熱門Ptt文章

[爆卦]google語音轉文字電腦是什麼？優點缺點精華區懶人包

雖然這篇google語音轉文字電腦鄉民發文沒有被收入到精華區：在google語音轉文字電腦這個話題中，我們另外找到其它相關的精選爆讚文章

在 google語音轉文字電腦產品中有23篇Facebook貼文，粉絲數超過0的網紅，也在其Facebook貼文中提到， 最近台灣因為疫情關係，許多學校開始遠端教學，也造成許多老師與家長的崩潰~所以今天就來聊聊比較專業點的話題，個人如何在家建立遠端線上教學？ 平常個人不像學校有平台帳號，以及軟體系統支援，對於體制外的人想開個遠端示範教學分享，該如何運用現有的網路資源來做遠程？ 規劃遠端線上課程，要考慮的東西很多，例...

　同時也有5部Youtube影片，追蹤數超過7萬的網紅電腦學習園地，也在其Youtube影片中提到，#宅在家學電腦 #跟我一起學電腦 【加入】支持電腦學習園地 https://www.youtube.com/channel/UCYkWZY6-NlkU6qEkEtK3s0Q/join 直接在網址後方輸入文字，就會轉換成谷歌翻譯語音MP3，輕鬆下載音訊檔 轉換網址 https://translat...

「google語音轉文字電腦」的推薦目錄

google語音轉文字電腦 在 carrie, a law major (inactive) Instagram 的最佳解答

2021-06-03 10:48:51

[ how to read faster? ] 你有沒有試過在打開書坐了半天結果還停留在第三頁第五行？ 你有沒有試過讀完一大段文字結果還是腦子空白一片？ . 大家應該都知道我現在在北京求學， 在清華大學法學院， 除了必修的大學英語課程、選修的common law課程， 大部分課程都是以中文教學。 適...

google語音轉文字電腦 在 GirlStyle 女生日常 Instagram 的最佳貼文

2021-03-08 08:00:59

【@girlstyle.mag 】即睇ICQ NEW 4大功能！語音變文字/不壓縮照片更勝Whatsapp！ .⠀ 近日網路上掀起了一陣陣的「Whatsapp移民潮」，事源是 WhatsApp 宣佈將於2月8日更改私隱條款，強制要求用戶將個人資料分享與 Facebook 共用，否則就不能繼續使用程式...

  • google語音轉文字電腦 在 Facebook 的精選貼文

    2021-05-29 21:49:16
    有 277 人按讚

    最近台灣因為疫情關係，許多學校開始遠端教學，也造成許多老師與家長的崩潰~所以今天就來聊聊比較專業點的話題，個人如何在家建立遠端線上教學？

    平常個人不像學校有平台帳號，以及軟體系統支援，對於體制外的人想開個遠端示範教學分享，該如何運用現有的網路資源來做遠程？

    規劃遠端線上課程，要考慮的東西很多，例如軟體平台、硬體配備、網路頻寬等等….但首先要了解你課程的需求，這樣才有辦法針對需求，挑選適合的方式進行，其實遠端教學我在幾年前就有嘗試過，去年也有跟幾所學校試著用遠端作講座，所以有些小心得，今天就以漫畫課程轉成線上教學做一個很簡單的經驗分享。

    在講遠端教學前，先來了解一下，我在 角川国際動漫教育 的實體上課模式：

    上課老師或助教點名，公告今天課程的內容與時段安排，接著檢查上一堂課交代的作業，逐一做檢討示範，這個階段開始都會用螢幕分享廣播的方式，讓所有人看的到操作修改過程，檢討完畢才開始正式課程，因為學生總是會有晚到的，一開始做作業檢討，可以先檢討先來的同學作品，也不會浪費等待時間。

    正式課程我習慣用簡報影片，講解課程概念與實際範例，如果學生沒問題，就開始實際的操作與示範，這時會使用軟體做繪圖示範，示範剛剛講解的簡報內容與繪製要領，並當場出一個練習給學生實地操作。

    學生操作過程中，我會逐一過去看看並詢問問題，這時學生若有疑問就會提問，畢竟有些學生不好意思公開提問，往往都是等老師走到身邊詢問時，才會把問題講出來，我便依據問題做解答示範，如此反覆循環。

    直到下課前，讓學生完成此堂課練習，最後再出個回家練習作業，讓學生回去練習，下堂課做講解。

    大致上的實體課程規劃是這樣。

    但如果把實體教學方式改成遠端線上，就會有許多操作上的問題，尤其是互動部分，必須先思考軟硬體可以提供到甚麼樣的地步，我們又可以藉由甚麼樣的轉換，把實體示範改成線上也可以很清楚呈現的模式。

    遠端教學有很多種方式，不管是直播還是預先錄影，都必須先有個平台，才方便管理整個課程進行、至於平台種類有很多，不管是google meet、Microsoft Teams、Zoom、甚至網路社群的直播，都可看你的使用習慣跟需求來挑選，有關這些平台的操作，不是今天我要討論的重點，有興趣的人可以網路搜尋一下，就會出現很多相關的教學，我蠻推薦 台灣線上同步教學社群 這個FB社團，裡面有很多熱心老師會提供技術上的支援與解答。

    針對漫畫課程的平台挑選考量，大部分介面使用上不是那麼困難，主要是要挑選適合你課程內容的呈現與操作模式比較重要，上課是件很單純的事，不管是實體或是遠端，千萬不要被線上平台上，一大堆超炫的功能給迷惑，在開始遠端教學前，要先以最簡單直接的方式思考，我該如何運用平台來教課才對，而不是想把平台上的所有功能全部都學會精通，不是所有功能都適合你的教學，這是我給想作遠端教學老師們的一個建議。

