聽得懂臺灣的地端語音 AI,跑在你自己的機房裡 — 支援國語、台語、客語、原住民族語與英語

國台語夾雜→ 繁體中文逐字稿Sample
台語英語 0:17示意畫面

國語、台語、客語、原住民族語、英語,全部轉為繁體中文——所有模型都運行在貴單位自有的伺服器上。

  • 封閉網路可運行
  • 無按次 API 費用
  • 模型自行訓練

01資料邊界

音檔不上傳,
逐字稿不離開你的機房。

為什麼一定要地端

03自己跑過的數字

≈1s

使用者說完話,到 AI 開口回答

10線

單台 NVIDIA DGX Spark GB10 即時轉錄線數

5語

產品內建支援語言,一律轉繁體中文

1張

GPU 跑完整系統,含辨識與摘要

04可重現的評測報告 · 即將公開

「語音辨識的準確率是多少?」

CER = %

行銷數字沒有意義,可重現的數字才有。

對貴單位最有意義的數字,是拿自己的錄音做一次概念驗證測出來的那一個。

Product 01 · On-Premise

MosaTalk聽得懂台語的地端 AI 語音客服

客戶開網頁按下通話、或直撥既有的客服專線,就能和 AI 自然對談。

Latency Budget可隨時插話
≈1s使用者說完話,到 AI 開口回答
說完話AI 開口
  1. 聽說完即觸發,不空等;猶豫時多等一下,不搶話
  2. 想直接作答,只依你提供的資料回答
  3. 說逐句串流合成,第一句話最快送出
  • 01隨時插話使用者一開口,AI 立即停下並聆聽。
  • 02換知識庫不寫程式問答格式的文件即可載入。
  • 03不編造資料未涵蓋時,引導客戶留下聯絡方式。
  • 04品牌的聲音一段參考錄音即可複製專屬語者聲音。
語言
國語、台語、英語——聽得懂台語,目前以國語回答
接入
網頁免安裝通話,或接上既有電話專線
硬體
一張 NVIDIA GPU,已於 46 GB 顯存單卡驗證

開發規劃中台語合成客語能力真人客服轉接呼叫業務系統 API通話分析儀表板

規格規格與限制

語言
國語、台語、英語,並可自動偵測語言。台語目前聽得懂、以國語回答;台語合成與客語能力仍在開發規劃中,原住民族語尚未進入語音客服。
接入方式
標準 WebRTC,瀏覽器直接通話免安裝;也可經電話系統商介接既有客服專線——電話介接已與電話系統商合作完成實際部署。
回答原則
只根據你提供的資料回答,數字據實完整;回答簡潔口語,最多三句。資料未涵蓋時不編造,引導客戶留下聯絡電話。
撥打方式
除了被動接聽,也可設定主動撥打:通話一接通就由 AI 開場,適合預約提醒。
部署模式
單機模式:一台 GPU 伺服器就是完整系統,僅需內網。邊緣分離模式:GPU 主機留在內網、不需固定 IP、不開任何連接埠,但另需一台小型雲端主機。
硬體
Ubuntu Linux x86_64,一張大顯存 NVIDIA GPU(已於 46 GB 顯存單卡驗證);辨識、對話、合成三個模型經顯存規劃共用一張卡。
可觀測性
八色事件流即時監控,驗收與排查不是黑盒子。
開放技術
WebRTC 與 OpenAI 相容介面,模型可抽換升級,並可依採購規範指定來源。

常見問題

AI 語音客服跟按鍵式 IVR 差在哪?

IVR 要客戶照著選單按 1 按 2,按錯一層就得重來。MosaTalk 是直接聽客戶講話、用自然語言回答,客戶說完話到 AI 開口約一秒,而且可以隨時插話打斷。

AI 可以幫忙接電話嗎?可以接現有的客服專線嗎?

可以。客戶在網頁上按下通話即可交談,任何支援 WebRTC 的現代瀏覽器都能用、不需要安裝軟體;也可以經電話系統商介接後,讓客戶以一般市話或手機直撥既有的客服專線,由 AI 自動接聽。

AI 語音客服聽得懂台語嗎?可以用台語回答嗎?

辨識已經聽得懂台語,也聽得懂國台語夾雜的自然講話方式——模型是針對臺灣口音與台語最佳化的。但台語的語音合成還沒推出,所以目前是聽得懂台語、以國語回答;台語合成與客語能力都還在開發規劃中,不是現有可交付功能。

客戶的通話錄音會上傳到雲端嗎?

