DIY: 实现自己的中文语音应用

VXML 是 w3 组织提出的用以搭建语音应用的描述性语音。使用 VXML 可以很方便得搭建集成语音识别和语音合成技术的语音应用。本文给出了一个简单的例子介绍 VXML 的两个基本的使用方法——语音识别和语音合成，并且简单介绍了 VXML 与 JAVA 层信息交互的方法。相信通过本文的介绍，大家就可以搭建出很酷的语音控制系统。
　　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

双击代码全选