    在開始遠端教學時我會思考幾個點，我分幾個塊面分享：

    登錄管理：
    這邊要思考整個遠端教學，漫畫課程會需要甚麼樣的功能，我個人的需求傾向，如果不是公開課程，是否可以控管登陸進來的人員，人數上的限制到多少，方便班上學生的點名？

    要不開了一堂課，結果無法設限，來了一堆走錯教室或路人甲乙，原本是要上課的房間，就變成聊天凸槽大會，也挺困擾的，雖然可以關掉重開房間就是，不過一開始就找到可以控管登陸人員的平台，也省下很多麻煩。

    再來就是登陸的方式夠不夠簡單，線上教學最怕遇到登陸方式很複雜，要不然就是要填一堆個資之類的，這就跟時下很多漫畫連載網站，每次想點進去看漫畫，卻發現登錄方式限制多多，甚至點選功能很不直覺，這對要推廣漫畫的平台來說，真的是很不友善。

    如果說可以一個按鍵就直接進入教室，操作介面很直覺，那就會大大提高學生進來聽課的意願，現行很多平台都有這樣的功能，只要老師設定好房間，給學生連結，學生就可以直接進入，相當簡單便利。

    平台介面：
    對於平台介面我的需求只有好操作，不複雜，介面簡單，容易上手，哈哈..誰不想這樣。當然越多的功能，就可能會要收費才會打開服務。

    上課講師可以控制那些介面或權限，如果上課老師無法控制房間秩序，學生無法控管，不但會打斷講課節奏，甚至還會偏離整堂課主題，所以我會思考平台是否有禁止發言或踢除房間功能，甚至示範畫面時可以點選指定視窗。

    因為漫畫教學最重要的就是分享螢幕，但有時螢幕很多參考資料視窗，全螢幕分享，很容易讓學生找不到注視焦點，如果可以指定分享視窗，其他視窗不顯現，當我示範操作或繪圖時，就算家裡開視窗多螢幕，只要指定線上顯示的視窗，畫面就容易聚焦，而且隨時可以做簡報或影片切換，這樣在漫畫課程上的呈現就很足夠了，還有檔案的傳送是否有限制等等，都是我在挑選軟體平台時的介面考量。

    至於要不要錄影功能，這個我倒覺得看每位老師需求，其實就算平台沒錄影功能，網路很多側錄軟體都可以做輔助，也可以請助教或學生在過程中另外側錄，都是可以考慮的方式。

    我目前都是用google meet來做教學，因為上述我需要的功能都有，簡單的漫畫課程使用也夠用。

    硬體設施：
    對自己課程需求有想法後，也選定好撥放平台，接下來就是硬體設施，如何把你的影像聲音傳輸出去，學校一定有專門的設備提供，但普通個人在家是無法有那麼多專業設備可用，畢竟我是要用來教漫畫，基本上像是電腦，平板之類的配備都行，一般繪圖者家裡的主機都可以應付，既然要畫圖，數位手繪板一定必備，示範直接用分享螢幕的方式即可，很方便。

    常有學生問我遠端上課家裡沒攝影機怎麼辦？

    其實攝影機對基礎漫畫課程來說，我覺得挺多餘的，攝影機主要是要看到連線的人，但漫畫課主要以圖像示範為主，我不用看到你，你也不用看到我，一般畫圖的人都很不習慣露臉，大家嬌羞習慣了，所以遠端線上蠻適合漫畫課的，不管是老師或者是學生都不用露臉，直接分享螢幕看技巧比較重要，真有心學習的人，就是會在位置上，一切都是管不住的。

    既然攝影機不重要，那燈光甚麼的一起省下來了，上線前的梳理打扮，甚至上課時的濾鏡與背景也一併省去，真是太好了。

    除了螢幕分享外，有個配備我倒覺得很重要，那就是老師的輸出設備，麥克風！

    常看到很多線上教學，老師的聲音斷斷續續，甚至聽的不是很清楚，或是回音很大，這都會影響電腦另一端學生上課的意願，所以我在做線上教學時，最要求的就是音質問題，是否夠穩定，看不到老師沒關係，但老師上課的聲音一定要準確清楚地傳達給學生，買一支好的收音設備真的很重要。

    尤其我做了那麼多集的YOUTUBE影片跟PODCAST廣播後，深切感受到好音質的重要性，很幸運的，當初買了這些配備，剛好用在這個時機點上，錢沒白花。

    除了麥克風外，課程過程中也要準備接聽的裝備，可能會有學生語音提問，這時就會需要撥放裝置，例如喇叭或耳機，在這邊我會比較建議老師準備耳機接聽比較好，如果用喇叭，遇到音質不好的聲音，很容易聽不清楚學生在講甚麼？甚至老師喇叭撥放聲音，同時使用麥克風時，常會產生共鳴或回音，學生端的接收就會受影響，所以還是一邊麥克風，一邊用耳機接聽來的清楚。

    大致硬體要注意的就這些，其實還有一個東西是大家常忽略的，就是家裡的網路夠不夠力，一般網路都是下載的頻寬大，但如果你是要做遠端教學，就必須思考家中的網路上傳頻寬夠不夠用，因為漫畫課大部分都是圖像傳遞，如果你上傳頻寬不夠力，那接收的學生端，就算有超大下載頻寬，也搭不了妳的上傳速度，反而他們在接收時會有延遲，這都是要去考慮的地方。

    主機設備，網路頻寬這個東西，對於遠端教學就是一個關卡，不管是接收或是上傳，遇到網路不順的區域，不管你設備準備多齊全，課程設計再怎麼豐富，直播教學就是效果不好，這時就又要回到是否要錄製過程的考量，畢竟直播連線不順，只好課後慢慢下載完整影音檔，自己在電腦溫習了。