不會。辨識、對話生成與語音合成三個模型全部運行在貴單位自己的伺服器上,不呼叫任何雲端 AI 服務。單機模式僅需內網即可運作;若採邊緣分離模式,另需一台小型雲端主機。

要準備什麼硬體?

Ubuntu Linux x86_64,搭配一張大顯存的 NVIDIA GPU,已於 46 GB 顯存的單卡環境驗證。硬體我們可以一併供應並到場安裝。

換知識庫需要寫程式嗎?

不需要,問答格式的文件即可更換知識庫。遇到資料未涵蓋的問題時 AI 不會編造答案,而是引導客戶留下聯絡方式。

用你自己的知識庫與客戶對話,驗證一次。

申請 PoC

Product 02 · On-Premise

MosaMinutes地端 AI 會議記錄平台

錄音或上傳檔案,自動產出逐字稿、分辨誰在說話、寫出摘要與待辦——全程不離開貴單位的網路。

校對工作區● 自動儲存1.5×
王主任

彼个案子的預算,咱敢有確定落來?

李專員

上禮拜董事會通過了,我等一下把會議紀錄寄給你

王主任

好,數字若有 update 你直接 tag 我就好。

待辦事項

  • 李專員寄送董事會決議之會議紀錄
  • 預算數字更新後通知王主任
示意畫面
  • 01五種語言,全轉繁體中文國語、台語、客語、原住民族語、英語。
  • 02記得誰是誰聲紋註冊一次,之後自動認出同一個人。
  • 03校對不會被蓋掉四條獨立通道,互不覆蓋。
  • 04改完就能發匯出 Word、純文字、字幕,待辦成勾選清單。
容量
一台 NVIDIA DGX Spark GB10,10 線即時轉錄
部署
容器化、單機即可運行,封閉網路不需連外
管理
OIDC 單一登入、分層權限、稽核紀錄

開發規劃中紀錄自動送達敏感資料遮罩線上會議直接擷取公文格式跨會議問答

實測上線後修正的問題

最讓人不安的不是聽錯,是無中生有。

以下三項都是在實際環境處理真實會議時發現並修正的問題,不是規格書上的宣稱。

  • 01太短的聲音不會被當成話語音長度設有下限,兩百毫秒的環境雜音不會進入辨識,也不會計費。
  • 02不會陷入重複迴圈找出成因並在系統層修掉,不是靠事後過濾遮掩。
  • 03辨識信心會被記錄異常輸出可追溯、可稽核,不會無聲混進逐字稿。

規格規格與限制

容量
單台 NVIDIA DGX Spark GB10 可即時 10 線同時轉錄;離線上傳走批次佇列,不受線數限制;超出單機容量可擴充為多機配置。
線上會議
目前不能直接接 Google Meet、Microsoft Teams 或 Zoom,做法是錄音或上傳音檔。直接擷取電腦上的線上會議音訊列在開發規劃中。
語言
國語、台語、客語(六腔)、原住民族語(16 族 42 語)、英語,一律轉為繁體中文並自動標點分段;可設定個人預設語言與口音。
語者
聲紋註冊與自動比對;上傳時可指定預期發言人數;語者辨識失敗不會讓整場會議失敗,仍產出完整逐字稿。
匯出
Word(含出席者、摘要區塊,待辦為勾選清單)、純文字、SRT 字幕。
帳號與稽核
OIDC 單一登入(支援自架身分提供者)、分層權限、管理操作留下紀錄且須填寫原因、可設定結果保留期限。
程式化 API
以存取權杖供內部系統呼叫,支援同步與非同步,重複請求只執行一次。用量控管:瀏覽器使用者以額度、API 以點數分開計算。
資料完整性
每份錄音進入系統前先完成驗證;收下的那一刻即記錄雜湊值與位元組數,原始錄音的完整性有據可查。
部署
容器化部署,單機即可運行,封閉網路不需連外。使用者端為任何現代瀏覽器,電腦與行動裝置皆可。
模型來源
建構於業界標準開源技術與相容介面;採購規範要求非紅色供應鏈時,可評估替換為其他來源的開放權重模型。

導入不只是交付軟體

  • 01主機供應與到場安裝經測試驗證後協助完成安裝部署。
  • 02辨識模型持續改進依貴單位的實際語音情境與領域用語持續優化。
  • 03可重現的評測報告以指定公開基準或自備會議音檔評測。
  • 04產業合規與供應鏈客製依法規與內控要求客製存取控制與稽核。
  • 05場景客製化把既有紀錄格式、專有名詞表整理成系統設定。
  • 06維護、更新與教育訓練貴單位不需自建 AI/MLOps 團隊。

常見問題

AI 會議轉錄是什麼?

