VoiceXML語音門戶的引擎

冉隆科 2000/12/11

　　曾幾何時，人們對XML已耳熟能詳，并將它用于描述圖像和結(jié)構(gòu)復(fù)雜的其他數(shù)據(jù)。Web技術(shù)發(fā)展之快令人驚嘆!現(xiàn)在，業(yè)界又正在展開一項(xiàng)XML的新的應(yīng)用：VoiceXML(話音可擴(kuò)展標(biāo)記語言)，其主要特點(diǎn)是通過語音輸入和音頻輸出支持人機(jī)對話。

　　1999年，AT&&T、IBM、朗訊科技和摩托羅拉公司等組成了VoiceXML論壇，旨在討論將VoiceXML確定為通過話音和電話利用Internet內(nèi)容的標(biāo)準(zhǔn)。目前，參加該論壇的公司達(dá)150多家。討論所涉及的主要內(nèi)容包括將VoiceXML作為標(biāo)準(zhǔn)，怎樣用VoiceXML解釋程序取代HTML解釋程序，用人的語音取代鼠標(biāo)和鍵盤。

　　下面就VoiceXML的基本功能、VoiceXML 1.0版的主要特性和分布式模型等作一簡要介紹。


　　VoiceXML的基本功能


　　VoiceXML是萬維網(wǎng)集團(tuán)(W3C)定義的可擴(kuò)展標(biāo)記語言(XML)的一種新的應(yīng)用。或者說它是一種域?qū)Ｓ谜Z言，根據(jù)所播放的音頻文件、要口述的文本、要記錄和識別的語言以及所收集的按鍵音輸入，定義人和計(jì)算機(jī)之間的對話。VoiceXML可以描述傳統(tǒng)的語音響應(yīng)業(yè)務(wù)以及新的混合主動式業(yè)務(wù)。

　　VoiceXML保護(hù)應(yīng)用開發(fā)程序不受同時多線程控制——資源供給和平臺專用API等問題的影響，因?yàn)檫@些問題都由交互式話音響應(yīng)(IVR)平臺的VoiceXML客戶程序去處理。這種保護(hù)功能使平臺之間具有更大的業(yè)務(wù)可移植性。

　　VoiceXML與XML相比具有某些重要的優(yōu)點(diǎn)，其中最主要的優(yōu)點(diǎn)是能夠重復(fù)使用和容易重組現(xiàn)有的軟件工具，以生成、轉(zhuǎn)換和分析XML文件，而且還能使VoiceXML利用其他基于XML的補(bǔ)充標(biāo)準(zhǔn)。例如，VoiceXML應(yīng)用程序有時需要確定語音合成參數(shù)，比如音量、講話快慢和音調(diào)等。

　　從VoiceXML的對話看，調(diào)用程序?qū)㈦娫捥柎a撥入具有VoiceXML客戶程序的IVR平臺。該平臺將電話號碼送給URL，而客戶程序把HTTP請求送給專用的URL。Web服務(wù)器用包含同調(diào)用程序執(zhí)行對話的VoiceXML文件表示響應(yīng)。客戶程序解釋該文件，從而與調(diào)用程序、播放提示、收集按鍵音輸入的信息交互作用，最后將收集的信息提交給文件本身指定的URL。Web服務(wù)器處理輸入，用處理后的文件表示回答，從而繼續(xù)進(jìn)行對話。


　　VoiceXML的主要特性


　　VoiceXML 1.0版的主要特性可以分為4個方面：對話、電話、平臺和性能。

　　1.對話特性

　　每個VoiceXML文件由一次或多次對話組成。對話特性包括收集按鍵音輸入、音頻輸出的生成、異步事件的處理、客戶端編寫腳本的性能以及對話的連續(xù)性。VoiceXML支持下面的輸入格式：音頻記錄、自動語音識別和按鍵音。輸出可以是預(yù)先記錄的音頻文件、 文本對應(yīng)于語音的生成或二者兼而有之。

　　VoiceXML支持異步事件的生成和處理。異步事件有兩種：一是內(nèi)部事件，如超時、未被識別的輸入或請求幫助；二是用戶定義的事件。事件處理程序一般確定要提供給調(diào)用程序的某些新的輸出，以及是否繼續(xù)現(xiàn)在的對話或轉(zhuǎn)換到另外的對話。