    課程呈現：
    軟硬體都準備好了，接著就是整個線上課程的重點，就是課程內容如何呈現的問題。

    漫畫遠端教學與實體課最大不同就在於，老師學生不處於同一空間，在互動上就會有些不同，如果單純以講課來說，就比較簡單，只要備好簡報，示範教材，甚至影片，就可以開始上線上課。

    上課過程要善用螢幕分享，這是遠端教學最重要的技巧，你可以把螢幕當作你的黑板來想，所有講課資訊都是透過螢幕傳達給學生的概念，這樣未來你在備課時就比較會有想法。

    一般我上課前會想好這堂課要的主題，然後配置時間段落，準備課程簡報，由於是遠端使用的簡報，除了標題外，可以稍微增加一些重點標註文字，學生看螢幕時比較可以抓住老師講的重點，當然還是不建議那種寫得密密麻麻的文件方式，如果能以圖像作解說更好，畢竟是漫畫課，有圖像會比文字來得吸引學生注意。

    當然課程中可以穿插小短片作輔助，帶動整堂課的一個節奏，也是一個很重要的安排。

    除了簡報影片，漫畫課最重要的就是實例演練，就是老師會親自畫一輪，搭配講解讓學生知道整個操作過程，這個階段每位老師習慣不一樣，有的老師可以邊畫邊講解，但有的老師可能畫圖時需要專注在圖像上，無法分心講解。

    為了讓整個課程節奏不要間斷，我會建議事先用錄影的模式，把繪畫操作過程先錄起來，分享影片時，老師再從旁針對影片作講解，這樣就可以很專注在講解上面，甚至有同學提問，也可以按暫停鍵，回答問題後繼續影片示範，這個方式對於遠端教學來說是很方便的做法。

    老師示範完，就可以請同學開始分享他們自己的螢幕，做線上練習，老師可以透過螢幕檢視所有同學操作問題，再一一提出修正建議，其他同學也可以透過螢幕看到，完全不會浪費練習時間。

    說到時間，我剛有說我在安排課時，我會作時間配置，整堂課有多少時間，每個時間波段做甚麼事，如果一開始就配置好，你就比較好掌握整個進度與講課節奏。

    一般線上學習的專注力不像實體課程，學生會專心坐在座位上聽課，能有一個鐘頭就已經很極限了，所以我會建議老師講課時間最好在50-60分鐘內講完，把剩的時間留給學生演練，在從演練的過程中提出學生問題作線上討論，這樣的操作就比較有效果，因為畫圖時大家會比較專注，一定比坐在位置上聽老師講好幾個小時來的有效率。

    以上講的幾種分享方式，足以應付漫畫課程在遠端的示範，當然漫畫課不同於插畫課，除了軟體操作以及圖像外，有些示範或講解部分，端靠目前遠端的方式，還是無法解說的很詳盡，必須用另一種方式來呈現，這不是今天要討論的重點，改天有機會我們再來聊。

    互動習作：
    實體課與遠端線上課程，除前面講的幾個考量外，還有個比較大的關卡，就是互動問題。

    如何與學生互動？這時就要思考要與學生互動到甚麼程度，實體課的互動很直接，線上課程也可以互動，但就少了那麼一點直接的感覺，實體課程，老師在講台上可以全觀所有學生，一眼就可以感受學生的學習狀況。

    線上開攝影機的感覺就是不一樣，如果真想要完全達到實體課程那種直接感，實在有困難，目前在漫畫課程上，面對冷冷的設備，最多的就是學生提問，老師解答，完全沒有溫度，這就是我說的，漫畫課程無法全部藉由線上學習的門檻，有些東西還是得面對面才可以體會老師講的，這又是另一個教學話題了。

    當然實體與線上都有利有弊，練習的部分可以藉由螢幕分享掌握學生學習狀況，及時提出修改建議，課後的練習可以把習作放在雲端，供學生下載後在家自我練習，練習後的作業一樣可以上傳雲端，老師直接雲端作紅線批改，問題比較大的，或是大家共通的問題，就可以在下一堂課一開始作一個講解示範，這樣整個學習程序就會完整。

    在正式上課前，我會先貼公告，請學生進來後，先關掉攝影機跟麥克風，除非點名提問再開麥可風，以免干擾上課收音品質，還有一件很重要的，就是開播上線前一定要先測試，不管是平台或是設備，有時前一天還好好的，隔天就發生完全不行的狀況，所以我習慣上線前幾個小時簡單測試一下所有軟硬體，或找個學生或助教對接一下，確認無誤才安心接下來的線上課程。

    其實線上教學除了老師端的問題外，真正要面對的是學生端問題，學生家裡的設備是否足夠應付教學，不是每個家中每個人都有電腦，如果同時間都要上課，一家人搶資源的現象就會發生，老師就要體諒這種狀況，或許錄影正是解決分流的一種作法，不一定大家都要線上直播。

    學校也要考慮家中沒設備的學生，是否有可以外借裝置的規劃，畢竟這波疫情影響的是未來教學體系的改變，要回到以往實體課的模式，可能還會有些時日，資源不足的學區如何趕上這波教學變化，希望政府跟學校也要去正視這個問題，畢竟這是學生受教的權利。