把會議錄音自動轉成逐字稿,同時分辨誰在說話、寫出摘要與待辦事項。MosaMinutes 讓你在同一個畫面裡邊聽邊改,改到能直接發出去為止。

現成的錄音檔可以直接轉成文字嗎?

可以。除了現場收音,也能直接上傳既有的錄音檔,離線上傳走批次佇列處理、不受同時線數限制。轉出來的逐字稿一樣會自動標點分段、分辨誰在說話,並產出摘要與待辦。

會議錄音可以完全不上雲嗎?

可以,而且這是預設形態、不是附加選項。錄音、逐字稿、摘要與待辦全程在貴單位自己的伺服器上完成,容器化部署、單機即可運行,封閉網路不需連外也能使用。

聽得懂台語和客語的會議嗎?

國語、台語、客語、原住民族語、英語五種語言一律轉為繁體中文逐字稿,並自動標點分段。客語涵蓋四縣、海陸、大埔、饒平、詔安、南四縣六腔。

可以直接接 Google Meet、Microsoft Teams 或 Zoom 嗎?

目前不行。現在的做法是錄音或上傳音檔。直接擷取電腦上正在進行的線上會議音訊(不需要外部帳號加入會議)列在下一階段的開發方向,還不是現有可交付功能。

一台機器可以同時轉錄幾場會議?

一台 NVIDIA DGX Spark GB10 可支援 10 線即時轉錄;離線上傳走批次佇列處理,不受線數限制。需求超出單機容量時可以規模化為多機配置。

多人同時校對,改的東西會不會被蓋掉?

不會。校對走四條獨立通道,彼此互不覆蓋,所以不會發生後改的蓋掉先改的。真的衝突時,系統不會自作主張選一邊,而是精確標示到那一句。

用你自己的會議錄音,驗證一次。

申請 PoC

Product 03 · On-Premise

MosaScore地端通話品質分析 效度驗證中

把只能抽查 1~3% 的客服與電銷錄音,變成每一通都被完整聽過、逐句標上情緒與意圖分數的可查資料。

現況說明 MosaScore 已可部署於標準 Linux GPU 伺服器(亦支援 Apple Silicon 單機展示),但尚未於客戶環境正式上線;購買傾向分數尚未經真實成交資料驗證,本頁不提供任何準確率數字。

通話分析01:02● ASR ● EMO ● LLM
10050000:1100:2400:4701:02 224163

購買傾向分數詢問付款方式,命中最高級距錨點

84
  • 客戶喔……我現在沒有在吃這個啦22
  • 客戶睡不太好,都嘛翻來翻去41
  • 客戶那這个一組是幾罐?63
  • 客戶如果我要買的話,是貨到付款嗎?84
示意畫面

01覆蓋率

從抽查 1~3%,
到全部聽過。

這是覆蓋率的量級差異,不是效率的百分比改善。

1~3%人工抽查
100%MosaScore
  • 01雙軌分離語者標籤天然 100% 正確。
  • 02一個產業一份字典換字典即可,不需要改程式。
  • 03逐句分數,附原因情緒與 0–100 購買傾向分數。
  • 04每個判讀都能核對逐句回放,加上逐軌字幕。

開發規劃中法遵稽核記分卡混音錄音支援批次全量質檢台語辨識即時警示

02關於分數的效度

目前證明的是「流程跑得通」,還沒有證明「分數預測得準」。分數尚未經真實成交資料驗證,我們不提供準確率數字。驗證是導入的第一階段:用貴單位自己的錄音與實際成交結果驗證一次——結論若是負面的,貴單位也在投入前就知道了。

實測每一個預設值都有實測依據

含被推翻的假設。

多數設計決定都來自實測後的修正,而非規格書上的想像。一套質檢系統的可信度,來自於它自己的開發過程也經得起質檢。

決定依據
更換預設辨識引擎短句延遲從約 2.5 秒降至約 0.5 秒,且領域術語辨識更準
淘汰另一個更快的引擎它快一倍,但會產出「看起來像人話」的錯誤逐字稿——那比明顯的亂碼更危險
關閉模型的推理模式生成的推理內容程式根本不會讀取,卻讓單次評分從數秒暴增至一百秒以上
不讓 AI 重寫逐字稿實測它修好 1 個錯字,卻在另外 2 句出現多改字與刪除尾句
客服回合預設不評分實測 6 通電話中,61% 的評分運算花在前端根本不顯示的內容上

