VXML: 实现自己的中文语音应用

语音技术

微软公司董事长比尔盖茨曾不止一次的提出，语音技术将越来越多得改变我们的生活。新一代的搜索引擎也将使用语音最为最终的输入手段；电脑键盘的作用将逐步减少，今后人们使用电脑时将不再是通过键盘输入文字，而是用语音来输入文字。

不可否认的是，如今的语音技术还未达到如他所述的成熟程度。但是一些简单的应用，例如语音拨号的功能已经被大家所接受。基于语音技术的自动应答系统在欧美已然流行开来，帮助像银行，移动运营商这样的大型服务性机构搭建无人电话语音服务，以此减少接线员的工作量，给大家的生活带来便利。

VXML 简介

Voice eXtensible Markup Language（简称 VXML）是被用来创建语音对话系统，可以调用语音合成以及语音识别服务，可以用来记录语音录入和连接电话系统。创建 VXML 语音的主要目的就是用 Web 开发的理念来开发交互式的语音应用。VXML 提供了基于 Menu 和基于 Form 的两套框架，整合了语音识别和语音合成两个关键服务，使得语音应用的开发变得更为方便和快捷。

VXML 的运行环境

VXML 和普通的标记语言一样，需要有浏览器进行解析；还需要提供语音识别和语音合成服务的应用服务器；有时也需要有 http 服务器提供文档服务；当然，如果需要与电话系统相连，就必须加上 VOIP （网络电话）的支持。如下图所示的就是 VXML 的运行环境：

图 1. VXML 运行环境

一个企业级应用的系统框架

IVR (interactive voice-response services) 也就是自动应答服务，是使用 VXML 的典型企业级应用。IVR 和使用者通过电话，按键 (DTMF) 互动，如语音订票，语音查询，语音投票等。普通的 IVR 都是支持 VXML 的解析和提供了 sip 协议的支持，通过和 ASR ( 语音识别 ) 应用服务器以及 TTS( 语音合成 ) 应用服务器的集成，可以实现几乎所有的 VXML 封装的操作。

企业级的 VXML 应用需要如下的体系结构，以使用 IBM Voice Server (WVS) 为例：

图 2. 一个 VXML 具体应用的例子

上图中的 IVR 事实上就是 VXML 解析器，通过解析 VXML，分发相应的工作给 WVS ，实现 VXML 封装的语音识别和语音合成的功能。

两个开源的实验环境

尝试 VXML，可以使用开源的项目 OpenVXI (见参考资源) 。OpenVXI 提供的是完整的 VXML 解析服务，同时也提供了有限语言的 TTS 支持。虽然暂时来看， OpenVXI 没有提供 ASR 的实现，但是 OpenVXI 提供了方便的回调函数的接口，因此可以很方便的嵌入外部 ASR 和 TTS 的服务。

尝试 VXML ，另一个选择是使用一个名为 Tadpole (见参考资源) 的 Firefox 浏览器上的开源插件。通过 Tadpole 的帮助， Firefox 平台因此具有 VXML 解析浏览器的功能。此架构的缺点是只支持 XHTML-Voice 标记语言，这个语言只能说是 VXML 语言的一个子集。

搭建自己的 VXML 中文应用 

从一个简单的例子开始

清单 1. 一个典型的 VXML 的例子

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43

<?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>                请问您需要何种服务？                <audio src="BEEP.WAV"/>                <goto next="#main"/>        </block> </form>     <menu id="main">   <choice next="menu_1.jsp">   开空调   </choice> <choice dtmf="1" next="menu_1.vxml"/>     <choice next="menu_2.jsp ">   开洗澡水                   </choice>   <choice dtmf="2" next="menu_2.vxml"/>       <choice next="menu_3.jsp">   打开音响   </choice>   <choice dtmf="3" next="menu_3.vxml"/>     <catch event="noinput" count="1">   <prompt> 请问您需要何种服务？ <audio src="BEEP.WAV"/> </prompt>   </catch>       <catch event="noinput" count="2">   <submit next="menu_whole.vxml"/>   </catch>       <catch event="nomatch">        <prompt> 对不起，我没有听清，请再重复一遍。 <audio src="BEEP.WAV"/> </prompt>   </catch>     </menu> </vxml>

