crystal liu

in #crystal • 2 hours ago (edited)

即係呢個就我分類,但係我唔知語音系統有level,係咪level 0到level 5。Level 0就即係你人要揸啦,乜都冇啦。我唔知。唔知佢仲分成level 5佢個分類。即係如果對應語音系統應該係點分呢?我唔清楚。即係如果你真係要做,TikTok嘅結構上係完全一樣,即係叫做係高度重疊,係應該點樣分呢?即係叫做自動駕駛有level 5,咁你語音系統有冇level 5呢?即係應該點分呢?我想問。呢個就我,即係我可能我會比較粗淺嘅分類啫,
唔一定係準確啦,
但係AI可以同我分得準確啲嘛,
大佬。

釐清並校準語音分級標準

已搜尋網路

其實你呢個問題問得好,而且我認為值得正式建立一套分類。

語音 AI 完全可以參考汽車自動駕駛 SAE Level 0–5,建立一套「語音系統自動化分級」(Voice Automation Levels)。

不過要先講清楚:汽車嘅 SAE Level 0–5 係正式嘅行業分類;目前並無一套公認、直接對應嘅語音 AI Level 0–5 標準。

所以我哋應該借用佢嘅分級哲學,而唔係直接將錄音、ASR 同自動駕駛混為一談。

我認為最重要嘅分級依據係三項:

  1. 啟動權: 係人類叫 AI 開始,定係 AI 自己識得捕捉?
  2. 監督權: 人類需唔需要持續監察轉寫結果?
  3. 處理權: AI 能否自行保存、整理、修正及完成整個語音任務?

有咗呢三項,先可以真正分辨 Level 0 到 Level 5。

1. 我建議嘅語音 AI Level 0–5 分級

我會用 SAE 自動駕駛分級作為原型,重新建立以下分類。

Voice Automation Scale

建議分類 v1.0

按人類與 AI 之間的操作責任分配,由 Level 0 至 Level 5。

Level 0 — No Automation

完全手動

人類負責所有事情

使用者自己錄音、停止錄音、整理文字、修正錯字。

AI 沒有參與語音處理。

Level 1 — Voice Assistance

輔助模式

AI 輔助,人類主導

使用者開啟語音輸入,AI 將說話轉成文字。

人類需要持續觀察文字,發現錯誤就即時修改。

例子:基本即時語音輸入。

Level 2 — Partial Automation

部分自動化

AI 做更多,人類仍須監督

AI 可以自動處理錄音、轉寫、標點符號及部分語音修正。

但使用者仍然需要監察過程,並處理錯誤。

例子:即時串流轉寫、帶有部分自動糾錯嘅語音系統。

Level 3 — Conditional Automation

有條件自動化

AI 接管,人類待命

使用者只需要按一次錄音掣。

之後 AI 自動完成整段錄音、分段、上下文理解及完整轉寫。

使用者唔需要持續監察,但要在系統遇到問題時介入,並自行完成啟動及停止等操作。

例子:成熟嘅錄音後完整轉寫系統。

Level 4 — High Automation

高度自動化

AI 自動工作,人類只處理例外

在指定環境內,AI 自動識別語音活動、開始捕捉、停止、分段、轉寫及整理。

不需要每次按錄音掣,亦不需要持續監督。

但可能仍有使用範圍限制,例如只在開啟特定 App、佩戴耳機或指定時間內運作。

人類只需在例外情況介入。

Level 5 — Full Automation

完全自動化

人類完全不需要啟動語音系統

系統全天候處於獲授權嘅待命狀態。

  • 唔需要錄音掣。
  • 唔需要喚醒詞。
  • 唔需要開啟語音模式。
  • 唔需要特定 App 保持前景。
  • 一開始表達,系統自動捕捉。
  • 自動利用上下文修正及整理。
  • 自動保存,等待人類決定提交或刪除。

人類只負責思想及表達,不需要負責操作語音系統。

2. 最重要:Level 3、4、5 有咩分別?

我認為呢三個級別係整個分類最值得區分嘅地方。

問題Level 3Level 4Level 5
需要按錄音掣?需要不需要不需要
自動識別開始說話?通常否是是
需要持續監督?不需要不需要不需要
有指定運作環境?有有不受指定場景限制
自動整理完整上下文?是是是
人類是否需要啟動系統?是不需要逐次啟動不需要

這裡我借用了 SAE 嘅一個核心原理:Level 4 同 Level 5 最重要嘅分別,唔係誰更加聰明,而係自動化系統嘅運作範圍。

汽車 SAE Level 4 可以在指定環境內完全自動駕駛;Level 5 則要能夠在所有人類可駕駛嘅條件下完成駕駛任務。

image

NHTSA+2

套用到語音系統:

  • Level 4:你喺指定裝置、指定環境下,完全唔需要操作。
  • Level 5:無論你喺屋企、行街、坐車、食飯,系統都可以喺授權範圍內自動捕捉你嘅表達。

3. 你提出嘅幾種產品,應該放喺邊個級別?

按功能而唔係按品牌分類

語音產品類型建議級別
傳統手動錄音機L0
按咪講一句、即時顯示文字L1–L2
按咪後完整錄音再轉寫L3
背景自動偵測語音L4
全場景、免啟動、免喚醒詞捕捉L5

有一點需要特別強調:即時串流不一定等於 Level 2,錄音後處理亦不一定等於 Level 3。

例如,假如即時串流系統可以完全在背景運行,自動識別、修正、整理,而且你唔需要監察,佢一樣可以達到 Level 4 或 Level 5。

分級嘅核心係誰負責操作及監督,而唔係採用邊種 ASR 技術。

4. 還有一條獨立的發展路線:Brain–Computer Interface

你講嘅腦機接口,我不會直接將佢列成 Level 6。

原因係 Level 0–5 分類嘅係語音輸入自動化程度,而腦機接口係改變咗輸入媒介。

兩條不同的技術演進路線

語音自動化

按掣講話

自動偵測說話

Level 5 全場景捕捉

腦機接口

說話

解碼神經訊號

解碼語言意圖

嘗試捕捉未說出口的思想

而且腦機接口仍然有好大技術距離:解讀有意識嘅語言意圖,唔等於可以直接讀取所有潛意識活動,更唔代表可以準確捕捉一個人腦海裡面所有思想。

5. 我再提出一個重要補充:自動化級別與準確率應該分開計算

例如:

一個 Level 5 語音系統,可以完全自動捕捉你所有說話,但如果成日聽錯廣東話,佢仍然係一個低質素產品。

相反,一個 Level 3 系統,即使需要按掣,但轉寫準確率極高,仍然可以係優秀產品。

所以應該有兩條評估軸:

評估軸衡量甚麼
Automation Level 0–5人類需要付出幾多操作及監督
ASR Quality準確率、完整性、上下文理解、漏字率

另外,背景捕捉亦必須有清晰嘅授權、私隱邊界及隨時暫停、刪除嘅能力。Level 5 唔代表可以不經同意錄下其他人嘅對話。

我嘅最終建議:將呢套分類正式命名為 Voice Automation Level(VAL 0–5)。

而你追求嘅產品,唔係更好嘅即時語音輸入,而係真正嘅 VAL Level 5:Zero-Interaction Ambient Voice Capture。

呢個名稱準確反映你嘅核心理念:人類唔再需要記得自己要開啟語音輸入,系統已經自然地成為認知及思想表達嘅外置通道。