適用適用場景與比較

有大量通話錄音、且不能使用雲端分析服務的單位。

  • 保健食品與消費品電話行銷成效分析、話術對照、廣告用語的合規檢核。現有情境已完整調校。已調校
  • 金融與保險電話招攬本來就被要求全程錄音並長期保存,法遵稽核的需求最明確。法遵稽核
  • 客服中心品質檢核從抽查改為全量,同時成為客訴預防與教育訓練素材的來源。全量質檢
  • 醫療與長照諮詢專線資料全程留在院內伺服器,且需要明確的回答邊界檢核。資料不出院

需另行評估 B2B 銷售:成交週期以月計,單通電話的「購買機率」框架不適用,需重新定義評分維度。

與雲端通話分析服務的差異

若貴單位對錄音外流沒有顧慮、也沒有法規限制,雲端訂閱服務的導入門檻確實更低,功能完整度目前也領先。

雲端通話分析服務MOSASCORE
錄音與逐字稿上傳至服務商伺服器完全留在貴單位機房
封閉網路不可,必須連外可,不需連外
計費方式按時數或通話量訂閱一次建置,無按次 API 費用
領域用語調整多為共用通用模型每個客戶一份專屬字典
判讀可否逐句核對視服務商而定逐句回放 + 逐軌字幕 + 完整記錄
導入成本低,開帳號即用需伺服器與建置,可提供硬體與到場安裝
成熟度商業服務,功能完整核心分析流程已完備,企業管理功能開發中

原則一條我們主動劃下的界線

情緒推斷只用於客戶端

對客服人員的評分屬於勞動監控,其中又以「情緒推斷」的爭議最大(歐盟已將工作場所的情緒推斷列為禁止用途)。我們的產品原則是:情緒推斷只用於客戶端;對客服的評分以可稽核的客觀行為為準,且不作為員工考核的單一依據。這條線我們在設計階段就劃好,不等客戶問起才補。

標準開放技術,不被綁定

系統建構於開源模型與標準相容介面,模型可依需求抽換升級。若貴單位(尤其是政府機關與金融業)需要符合非紅色供應鏈規範的模型組合,我們可依規範評估並替換為其他來源的開放權重模型後重新驗證品質。

規格規格與限制

音檔格式
目前僅支援雙聲道 .mp3/.wav(客戶與客服各一軌)。單聲道與混音錄音的支援仍在開發規劃中。
上線狀態
已可部署於標準 Linux GPU 伺服器,但尚未於客戶環境正式上線;購買傾向分數尚未經真實成交資料驗證。
處理速度
每一句發言都完整執行辨識、情緒與評分,長通話的處理時間會超過音檔長度。批次質檢不受影響;通話中的即時輔助需要不同的架構。
辨識調校
品牌名、產品名與術語作為熱詞提示辨識引擎。實測可把「體驗只」修正為「體驗組」、「吃麻明」修正為「芝麻明」——這類錯誤事後校正救不回來,只能在辨識階段解決。
文本後處理
十道防護網:簡轉繁、幻覺過濾、跳針消除、贅字過濾、標點正規化、中文數字轉阿拉伯數字、同音錯字替換與拼音相似度模糊比對。
評分方式
本地大型語言模型結合逐字稿、對話脈絡與聲學情緒,在客戶每說完一句時輸出情緒、意圖、0–100 分數與變動原因;五段級距錨點與範例句校準,分數不被客服話術干擾。
機房部署
Ubuntu Linux x86_64 + NVIDIA GPU,內網即可完整運作;瀏覽器使用,免安裝。
單機展示
Apple Silicon M 系列,統一記憶體 16GB 以上(建議 24GB)。模型權重首次下載需連外,之後分析全程可離線;前端無外部資源依賴,沒有網路的會議室也能完整展示。

常見問題

通話品質分析可以做到什麼程度?

把過去只能抽查 1~3% 的客服與電銷錄音,變成每一通都被完整聽過、逐句轉成文字、標上情緒與 0–100 購買傾向分數的可查資料,而且每一次分數變動都附上原因。目前需要雙聲道錄音。

這個分數準嗎?

分數尚未經真實成交資料驗證,我們不提供準確率數字。效度驗證是導入的第一階段——用貴單位自己的錄音與實際成交結果驗證一次,再談後續。

錄音需要上傳到雲端嗎?

