语音门户，可以方便地建立各种基于WEB的语音套用系统。关键字 VoiceXML 集成 模型 语音浏览器1 引言随着电子商务、客户服务等信息服务的普遍化，互动式语音应答系统（IVR ，Interactive Voice Response）在各种商业系统中的套用越来越广泛。这种语音互动方式存在以下缺点（1）移植性、灵活性差；（2）在实际系统上做套用开发的难度很大，特别是涉及到话音流程的编写及调试问题；（3）无法综合利用现在的WEB资源。而将IVR系统Internet化，可以增加系统可重用的机会，降低成本，这必将成为今后语音套用的一种主要趋势。

另一方面，到目前为止，人们从Internet获取各种资源时，还只能是藉助计算机来实现。而实际上，电话具有比计算机更高的普及率，如果允许人们通过电话来访问Internet的资源，那幺这对于Internet的套用发展必将是一次质的飞跃。在这类套用前景的驱动下，VoiceXML [2] 标準被提出来了，它是由World Wide Web Consortium (W3C)制定的。利用这种技术，用户可以通过电话按键或语音来访问Internet上的各种资源，它是语音浏览技术以及语音网际网路的核心。与XML标準类似，VoiceXML是一种基于文本的语言，它只定义了数据的存取方式，用户必须编写程式，以便能解释、生成、传送VoiceXML文档。VoiceXML为语音套用领域展现了一个广阔的未来，在语音门户、语音呼叫中心(Call Center) 、语音信息服务、语音电子商务等领域有着广泛的套用。而这些套用或服务可以很容易地和原有的数据系统结合起来，甚至可以轻易地从原有的各类套用中延展出来。使用VoiceXML的套用系统中，不要求用户学习複杂的高级语言，就可灵活扩充新业务。而无需再与开发商联繫，重新定製开发，只需要编写几个VoiceXML页面就可以实现新的业务流程。而且编制好的VoiceXML脚本可以随时随地加入到系统中，而不会影响系统的正常运行。本文简要描述了VoiceXML规范及主要术语，给出了一个基于VoiceXML的语音与数据集成模型。该模型通过VoiceXML解释器和浏览器访问Internet上的VoiceXML文档及资料库，从而实现语音和数据的集成，达到了语音浏览的目标。2 VoiceXML规范2.1 结构模型VoiceXML的结构模型[2] 如图1所示。主要包括文档伺服器、VoiceXML解释器程式、VoiceXML解释程式环境和执行平台组成。 图1 VoiceXML 的结构模型文档伺服器，可以是一台WEB伺服器，它处理VoiceXML解释程式的请求数据包，文档伺服器产生VoiceXML文档并送给VoiceXML解释程式。解释程式对文档中的标识进行分离，产生相应的数据或动作命令，引导和控制用户与执行平台之间的互动作用。，VoiceXML解释程式环境和解释程式一起监控用户的输入。比如，一个解释程式环境可能监听用户的操作帮助请求；另一个环境可能监听用户请求更改音量或文本语音输出的某些特性。执行平台是由解释程式环境和解释程式控制的，例如，在一个互动式的语音应答套用中， VoiceXML解释程式环境能可靠地监测到呼叫，获得初始的VoiceXML文档，并且回答这一呼叫，在回答之后VoiceXML解释程式引导这一对话。执行平台产生事件回响用户的动作（说话或者字元输入）和系统事件（例如计时器溢出）。这些事件中的一部分依照相应的VoiceXML文档按照VoiceXML解释程式的解释加以执行，其他的被VoiceXML解释程式环境控制。执行平台提供字元和语音的输入和音频输出，包括合成语音的输出（TTS，text to speech）、音频档案的播放、话音输入的识别（ASR ，automated speech recognition）、DTMF按键的识别、语音输入的录音等。 2.2 术语VoiceXML中的基本术语[2]主要有 会话和子会话（Dialogs and Subdialogs）会话用于描述应用程式对用户所说的各种提示，定义和收集用户做出的回响，并描述应用程式控制的流程。用户和套用系统用会话轮流进行互动。有两种类型的会话表格和选单。表格负责执行会话定义中描述的所有操作，用于封装用户的输入和输出相关的命令。在表格中，可以包含一些域，可以从表格中得到这些域的值。而每个域可以规定允许用户输入的语法定义。选单允许用户进行选择，而进入到所选的对话中。一个子会话类似一个函式调用，它引起一个新的互动作用并且返回给上一层的表单。