智慧音箱：為什麼聽不懂中文
把這六種情境分開看，你會發現它們對應的技術環節完全不同。接下來我們就把它拆開來看。
二、語音辨識的四大環節：從麥克風到雲端的旅程
當你對著智慧音箱說出一句話，實際上發生的事情比你想的複雜得多。以下四個環節，是判斷「問題出在哪」的基本框架。
環節一：喚醒詞偵測（本地端，永遠在聽）
智慧音箱並不是無時無刻把聲音傳到雲端，那會耗掉驚人的頻寬與電力。它採用的做法是：裝置上有一顆低功耗的處理器，持續在本地端分析麥克風收到的音訊，只偵測「喚醒詞」這幾個音節的聲學特徵。只有當它判斷聽到了喚醒詞，才會開啟錄音、把後續的音訊上傳雲端。
這代表兩件事：第一，喚醒詞的設計極度重要。像「小愛同學」、「Hey Siri」、「OK Google」這類多音節、音素組合特殊的詞，誤觸發率低、辨識率也較高。第二，喚醒詞偵測是在極低算力下完成的，所以它對環境噪音、距離、說話音量非常敏感。你離它三公尺、隔著一道門、旁邊還開著抽油煙機，叫不醒它是非常正常的。
許多人在 App 裡把「喚醒靈敏度」調到最高，以為這樣比較好叫，結果換來的是電視廣告一播就亂回話。這是典型的取捨：靈敏度越高，誤觸發也越多。建議的做法是依照使用場景調整——放在客廳電視旁就調低，放在臥室床頭就調高。
環節二：語音轉文字（ASR）——最關鍵的一關
喚醒之後，裝置會把音訊切片、壓縮、上傳到雲端（近年也有部分機種採本地端處理）。雲端伺服器接收到音訊後，會先做前處理：降噪、去殘響、音量正規化，然後送進聲學模型。
聲學模型的工作，是把每一個短時間的音訊片段（通常是 20 到 30 毫秒）對應到可能的音素（phoneme）。早期使用隱馬可夫模型搭配高斯混合模型（HMM-GMM），現在幾乎全面改為深度神經網路，近幾年更流行端到端（End-to-End）架構，直接把音訊波形映射到文字，例如 CTC、RNN-Transducer、以及以 Transformer 為基礎的大型模型。
但光有聲學模型不夠。中文同音字太多，「ㄕˋ」可以是「是、事、市、室、試、視、勢、世……」，單靠發音根本無法決定。因此還要靠語言模型根據上下文判斷哪個字詞組合最合理。這就帶出了中文辨識的真正難點：斷詞。
舉個經典例子：「南京市長江大橋」。這句話可以斷成「南京市／長江大橋」，也可以斷成「南京／市長／江大橋」。人類一聽就懂，機器卻需要額外的語言知識才能判斷。當你的句子裡出現罕見的專有名詞、品牌名、人名時，語言模型的先驗機率就會把結果帶偏——這也是為什麼你說「播放某某獨立樂團的歌」，它常常播成一個完全不相干的歌單。
環節三：自然語言理解（NLU）——聽懂字面之後的難題
ASR 把聲音變成文字之後，接著要判斷「你說這句話想幹嘛」。這個步驟叫做意圖識別（Intent Classification）與槽位抽取（Slot Filling）。
例如「幫我把客廳的燈調暗一點」，意圖是「調整燈光亮度」，槽位包括「地點＝客廳」、「裝置＝燈」、「動作＝調暗」、「幅度＝一點」。這聽起來很工程，但實際使用上的落差往往就出在這裡：
你講「有點熱」，它不一定會聯想到開冷氣，因為這句話在訓練資料裡多半是「陳述句」而非「指令」。
你講「放點輕鬆的」，它可能無法對應到任何具體歌單或曲風標籤。
你講「我出門了」，它未必會觸發你設定的離家場景，除非你事先建好對應的自訂指令。
