一、概述

　　到目前为止，人们从Internet获取各种资源时，还只能是借助计算机来实现。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，那么这对于Internet的应用发展必将是一次质的飞跃。在这类应用前景的驱动下，VoiceXML [1] 标准被提出来了，它是由World Wide Web Consortium (W3C)制定的，目前最新版本为2.1。

　　VoiceXML使得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互联网的核心。 VoiceXML为语音应用领域展现了一个广阔的未来，用VoiceXML开发的语音应用系统，不仅可以完全代替传统CTI(计算机电话集成) 系统所能提供的功能，而且还可以使应用系统开发过程极其简单快捷、系统有极高的可扩展性、可维护性、可移植性、可重用性和开放性，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应用。

　　本文通过编写一个简单的自动语音识别程序来试图让读者对VoiceXML语言的一些基本概念和基于VoiceXML的语音应用系统的基本构成有一个大致的了解。该示例程序已经部署在http://evolution.voxeo.com。读者可以在电脑上通过Skype客户端（免费）或者传统的电话（收费）运行该文中的示例程序。

二、VoiceXML技术简介

　　VoiceXML（语音可扩展标记语言）是用来描述语音对话过程的标记语言。其定义了如何使用语音识别、语音合成、互联网访问、数据库访问、语音文件播放、DTMF按键识别等功能开发一个完整的语音应用系统。 与HTML／XML标准类似，VoiceXML也是一种基于文本的脚本语言。

　　就象程序员可以使用HTML/XML语言开发WEB应用程序，从而把文字和图片等信息以网页的方式提供给用户类似，程序员可以使用VoiceXML语言开发基于语音的应用程序，从而把用户需要的信息以语言的形式提供给用户。 用户可以通过VoIP终端或者传统电话来访问这类应用程序从而得到想要的信息（如天气，股市，定位等）。和用户访问WEB页面时需要通过键盘输入想要查询的内容不同，用户访问基于 VoiceXML的语言应用时可以通过“说话”来获取想要的信息。执行VoiceXML语言的VoiceXML服务器负责把用户的语音转换成文字（自动语音识别）进行搜索并把搜索到的结果以语音的方式“读”给用户（语音合成输出）。下图（图一）显示了基于VoiceXML的语音应用和基于HTML的WEB应用的相似和不同。

图一、VoiceXML应用和WEB应用的比较

下图（图二）展示了基于VoiceXML的语音应用系统的基本架构：

　　文档服务器（WEB Server）：用于存放VoiceXML脚本文件（或者根据由VoiceXML Server发过来了HTTP请求自动生成VoiceXML脚本），和事先录制好的音频文件等一切有关的文档。 VoiceXML Server通过HTTP请求从该文档服务器获取各种需要的文件。

　　VoiceXML 服务器（VoiceXML Gateway）：用于接收和识别用户的输入，解释和执行VoiceXML脚本文件，并把结果转换成语音输出给用户。它一般具备下列组件：VoiceXML解释器组件（VoiceXML Browser）,呼叫控制组件（CCXML Browser），自动语音识别组件（ASR），语音合成组件（TTS）等。这些组件共同组成了VoiceXML的解释和执行平台。

图二、VoiceXML应用系统架构

　　和互联网用户通过键盘输入某个WEB页面的地址（ＵRL）来访问WEB应用类似，VoiceXML用户通过电话或者VoIP终端拨打某个应用对应的电话号码来访问该应用程序（图中的步骤1）。VoiceXML服务器收到用户的呼叫后，根据用户拨打的号码去文档服务器查找对应的VoiceXML文件（图中的步骤2），通过HTTP请求把文件下载到本机执行，根据特定应用的需要，VoiceXML服务器可能会发出多个HTTP请求获取和应用有关的其他文件，比如需要播放的语言文件等（图中的步骤3）。然后由 VoiceXML解释器组件（ VoiceXML Browser）解释和执行VoiceXML脚本语言并把结果转换成语音传送给用户（图中的步骤4）。在执行过程中，用户可能需要通过语音和VoiceXML服务器进行交互，比如菜单选择或者对查询结果进行过滤等。VoiceXML服务器通过呼叫控制组件（CCXML Browser），自动语音识别组件（ASR），语音合成组件（TTS）来实现这些交互。

　　在VoiceXML系统中有两种形式语音的输出： 机器合成语音（TTS）和事先录制好的语音文件。

　　TTS ( Text-To-Speech) : 是由机器把文本转换为数字语音格式，这种声音听起来会感觉有些机械和不自然，但是输出内容灵活，不受任何限制。

　　事先录制好的语音文件： 和TTS相比听起来更自然，但是内容受限制。在实际应用中往往把二者结合起来。

　　VoiceXML系统中的输入也有两种形式： 自动语音识别 (ASR) 和双音多频键盘音（DTMF）。

　　ASR (Automatic Speech Recognition) 是指计算机把用户的语音自动识别成文字信息，便于计算机的进一步处理，从而使得用户可以通过自然语言来控制计算机的执行。

　　DTMF (Dual Tone MultiFrequency) 则是用户可以通过电话的按键进行输入。

三、VoiceXML开发示例

　　本文中的信息查询例子演示了一个简单的VoiceXML应用。该例子VoiceXML脚本中用到的所有的标签如表1所示，表2是该例子的源代码。图四是该例子的呼叫流程。首先是用户发起呼叫，应用程序通过计算机合成语音（TTS）告诉用户所有的选择项并等待用户的响应。用户的语音将由计算机根据语法标签

　　中定义的规则进行自动识别。如果识别成功，标签中定义的变量“choice”被赋值。例如，如果用户说出“weather”，则计算机会把字符串“weather” 赋值给“choice”。然后在标签中定义的条件判断语句会根据变量“choice”的值把相应的语音播放给用户。如果用户没有响应，标签被执行并把“I didn’t hear you” 播放给用户，然后提示用户重新输入（标签）。同样，如果用户的语音没有被识别，标签 将被执行并告诉用户“I didn’t quite understand you” ，然后提示用户重新输入（标签）。

表 1. 本示例中用到的VoiceXML 标签

图四：信息查询例子呼叫流程图

表 2. 信息查询例子源代码

Welcome to the Voice XML journey.
This tutorial demonstrates voice recognition.
Please choose from the followings:
to check the weather, say weather .
to check the stock quotes, say stock .
to get the direction information, say direction.


[weather dtmf-1]{}
[stock dtmf-2]{}
[direction dtmf-3]{}
]
]]>


I didn't hear you.


I didn't quite understand you.



OK let's check the weather. Thank you.

OK let's check the stock quotes. Thank you.

OK let's get the direction information. Thank you.

　　该示例程序已经部署在http://evolution.voxeo.com。读者可以下列几个途径来执行该示例程序：

1. 通过Skype客户端拨打号码 +99000936 9992001335， 免费呼叫。
   
2. 通过Xlite（一个免费的VoIP软件）或者任何VoIP终端呼叫 sip:9992001335@sip.voxeo.net
   
3. 通过手机或者固定电话拨打号码 +1 407 459 1963（美国电话号码，收费）。