上述 VXML 是一个很简单的例子。我们可以看到，事实上 VXML 文件和普通的 html 文件并没有实质的不同，我们可以完全使用相同的思维方式去理解，唯一不同的是针对特殊的语音 VXML 应用了相应特别的标签，具体可以参考 w3 上有关 VXML 的规范(详见参考资源)。

上面的例子，<block/> 标签是用来描述语音播放的属性，也就是需要使用语音合成的语句（直接输入词句可以得到语音输出），该标签也可包含需要播放的录音，可以使用 <audio/> 标签。<menu/> 标签就像 html 中的 <select/> 标签，只是将输入变成了语音，也就是，<choice/> 标签中指定的语句是可以被识别的，根据识别的结果，可以跳转到 <goto/> 标签中指定的 VXML 并继续执行。 <catch/> 标签也是很好理解的，它能接受并处理无输入超时和无法识别语音这两个事件。

综合起来看上面的例子，我们可以看出这是一个 VXML 最典型的应用，即根据语音输入，确定使用者需要的服务。把该 VXML 应用到电话系统中，就是现今应用最多的用语音技术替代接线员工作的模式。我们也可以理解为，用说话命令的方式，代替了普通电话服务热线那种按键的方式。

一个更深入的例子，与 java 层的交互

清单 2. 传递参数到 jsp 的例子（menu_3.vxml+playAudio.jsp）

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47

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>   请问你要播放那首歌曲？   <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"> 后退 </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 是一个简化的略去错误处理的例子，我们也使用另一种常用的框架 <form/> 。该框架需要给定语音识别的期望结果，也就是 grammar 文件，然后进行语音匹配，得到识别结果。而 grammar 文件如 songs.gram ，可以简单得这样实现：

清单 3. 一个 grammar 的例子（songs.gram）

1 2 3 4 5 6 7

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

grammar 可以有 abnf 和 xml 两种格式，具体可以参考 w3 上关于 grammar 的规范(见参考资源)。事实上，menu_whole.vxml 中 <choice/> 标签就可以看成是一个可以自动生成的 grammar。使用 VXML 外部的 grammar 可以很方便加入新的可以被识别的结果。并且由于 grammar 支持类似正则表达式的构造方式，所以 grammar 可以很方便得构造一些规则驱动的识别结果集合，这个很大程度上减轻了应用开发人员在枚举识别结果时的工作量。

在 menu_3.vxml 和 playAudio.jsp 中，我们可以看到，通过 submit 的 namelist 属性，系统可以很方便的把识别结果传输给 java 层，利用 java 层强大的功能，可以实现很多操作。上面的例子只是一个很简单的播放歌曲的例子，假设如果在 java 层实现了所有的电器控制接口，那完全用语音控制电器这只在科幻电影中出现的应用，将成为现实。

搭建中文 VXML 系统的注意点

对于中文系统而言，首先，必须要保证语音识别引擎是完全支持中文的。其次，对于所有的 VXML，jsp 以及 grammar 文件，必须要按照统一的 UTF-8 的编码方式，并且在 jsp 层，需要对 request 对象设置编码方式。在这点上，中文的语音应用和普通的 web 应用是一致的。

结束语

使用 VXML 可以很方便得搭建中文的语音应用。虽然说现如今，语音识别技术还存在识别率的问题，并且也没有很完善的开源的语音识别引擎。但是，一些部分支持 VXML 的开源的解决方案已经出现，相信在不久的将来，技术将更加成熟，也将越来越普遍化。我相信，在科幻电影中才能看到的语音控制家电将会因此成为趋势。

参考资源

• 访问OpenVXI 来查看 OpenVXI 的项目介绍。OpenVXI 提供的是完整的 VXML 解析服务，同时也提供了有限语言的 TTS 支持。（OpenVXI德语项目link：www.openvxi.de）
• 这是一个介绍使用Tadpole 的实例文章。过 Tadpole 的帮助， Firefox 平台因此具有 VXML 解析浏览器的功能。
• 参考w3 上有关 VXML 的规范，学习写作 VXML。
• 参考w3 上关于 grammar 的规范，学习学做 grammar 文件。