DIV CSS 佈局教程網

您现在的位置: DIV+CSS佈局教程網 >> 網頁腳本 >  >> XML學習教程 >> XML詳解
XML 在語音領域的應用:VoiceXML 與語音瀏覽器入門
編輯:XML詳解     

XML 被廣泛採用之後,各個垂直領域陸續衍生出專用的子集。VoiceXML 就是其中一個代表,它的地位與無線領域的 WML 相當:WML 服務於無線上網,VoiceXML 服務於語音瀏覽。而無線上網與語音瀏覽,恰好是當時網路發展的兩大熱點。

為什麼語音瀏覽值得期待

電話的普及率遠高於電腦。走在街上很容易找到公用電話,卻很難想像街角出現「公用電腦亭」。這道普及度差距,加上行動電話的爆發性成長,讓「用電話上網」成為一個有現實基礎的方向。

親和力也是關鍵。電腦操作對許多人仍帶有某種恐懼——怕改錯設定無法還原、怕找不到該修改的地方,這在圖形介面已相當友善的情況下都還是如此。電話則只有幾個鍵,出問題掛掉重打就好,而且聽筒裡傳出的是人話。

更進一步看,語音、影像、觸覺等多種介面整合到同一個裝置上,正是 PDA 概念的核心。人們得以在任何時間地點,用最容易上手的操作連上網路。

什麼是語音瀏覽器

依 W3C 的定義:語音瀏覽器以語音輸入為主要管道、其他形式為輔助,能解譯並執行語音標記語言,並產生語音輸出。

說白一點,它想用最自然的對話方式,把網路上最豐富的資源用聲音送到使用者耳邊。

要真正做到,背後有三道技術門檻:

  • 語音辨識:系統得知道使用者說了什麼。最簡單的是命令式辨識,只允許說「蚊子」或「蒼蠅」,其餘視為無效輸入;進一階則要理解一段話,例如「今天星期幾?」和「今天是一個星期中的第幾天?」該被視為同一個問題。
  • 語音理解:自然語言處理的部分,處理上述語意等價問題。
  • 語音合成:把結果唸出來。可以是預錄的自然人語音,也可以用 TTS(Text To Speech)即時合成。

這些技術都需要長期積累,因此絕大多數語音瀏覽器的開發者會直接採用語音專業廠商的元件,把精力放在整合上。

與網頁瀏覽器的類比

網頁瀏覽器能在不同頁面間跳轉,語音瀏覽器能在不同對話段間跳轉;網頁瀏覽器能填寫與送出表單,語音瀏覽器能把一段語音視為一次有目的的輸入。用類比式表示就是:語音瀏覽器之於 VoiceXML,如同 HTML 瀏覽器之於 HTML。

它的優勢場景也很明確:開車、做家事、視線被佔用時,使用者只能以非視覺方式取得資訊,而語音正是最直接的通道。

W3C 的標準化工作

W3C 於 1998 年 10 月成立「語音瀏覽器」工作小組,目標是制定語音瀏覽相關標準。其需求說明涵蓋幾個方向:

  • 對話標記語言的需求:HTML 的二維性質無法表達互動式對話,結構也過於龐雜,因此必須另訂語言。
  • 可重複使用單元:如同程式設計中的函數,確認語句、電話號碼、日期、金額、信用卡與地址資訊蒐集等常用片段,需要能被反覆呼叫。
  • 語音辨識語法層:非獨立人、含語法結構的辨識需要平台能描述輸入的語法約束,W3C 為此定義了一套標記表示。
  • 自然語言處理需求:對應語音理解在標記層面的表達方式。
  • 語音合成需求:需要能標示重讀、性別、語速等語音特徵。

語音合成的標記語言

把文字變成語音時,必須先把語音特徵標示出來交給合成器,這一步在語音瀏覽器中以 XML 完成。流程是:前端取得文字資料後,經轉換機制(也就是程式碼)套用標記,送入合成器,使用者便聽到自然語音。

另一種做法是預錄語音拼接:把文字拆成常用短語,比對後播放預錄片段。缺點很明顯——適用範圍窄、錄製成本高且隨範圍擴大而倍增、合成結果不夠自然。

JSML(Java Speech Markup Language)

用於把文字送入 Java 語音 API 合成器,採用 Unicode 字符集,因此幾乎適用所有語言。

<?xml version="1.0" encoding="gb2312"?>
<JSML>
  <PARA> 你一共欠了我
    <EMP><SAYAS CLASS="number">10000元</SAYAS></EMP>
  </PARA>
  <PARA>
    <EMP><SAYAS CLASS="literal">太誇張了</SAYAS></EMP>
  </PARA>
</JSML>

PARA 標示一段話,EMP 表示重讀(其 LEVEL 屬性可設定重讀強度),SAYAS 標記朗讀方式——CLASS="number" 按數字唸法,CLASS="literal" 逐字唸出。