　　為使服務(wù)器的響應(yīng)時間最短，VoiceXML允許在一次對話中收集多個數(shù)據(jù)段，并允許用這種數(shù)據(jù)段編寫客戶端腳本。對話還確定何時根據(jù)用戶的輸入將數(shù)據(jù)提交給另一個URL服務(wù)邏輯，以及何時轉(zhuǎn)換成不同的對話。

　　VoiceXML還支持傳統(tǒng)的IVR系統(tǒng)，即選單、定向?qū)υ捯约靶碌幕旌现鲃邮饺藱C(jī)交互樣式。選單交互樣式允許調(diào)用程序從一系列的選項(xiàng)中選擇幾個選項(xiàng)。定向?qū)υ捊换�樣式可使調(diào)用程序連續(xù)收集數(shù)據(jù)集。混合主動式對話交互樣式可使調(diào)用程序以單一語調(diào)輸入多個數(shù)據(jù)段，并提供部分信息。

　　這里以天氣信息為例，表明不同的人機(jī)交互樣式提供的信息各不相同，但主動式更快捷(見表1)。

　　2.電話特性

　　VoiceXML對電話連接實(shí)施基本控制。它允許文件制作者規(guī)定何時拆接，何時傳送呼叫。傳送是一種跟隨特性，即只要呼叫被成功傳送，并連接到被呼叫人，例如客戶的業(yè)務(wù)代表，便立即隱藏端接VoiceXML對話的傳送，暫停VoiceXML對話。與被呼叫人的對話結(jié)束后，VoiceXML對話繼續(xù)進(jìn)行。這一特性可節(jié)省呼叫傳送時間，有利于在后續(xù)URL請求中提交其他數(shù)據(jù)。

　　3.平臺特性

　　VoiceXML在提供描述對話的標(biāo)準(zhǔn)方法的同時，還能提供容納單個平臺的機(jī)制。這包括調(diào)用平臺專用功能和控制平臺專用屬性。例如，一個平臺具有先進(jìn)的講話人驗(yàn)證組件，而另一個平臺可能具有定制信用卡對話，可以控制其專用的語音識別參數(shù)。無線環(huán)境里的客戶程序可以提供主叫用戶的位置。所有這些專用平臺特性都可借助VoiceXML平臺一種或幾種特性得以實(shí)現(xiàn)。

　　4.性能特性

　　VoiceXML文件和這些文件所使用的資源，以及URL確定的每一種資源的位置都是基于Web的。這些資源包括音頻文件、輸入語法、腳本和對象。VoiceXML客戶程序必須在使用這些資源之前查找和安裝這些資源。VoiceXML服務(wù)提供商要面對的一個問題是在讀取資源的同時，主叫用戶聽到的是極其微弱的“靜音”。當(dāng)系統(tǒng)查找資源時，采用可視瀏覽器的PC用戶看到一個旋轉(zhuǎn)圖標(biāo)，但是與VoiceXML平臺保持聯(lián)系的主叫用戶也可能察覺不到這種業(yè)務(wù)是基于Web的，因此有可能把“靜音”看作是失去聯(lián)系的信號。

　　VoiceXML提供幾種消除或隱藏與查找Web資源有關(guān)的靜音的裝置。像可視瀏覽器一樣，VoiceXML客戶程序可以使用高速緩存而無需讀出數(shù)據(jù)。與可視瀏覽器所不同的是，VoiceXML客戶程序不必再裝入按鈕，這樣VoiceXML便讓文件編制人能夠確定是否使用高速緩存資源，或查找新的拷貝。

　　當(dāng)必須查找新的資源拷貝時，文件編制人可以指定查找需等候的時間，對于某些資源還可以在讀取期間確定要播放的音頻文件。

　　VoiceXML還了解有些客戶程序在使用資源之前可能讀取資源。只要裝入音頻文件，文件編制人員就可以提示與可能要讀取的資源有關(guān)的客戶程序。這種資源讀取可能與文件解釋同時進(jìn)行，其目的在于按二者所需的時間利用資源和解釋文件。


　　VoiceXML分布式模型


　　Web為每個用戶提供全球范圍的信息，同時給每個信息和服務(wù)提供商提供全球范圍的用戶。因此，分布式應(yīng)用模型是Web的基本模型；VoiceXML建立在與基于Web的相同的模型上。圖1表示通過電話訪問的VoiceXML業(yè)務(wù)使用的基于Web的分布式應(yīng)用模型。

