VXML 是 W3C 組織提出、用來搭建語音應用的描述性語言。透過 VXML,可以很輕鬆地打造整合語音辨識與語音合成技術的語音應用。本文以一個簡單的範例介紹 VXML 的兩項基本用法——語音辨識與語音合成,並簡要說明 VXML 如何與 Java 層做資訊互動。相信讀完本文,你就能搭出一套很酷的語音控制系統。
微軟董事長比爾蓋茲曾不止一次表示,語音技術將越來越多地改變我們的生活。新一代的搜尋引擎也將把語音視為最終的輸入方式;電腦鍵盤的角色會逐步減少,未來人們使用電腦時不再靠鍵盤打字,而是用語音輸入文字。
不可否認,如今的語音技術還沒達到他所描述的成熟程度。但一些簡單的應用,例如語音撥號,已經被大家廣泛接受。以語音技術為基礎的自動應答系統在歐美已然流行,幫助銀行、電信營運商這類大型服務機構搭建無人電話語音服務,藉此減少接線員的工作量,也為生活帶來便利。
Voice eXtensible Markup Language(簡稱 VXML)被用來建立語音對話系統,可以呼叫語音合成與語音辨識服務,也能記錄語音輸入、連接電話系統。建立 VXML 語音的主要目的,就是用 Web 開發的理念來開發互動式語音應用。VXML 提供了以 Menu 為基礎和以 Form 為基礎的兩套框架,整合了語音辨識與語音合成這兩個關鍵服務,讓語音應用的開發變得更方便、更快速。
VXML 和普通標記語言一樣,需要有瀏覽器來解析;還需要提供語音辨識與語音合成服務的應用伺服器;有時也需要 HTTP 伺服器提供文件服務;當然,若需要連接電話系統,就必須加上 VoIP(網路電話)的支援。下圖就是 VXML 的執行環境:
圖 1. VXML 執行環境

IVR(interactive voice-response services,即自動應答服務)是使用 VXML 的典型企業級應用。IVR 讓使用者透過電話、按鍵(DTMF)互動,例如語音訂票、語音查詢、語音投票等。普通的 IVR 都支援 VXML 解析,並提供 SIP 協定支援,透過與 ASR(語音辨識)應用伺服器以及 TTS(語音合成)應用伺服器的整合,幾乎能實現所有 VXML 封裝的操作。
企業級的 VXML 應用需要如下的體系架構,以下以 IBM Voice Server(WVS)為例:
圖 2. 一個 VXML 具體應用的例子

上圖中的 IVR 其實就是 VXML 解析器,透過解析 VXML,把相應工作分發給 WVS,從而實現 VXML 封裝的語音辨識與語音合成功能。
想嘗試 VXML,可以採用開源專案 OpenVXI。OpenVXI 提供完整的 VXML 解析服務,同時也提供有限語言的 TTS 支援。雖然目前 OpenVXI 尚未提供 ASR 實作,但它提供了便利的回呼函數介面,因此能很方便地嵌入外部的 ASR 與 TTS 服務。
另一個選擇,是使用一個名為 Tadpole 的 Firefox 瀏覽器開源外掛。有了 Tadpole 的幫助,Firefox 平台就具備了 VXML 解析瀏覽器的能力。這個架構的缺點是只支援 XHtml-Voice 標記語言,而該語言只能算是 VXML 的一個子集。
清單 1. 一個典型的 VXML 範例
<?XML version="1.0" encoding="UTF-8" ?>
<vxml version="2.0" xml:lang="zh-CN" xmlns="https://www.w3.org/2001/vXML">
<meta name="GENERATOR" content="Voice demo"/>
<form id="head">
<block>
請問您需要何種服務?