SABLE

<DIV TYPE="paragraph">這就是去年
  <EMPH>你</EMPH> 為我
  <PITCH BASE="high" RANGE="large">
    <RATE SPEED="-20%">點的歌</RATE>
  </PITCH>
</DIV>
<AUDIO SRC="easycome_easygo.wav"/>

整體結構與 JSML 相似,但多了幾個有特色的標記:PITCH 控制音調、RATE 控制語速、AUDIO 插入預錄片段。英國 Edinburgh 大學 CSTR 開發的 Festival 是支援 SABLE 的典型系統,該中心同時也提供開放原始碼的語音辨識平台。

W3C 的語音合成標記

W3C 把標記分成三類:文件結構、文本處理、發音音素,另留擴充餘地。

分類標記用途
文件結構speak根節點
文本處理paragraph / sentence段落與句子結構
發音音素sayas / phoneme預處理格式(type)與發音方法(ph)
發音韻律voice / emphasis / break / prosody發聲者、重音、停頓、語調控制
其他audio / mark插入預錄語音、非同步合成標記

其中 sayas 的 type 屬性選項最豐富,涵蓋 acronym(首字母縮寫)、number(含 ordinal、digits)、date、time、duration、currency、measure、name、net、address 等;voice 可指定 gender、age、variant、name;break 用 size 與 time 控制停頓;prosody 則提供 pitch、contour、range、rate、duration、volume 六個參數。

W3C 也公布了完整的 DTD 定義,以 speak 為根元素,透過 allowed-within-sentence 與 structure 兩個參數實體來約束內容模型,讓文件結構與發音標記能自由組合而不失嚴謹。

VoiceXML:對話控制語言

VoiceXML 是典型的語音瀏覽對話控制語言。撰寫它比較像寫程式,而不是像 HTML 那樣堆疊資訊——因為要處理狀態轉移與流程控制。

它支援的能力包括:辨識語音輸入、辨識電話按鍵輸入、輸出音訊、語音合成、基本的電話接線功能。但 VoiceXML 本身不做這些事,它提供的是「呼叫其他元件」的機制,實際運作由語音瀏覽器完成。

與 HTML 的對照很清楚:HTML 由標籤組成、以「頁」區分單位、用連結跳轉;VoiceXML 同樣由標籤組成、以「文檔」區分單位,也能跳轉到其他文檔。每份 VoiceXML 檔都是完整的 XML 文件,開頭必須有 XML 宣告與 vxml 根元素。

一個應用由一系列 VoiceXML 文檔組成,其中包含一個「根文檔」,性質類似動態網站的 default.asp 或 index.asp,每次應用啟動都會被載入。

對話與狀態機

每份文檔由多個「對話」(dialog)構成,任一時刻人機互動都處於某個特定對話狀態。每個對話可明確指定下一個目標對話,整份文檔因此形成一部有限狀態機。跳轉以 URI 指定;未指明文檔時以前前文檔為預設,未指明對話時以目標文檔的第一個對話為預設。

對話分兩類:Form 用於收集資訊並賦值給變數,內部含多個 field(等同變數);Menu 提供多個選項,依選擇跳往不同對話。

Form 實例

<?xml version="1.0" encoding="gb2312"?>
<vxml version="1.0">
  <form id="選片">
    <field name="movie">
      <prompt>你想欣賞哪一部電影?</prompt>
      <grammar>大話西游 國產零零七 鹿鼎記</grammar>
      <filled>
        <if cond="movie == '國產零零七'">
          <prompt>國產零零七今天只有晚上十點一場放映。</prompt>
        </if>
      </filled>
    </field>
  </form>
</vxml>

系統先唸出 prompt,使用者只能在 grammar 限定的三個選項中回答,辨識結果賦給名為 movie 的 field;接著 filled 區塊在欄位填好後執行,這裡的動作是條件判斷後唸出對應的說明。

Prompt 與 Grammar

prompt 指示系統唸出標籤內的文字,通常由通用語音合成引擎發音。grammar 則界定使用者輸入的範圍,超出範圍時瀏覽器產生錯誤事件,可在文檔中定義錯誤處理常式。

grammar 分三類:inline 直接寫在 field 內(如上面的例子);external 以 <grammar src="URI" type="mime-type"/> 指向外部檔案,mime-type 可從協定、副檔名或平台推得,撰寫格式常見的是 JSGF(Java Speech API Grammar Format);built-in 由瀏覽器平台自行提供,各家實作不同,目的是方便應用開發。

結語

語音瀏覽的價值不在取代網頁,而在覆蓋那些眼睛無法使用的時刻。而 VoiceXML 的意義,則是把語音辨識、語音合成、電話網路這些原本各自獨立的技術,用一套統一的標記語言串成可開發的應用——這正是 XML 作為「整合介面」的典型示範。

XML學習教程| jQuery入門知識| AJAX入門| Dreamweaver教程| Fireworks入門知識| SEO技巧| SEO優化集錦|
Copyright © DIV+CSS佈局教程網 All Rights Reserved