這也是為什麼近年大型語言模型（LLM）開始被整合進語音助理後，體驗會有明顯提升——因為 LLM 更能處理模糊、口語、跳脫固定句型的自然語言。
環節四：語音合成與回應（TTS）
最後一步是把回應轉成語音播放。這一步通常不會出錯，但它會影響你對「它聽不聽得懂」的主觀感受。回話太冗長、語速太快、語調生硬，都會讓人覺得它「笨」。有些機種可以調整語速與音量，甚至切換不同音色，這些小設定對日常體驗的影響，其實比你想像中大。
三、中文為什麼特別難？聲調、同音字與口音的三大挑戰
英文使用者常抱怨語音助理聽不懂他們的腔調，但中文使用者的困難是結構性的。以下三個特性，是中文語音辨識的根本難關。
挑戰一：聲調與連讀變調
中文是聲調語言，同一個音節配上不同聲調就是不同的字。「媽、麻、馬、罵」在聲學上只差在基頻（F0）的變化曲線，卻代表四個完全不同的意思。對聲學模型來說，這意味著它不能只看音素的頻譜特徵，還必須準確追蹤基頻的走向。
更麻煩的是連讀變調。兩個三聲連在一起時，前一個三聲會唸成二聲，例如「你好」實際上唸起來接近「ㄋㄧˊ ㄏㄠˇ」。這種變調規則在自然語速下幾乎是無意識發生的，而且還因地區而異。模型如果在訓練時沒有充分涵蓋這些變調樣本，就容易在連續語句上出錯。
此外還有輕聲、兒化音的地區差異、語助詞（啊、喔、啦、耶）的大量使用，這些在書面中文裡幾乎不存在，卻是口語辨識的日常。台灣使用者的語助詞使用頻率與對岸差異明顯，這也是本地化模型必須特別訓練的部分。
挑戰二：同音字與斷詞歧義
中文常用字約三千字，但音節只有一千三百多個（含聲調），平均一個音節對應兩到三個字。當句子越短、上下文越少，歧義就越嚴重。「幫我關燈」和「幫我關機」在吵雜環境下，聲學特徵可能只差一點點，若沒有足夠的上下文支撐，模型就會猜錯。
斷詞問題同樣棘手。中文書寫沒有空格，模型必須自行判斷詞的邊界。當你講出品牌名、型號、在地地名、或是新創詞彙時，模型很可能會把它切成幾個常見詞，導致完全錯誤的結果。這也是為什麼你可以在 App 裡「訓練」助理記住特定名稱——本質上就是幫它補充語言模型的詞彙表。
挑戰三：口音、中英夾雜與台灣用語
台灣使用者的中文有幾個鮮明特徵：捲舌音（ㄓㄔㄕ）與舌尖前音（ㄗㄘㄙ）區分不明顯、語速偏快、句中大量夾雜英文單詞、以及許多獨特的日常用語（例如「載具」、「悠遊卡」、「小七」）。
主流智慧音箱的訓練資料，多半來自中國大陸或美國的語音資料集。這造成兩個問題：一是對台灣腔的適應不足，二是對「台灣人會怎麼說」缺乏概念。你說「幫我叫小黃」，它可能聽成「小黃瓜」；你說「訂個便當」，它可能幫你搜尋「訂便當」這首歌。
中英夾雜更是硬傷。多數中文語音模型是「中文模型」與「英文模型」分開訓練的，遇到「幫我 play 一首歌」這種混合句，模型往往會在其中一種語言上判斷失誤。近幾年的多語言混合模型有改善，但距離人類的自然程度還有相當差距。
四、硬體與環境因素：不是演算法萬能
很多人以為辨識率只取決於 AI 模型有多強，但實際上，麥克風收到什麼樣的聲音，決定了 AI 有多少東西可以處理。訊噪比差、殘響重，再強的模型也救不回來。
麥克風陣列與收音死角
智慧音箱通常配備 2 到 8 顆麥克風，組成麥克風陣列。它的核心技術是波束成形（Beamforming）：透過比較同一聲音到達不同麥克風的時間差，判斷聲源方向，並「聚焦」在那個方向、壓低其他方向的噪音。