不需要。系統部署在貴單位的 Linux GPU 機房主機上,錄音與逐字稿不離開機房。

跟主管人工抽查差在哪?

抽查看到的是樣本,這裡是母體。而且每個判讀都能當場核對:逐句回放加上逐軌字幕,雙軌分離讓語者標籤天然正確,不需要靠演算法猜是誰在講話。

每個產業的用語不同,需要改程式嗎?

不需要。每個產業一份領域字典,換字典即可,不動程式。

On-Premises

地端語音 AI四個模型,全部運行在貴單位自己的伺服器上

不呼叫任何雲端 AI 服務。容器化部署、單機即可運行,封閉網路不需連外也能使用。

MosaTalk 的邊緣分離模式另需一台小型雲端主機;單機模式僅需內網。

01什麼情況下非地端不可

  • 一內容本身就是機密董事會決議、法遵討論、當事人會談、病歷個資。
  • 二網路本來就不通外面封閉網路裡,需要連外的服務都不是選項。
  • 三採購規範要求指定來源地端可以依規範指定模型來源。

地端本身不是賣點,它是某些單位的前提。如果貴單位不在上面三種情況裡,我們會直接說雲端比較適合。

02跟雲端差在哪

雲端佔優的那一列,
我們也照樣寫出來。

雲端語音服務VOXMOSA
錄音與逐字稿上傳至服務商伺服器完全留在貴單位機房
封閉網路不可,必須連外可,不需連外
台語/客語/族語本土服務有,但皆為雲端支援,且在地端執行
計費方式訂閱制,用越多越貴一次建置,無按次 API 費用
模型調整不可,共用通用模型可,模型由團隊自行訓練
聲紋與領域字典通常無法帶走存在貴單位,隨系統一起
導入成本低,開帳號即用需伺服器與建置,我們可供應硬體並到場安裝

03一台機器跑得動嗎

10線

會議即時轉錄,一台 NVIDIA DGX Spark GB10

1張 GPU

語音客服完整流程,已於 46 GB 顯存單卡驗證

4個模型

辨識、語者分離、對話生成、語音合成,全部在機房內執行

上面的數字是我們自己跑過的環境,不是型錄值;需求超出單機容量時可擴充為多機配置。硬體可由我們供應並到場安裝。

配置實際驗證過的主機配置

項目會議轉錄 MosaMinutes語音客服 MosaTalk
主機一台 NVIDIA DGX Spark GB10(128 GB 統一記憶體)一張大顯存 NVIDIA GPU(46 GB 單卡驗證)
作業系統原廠 DGX OS(Ubuntu 基礎)Ubuntu Linux x86_64
部署形態容器化,單機即可運行單機模式僅需內網
使用者端任何現代瀏覽器,免安裝支援 WebRTC 的瀏覽器,或市話直撥
硬體來源可由我們供應並到場安裝可由我們供應並到場安裝

速查部署規劃速查

先自己算一次,再來找我們

選產品、語言與規模,列出實際驗證過的配置,以及這個組合目前做得到與還做不到的部分。所有數字都來自上面的實測環境。

產品
需要的語言
網路環境

MosaMinutes

主機
NVIDIA DGX Spark GB10(128 GB 統一記憶體),原廠 DGX OS
數量
1 台:一台可即時轉錄 10 場會議,實測值
語言
國語:支援台語:支援
網路
容器化,單機即可運行,完全不需連外
先知道
  • 目前不能直接接 Google Meet、Teams、Zoom,以錄音或上傳音檔進行
把這些帶進申請表

產業產業情境與合規

對這些單位而言,情境就是合規。

我們依產業的實際法規與內控要求,客製化存取控制、稽核紀錄與資料保存機制,而不是套用單一制式方案。

  • 政府機關公務會議、公聽會、委員會記錄。地端運行同時滿足資安規範與資料落地要求。公文格式匯出規劃中 · 非紅供應鏈
  • 金融業董事會、法遵與風控會議,以及商品諮詢類的高重複性問答。內控 · 稽核軌跡
  • 醫療機構院內會議、個案討論、衛教與掛號諮詢,資料全程留在院內伺服器。病歷個資 · 敏感欄位遮罩規劃中
  • 法律事務所當事人會談、案件討論。保密義務使地端架構成為必要條件而非選項。保密義務 · 記錄證據性
  • 長照與教育研究家屬諮詢、服務說明、訪談與教學記錄,以及地方語言的語音資料保存。族語保存 · 訪談逐字稿
  • 一般企業例會、專案進度、客戶會議、客服專線分流——重視內容不外流的任何單位。SSO · 保留期限設定
  • OIDC 單一登入
  • 分層權限
  • 稽核日誌
  • 結果保留期限
  • 容器化部署
  • 封閉網路友善
  • 非紅色供應鏈可調
  • 重複請求保護

