DIV CSS 佈局教程網

VXML 是 w3 組織提出的用以搭建語音應用的描述性語音。使用 VXML 可以很方便得搭建集成語音識別和語音合成技術的語音應用。本文給出了一個簡單的例子介紹 VXML 的兩個基本的使用方法——語音識別和語音合成，並且簡單介紹了 VXML 與 Java 層信息交互的方法。相信通過本文的介紹，大家就可以搭建出很酷的語音控制系統。

　　語音技術

　　微軟公司董事長比爾蓋茨曾不止一次的提出，語音技術將越來越多得改變我們的生活。新一代的搜索引擎也將使用語音最為最終的輸入手段；電腦鍵盤的作用將逐步減少，今後人們使用電腦時將不再是通過鍵盤輸入文字，而是用語音來輸入文字。

　　不可否認的是，如今的語音技術還未達到如他所述的成熟程度。但是一些簡單的應用，例如語音撥號的功能已經被大家所接受。基於語音技術的自動應答系統在歐美已然流行開來，幫助像銀行，移動運營商這樣的大型服務性機構搭建無人電話語音服務，以此減少接線員的工作量，給大家的生活帶來便利。

　　VXML 簡介

　　Voice eXtensible Markup Language（簡稱 VXML）是被用來創建語音對話系統，可以調用語音合成以及語音識別服務，可以用來記錄語音錄入和連接電話系統。創建 VXML 語音的主要目的就是用 Web 開發的理念來開發交互式的語音應用。VXML 提供了基於 Menu 和基於 Form 的兩套框架，整合了語音識別和語音合成兩個關鍵服務，使得語音應用的開發變得更為方便和快捷。

　　VXML 的運行環境

　　VXML 和普通的標記語言一樣，需要有浏覽器進行解析；還需要提供語音識別和語音合成服務的應用服務器；有時也需要有 http 服務器提供文檔服務；當然，如果需要與電話系統相連，就必須加上 VOIP （網絡電話）的支持。如下圖所示的就是 VXML 的運行環境：

圖 1. VXML 運行環境

　　一個企業級應用的系統框架

　　IVR (interactive voice-response services) 也就是自動應答服務，是使用 VXML 的典型企業級應用。IVR 和使用者通過電話，按鍵 (DTMF) 互動，如語音訂票，語音查詢，語音投票等。普通的 IVR 都是支持 VXML 的解析和提供了 sip 協議的支持，通過和 ASR ( 語音識別 ) 應用服務器以及 TTS( 語音合成 ) 應用服務器的集成，可以實現幾乎所有的 VXML 封裝的操作。

　　企業級的 VXML 應用需要如下的體系結構，以使用 IBM Voice Server (WVS) 為例：

　　圖 2. 一個 VXML 具體應用的例子

　　上圖中的 IVR 事實上就是 VXML 解析器，通過解析 VXML，分發相應的工作給 WVS ，實現 VXML 封裝的語音識別和語音合成的功能。

　　兩個開源的實驗環境

　　嘗試 VXML，可以使用開源的項目 OpenVXI (見參考資源) 。OpenVXI 提供的是完整的 VXML 解析服務，同時也提供了有限語言的 TTS 支持。雖然暫時來看， OpenVXI 沒有提供 ASR 的實現，但是 OpenVXI 提供了方便的回調函數的接口，因此可以很方便的嵌入外部 ASR 和 TTS 的服務。

　　嘗試 VXML ，另一個選擇是使用一個名為 Tadpole (見參考資源) 的 Firefox 浏覽器上的開源插件。通過 Tadpole 的幫助， Firefox 平台因此具有 VXML 解析浏覽器的功能。此架構的缺點是只支持 XHtml-Voice 標記語言，這個語言只能說是 VXML 語言的一個子集。

搭建自己的 VXML 中文應用

　　從一個簡單的例子開始

　　清單 1. 一個典型的 VXML 的例子

<?XML version="1.0" encoding="UTF-8" ?>
　
<vxml version="2.0" xml:lang="zh-CN" xmlns="http://www.w3.org/2001/vXML">
　<meta name="GENERATOR" content="Voice demo"/>
　
<form id="head">
　　　 <block>
　　　　　　　 請問您需要何種服務？
　　　　　　　 <audio src="BEEP.WAV"/>
　　　　　　　 <goto next="#main"/>
　　　 </block>
</form>
　
<menu id="main">
　<choice next="menu_1.JSP">
　開空調
　</choice>
<choice dtmf="1" next="menu_1.vXML"/>
　
<choice next="menu_2.JSP ">
　開洗澡水　　　　　　　　
　</choice>
　<choice dtmf="2" next="menu_2.vXML"/>
　
　<choice next="menu_3.JSP">
　打開音響
　</choice>
　<choice dtmf="3" next="menu_3.vXML"/>
　
<catch event="noinput" count="1">
　<prompt> 請問您需要何種服務？ <audio src="BEEP.WAV"/> </prompt>
　</catch>
　
　<catch event="noinput" count="2">
　<submit next="menu_whole.vXML"/>
　</catch>
　
　<catch event="nomatch">
　　　 <prompt> 對不起，我沒有聽清，請再重復一遍。 <audio src="BEEP.WAV"/> </prompt>
　</catch>
　
</menu>
</vXML>

上述 VXML 是一個很簡單的例子。我們可以看到，事實上 VXML 文件和普通的 Html 文件並沒有實質的不同，我們可以完全使用相同的思維方式去理解，唯一不同的是針對特殊的語音 VXML 應用了相應特別的標簽，具體可以參考 w3 上有關 VXML 的規范(詳見參考資源)。