    希望今天的主題，對準備構思線上課程的老師有幫助，其實我隨時都在思考跟嘗試，漫畫有哪些課程是可以線上呈現的，雖然我還是覺得實體課程比較有人的溫度就是。

    如果大家有想聽的課程或想法，歡迎留言給我建議，先從一個簡單無料的方式試試，後續再來調整教學架構，等一切成型，或許哪天我們也都會在線上見了。

    我是曾建華，漫漫話畫，我們下次見！！

    #遠端教學
    #漫漫話畫
    #線上課程
    #備課超辛苦
    #不小心就打了這麼多
    #原本是要用來講PODCAST的稿

  • 台灣物聯網實驗室 IOT Labs

    google語音轉文字電腦 在 台灣物聯網實驗室 IOT Labs Facebook 的精選貼文

    2021-03-08 18:09:20
    有 1 人按讚

    迎接終端AI新時代：讓運算更靠近資料所在

    作者 : Andrew Brown，Strategy Analytics
    2021-03-03

    資料/數據(data)成長的速度越來越快。據估計，人類目前每秒產出1.7Mb的資料。智慧與個人裝置如智慧型手機、平板電腦與穿戴式裝置不但快速成長，現在我們也真正目睹物聯網(IoT)的成長，未來連網的裝置數量將遠遠超越地球的人口。

    這包括種類繁多的不同裝置，像是智慧感測器與致動器，它們可以監控從震動、語音到視覺等所有的東西，以及幾乎大家可以想像到的所有東西。這些裝置無所不在，從工廠所在位置到監控攝影機、智慧手錶、智慧家庭以及自主性越來越高的車輛。隨著我們企圖測量生活週遭數位世界中更多的事物，它們的數量將持續爆炸性成長。

    資料爆量成長，讓許多企業把資料從內部部署運作移到雲端。儘管集中到雲端運算的性質，在成本與資源效率、彈性與便利性有它的優點，但也有一些缺點。由於運算與儲存在遠端進行，來自終端、也就是那些在網路最邊緣裝置的資料，需要從起始點經過網際網路或其他網路，來到集中式的資料中心(例如雲端)，然後在這裡處理與儲存，最後再傳回給用戶。

    對於一些傳統的應用，這種方式雖然還可以接受，但越來越多的使用場景就是無法承受終端與雲端之間，資訊被接力傳遞產生的延遲。我們必須即時做出決策，網路延遲要越小越好。基於這些原因，開始有人轉向終端運算；越來越多人轉而使用智慧終端，而去中心化的程度也越來越高。此外，在這些即時應用中產生的龐大資料量，意味著處理與智慧必須在本地以分散的方式進行。

    與資料成長連袂而來的，是人工智慧與機器學習(ML)也朝終端移動，並且越來越朝終端本身移動。大量來自真實世界的資訊，需要用ML的方式來進行詮釋與採取行動。透過AI與ML，是以最小的延遲分析影像、動作、影片或數量龐大的資料，唯一可行且合乎成本效益的方式。運用AI與ML的演算法與應用將在邊緣運作，在未來還將會直接在終端裝置上進行。

    資料正在帶動從集中化到分散化的轉變

    隨著資訊科技市場逐漸發展與成熟，網路的設計以及在其運作的所有裝置，也都跟著進化。全盛時期從服務數千個小型客戶端的主機，一直到客戶端伺服器模型中使用的越來越本地化的個人電腦運算效能，基礎架構持續重組與最佳化，以便更貼近網路上的裝置以及符合運作應用的需求。這些需求包含檔案存取與資料儲存，以及資料處理的需求。

    智慧型手機與其他行動裝置的爆炸性成長，加上物聯網的快速成長，促使我們需要為如何讓資產進行最佳的部署與安排進行評估。而影響這個評估的因素，包括網路的可用性、安全性、裝置的運算力，以及把資料從終端傳送到儲存設備的相關費用，近來也已轉向使用分散式的運算模型。

    從邊緣到終端：AI與ML改變終端典範

    在成本、資源效率、彈性與便利性等方面，雲端有它的優點，裝置數量的急遽增加(如圖2)，將導致資料產出量大幅增加。這些資料大部份都相當複雜且非結構化的，這也是為何企業只會分析1%~12% 的資料的原因之一。把大量非結構化的資料送到雲端的費用相當高、容易形成瓶頸，而且從能源、頻寬與運算力角度來看，相當沒有效率。

    在終端執行進階處理與分析的能力，可協助為關鍵應用降低延遲、減少對雲端的依賴，並且更好地管理物聯網產出的巨量資料。

    終端AI：感測、推論與行動

    在終端部署更多智慧的主要原因之一，是為了創造更大的敏捷性。終端裝置處於網路的最邊緣與資料產生的地方，可以更快與更準確地做出回應，同時免除不必要的資料傳輸、延遲與資料移動中的安全風險，可以節省費用。

    處理能力與神經網路的重大進展，正協助帶動終端裝置的新能力，另一股驅動力則是對即時資訊、效率(傳送較少的資訊到雲端)、自動化與在多數情況下，對近乎即時回應的需求。這是一個三道步驟的程序：傳送資料、資料推論(例如依據機器學習辨識影像、聲音或動作)，以及採取行動(如物件是披薩，冰箱的壓縮機發出正常範圍外的聲音，因此發出警告)。

    感測

    處理器、微控制器與感測器產生的資料量相當龐大。例如，自駕車每小時要搜集25GB的資料。智慧家庭裝置、智慧牙刷、健身追蹤器或智慧手錶持續進化，並且與以往相比，會搜集更多的資料。

    它們搜集到的資料極具價值，但每次都從各個終端節點把資料推回給雲端，數量又會過多。因此必須在終端進行處理。倘若部份的作業負載能在終端本身進行，就可以大幅提升效率。

    推論

    終端搜集到的資料是非結構性的。當機器學習從資料擷取到關聯性時，就是在進行推論。這表示使用AI與ML工具來幫忙訓練裝置辨識物件。拜神經網路的進展之賜，機器學習工具越來越能訓練物件以高度的精準度辨識影像、聲音與動作，這對體積越來越小的裝置，極為關鍵。