部署之後的事

地端的難處不在裝起來,在於裝起來之後誰維護、怎麼符合內控、以及資料留多久。這些都在導入範圍內。

導入不只是交付軟體

場景客製化、產業合規調整、地端主機供應與到場安裝、系統維護與版本更新,以及合乎學術規範的評估測試報告。

合規是依單位調整,不是套模板

政府、金融、醫療、法律事務所的要求並不相同。我們依實際法規與內控要求,調整存取控制、稽核紀錄與資料保存機制。

FAQ常見問題

地端 AI 是什麼?跟私有雲、本地部署是同一件事嗎?

在臺灣的採購語境裡,地端、本地部署、私有化部署、內網部署講的通常是同一件事:模型與資料都放在貴單位自己掌控的機器上,而不是服務商的雲端。私有雲則是範圍更廣的說法,有時指自建機房,有時指租用的專屬雲端環境。我們的方案是前者——實體機器放在貴單位,不需連外。

封閉網路、完全不能連外的環境可以用嗎?

可以。系統是容器化部署、單機即可運行,不需要連外就能完成辨識、摘要與語音合成。MosaTalk 的邊緣分離模式是例外,那個模式另需一台小型雲端主機;單機模式則只需要內網。

地端一定比較貴嗎?

導入成本確實比較高——雲端開帳號就能用,地端需要伺服器與建置。差別在之後:雲端按人數或時數訂閱,用越多越貴;地端是一次建置,沒有按次的 API 費用。所以答案取決於用量與使用年限,而不是單看第一筆。我們可以依貴單位的實際會議量或通話量一起算。

模型可以為我們的專業術語調整嗎?

可以。我們的語音辨識模型是全自主架構訓練,不是調整市面通用模型的參數,所以能針對貴單位的特定領域用語、收音環境與聲學情境做深度客製。MosaScore 另外採用每個產業一份領域字典的做法,換字典即可,不需要改程式。

採購規範要求指定模型來源,做得到嗎?

可以依採購規範指定模型來源,供應鏈組成也可以配合調整。這是地端相對於雲端服務的結構性差別:雲端服務商的模型組成通常不在採購方的掌握之中。

錄音不上雲,是法規真的有要求,還是內控自己加的?

兩種都遇過,而且要求的來源不同。個資與病歷這類內容受個人資料保護法約束,公部門另有資通安全管理法與資通安全責任等級的要求,金融業則有主管機關的內控與稽核規範。實務上更常見的是第三種:法規沒有明文禁止上雲,但單位的內控政策或客戶合約寫明資料不得離開自有環境。我們不會替貴單位判斷屬於哪一種——那是法遵與資安單位的事——我們負責的是讓「不上雲」在技術上真的成立,並依你們的實際要求調整存取控制、稽核紀錄與資料保存期限。

辨識準確率有多少?

這一題我們不給行銷數字。字元錯誤率、競品對照、測試方法論與原始音檔,將以符合學術規範的方式完整公開,並可依貴單位指定的公開基準或自備音檔另行評測。在那之前,對貴單位最有意義的數字,是拿自己的錄音做一次概念驗證測出來的那一個。

Taiwan Languages

臺灣本土語言台語、客語六腔與原住民族語

我們的語音辨識模型採全自主架構訓練,不是調整市面通用模型的參數。

6客語腔調
42原住民族語言,16 族
5會議轉錄內建語言

哪個產品支援哪些語言

語言會議轉錄語音客服
國語支援聽與說
台語支援聽得懂;合成規劃中
客語支援規劃中
原住民族語支援尚未進入
英語支援聽與說

客語六腔 辨識 · 合成

  • 四縣
  • 海陸
  • 大埔
  • 饒平
  • 詔安
  • 南四縣

點腔調聽聽看。六段講的是同一句話,華語意思是「大家好,我們是語音公司」。以上為語音合成,不是真人錄音。

「客語語音合成、語音識別技術由牧仁資訊研發」

Gohakka 平台版權宣言。你不需要相信我們自己說的,去那裡看就知道。Gohakka 平台的機器翻譯與語言模型由平台方瞬息科技提供,不是我們的部分;客語語料屬於客家委員會,其中一部分的整理工作由本團隊承擔。

國台語夾雜,才是真實情況。臺灣的會議與客服現場很少有人整段講純台語。實際的樣子是一句國語一句台語,中間夾幾個英文詞。

原住民族語模型與意傳科技長期合作,落地於原住民族語言研究發展基金會的族語 AI 系統,並公開於 Hugging Face。語料屬於原住民族委員會,其中一部分的整理工作由本團隊承擔。族群與語言數依原住民族委員會的族語分類,客語腔調依客家委員會的六腔分類——兩者都可以逐項查證。 競賽名次與研究發表

FAQ常見問題

台語錄音可以轉成文字嗎?

