你對手機說「你好」，畫面顯示出「你好」。麥克風收到的明明是聲音，這兩個字是怎麼來的？

接續〈AI 怎麼「看」一張圖片？〉，先把過程分成四步：聲音 → 按時間記成數字 → 模型 (Model) 計算 → 解讀成文字。 和圖片一樣，數字只是材料；把數字轉成辨識結果，還需要學好的計算方式。

聲音怎麼記成數字？

說話會讓空氣產生振動。麥克風把這些變化轉成電的訊號 (Signal)，錄音裝置再每隔一小段時間記下當時的數值。這個「定時記一筆」的動作叫取樣 (Sampling)。

所以，數位錄音不是一張寫著詞語的表，而是一串有先後順序的數字。把時間畫在橫軸、數值畫在縱軸，就得到波形 (Waveform)。

可以想成沿路定時拍照：每張照片記住一個時刻；排回時間順序，才能追蹤發生了什麼。聲音取樣記住的是訊號數值，不是詞語。沒有哪一筆數字直接代表「你」或「好」。

一秒記多少筆，叫取樣率 (Sample Rate)。例如 16,000 Hz 表示每秒記 16,000 筆；赫茲 (Hertz, Hz) 的意思是每秒的次數。這不是所有模型共同的規格：聲音資料和模型要求的取樣率需要相容。

先用簡單的短音調看取樣值，不急著拆開人聲的複雜變化。

波形變小，不等於模型已經聽懂

活動把振幅 (Amplitude) 減半，也就是讓訊號離 0 的幅度變小：最高值從 0.200 變 0.100，最低值從 −0.200 變 −0.100。取樣時刻不變，波形重複的快慢也不變。

正值、負值表示訊號在 0 的不同側，負值不是「負的音量」。數字也不是詞語的編號；不同音訊格式可以用不同範圍表示訊號。

這裡改變的是輸入資料。真實說話時，同一句「你好」可以大聲、輕聲，也可以由不同的人說；錄下來的數字不會完全相同。辨識系統需要從這些變化中找出和詞語有關的線索，不能只對照一串固定數字。

活動只生成固定短音調與取樣示意，沒有辨識模型，因此沒有「辨識正確率」可看。它讓你觀察資料的表示；聲音已經變成數字，和聲音已經辨認出內容，是兩個不同階段。

那麼「你好」是在哪一步出現的？

將錄下的聲音辨認成文字，叫語音辨識 (Speech Recognition)，也常寫成自動語音辨識 (Automatic Speech Recognition, ASR)。追一次常見流程：

模型不是把每筆取樣值直接換成一個字。它要利用一段聲音中的變化；不同模型整理與解讀輸出的方式可以不同。

有些模型接收波形數字；有些先把聲音轉成頻譜圖 (Spectrogram)，呈現不同時刻含有哪些頻率 (Frequency) 成分。這是另一種表示聲音的方式，不是文字答案。前處理要配合模型，不能把其中一種方式當作全部語音 AI 的固定步驟。

補充：取樣率和音調頻率都可能用 Hz，但問的事不同。取樣率問「一秒記幾筆」，音調頻率問「振動一秒重複幾次」；提高取樣率不等於把原音調變高。

模型的辨識能力怎麼來？

常見做法是準備許多錄音和對應文字，例如不同的人說「你好」，都配上「你好」的標記。讓模型先辨識，比較它的輸出和標記，再調整內部的參數 (Parameter)；反覆進行，就是訓練。

調整的不是「某筆聲音數字的意思」，而是模型如何利用聲音線索計算出結果。聲音與文字是訓練材料，參數保存調整後的計算數值。

之後辨識一段新錄音，是推論 (Inference)：這次換輸入，使用已訓練的參數計算，不需要每說一句話就重新訓練。這只是常見的訓練例子；有些做法也會先用沒有文字標記的聲音學習，再接辨識任務。

能辨認乾淨的錄音，不代表背景吵雜、不同口音或多人同時說話時都能成功。這些差異要用新的錄音檢查；不能由這個短音調活動推估辨識能力。這和〈訓練時全答對，為什麼遇到新資料還是會錯？〉是同一個問題。

「聽聲音」不只一種任務

輸入都可以是聲音，輸出要求卻不同。會分辨門鈴的模型，不因此就能把語音寫成文字。

「你好」變成文字，只代表辨認出了說的內容。要回答這句話，還需要對話系統接著處理。 一種做法是把辨識文字交給語言模型 (Language Model)；也有能直接處理聲音輸入的多模態 (Multimodal) 模型，不必先經過獨立的文字辨識服務。產品的組合方式可以不同，不能把「聽聲音」和「生成文字」當成同一套必然流程。

先記住這條主線：聲音的數字保留隨時間變化的材料，模型用學到的方式計算，系統再按任務解讀結果。 想了解聊天模型如何接續回答，可往下一章〈我傳一句話給 AI，它到底怎麼產生回答？〉。

參考：Hugging Face 聲音資料、取樣與頻譜圖、語音辨識流程與相容的取樣率、聲音分類的任務例子、直接接受聲音的多模態模型例子（2026-10-05 查核）。本章介紹常見流程，不指定所有模型的格式、架構或訓練配方；活動為固定音調的取樣示意。