這代表收音範圍是有方向性的。多數機種在正前方與正上方的收音最好，側面與背面較差。如果你把音箱塞在電視櫃的角落、靠牆、旁邊還堆了雜物，波束成形就難以發揮作用，收音品質會大幅下降。
另一個常被忽略的點是距離。近場（一公尺內）與遠場（三公尺以上）的辨識難度完全不同。遠場語音辨識需要處理的聲音反射、衰減與噪音混入問題複雜得多，這也是高階機種與入門機種差距最明顯的地方。
背景噪音與房間殘響
居家環境的噪音來源比想像中多：冷氣運轉的低頻聲、冰箱壓縮機、抽油煙機、電視、除濕機、甚至是魚缸的打水聲。這些持續性的背景噪音會拉低訊噪比，讓喚醒詞偵測與 ASR 都變得困難。
殘響（Reverberation）則是另一個隱形殺手。在磁磚地板、玻璃窗、大片裸牆的空間裡，聲音會不斷反射，一句話講完之後還有尾巴在空間裡迴盪。對人類來說這只是「聽起來空空的」，但對機器來說，殘響會把不同音節糊在一起，嚴重破壞聲學特徵。
改善方法很實際：在音箱周圍加地毯、窗簾、布沙發、書架，都能有效吸收反射音。把音箱從牆角移到開闊處、離牆至少 15 到 30 公分，通常就能感受到明顯差異。
網路延遲與雲端服務地區
如果你的智慧音箱是靠雲端辨識，那麼網路品質會直接影響體驗。Wi-Fi 訊號弱、延遲高、封包遺失，都可能造成「已喚醒但沒反應」或「回應超慢」的狀況。建議把音箱連上 5GHz 頻段（若距離夠近），並確認路由器與音箱之間沒有太多實體障礙。
另外一個常被忽略的因素是帳號地區設定。許多智慧音箱的服務是分區提供的，若帳號設定在不支援繁體中文的地區，或裝置韌體屬於其他市場版本，中文支援的深度就會有落差。這點在跨國購買的水貨機種上尤其明顯。
五、實戰調校指南：讓音箱聽懂你的十個做法
理論講完了，接下來是能立刻動手做的部分。以下十個做法，按照「效果明顯程度」排序，建議從前面開始逐一嘗試。
調校重點一：擺位與環境
調校重點二：說話方式與指令設計
調校重點三：App 設定、韌體與帳號
做完這十件事之後，多數人會發現辨識率有明顯提升。若還是很差，就要考慮是不是硬體本身限制（例如只有兩顆麥克風的入門機種），或是該換一個更適合中文環境的生態系統了。
六、選購建議：怎麼挑一台「中文聽得懂」的智慧音箱
如果你正準備入手，或打算換掉現有那台「耳背」的音箱，以下幾個判斷依據比規格表上的數字更實用。
看語音助理生態，而不是看硬體規格
智慧音箱的「聰明程度」幾乎完全取決於背後的語音助理生態。同樣的硬體，搭配不同的助理，體驗可能天差地遠。挑選時應該優先確認：這個助理在台灣是否有正式支援、是否提供繁體中文、是否有本地化的內容服務（音樂、新聞、天氣、在地商家資訊）。
另外要考慮你家裡已經有哪些裝置。若你已經使用某個手機生態系，選擇同體系的音箱通常在裝置連動、帳號整合、設定便利性上都會順暢許多。跨生態整合雖然可行，但往往需要額外的設定與部分功能取捨。
看麥克風硬體與遠場能力
麥克風數量不是唯一指標，但確實是重要參考。四顆以上的麥克風陣列在遠場收音上通常有明顯優勢。此外可以留意廠商是否強調「遠場語音辨識」、「噪音抑制」、「回音消除」等能力，這些都是實際使用時最有感的規格。
若你的使用場景是較大的客廳或開放式空間，強烈建議選擇麥克風規格較好的機種；若只是放在床頭近距離使用，入門機種其實也夠用。
看隱私設計與本地處理能力
語音助理「永遠在聽」的特性，讓不少人對隱私有所顧慮。選購時可以留意幾件事：是否有實體的麥克風靜音鍵、是否明確標示語音資料的儲存與刪除政策、是否支援本地端喚醒詞偵測、是否提供對話紀錄的自動刪除選項。
