數位典藏新價值：第一屆科技大擂台賽事「AI語音大數據」建置梗概

一、科技部釋出免費「AI語音大數據」

不可否認地，人工智慧（AI）正加速改變全球產業、經濟與社會生活發展型態，為搶佔先機，科技部自2017年推出「科技大擂台：與AI對話」，目的是運用高額獎勵賽的模式吸引高手齊聚，共同加速開發中文語音對話的核心技術，齊力突破技術瓶頸，提升人民福祉。2019年3月第一屆決賽落幕，期間競賽依照題型難度分為初賽、複賽、決賽等，每階段競賽主辦單位都會釋出1,000至4,000題不等的測試資料，第一屆正式賽賽事總計約有15,000題選擇題，在比賽後重新整理且除錯之後，於2019年6月在國家實驗研究院高速網路與計算中心資料集平台（NCHC DATA MARKET）上架，此數據集公開釋出後，可讓我國企業、學研界免費取得授權，用於技術研發以提升台灣產業競爭力。語音大數據被視為AI基礎建設之一，隨著新賽事的進行，未來釋出的「AI語音大數據」數量可望持續擴大，內容形式與知識領域也日趨多元化。

企業導入AI技術有助提升企業競爭力，因此許多科技公司都搶著開發AI技術，以便盡早提供企業新管理工具，強化生產力(天下雜誌，2019)。然而，一般而言，若一家公司的資料集是散亂、無統一格式的非結構化資料，則需先雇用人力蒐集、分析、清理所需的資料集，完成標註之後，才能著手發展AI技術，如此一來，可以想像這個過程不僅所費不貲、曠日費時，人力也難免發生錯誤，構成許多企業跨入AI的一大門檻。而雪上加霜的是，全球與使用者有關的數位資訊多半掌握在雲端巨擘手中，資料量數量越龐大越多元，AI技術就越容易有突破性的進展，換言之，技術後進者要突破技術重圍，還需要先克服「資料霸權」的嚴峻議題(陳杰翰、莊坤達，2019)。

科技部釋出的「AI語音大數據」之所以獲得眾多關注，正是因為高品質的語音數據集有助大幅節省公司的人力和時間，降低開發語音AI技術的門檻，讓企業、學研界專注於技術端的開發。首次釋出的15,000題選擇題中，包含不同辨識難度(例如有無環境音干擾)與不同理解難度的題型，內容包括新聞時事、台灣民情、經典文學等等，期望藉由高品質的語音資料集吸引更多企業、學研機構齊力投入，共同推動我國語音AI技術躍進，協助台灣企業進行數位轉型。

二、設定挑戰目標及規劃數據資料

對話是人機互動最直覺的方式，像是Siri這類任務型的語音智慧助理將人機對話場景帶入日常生活，無疑是近年行動裝置普及後，最令人興奮的進展之一。「科技大擂台：與AI對話」的宏遠目標是打造與台灣在地民眾溝通無礙的對話機器人，這個難度比完成指定任務的語音助理更困難，除了AI要聽得懂台灣在地腔調，並且理解對話內容的意涵之外，還得用台灣人聽得懂的方式表達出來。

為了讓民眾認識我國語音AI目前的程度，參考國外其它AI競賽，以及未來要挑戰的難度，科技部將競賽目標設定為挑戰「華語文能力測驗｣ (Test of Chinese as Foreign Language, TOCFL)的「流利精通級」。TOCFL是我國專為母語非華語人士所設立的華語文能力標準化測驗，分為四等八級，四等分別為準備級、入門基礎級(Band A)、進階高階級(Band B)及流利精通級(Band C)，而每一等又可再細分為兩級，分別為準備級一級、準備級二級、入門級、基礎級、進階級、高階級、流利級、精通級，共八級。網路流傳韓星少女時代潤娥的中文能力是漢語水平考試十級(約是新漢語水平考試六級)，表示能夠掌握5,000個以上常用語詞，而「華語文能力測驗」的精通級比新漢語水平考試六級更難，需要掌握8,000個以上常用詞彙，可見這是一個大挑戰。

在樹立挑戰目標之後，另一個關鍵的AI基礎工程，即是建置競賽語音資料庫。人工智慧的討論存在已久，近年來新一波人工智慧的浪潮，來自於「深度學習」的進展，這類技術的程式模型訓練與資料集之間息息相關。為了執行不同的任務，往往需要建立不同的資料集，以便訓練、驗證、測試AI。例如，機器閱讀理解領域最知名的測試SQuAD（Stanford Question Answering Dataset）就選取超過 500 篇的維基百科文章，做了一個包含十萬個問題的大規模機器閱讀理解數據集，讓AI閱讀這些文章之後，再去回答問題。許多一流大公司，如Google，Facebook，IBM，微軟等，都曾利用這個資料集相互切磋較勁，比方說阿里巴巴的AI在2018年刷新排行榜，創下歷史上首次超越人類成績的里程碑，並將該技術應用於電商平台客服，在當時引發科技界熱議(陳曉莉，2019)。