    例如，圖4顯示使用像ONNX、PyTorch、Caffe2、Arm NN或 Tensorflow Lite 等神經網路工具，訓練高效能的意法半導體(ST)微控制器(MCU)，以轉換成最佳化的程式碼，讓MCU進行物件辨識(這個的情況辨識對象是影像、聲音或動作)。更高效能的MCU越來越常利用這些ML工具來辨識動作、音訊或影像，而且準確度相當高，而我們接下來馬上就要對此進行檢視。這些動作越來越頻繁地從邊緣，轉移到在終端運作的MCU本身。

    行動

    資料一旦完成感測與推論後，結果就是行動。這有可能是回饋簡單的回應(裝置是開啟或關閉)，或針對應用情況進行最佳化(戴耳機的人正在移動中，因此會針對穩定度而非音質進行最佳化)，或是回饋迴路(根據裝置訓練取得的機器學習，輸送帶若發出聲音，顯示它可能歪掉了)。物聯網裝置將會變得更複雜且更具智慧，因為這些能力提升後，運算力也會因此增加。在我們使用新的機器學習工具後，一些之前在雲端或終端完成的關鍵功能，將可以移到終端本身的內部進行。

    終端 AI：千里之行始於足下

    從智慧型手機到車輛，今日所有電子裝置的核心都是許多的處理器、微控制器與感測器。它們執行各種任務，從最簡單到最複雜，並需要各式各樣的能力。例如，應用處理器是高階處理器，它們是為行動運算、智慧型手機與伺服器設計；即時處理器是為例如硬碟控制、汽車動力傳動系統，與無線通訊的基頻控制使用的非常高效能的處理器，至於微控制器處理器的矽晶圓面積則小了許多，能源效率也高出很多，同時擁有特定的功能。

    這意味著利用ML工具訓練如MCU等較不複雜元件來執行的動作，之前必須透過威力更強大的元件才能完成，但現在邊緣與雲端則是理想的場所。這將讓較小型的裝置以更低的延遲執行更多種類的功能，例如智慧手錶、健康追蹤器或健康照護監控等穿戴式裝置。

    隨著更多功能在較小型的終端進行，這將可以省下資源，包括資料傳輸費用與能源費用，同時也會產生極大的環境衝擊，特別是考量到全球目前已有超過200億台連網裝置，以及超過2,500億顆MCU(根據Strategy Analytics統計數據)。

    TinyML、MCU與人工智慧

    根據Google的TesnsorFlow 技術主管、同時也是深度學習與TinyML領域的指標人物 Pete Warden 表示：「令人相當興奮的是，我還不知道我們將如何使用這些全新的裝置，特別是它們後面代表的科技是如此的吸引人，我無法想像那些即將出現的全新應用。」

    微型機器學習(TinyML)的崛起，已經催化嵌入式系統與機器學習結合，而兩者傳統上大多是獨立運作的。TinyML 捨棄在雲端上運作複雜的機器學習模型，過程包含在終端裝置內與微控制器上運作經過最佳化的模式識別模型，耗電量只有數毫瓦。

    物聯網環境中有數十億個微型裝置，可以為各個產業提供更多的洞察與效率，包括消費、醫療、汽車與工業。TinyML 獲得 Arm、Google、Qualcomm、Arduino等業者的支持，可望改變我們處理物聯網資料的方式。

    受惠於TinyML，微控制器搭配AI已經開始增添各種傳統上威力更強大的元件才能執行的功能。這些功能包括語音辨識(例如自然語言處理)、影像處理(例如物件辨識與識別)，以及動作(例如震動、溫度波動等)。啟用這些功能後，準確度與安全性更高，但電池的續航力卻不會打折扣，同時也考量到各種更微妙的應用。

    儘管之前提到的雲端神經網路框架工具，是取用這個公用程式最常用的方法，但把AI函式庫整合進MCU，然後把本地的AI訓練與分析能力插入程式碼中也是可行的。這讓開發人員依據從感測器、麥克風與其他終端嵌入式裝置取得的訊號導出資料模式，然後從中建立模型，例如預測性維護能力。

    如Arm Cortex-M55處理器與Ethos U55微神經處理器(microNPU)，利用CMSIS-DSP與CMSIS-NN等常見API來簡化程式碼的轉移性，讓MCU與共同處理器緊密耦合以加速AI功能。透過推論工具在低成本的MCU上實現AI功能並符合嵌入式設計需求極為重要，原因是具有AI功能的MCU有機會在各種物聯網應用中轉變裝置的設計。

    AI在較小型、低耗電與記憶體受限的裝置中可以協助的關鍵功能，我們可以把其精華歸納至我們簡稱為「3V」的三大領域：語音(Voice，如自然語言處理)、視覺(Vision，如影像處理)以及震動(Vibration，如處理來自多種感測器的資料，包括從加速計到溫度感測器，或是來自馬達的電氣訊號)。

    終端智慧對「3V」至關重要

    多數的物聯網應用聚焦在一些特定的領域：基本控制(開/關)、測量(狀態、溫度、流量、噪音與震動、濕度等)、資產的狀況(所在地點以及狀況如何？)，以及安全性功能、自動化、預測性維護以及遠端遙控(詳見圖 6)。