例如，子会话可以用于创建一个在资料库查询时需要的确认序列；创建在单一请求中的多个文档共享的一批组件；或创建一个在多个请求中共享的可重用的会话库。 会话（session）会话期从用户与VoiceXML解释程式语境互动开始，持续进行文档的装载和处理，直到由用户、文档或解释程式环境发出终止请求才结束。 请求一个请求就是一组共享同一个请求根文档的文档。在一个请求中，无论何时用户与文档互动，请求根文档总是被载入。请求根文档被载入后，它的变数作为请求变数被其它文档使用，而且它的文法在请求的持续时间一直起作用。当用户在同一个请求中的不同文档间转换时，请求根文档总是被载入，只有用户转换到别的请求中的文档时，请求根文档才被卸载。 文法（grammar）每一个会话有一个或多个语音和（或）DTMF文法。在定向对话套用中，一个会话的文法只有在使用者与此会话互动时才起作用。在混合主动式对话中，计算机和用户交替控制下一步的操作，一些会话被标记以使它们的文法（如侦听呼叫）即使当用户在同一文档的其它会话时也起作用。在这种情况下，如果用户进行的操作与另一个会话的有效文法匹配，执行就会转移到另一个会话。 事件（Event）VoiceXML提供一种表单填充机制以处理"正常"的用户输入。，VoiceXML也定义了处理异常事件的机制。如用户在一定时间内没有作出应答，请求系统帮助等情况下平台会产生事件。如果解释程式在VoiceXML文档中发现语义性错误也会产生事件。 连结（Links）连结支持混合主动式对话，当用户在连结的作用範围时它指定的文法就起作用。如果用户的输入与连结的文法匹配，控制就转移到连结的目的URI。可以用来产生一个事件跳转到目的URI。 套用（Applications） 一个套用是由许多有共同套用根的文档组成。套用根在其中一个文档激活时就被装入，，在同一个套用的不同文档之间跳转时，根文档仍然驻留在记忆体，只有当用户在不同的套用之间跳转时，才会被弃。套用根文档的变数和语法定义都可以被其中的文档访问。3 基于VoiceXML的语音与数据集成3.1 总体结构模型一个VoiceXML套用模型，如图2所示。主要由以下几个部分组成VoiceXML网关，WEB伺服器，资料库伺服器。各部分的功能介绍如下。 图2 VoiceXML套用模型3.2 文档结构及其执行过程VoiceXML以套用、会话期、文档为单位建立套用结构，以会话为互动单位，逐个完成对话确定流程导向。可以看作一个包含会话的容器，所有的VoiceXML文档都是由一系列会话构成的。一组VoiceXML文档之间可以互相跳转，并且构成一个会话的有限状态机。用户总是处于某一会话中，每一个会话决定要转移到的下一个会话。转移由URIs指定，URIs定义下一个要使用的文档和会话。根文档是一个VoiceXML程式的开始，其中可以包括form、script、var、grammars等元素。VoiceXML程式总是从元素form开始执行，当程式需要跳转时，也是从一个form跳转到另一个form。一般採用多文档的套用结构,在一个套用中有一个根文档，其他文档中用来引用。一个套用的例子，如下Application root document (app-root.vxml)<?xml version="1.0"?> operator Leaf document (leaf.vxml)<?xml version="1.0"?>

Shall we say ?

一个VoiceXML的套用是一系列VoiceXML文档的集合。而且每一个套用都包含一个“根文档”，这有点像一个动态网站的default.asp或是index.asp。在VoiceXML套用调用的时候,“根文档”始终被调用。 3.3 VoiceXML网关3.3.1 语音识别语音识别使计算机能理解用户的语音命令，产生相应的文字结果，送回VoiceXML解析程式做处理。在VoiceXML网关中，语音识别引擎为命令式的识别引擎，其根据有限的文法)来识别用户的语音信号，并产生对应语法定义的识别结果。在VoiceXML语音浏览器中，文法决定了用户能说什幺以及如何说。好的语法能带给用户良好的互动感觉，也能从逻辑上提高语音识别引擎的识别率。VoiceXML网关中，语音识别不仅需要处理对用户语音信号的识别，也需要处理对用户按键的识别，按键和语音以同样的机制被处理和传递。一个典型的语音识别流程[3]如图3所示。 图3 典型的语音识别流程可以针对软体结构做一些调整[4]，进行数据压缩传输。如图4是一个基于client/server方式的改进方法。 图4 基于client/server方式得语音识别