如前所述，不同的資料集可以訓練AI執行不同的任務，SQuAD採用文字的形式訓練AI閱讀理解的能力，僅有文字沒有語音，而此次競賽為了測試AI是否理解台灣人的對話內容，包括語音與文字內容，所以除了華測會已對外公開的官方題庫之外，主辦單位亦同步建立語音資料庫，題型包含選擇與問答兩種題型，考驗機器是否能夠通過語音辨識加上語意理解的雙重關卡。在語意內容方面，有別於SQuAD取材自維基百科，科技大擂台的題庫內容包含警廣新聞節目，科技部的數位資料典藏，如科學發展雜誌、新作坊，現代小說、古典小說白話版，以及部分來自大學高中的眾籌內容。希望藉此可以打造出熟悉在地用語、自然和社會科學知識領域均有涉獵的數據資料集。

三、收集語料的限制與瓶頸

行文至此，許多人不禁好奇，什麼樣的數據資料適合做為機器訓練之用，而又為什麼數據資料庫的建立如此困難，在管理上又會遇上什麼瓶頸。

實際上，只要同時具備聲音與文字的電子檔案，都有成為語料的潛力。因此，廣播節目、電視節目、有聲書籍、網路平台上的短片等，都是相當理想的來源。以廣播節目為例，將節目內容去除音樂，把人聲轉成逐字稿後，以人工方式校正錯字或編碼時間，接著針對文字內容進行機器可讀的標注，如：分割句子、標明詞性、分詞命名識別等，便可製成語音大數據庫。這樣的資料庫不但能為我國語音辨識及人工智慧、華語教學領域奠定基礎，更可以提升數位典藏節目的價值(蔡玉秀、廖元甫，2019)。

另一方面，建置語音大數據庫的瓶頸，與個人資訊保護及版權所有息息相關。作為公開比賽所用的數據集，合法性是不可忽視的一環。

近年來，個資保護意識蓬勃，因此在建置語音數據庫的時候，數據處理者必須清楚地披露任何數據收集，聲明數據處理的合法基礎和目的。然而，許多節目在錄製之初個資法尚未出現，或是錄完後已經難以一一向所有參與者補足相關的使用同意文件，導致數據資料集即便辛苦整理完成，也僅限用於教學或是研發目的，產業難以進一步授權回去進行商業使用，造成語音大數據庫的綜效無法大力發揮。警察廣播電台為了支持科技部發展人工智慧，提供旗下記者所產製的新聞內容，響應語音大數據庫的建置。

除了個人資訊保護之外，內容版權是另一個難題。如從數位化角度出發，能夠提供巨量且多元資料來源的，無非是網路的數位內容。網路語料是人們利用網路交流的產物，同時也是真實語言的反映，最貼近民眾的日常生活。不難想像，許多實驗室可能會運用大量Youtube的影音內容來訓練AI。但是網路上的內容，常出現版權所有者不清、版權費用高昂、文本內容缺乏結構、話題雜亂等分類篩選等問題。因此，主辦單位運用科技部的數位典藏，如科學發展、人文創新與社會實踐計畫的新作坊等，不但讓主題聚焦，也讓數位資料有全新的運用價值。

第一屆賽事的里程碑賽頻繁，在極有限的時間及資源之下，若無教育部和內政部警政署的大力協助，難以順利推動語音大數據庫的建置。這項任務需要大量的溝通協調，艱難程度不亞於比賽本身，能夠完成這樣的階段性任務十分可貴，也為跨部會合作立下典範。

四、AI，不只是資訊部門的工作

筆者認為跨部門或是跨部會的協調合作，需要建立在擁有共同的知識背景、慣用詞彙之上，才能運作順暢且永續循環。過去，與資訊科技相關的事務，常常被視為資訊部門的事，與其他單位無關，沒有相互往來的必要。這樣的思維容易導致溝通障礙，上令不能下達，進而影響組織齊心齊力推動AI化的進度。隨著資訊科技越來越重要，十二年國教課綱已經將編寫程式列入，未來學生在校即可透過課程，培養邏輯思考與運算思維能力，即便未來沒有從事資訊相關行業，也具備一定程度的溝通能力，理解科技趨勢的變化。