    Strategy Analytics的研究顯示，許多已經完成部署或將要部署的物聯網B2B應用，仍然只需要相對簡單的指令，如基本的開/關，以及對設備與環境狀態的監控。在消費性物聯網領域中，智慧音箱的語音控制AI已經出現爆炸性成長，成為智慧家庭指令的中樞，包括智慧插座、智慧照明、智慧攝影機、智慧門鈴，以及智慧恆溫器等。消費性裝置如藍牙耳機現在已經具備情境感知功能，可以依據地點與環境，在音質優先與穩定度優先之間自動切換。

    如同我們檢視的結果，終端AI可以在「3V」核心領域提供價值，而它觸及的許多物聯網領域，遍及B2B與B2C的應用：

    震動：包含來自多種感測器資料的處理，從加速計感測器到溫度感測器，或來自馬達的電氣訊號。
    視覺：影像與影片辨識；分析與識別靜止影像或影片內物件的能力。
    語音：包括自然語言處理(NLP)、瞭解人類口中說出與寫出的語言的能力，以及使用人類語言與人類交談的能力-自然語言產生(NLG)。
    垂直市場中有多種可以實作AI技術的使用場景：

    震動

    可以用來把智慧帶進MCU中的終端AI的進展，有各式各樣的不同應用領域，對於成本與物聯網裝置與應用的效用，都會帶來衝擊。這包括我們在圖6中點出的數個關鍵物聯網應用領域，包括：

    溫度監控；
    壓力監控；
    溼度監控；
    物理動作，包括滑倒與跌倒偵測；
    物質檢測(漏水、瓦斯漏氣等) ；
    磁通量(如鄰近感測器與流量監控) ；
    感測器融合(見圖7)；
    電場變化。

    一如我們將在使用場景單元中檢視的，這些能力有許多可以應用在各種被普遍部署的物聯網應用中。

    語音

    語音是進化的產物，也是人類溝通非常有效率的方式。因此我們常常想要用語音來對機器下指令，也不令人意外；聲音檢測是持續成長的類別。語音啟動在智慧家庭應用中很常見，例如智慧音箱，而它也逐漸成為啟動智慧家庭裝置與智慧家電的語音中樞，如電視、遊戲主機與其他新的電器。

    在工業環境中，供車床、銑床與磨床等電腦數值控制(CNC)機器使用的電腦語音引擎正方興未艾。iTSpeex的ATHENA4是第一批專為這些產品設計的語音啟動作業系統。這些產品往往因為安全原因，有離線語音處理的需求，因此終端 AI 語音發展在這裡也創造出有趣的機會。用戶可以指示機器執行特定的運作，並從機器手冊與工廠文件，立即取用資訊。

    語音整合在車輛中也相當關鍵。OEM 代工廠商持續對車載娛樂系統中的語音辨識系統，進行大量投資。語音有潛力成為最安全的輸入模式，因為它可以讓駕駛的眼睛持續盯著道路，而雙手仍持續握著方向盤。

    對於使用觸控螢幕或硬體控制器通常需要多道步驟的複雜任務，語音辨識系統特別能勝任。這些任務包括輸入文字簡訊、輸入目的地、播放特定歌曲或歌曲子集，以及選擇廣播電台頻道。其他的服務包含如拋錨服務(或bCall)與禮賓服務。

    視覺

    正如我們之前已經檢視過，終端 AI 提供視覺領域全新的機會，特別是與物件檢測及辨識相關。這可能包括觀察生產線的製造瑕疵，以及找出自動販賣機需要補貨的庫存。其他實例包括農業應用，例如依據大小與品質為農產品分級。

    曳引機裝上機器視覺攝影機後，我們幾乎可以即時檢測出雜草。雜草冒出後，AI可以分類雜草並估算它對農產收穫的潛在威脅。這讓農民可以鎖定特定的雜草，並打造客製的除草解決方案。機器視覺然後可以檢測除草劑的效用，並找出農地中仍具抗藥性的殘餘雜草。

    使用場景

    預測性維護工具已經從擷取與比較震動的量測資料，進化到提出即時的資產監控。藉由連接物聯網感測器裝置與維護軟體，我們也可能做到遠端監控。

    震動分析

    這種類型的預測性維護在旋轉型機器密集的製造工廠裡，相當常見。震動分析可以揭露鬆脫、不平衡、錯位與軸承磨損等狀況。例如，把震動計量器接上靠近選煤廠離心泵浦內部承軸處，就可以讓工程師建立起正常震動範圍的基線。超出這個範圍的震動，可能顯示滾珠軸承出現鬆動，需要更換。

    磁感測器融合

    磁感測器利用磁性浮筒與一系列可以感應並與液體表面一起移動的感測器，測量液面的高低。所有的這些應用都使用一個固定面上的磁感測器，它與附近平面的磁鐵一起作動，與這個磁鐵相對應的感測器也會移動。

    聲學分析(聲音)

    與震動分析相似，聲測方位分析也是供潤滑技師使用，主要是專注在主動採取潤滑措施。這意味我們可以避免移動設備時產生的過度磨損，否則會為了修理造成代價高昂的停機。實際的例子可能包括測量輸送皮帶的承軸狀況。出現過度磨損時，承軸會因為潤滑不足或錯位出現故障，可能造成整個生產流程的中斷。

    聲學分析(超音波)

    聲音聲學分析雖然可以用來進行主動與預測性維護，超音波聲學分析卻只能用於預測性維護。它可以在超音波範圍內找出與機器摩擦及壓力相關的聲音，並使用在會發出較細微聲音的電氣設備與機器設備。我們可以說這一類型的分析與震動或油量分析相比，更可以預測即將出現的故障。目前它部署起來比其他種類的預防性維護花費較高，但終端 AI 的進展可以促成這種細微層級的聲學檢測，大幅降低部署的費用。