可以,而且國台語夾雜的錄音也可以。MosaMinutes 會把台語內容轉成繁體中文逐字稿、自動標點分段,並分辨誰在說話。整段處理都在貴單位自己的機器上完成。

客語逐字稿支援哪幾種腔?

四縣、海陸、大埔、饒平、詔安、南四縣,六腔全數涵蓋,辨識與合成都是。腔調分類依客家委員會的六腔分類,可以逐項查證。

原住民族語的逐字稿呢?

MosaMinutes 支援 16 族、42 種語言。這些模型由本團隊研發,與意傳科技長期合作,並公開在 Hugging Face 上讓任何人下載檢驗。語音客服目前還沒有族語。

跟直接用通用的語音辨識服務差在哪?

通用服務的本土語言能力通常是在既有模型上微調出來的,腔調與夾雜講法一多就會掉。我們的模型採全自主架構訓練,可以針對特定腔調、領域用語與收音環境做深度客製。另一個差別是部署形態:本土語言的錄音往往同時是最敏感的內容,而通用服務都在雲端。

辨識率有多少?

這一題我們不給行銷數字。本土語言的辨識率跟腔調、收音環境與夾雜程度高度相關,脫離測試集談一個百分比沒有意義。字元錯誤率、競品對照、測試方法論與原始音檔會完整公開;在那之前,最有意義的數字是拿貴單位自己的錄音實測出來的那一個。

Research-led團隊與研究

以研究為本的語音團隊。

長期專注於臺灣多語言語音辨識。語音辨識模型採全自主架構訓練,開源專案 FormoSpeech 公開於 Hugging Face。

  1. 2025技術類最佳論文獎O-COCOSDA 2025
  2. 2022客語語音辨識競賽 一般組第一名FSR 2022
  3. 2020台語語音辨識競賽 產業組第一名FSR 2020
  4. 2018國語語音辨識競賽 產業組第二名FSR 2018
  5. 2008最佳學生論文獎ISCSLP 2008

