中央研究院智財技轉處對外服務網

台語自動語音辨識的一個明顯問題是訓練資料量遠遠不足以構建實用的系統。 收集具有可靠轉錄文本的語音資料以訓練聲學模型是可行的，但成本高昂。此外，因為台語是一種口語，而不是常用的書面語言，用於語言模型訓練的文本資料亦極其稀缺，且難以收集。YouTube上有大量帶有中文字幕的台語劇集，我們發展出一項技術可以自動增加台語語音辨識的聲學模型和語言模型的訓練資料。基本想法是使用現有的台語語音辨識系統，通過對照台語語音，參考中文及台文同義詞辭典，將中文字幕轉換為最可能的台文詞序列。實驗結果顯示，台語語音辨識系統可以通過這個訓練資料增強技術得到顯著改善。