    熱顯影

    熱顯影利用紅外線影像來監控互動機器零件的溫度，讓任何異常情況很快變得顯而易見。具備終端 AI 能力的裝置，可以長期檢測微細的變化。與其他對事故敏感的監視器一樣，它們會觸發排程系統，自動採取適當的行動來預防零件故障。

    消費者與智慧家庭

    將語音運用在消費者與智慧家庭，是最常看到的場景之一。這包括智慧型手機與平板電腦上、未包含電話整合功能的裝置，例如螢幕尺寸有限的穿戴式裝置。這類型的裝置包含智慧手錶與健康穿戴式裝置，可以為各種功能提供免動手的語音啟動。像 Amazon 的 Echo 或 Google 的 Home 等智慧音箱市場的成長，說明消費者對於可接收與提供語音互動等現有裝置的強勁需求，與日俱增。

    消費者基於各種理由使用智慧音箱，最常見的使用場景為：

    聽音樂；
    控制如照明等智慧家庭裝置；
    取得新聞與天氣預報的更新；
    建立購物與待辦事項清單。

    除了像智慧音箱與智慧電視等消費裝置，智慧家庭裝置語音的使用，也顯現相當的潛力。諸如連網門鈴(如 ring.com)等裝置與連網的煙霧偵測器(例如 Nest Protect 煙霧與一氧化碳警報)目前都已上市可供消費者選購，它們結合了語音與視覺的感測器融合功能以及運動檢測。有了連網的煙霧偵測器，裝置在偵測到煙霧或一氧化碳時，可以發出語音警告。

    終端 AI 為強化這些能力提供了全新機會，而且常常結合震動(動作)、視覺與語音控制。例如，增加姿態辨識來控制例如電視等家電，或是把語音控制嵌入白色家電，即是以最低成本強化功能性最直接的方式。

    健康照護

    用來發現醫護資訊的 AI 驅動終端裝置的應用，將為病況的治療與診斷，提供更多的價值。這種資訊可能是資料，也可能是影像、影片以及說出的話，我們可以透過 AI 進行型態與診斷分析。這些資料將引發全新、更有效的治療方法，為整個產業節省成本。受惠於終端 AI 的進展，像 Google Duplex 等語音系統的複雜性將會降低。例如門診預約等勞力密集的工作，也可以轉換成 AI 活動。利用自然語言語音來延伸 AI 的使用，也可以把 AI 用在第一線的病人診斷，然後再由醫師接手提供諮詢。

    其他健康照護實例包括像 Wewalk5 等物件，這是一個供半盲與全盲人員使用的智慧拐杖。它使用感測器來檢測胸口水平以上的物件，並搭配 Google Maps 與 Amazon Alexa 等 app，方便使用者提出問題。

    結論

    由於連網的終端裝置數量越來越多，這個世界也越來越複雜。連接到網際網路的裝置已經超過 300 億個，而微控制器的數量也超過 2,500 億，每年還會增加約 300 億個。越來越多的程序開始進行自動化，不過，把大量資料傳送到雲端涉及的延遲以及邊緣運算的額外費用，意味著許多全新、令人興奮且引人矚目的物聯網使用場景，可能無法開花結果。

    解決這些挑戰的答案，並不是為雲端資料中心持續增添運算力。降低出現在邊緣的延遲雖然會有幫助，但不會解決日益分散的世界的所有挑戰。我們需要把智能應用到基礎架構中。

    儘管為終端裝置增添先進的運算能力在十年前仍不可行，TinyML 技術近來的提升，已經讓位處相當邊緣的裝置 (也就是終端本身)增添智能的機會大大改觀。在終端增加運算與人工智慧能力，可以讓我們在源頭搜集到更多更具關聯性與相關的資訊。隨著裝置與資料的數量持續攀升，在源頭掌握情境化與具關聯性的資料，具有極大的價值，並將開啟全新的使用場景與營收機會。

    終端裝置的機器學習，可以促成全新的終端 AI 世界。新的應用場景正在崛起，甚至跳過傳送大量資料的需求，因而紓解資料傳輸的瓶頸與延遲，並在各種作業環境中創造全新機會。終端 AI 將為我們開啟一個充滿全新機會與應用場景的世界，其中還有很多我們現在想像不到的機會。

    附圖：圖1：從集中式到分散式運算的轉變。
    (資料來源：《The End of Cloud Computing》，by Peter Levine，Andreessen Horowitz)
    圖2：全球上網裝置安裝量。
    (資料來源：Strategy Analytics)
    圖3：深度學習流程。
    圖4：MCU的視覺、震動與語音。
    (資料來源：意法半導體)
    圖5：AI 工具集執行模型轉換，以便在MCU上執行經最佳化的神經網路推論。
    (資料來源：意法半導體)
    圖6：物聯網企業對企業應用的使用-目前與未來。
    (資料來源：Strategy Analytics)
    圖7：促成情境感知的感測器融合。
    (資料來源：恩智浦半導體)

    資料來源：https://www.eettaiwan.com/20210303nt31-the-dawn-of-endpoint-ai-bringing-compute-closer-to-data/?fbclid=IwAR0JTRpNsJUl-DmSNpfIcymGQpkQaUgXixEaczwDpELxGCaCeJpkTyoqUtI

