括：聽覺模型（acoustic model）、詞庫（lexicon）、以及語言模型（language model）。聽覺模型資料庫是用來記錄說話者的發音習慣，以自我學習的方式，提升語音辨識的正確率。詞庫則包含了某種語言的所有字詞，以及每個字的發音 資料。語言模型則包含了某種語言的字詞該如何組合的規則。

由於人在說話時，不可能每個字都唸得很標準，而且同一個字每次唸出來都有些微的差異，因此要讓機器從聲音資料中識別人說的是哪個字，關鍵在於語音辨識器的搜尋和比對的正確率。愈好的語音辨識器，能夠更精準的濾除不正確的字，並且快速找到比較可能的字詞。

跟 Windows Vista 對話

Windows Vista 作業系統內建了語音辨識和語音合成的功能，並且預先定義了一些命令，可以讓你用語音叫作業系統做事情。例如：要開啟記事本，你可以說：「Start Notepad」，要切換到另一個應用程式，可以說：「Switch to Word」、「Switch to Calculator」等等。你甚至還可以控制選單和按鈕等控制項，例如：「Open」、「File」。另外還可以用語音控制滑鼠和鍵盤，比如說： 「Press shift control left arrow 3 times」會讓作業系統模擬按下三次 Shift+Control+方向鍵左鍵。

Windows Vista 也提供了語音輸入的功能，可以將你唸出來的句子轉換成文字。如果在轉換的過程發生失誤，你可以利用語音的方式更正，例如：「Correct Robot, Robert」，或者「Spell it R, O, B, E, R as in rabbit, T as in telephone」。你也可以用語音來選取文件中的某一段文字或移動游標到特定位置，例如：「Select 'My name is'」、「Go after Robert」。