近幾年部分機種開始支援在裝置端完成部分語音處理，甚至離線辨識基本指令（例如開關燈、計時器），這對隱私與反應速度都是加分。若你對隱私特別在意，這是值得優先考慮的功能。
七、未來展望：中文語音互動正在快速進化
如果你覺得現在的智慧音箱還是「笨笨的」，別太早放棄。這個領域在過去兩年發生了相當大的變化，而變化的核心動力來自大型語言模型。
大型語言模型帶來的改變
傳統語音助理的 NLU 是「規則＋分類器」的組合，必須針對每一種意圖預先設計訓練資料。這就是為什麼你講的話稍微偏離劇本，它就聽不懂。大型語言模型則具備強大的語意理解與推理能力，能處理模糊、口語、甚至帶有省略的句子。
當 ASR 的結果被送進 LLM 處理，使用者體驗會出現質變：你可以用很自然的方式描述需求，不必背誦固定句型；助理也能記住前後文，進行多輪對話。目前已經有廠商在這條路線上推出產品，雖然中文支援的成熟度還在演進中，但方向已經很明確。
離線辨識與多語言混合
另一個明顯的趨勢是端側運算。隨著手機與嵌入式晶片的算力提升，把中小型語音模型直接跑在裝置上已經可行。這帶來兩個好處：一是反應速度大幅提升，不再受網路延遲影響；二是隱私更有保障，因為音訊不必離開家中。
同時，多語言混合辨識的技術也在進步。未來的模型將更擅長處理中英夾雜、甚至台語與客語混用的情境，這對台灣使用者來說是相當關鍵的改善方向。近幾年已有針對台語的語音模型與資料集在公開平台上釋出，雖然規模仍不及主流語言，但成長速度值得期待。
八、常見問題 FAQ
Q1：我的音箱明明是中文版，為什麼還是聽不懂？
「支援中文」和「支援繁體中文、且針對台灣用語最佳化」是兩件事。請確認 App 中的助理語言設定為中文（台灣），並檢查帳號地區與裝置版本是否相符。
Q2：調高喚醒靈敏度有用嗎？
有用，但要看你放在哪裡。放在安靜的臥室可以調高；放在電視旁的客廳建議調低，否則誤觸發會讓你更煩躁。
Q3：講話要放慢嗎？
不需要刻意放慢到不自然，但建議咬字清楚、不要含糊帶過、句子短一點。刻意放慢反而可能破壞聲調的連貫性，未必有幫助。
Q4：為什麼長輩跟小孩特別容易被聽錯？
長輩語速慢、音量小、咬字可能較鬆；小孩音高偏高、共鳴位置不同。這兩類聲音在訓練資料中的比例相對較低，因此辨識率通常較差。可以透過增加練習、縮短距離、調整擺位來改善。
Q5：一定要連網才能用嗎？
喚醒詞偵測通常可在本地完成，但複雜的語意理解與內容查詢仍多依賴雲端。部分機種支援離線的基本指令（如計時、開關燈），購買前可留意規格說明。
結語：它不是聽不懂，而是需要你幫它一把
回到最初的問題：智慧音箱為什麼聽不懂中文？現在你應該有更完整的答案了。它卡在中文的聲調與同音字、卡在斷詞與中英夾雜、卡在麥克風收到什麼樣的聲音、也卡在廠商的訓練資料夠不夠貼近台灣人的說話方式。
但這篇文章真正想傳達的是：在抱怨它笨之前，先花二十分鐘調校一次。調整擺位、換個說話方式、把常用詞彙教給它、建立幾個自訂場景，你會發現那台「聽不懂中文」的音箱，其實可以變得相當好用。技術確實在進步，而你手上的那一台，值得再給它一次機會。
如果你也在家中成功救活了某台原本「耳背」的智慧音箱，歡迎在底下留言分享你的調校心得，讓更多論壇朋友少走一點冤枉路。
本文為 3C 科技教學系列，內容基於語音辨識技術原理與實際使用經驗整理，實際操作請以各品牌官方 App 與說明文件為準。
```