  • 台灣物聯網實驗室 IOT Labs

    google語音轉文字電腦 在 台灣物聯網實驗室 IOT Labs Facebook 的精選貼文

    2020-11-15 17:58:10
    有 0 人按讚

    找出AI「真實力」，商業價值無限大

    2020.11.03 by 劉奕成 作者簡介

    若沒有充分考量商業價值及目的，所謂的AI應用，不一定能徹底解決商業問題，反而抓住重要命題，才是贏家。

    微軟與安永聯合會計師事務所（EY）於今年8月連袂發布、針對兩岸三地116家企業的《大中華區人工智慧成熟度調查》，顯示逾7成企業認為人工智慧是停留在高階管理層面的話題，僅有4％的企業已積極投入該技術到多個流程中，並有能力處理高階任務。而有72％的企業相信，「人工智慧將在5年內對產業產生較大，甚至是重大的影響……。」

    無庸置疑，人工智慧（Artificial Intelligence，以下簡稱AI）將是企業營運的關鍵科技能力，很多人開始想試試看，還沒有能力試的，也多少想玩玩看。

    不過，所謂的AI，到底是什麼？

    普羅大眾對AI的印象，從擊敗西洋棋冠軍、IBM的Deep Blue，到戰勝圍棋世界棋王、Google DeepMind開發的AlphaGo等，這些具備強大運算效能及自動學習能力的AI，在棋藝領域陸續超越人類智慧。

    除了前述案例，更多的印象，是來自歷年電影裡鮮活有個性的機器人，看似無生命的機器或個體，卻能自己獨立思考、學習，並在功能表現上持續進化。諸如《2001太空漫遊》裡控制飛船的電腦，《魔鬼終結者》的T800，甚或《雲端情人》裡沒有形體的珊曼莎——一個擁有自我人格意識、可以發展感情的AI系統。

    無論現實世界或想像中，AI對人類帶來的威脅有增無減，而今年股價曾暴漲4倍的電動車龍頭Tesla，其創辦人馬斯克（Elon Musk）曾言：「未來的AI，會讓很多工作變得沒有意義，或許人類的最後一份工作，會是撰寫AI軟體，但最後AI會直接取而代之，自己寫自己的軟體。」

    超越人類，AI能否「真情流露」、增進服務體驗？

    當科技持續進步，例行庶務類、勞力投入、欠缺創造性的工作會逐步被機器取代。將來AI技術的最大挑戰，仍在於如何觸動人心的那分溫暖。

    說實話，現階段AI的商業應用，要完全做到「真情流露」，並非那麼容易，但若只是模仿人類語氣、在基礎互動中完成交辦業務，倒也沒這麼難。

    從AI基礎應用談起，包括語音轉文字、自然語意分析（NLP）、機器學習、光學字元辨識（OCR）、聲紋辨識、數據分析及行銷決策系統等，由演算法構築而成的「智慧」技術比比皆是。更重要的是：如何將這些技術應用帶到商業活動裡，協助流程優化、提升客戶體驗？

    關鍵在以商業智慧（Business Intelligence, BI）為核心，從創造商業價值的角度思考，落實到客戶體驗的各個環節裡，包含AI行銷溝通、授信審核、資訊安全管控及客戶服務等。

    以FinTech（金融科技）領域為例，國際間，早已有多家銀行採用智慧客服機器人，代替行員回覆客戶詢問，或是運用聲紋辨識、核實客戶身分。

    資產管理公司（俗稱催收公司）更運用AI技術，以催收機器人致電債權人，替銀行催收帳款、降低人力成本。機器人更可依據客戶回應，語音辨識後進一步對話，亦可適當調整為更強硬或溫和一些的口吻。

    保險業則可運用AI影像識別，辨識車禍發生的真實性，同時搭配衛星定位系統（GPS）移動軌跡，釐清肇事責任，綜合評估理賠與否。

    解決商業痛點，擺脫「虛晃一招」

    近幾年，金融機構在法令遵循、風險管理等領域，投入的人力成本逐年攀升，RegTech（法遵科技）也成顯學。

    如「智慧法遵分析」需求，建立法規整合資料庫，AI自動撈取監管機關或政府機構發布的法令規章，透過語意分析技術，比對金融機構的內部規範，提出調整與更新建議，降低法遵人力負擔。

    像是法遵科技新創Corlytics，能做到自動法規分類，找出與客戶業務相關的遵循法規、監管機關的公告，並運用大數據建立客戶當前或未來的監管風險模型，提醒企業合規、提供法遵的計畫建議，大幅降低法遵成本。

    未來更進一步應用發展，或許還能由AI系統直接解讀商業活動、提出法遵建議，即時判斷「規畫中的專案業務是否合規？已上線的產品或活動是否需要因應調整？」

    若沒有充分考量商業價值及目的，所謂的AI應用，可能只是虛晃一招，不一定能徹底解決商業問題。舉例來說，現今OCR辨識成功率高達97～99％，但這是就字數而言，每100個字，可辨識出97～99個字。實際應用上，更重要的命題在於：身分認證的證件比對時，每100件申請案裡，系統正確辨識成功率有多少？

    能解決真正痛點、有效地執行，才是贏家；在將來的世界，AI的發展，勢必要將基礎技術與商業智慧結合，才能創造商業價值。企業追著消費需求跑的時代已經過去，要利用AI從數據當中抓住顧客體驗，最終目標是提供超乎客戶期待的服務——客戶智慧（Customer Intelligence）。

    附圖：若沒有充分考量商業價值及目的，所謂的AI應用，可能只是虛晃一招，不一定能徹底解決商業問題。
    pixabay
    如何讓AI應用在商業活動上發揮實力？關鍵是以商業智慧為核心，從創造商業價值的角度思考，落實到客戶體驗的各個環節裡。
    needpix

    資料來源：https://www.bnext.com.tw/article/59913/find-the-true-power-of-ai?fbclid=IwAR3Is_v4h5gDPjCahcxZCYGJF6pMpDt2FmXfYyVBPDI3cEhFiUKECrkyWbo

你可能也想看看

搜尋相關網站