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。
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。
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:
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。
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 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:
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。
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。
<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 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 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。
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。
<?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 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。
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。