　　在這種應(yīng)用模型中，除HTML解釋程序(Web瀏覽器)被VoiceXML解釋程序取代，語音取代作為用戶接口媒介的鼠標(biāo)和鍵盤外，VoiceXML結(jié)構(gòu)與可視Web模型的結(jié)構(gòu)基本相同。除其核心能力外，VoiceXML提供更先進(jìn)的功能特性，包括本地驗(yàn)證和處理、音頻回放和記錄，以及支持上下文特有的修剪，并支持可重用的附屬對話。

　　用戶輸入的本地處理和驗(yàn)證是通過收集提供標(biāo)準(zhǔn)編程模型的諸多元素實(shí)現(xiàn)的。一個“程序塊”元素允許代碼在收集輸入的過程中的任何一點(diǎn)運(yùn)行。一個“填充”元素可使輸入驗(yàn)證代碼，根據(jù)用戶輸入的任何一組數(shù)據(jù)提高控制效能；該元素對混合主動式對話特別有用，因?yàn)樵谠撃Ｐ椭杏脩裟軌蛴萌魏沃噶顟?yīng)用輸入。“腳本”元素可使JavaScript程序碎段在對話過程中的任何一點(diǎn)運(yùn)行。（下轉(zhuǎn)E11版）

　　預(yù)先記錄的音頻提示的回放是通過“音頻”元素完成的。用戶信息的記錄是通過“記錄”元素完成的；而后，記錄的音頻可以通過“音頻”元素回放，或者上裝到服務(wù)器，供存儲、處理或以后回放使用。

　　同時，上下文特有的修剪幫助由內(nèi)部事件系統(tǒng)和事件處理程序提供。例如，VoiceXML定義一系列相對于用戶請求幫助的事件。這種應(yīng)用還可以在任何給定的上下文中(包括表格或字段)，提供相對于特定上下文的特定的事件。

　　最后，VoiceXML對附屬對話(所執(zhí)行的完整的表格)提供支持，對話的結(jié)果是對另一個表格提供輸入字段。這一功能特性有兩個用途，一是對輸入消除多義性或確認(rèn)對話，二是支持可重用的附屬對話。


　　青出于藍(lán)而勝于藍(lán)


　　盡管VoiceXML重用許多HTML的概念和設(shè)計(jì)，但由于可視和語音交互之間的區(qū)別，它在幾個方面具有不同的特點(diǎn)。例如，HTML文件是從統(tǒng)一資源識別符確定的網(wǎng)絡(luò)資源中讀出的單個元素，并同時將所有的元素提供給用戶。VoiceXML則不同，它包含若干對話元素(選單、表格)，依次順序地將這些元素提供給用戶。這種區(qū)別歸因于可視媒介能夠同時顯示若干選項(xiàng)，而話音媒介本來就具有連續(xù)性特點(diǎn)。

　　因此，盡管特定的VoiceXML文件可以包含與相對應(yīng)的HTML文件的相同的信息，但VoiceXML文件不同的結(jié)構(gòu)反映了話音媒介的連續(xù)性，而HTML只相當(dāng)于前面所述的VoiceXML文件中的選單。

　　就HTML而言，沒有必要把這種選單視為一個元素，或者使用標(biāo)記結(jié)構(gòu)把它與同一頁面上的其他元素分隔開來。但是，VoiceXML要求把對話元素(選單和表格)看作是不同的元素，以便一次對用戶提供一個元素。因此，HTML文件實(shí)際上起單一對話元素的作用，而 VoiceXML文件是對話元素(如選單和表格)的一個容器，每個容器包含對文本元素排列解釋程序的邏輯。

　　話音媒介連續(xù)性的再一個不同特點(diǎn)是要求標(biāo)記包含應(yīng)用邏輯，以用于在對話元素之間排列程序。這一要求反映在順序邏輯元素的集成方面，VoiceXML比HTML更緊湊。例如，VoiceXML包含順序控制元素，而在HTML中，這種控制只能通過更麻煩的編寫腳本的方法才能實(shí)現(xiàn)。

　　W3C語音瀏覽器工作組已將VoiceXML 1.0版確定為對話標(biāo)記語言的基礎(chǔ)。VoiceXML客戶程序和VoiceXML應(yīng)用業(yè)務(wù)，目前已在許多公司中開始實(shí)用。

《賽迪市場專家》2000/12/11