- 语音界面的新标准

2003/01/28

　　世界上最古老的用户界面--人类语言终于在二十一世纪借助于VoiceXML，一种语音可扩展标记语言发展成熟起来。作为世界上第一个真正的语音通信标准，它定义了应用开发商向用户提供新型信息访问服务的方式。通过这种服务，用户在任何地方，都可以通过电话或任何移动设备，虚拟访问任何信息。VoiceXML正在被广泛应用于旅游、金融与信息服务等行业的各种业务领域中，甚至是政府部门与市政机构，全球的无线运营商等。

　　VoiceXML最初由VoiceXML论坛创建，现在VoiceXML由万维网联盟（W3C）主持。后者是一个全球性组织，它已经制定了一系列网络技术标准。其宗旨在于为用户定义一种新方法，运用基于Web的服务通过口头指令和DTMF键盘实现交流，通过事先记录的话音、合成话音或音乐流获取信息。为了迎接这种挑战，W3C定义了一套在设计上与网页编写标准相类似的标记语言，以规范应用程序的语音问题，例如用户对话流、自动语音识别与相关语法、语音合成与呼叫控制等。

应用中的VoiceXML

　　在今天的通话应用市场上，应用VoiceXML的基本目标在于全力扩大现有网站及其内容的容量，使它们适应交互式语音响应应用，同时减小复杂应用方案的编程复杂性。此外，在客户服务器信息处理环境中，它允许语音与数据服务的轻松结合。

　　VoiceXML是专门设计用于抽取应用开发商在底层特定平台上的编程内容。在本质上，由于开发商不再需要在通话平台上编写微小细节的地址代码，从而简化了语音应用的创建。它实现了应用程序内容的标准化，例如话音识别语法与呼叫控制等。因此，应用VoiceXML编译程序的系统，虽然具有自己的特定规格，但是无需考虑已经抽取的特定系统的要求，就可以容易地移植到其他系统中。作为一种通用语言，VoiceXML不但适合应用开发商，而且也适合提供新闻、天气预报及航空服务信息的服务提供商。

　　VoiceXML设计的工作原理：语音应用程序作为系列页存储在类似于网络服务器的文件服务器上。从实现平台接收到输入呼叫时，VoiceXML编译程序会向文件服务器发出一个特定URL请求，就像用户浏览网络时输入网站地址一样。文件服务器可以与编译程序直接相连，也可以设置在外部，通过本地网或互联网的IP协议访问。他们可以保持应用程序的服务逻辑，可以提供数据库查找与其他系统操作功能。

　　然后，这些页可以向编译程序提供系统需要的对话流和各种操作，例如要求呼叫用户提供特定语音输入。用户的回应影响对话编译，会使上述请求返回文件服务器。而后，下一VoiceXML页会完成答复，从而用户对话得以持续。

　　VoiceXML应用于简单应用比较理想，例如自动值班应用程序。在此程序中，呼叫用户与系统间的对话不很复杂，用户交互简单。同时，VoiceXML也可应用于较为复杂的应用中。在这些应用中，向用户提供多种选择，数据检索范围较大。基于VoiceXML的应用接口向用户提示事先录制的和合成的对话，可以理解简单的单词和词组。随着这种技术的不断改进，它可以支持更丰富的人机自然语言对话。

结构与HTML相同

　　就结构而言，VoiceXML应用与目前应用广泛的HTML应用相同。唯一的差别在于前者使用语音浏览器，而后者使用Netscape或Internet Explorer作为浏览器。语音浏览器可以生成HTTP请求，形成结果标记。在这种情况下，VoiceXML图2说明了语音系统的基本结构。

更多新规范

话音合成
　　由于具有一系列新规范，Voice XML性能非常强大。作为W3C语音浏览器工作组的开发内容，每种规范都具有自己独特的作用。尽管本文不可能详细说明所有的这些规范，但其中的两个是值得介绍的。

　　话音合成标记语言（SSML）规范，界定了一种通过话音合成器生成合成话音的标准方法。在语音应用方案中，合成话音又称之为正文－语音合成。基于Sun Microsystems的JSGF或JSML规范，SSML规范设计用于向应用开发商提供一种控制合成话音输出，如单词发音、大小、音调、语速与节奏等的标准方法。