　　上面的例子，<block/> 標簽是用來描述語音播放的屬性，也就是需要使用語音合成的語句（直接輸入詞句可以得到語音輸出），該標簽也可包含需要播放的錄音，可以使用 <audio/> 標簽。<menu/> 標簽就像 Html 中的 <select/> 標簽，只是將輸入變成了語音，也就是，<choice/> 標簽中指定的語句是可以被識別的，根據識別的結果，可以跳轉到 <goto/> 標簽中指定的 VXML 並繼續執行。 <catch/> 標簽也是很好理解的，它能接受並處理無輸入超時和無法識別語音這兩個事件。

　　綜合起來看上面的例子，我們可以看出這是一個 VXML 最典型的應用，即根據語音輸入，確定使用者需要的服務。把該 VXML 應用到電話系統中，就是現今應用最多的用語音技術替代接線員工作的模式。我們也可以理解為，用說話命令的方式，代替了普通電話服務熱線那種按鍵的方式。

　　一個更深入的例子，與 Java 層的交互

　　清單 2. 傳遞參數到 JSp 的例子（menu_3.vXML+playAudio.JSP）

menu_3.vXML:
<?XML version="1.0" encoding="UTF-8" ?>　　
<vxml version="2.0" xml:lang="zh-CN" xmlns="http://www.w3.org/2001/vXML">
　
<form id="head">
<block>
　請問你要播放那首歌曲？
　<audio src="BEEP.WAV"/>
　<goto next="#playsong"/>
　</block>
</form>
　
<form id="playsong">
　<fIEld name="song">
　<grammar type="application/srgs" src="songs.gram"/>
　<option dtmf="9" value="back"> 後退 </option>
　<filled>
　<if cond="songs == 'back'">
　<submit next="menu_whole.vXML"/>
　<submit next="playAudio.JSP" namelist="song"/>
　</filled>
　</fIEld>
</form>
</vXML>
　
　
playAudio.JSP:
<?XML version="1.0" encoding="UTF-8" ?>　　　　　　
<vxml version="2.0" xml:lang="zh-CN" xmlns="http://www.w3.org/2001/vXML">
　
<%@page contentType="application/voicexml+XML; charset=UTF-8" %>
<%@page import="com.ibm.com.AudioPlayer"%>
　
<vxml version="2.0" xmlns="http://www.w3.org/2001/vXML"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://www.w3.org/2001/vxml http://www.w3.org/TR/voicexml20/vXML.xsd">
　
<%
　　　 // Get the utterance from the Html form
　　　 request.setCharacterEncoding("UTF-8");
　　　 String song = (String)request.getParameter("song");
　　　
　　　 AudioPlayer audioPlayer = new AudioPlayer();
　　　 audioPlayer.play(song);
%>
　
</vXML>

menu_3.vXML 是一個簡化的略去錯誤處理的例子，我們也使用另一種常用的框架 <form/> 。該框架需要給定語音識別的期望結果，也就是 grammar 文件，然後進行語音匹配，得到識別結果。而 grammar 文件如 songs.gram ，可以簡單得這樣實現：

　　清單 3. 一個 grammar 的例子（songs.gram）

#ABNF 1.0 UTF-8;
language zh-CN;
mode voice;
root $songs;
public $songs= 北京歡迎你 | 我和你 | 為生命喝彩 ;

　　grammar 可以有 abnf 和 xml 兩種格式，具體可以參考 w3 上關於 grammar 的規范(見參考資源)。事實上，menu_whole.vxml 中 <choice/> 標簽就可以看成是一個可以自動生成的 grammar。使用 VXML 外部的 grammar 可以很方便加入新的可以被識別的結果。並且由於 grammar 支持類似正則表達式的構造方式，所以 grammar 可以很方便得構造一些規則驅動的識別結果集合，這個很大程度上減輕了應用開發人員在枚舉識別結果時的工作量。

　　在 menu_3.vXML 和 playAudio.JSP 中，我們可以看到，通過 submit 的 namelist 屬性，系統可以很方便的把識別結果傳輸給 java 層，利用 java 層強大的功能，可以實現很多操作。上面的例子只是一個很簡單的播放歌曲的例子，假設如果在 Java 層實現了所有的電器控制接口，那完全用語音控制電器這只在科幻電影中出現的應用，將成為現實。

　　搭建中文 VXML 系統的注意點

　　對於中文系統而言，首先，必須要保證語音識別引擎是完全支持中文的。其次，對於所有的 VXML，JSp 以及 grammar 文件，必須要按照統一的 UTF-8 的編碼方式，並且在 JSP 層，需要對 request 對象設置編碼方式。在這點上，中文的語音應用和普通的 web 應用是一致的。

　　結束語

　　使用 VXML 可以很方便得搭建中文的語音應用。雖然說現如今，語音識別技術還存在識別率的問題，並且也沒有很完善的開源的語音識別引擎。但是，一些部分支持 VXML 的開源的解決方案已經出現，相信在不久的將來，技術將更加成熟，也將越來越普遍化。我相信，在科幻電影中才能看到的語音控制家電將會因此成為趨勢。

　　作者簡介

　　強晟是 IBM 中國軟件開發中心工程師，在 WVS and EVV 組工作，從事Websphere VoiceServer 的技術支持工作。

　　劉盈是 IBM 中國軟件開發中心工程師，在 WVS and EVV 組工作，從事Websphere VoiceServer 的技術支持工作。