研究發表 41 Publications

  • 2026LRECTG-ASR: Translation-guided learning with parallel gated cross attention for low-resource automatic speech recognitionarXiv ↗
  • 2026LRECEfficient dialect-aware and conditioning for low-resource Taiwanese Hakka speech processingarXiv ↗
  • 2026TASLPUniversal robust speech adaptation for cross-domain speech recognition and enhancementarXiv ↗
  • 2026ICASSPSCENE: Semantic-aware codec enhancement with neural embeddingsarXiv ↗
  • 2026InterspeechPersonalized keyword spotting for user-defined keywords leveraging text-independent speaker verificationarXiv ↗
  • 2026IEEE ICMERobust generative audio quality assessment: Disentangling quality from spurious correlationsarXiv ↗
  • 2025O-COCOSDAExploring the impact of data quantity on ASR in extremely low-resource languagesarXiv ↗
  • 2025IEEE ASRURevealing the role of audio channels in ASR performance degradationarXiv ↗
  • 2025ICASSPChannel-aware domain-adaptive generative adversarial network for robust speech recognitionarXiv ↗
  • 2025IEEE ASRUQAMRO: Quality-aware adaptive margin ranking optimization for human-aligned assessment of audio generation systemsarXiv ↗
  • 2025APSIPA ASCDRASP: A dual-resolution attentive statistics pooling framework for automatic MOS predictionarXiv ↗
  • 2024O-COCOSDAVoxHakka: A dialectally diverse multi-speaker text-to-speech system for Taiwanese HakkaarXiv ↗
  • 2024IEEE SLTEffective noise-aware data simulation for domain-adaptive speech enhancement leveraging dynamic stochastic perturbationarXiv ↗
  • 2023InterspeechA training and inference strategy using noisy and enhanced speech as target for speech enhancement without clean speecharXiv ↗
  • 2023IEEE SPLMulti-target filter and detector for unknown-number speaker diarizationarXiv ↗
  • 2022InterspeechChain-based discriminative autoencoders for speech recognitionarXiv ↗
  • 2022ISCSLPSpeech-enhanced and noise-aware acoustic modeling for robust speech recognitionarXiv ↗
  • 2022EUSIPCOFilter-based discriminative autoencoders for children speech recognitionarXiv ↗
  • 2022InterspeechDisentangling the impacts of language and channel variability on speech separation networksarXiv ↗
  • 2021InterspeechAlloST: Low-resource speech translation without source transcriptionarXiv ↗
  • 2021CSRCThe Academia Sinica system for the SLT 2021 children speech recognition challenge
  • 2021InterspeechDual-path filter network: Speaker-aware modeling for speech separationarXiv ↗
  • 2021APSIPA ASCGeneration of speaker representations using heterogeneous training batch assemblyarXiv ↗
  • 2020O-COCOSDAUsing Taigi dramas with Mandarin Chinese subtitles to improve Taigi speech recognition
  • 2020CHiMEThe Academia Sinica systems of speech recognition and speaker diarization for the CHiME-6 challenge
  • 2020TASLPSubspace-based representation and learning for phonotactic spoken language recognitionarXiv ↗
  • 2019InterspeechExploring the encoder layers of discriminative autoencoders for LVCSR
  • 2019O-COCOSDAMandarin mispronunciation detection and diagnosis feedback using articulatory attributes based multi-task learning
  • 2019APSIPA ASCMulti-task learning for acoustic modeling using articulatory attributes
  • 2017InterspeechDiscriminative autoencoders for acoustic modeling
  • 2017IJCLCLPA replay spoofing detection system based on discriminative autoencoders
  • 2017ICASSPDiscriminative autoencoders for speaker verification
  • 2017ROCLINGSpeaker diarization based on i-vector PLDA scoring and using GMM-HMM forced alignment
  • 2016InterspeechMinimization of regression and ranking losses with shallow neural networks on automatic sincerity evaluation
  • 2014InterspeechClustering-based i-vector formulation for speaker recognition
  • 2014ICASSPSpeaker verification using kernel-based binary classifiers with binary operation derived features
  • 2014InterspeechEnsemble of machine learning algorithms for cognitive and physical speaker load detection
  • 2013ICASSPSubspace-based phonotactic language recognition using multivariate dynamic linear models
  • 2012InterspeechSubspace-based feature representation and learning for language recognition
  • 2009IEEE ASRUGeneralized likelihood ratio discriminant analysis
  • 2007IEEE ASRUTraining data selection for improving discriminative training of acoustic models

媒體報導 Press

以上為核心團隊成員於過往任職單位主導之技術所獲報導。

筆記研究筆記 · 籌備中

技術文章、評測方法論、臺灣語音資料的觀察。這一區會是我們把「學術精神」講清楚的地方。

  • 即將發布如何公正評測台語語音辨識
  • 即將發布單張 GPU 上的三模型顯存配置
  • 即將發布為什麼會議校對不該用「後蓋前」

PoC概念驗證

先用你自己的音檔
驗證一次,
再談導入。

用貴單位實際的會議錄音或客服對話做一次概念驗證,我們提供方法論明確、可重現的評測報告。

how@voxmosa.com兩個工作日內回覆
申請 PoC兩個工作日內回覆
需求類型

以下選填,填了可以讓我們先備好測試環境

想評估的產品
需要的語言
目前的機房
送出後,我們會在兩個工作天內以 Email 回覆您。
可以完全在自己的機房裡跑嗎?

可以,而且這是預設形態,不是附加選項。系統為容器化部署、單機即可運行,封閉網路不需連外也能使用。

要準備什麼硬體?

一張大顯存的 NVIDIA GPU 就能跑完整系統。MosaMinutes 以一台 NVIDIA DGX Spark GB10 支援 10 線即時轉錄;MosaTalk 已在 46 GB 顯存的單卡環境驗證。硬體我們可以一併供應並到場安裝。

語音辨識的準確率是多少?

這一題我們不給行銷數字。字元錯誤率、競品對照、測試方法論與原始音檔將完整公開;在那之前,最有意義的數字是拿貴單位自己的錄音測出來的那一個。

跟雲端服務差在哪?

錄音與逐字稿完全留在貴單位機房,封閉網路可用,沒有按次的 API 費用。但我們不主張全面優勢——沒有合規壓力或資安顧慮的單位,雲端訂閱通常是更經濟彈性的選擇。