语音浏览器 一种编译设备，可编译Voice XML语言并能够编译用户发出的话音与DTMF输入指令，同时通过文语转换和预录音系统提供应答。

文语转换 从文本输入自动生成合成话音的过程。

　　SSML提供一些关键设计元素，帮助实现跨平台和跨不同文语转换引擎之间语音输出的一致性。

呼叫控制
　　呼叫控制可扩展标记语言（CCXML），设计用于支持VoiceXML应用中的复杂的通话呼叫控制，处理与呼叫相关的操作，诸如呼叫转移、会议、选择呼叫应答与长线连接（系统把呼叫用户与出站线路连接，当出站呼叫结束时，再应答此用户）等。此外，CCXML还提供一种电话网络信号传输故障访问功能。这是一种运营商非常需要的性能。上述两种语言既相互独立，又相互补充，并且可以单独实现。

多通道

　　目前，存在一种话音交互与其他交互模式相融合的趋势。多通道顺应了应用开发商的需求。在多通道应用中，使用话音作为输入输出，同时还提供数据接口访问，例如应用HTML的网络接口、短信息服务（SMS）与无线应用协议（WAP）等。换一种说法，多通道应用不仅仅限于简单的输入输出，还能够容纳多种模式，用户不仅可以实现说、写、打字，而且可以通过更为自然的用户界面实现听和看。

　　W3C已经认识到，把各种不同的设备融合成一种综合应用的需求，并且成立了一个小组进行研究。他们把多通道视为一种扩展网络用户接口、应用多种交互模式的方法，让用户自由选择语音和输入设备，例如辅助键盘、键盘、鼠标和输入笔等。对于输出，用户能够听到语音提示和音频，而且能够查看图形显示器上的信息。 一般来说，真正的多通道应用将不仅允许在访问服务器信息时，不同模态共存于一个设备上，例如移动电话，而且可以存在于多个一起使用的设备上。例如，用户可以一边驾车，一边询问行驶方向。系统响应生成，并通过图形和文本显示器传送到司机的个人信息终端（PDA）或全球定位系统设备上。

　　W3C已经认识到，把各种不同的设备融合成一种综合应用的需求，并且成立了一个小组进行研究。此机构正在制定一种各种容量下的多通道、多设备同步化规范。 除了W3C正在进行的工作外，其他组织机构也认识到多通道应用的重要性，也提出许多不同的实现多通道的方法。IBM提出一种名为XHTML + 语音的设计方案，将 VoiceXML、XML和HTML相结合。此外，Microsoft、Cisco与Phiplips 语音处理以及其他一些公司共同建立一个研究机构，已经开发出一种名为语音应用语言标记（SALT）的多通道设计方案。

目前的多通道应用

　　近年来，随着社会发展步伐的加快，用户越来越期望随时随地获得信息。尽管传统的计算机是获取信息的一种最佳方式，但是用户更时常需要通过一种小的移动装置，如手机、无线PDA或智能全球定位系统来获得这些信息。同时，尽管语音应用正在逐渐成为了一种访问网络或公司数据的有效方法，但是在很多情况下，这种应用适用范围与效率都相当低。但是，应用本文所论述的性能增强方法，用户可以得到更好的服务。

一些目前成功应用VoiceXML的多通道应用包括：

· 蜂窝广播 - 使用SMS 通知服务用户，某一事件发生，允许用户即时操作按钮接受服务。
· 远程信息处理 - 在车辆上通过语音询问信息，并在个人数据终端查看结果。
· 语音电子邮件 - 使用语音指令发送接收电子邮件。
· 即时会议 - 在接通现有呼叫同时，使用语音指令拨打第三方号码，然后三方同时通话。

　　事实上任何应用方式都是可能的！

　　VoiceXML与多通道应用，目前应用正在逐步扩大 - 电信运营商DoCoMo与SprintPCS等将其应用于增值服务，以增加自己的收入，旅游巨头美联航等将它用于旅游信息服务，通用电气等企业将它用于允许公司用户访问公司的数据库等。

　　本文中简要说明的VoiceXML标准以及辅助技术，正在逐步激励应用开发商创建新型服务，鼓舞用户接受新型服务的信心。

　　可以在下列网站上查看关于VoiceXML的信息：

World Wide Web Consortium [URL=http://www.w3c.org/]http://www.w3c.org/[/URL]
VoiceXML Forum [URL=http://www.voicexml.org/]　　　　　　http://www.voicexml.org/[/URL]
IBM　　　　　　　　　　　　 [URL=http://www.ibm.com/]http://www.ibm.com/[/URL]

Salt Forum　　　　　　　　 [URL=http://www.saltforum.org/]http://www.saltforum.org/[/URL]

NMS国际通讯有限公司供稿 CTI论坛编辑