<audio src="BEEP.WAV"/>
<goto next="#main"/>
</block>
</form>
<menu id="main">
<choice next="menu_1.JSP">
開空調
</choice>
<choice dtmf="1" next="menu_1.vXML"/>
<choice next="menu_2.JSP ">
開洗澡水
</choice>
<choice dtmf="2" next="menu_2.vXML"/>
<choice next="menu_3.JSP">
打開音響
</choice>
<choice dtmf="3" next="menu_3.vXML"/>
<catch event="noinput" count="1">
<prompt> 請問您需要何種服務? <audio src="BEEP.WAV"/> </prompt>
</catch>
<catch event="noinput" count="2">
<submit next="menu_whole.vXML"/>
</catch>
<catch event="nomatch">
<prompt> 對不起,我沒有聽清,請再重複一遍。 <audio src="BEEP.WAV"/> </prompt>
</catch>
</menu>
</vXML>
上述 VXML 是個很簡單的例子。可以看到,VXML 文件其實和普通 HTML 文件並沒有本質差異,我們完全能用同樣的思路去理解,唯一不同的是:針對語音,VXML 應用了幾個特別的標籤,具體可參考 W3C 上有關 VXML 的規範。
在上面的範例中,<block/> 標籤用來描述語音播放的屬性,也就是需要語音合成的語句(直接輸入詞句即可得到語音輸出),該標籤也能包含要播放的錄音,可用 <audio/> 標籤。<menu/> 標籤就像 HTML 中的 <select/> 標籤,只是把輸入變成了語音——也就是說,<choice/> 標籤裡指定的語句是可以被辨識的,根據辨識結果,可以跳轉到 <goto/> 標籤指定的 VXML 並繼續執行。<catch/> 標籤也很好理解,它能接收並處理「無輸入超時」和「無法辨識語音」這兩個事件。
綜合來看,這是 VXML 最典型的應用:根據語音輸入,判斷使用者需要的服務。把它套用到電話系統,就是今日應用最廣、以語音技術取代接線員工作的模式。也可以理解成:用「說話下指令」的方式,取代了傳統電話客服那種「按鍵」的方式。
清單 2. 傳遞參數到 JSP 的例子(menu_3.vXML + playAudio.JSP)
menu_3.vXML:
<?XML version="1.0" encoding="UTF-8" ?>
<vxml version="2.0" xml:lang="zh-CN" xmlns="https://www.w3.org/2001/vXML">
<form id="head">
<block>
請問你要播放哪首歌曲?
<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"> 後退 </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="https://www.w3.org/2001/vXML">
<%@page contentType="application/voicexml+XML; charset=UTF-8" %>
<%@page import="com.ibm.com.AudioPlayer"%>
<vxml version="2.0" xmlns="https://www.w3.org/2001/vXML"
xmlns:xsi="https://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="https://www.w3.org/2001/vxml https://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 是一個簡化、略去錯誤處理的例子,我們也用了另一種常見框架 <form/>。這個框架需要給定語音辨識的期望結果,也就是 grammar 文件,然後進行語音比對,得到辨識結果。而 grammar 文件(如 songs.gram)可以很簡單地這樣實作:
清單 3. 一個 grammar 的例子(songs.gram)
#ABNF 1.0 UTF-8;
language zh-CN;
mode voice;
root $songs;
public $songs= 北京歡迎你 | 我和你 | 為生命喝彩 ;
grammar 有 ABNF 和 XML 兩種格式,具體可參考 W3C 上關於 grammar 的規範。其實,menu_whole.vxml 中的 <choice/> 標籤就可以看成是一個能自動生成的 grammar。使用 VXML 外部的 grammar,能很方便地加入新的可辨識結果;而且由於 grammar 支援類似正規表示式的構造方式,可以很方便地組出規則驅動的辨識結果集合,這大幅減輕了開發人員逐一列舉辨識結果的負擔。
在 menu_3.vXML 和 playAudio.JSP 中可以看到,透過 submit 的 namelist 屬性,系統能很方便地把辨識結果傳給 Java 層;借助 Java 層強大的功能,就能實現各種操作。上面的例子只是簡單的播放歌曲,但假如在 Java 層實作了所有電器控制介面,那麼「用語音控制電器」這個只在科幻電影裡出現的應用,就會成為現實。
對中文系統而言,首先必須確保語音辨識引擎完全支援中文。其次,所有 VXML、JSP 以及 grammar 文件都必須採用統一的 UTF-8 編碼,並在 JSP 層對 request 物件設定編碼方式。這一點上,中文語音應用和普通 Web 應用是一致的。
使用 VXML 能很方便地搭建中文語音應用。雖然現階段語音辨識技術仍有辨識率問題,也還沒有很完善地開源語音辨識引擎,但一些部分支援 VXML 的開源解決方案已經出現。相信在不久的將來,技術會更成熟、也更普及。我相信,那些只有在科幻電影裡才看得到的語音控制家電,終將成為趨勢。
作者簡介
強晟是 IBM 中國軟體開發中心工程師,在 WVS and EVV 組工作,從事 Websphere VoiceServer 的技術支援工作。
劉盈是 IBM 中國軟體開發中心工程師,在 WVS and EVV 組工作,從事 Websphere VoiceServer 的技術支援工作。