什么是voiceXml
计算机世界网消息 上周，言丰科技宣布广泛应用言丰－语音浏览器。言丰－语音浏览器是全面支持oiceXML 1.0标准（Voice eXtensible Markup Language，语音可扩展性标识语言）的VoiceXML编译器，产品技术亦正扩展以支持VoiceXML 2.0标准。
亚太地区人民语言习惯较为独特，有多种语言在亚太区内被普遍使用。言丰—语音浏览器基于言丰科技屡获殊荣的交谈式语音理解技术，是首个专门为亚太区语言习惯度身开发的VoiceXML编译器。该产品主要面向亚太区市场，能处理英语及亚太区常用语言，专门针对亚洲语言的特性而设计，具备编译以亚洲语言编写的VocieXML文本内容的强大能力，如中文VocieXML。
言丰－语音浏览器让言丰科技的合作伙伴及客户能迅速提供以VoiceXML为基础的解决方案。应用方案开发商在安装言丰－语音浏览器后，将可以利用由VoiceXML 论坛（VoiceXML Forum）制定的非专利开放标准VoiceXML程序语言，便利地开发丰富多样的语音新应用。采用VoiceXML标准后，语音应用解决方案的开发时间将大幅缩短，有利开发商成功攫取迅速增长的语音应用市场商机。
VoiceXML是建立于XML 语言规范基础之上，是一种应用于语音浏览的标记语言。利用VoiceXML可以建立基于WEB的语音应用和服务。本文简要描述了VoiceXML规范及相关术语，并给出了一种基于VoiceXML的语音与数据集成模型，它主要由语音浏览器、语音识别、语音合成和VoiceXML网关等部分组成。应用该模型，可以方便地建立各种基于WEB的语音应用系统。
关键词 VoiceXML 集成 模型 语音浏览器
1 引言
随着电子商务、客户服务等信息服务的普遍化，交互式语音应答系统（IVR ，Interactive Voice Response）在各种商业系统中的应用越来越广泛。然而这种语音交互方式存在以下缺点[1]：（1）移植性、灵活性差；（2）在实际系统上做应用开发的难度很大，特别是涉及到话音流程的编写及调试问题；（3）无法综合利用现在的WEB资源。而将IVR系统Internet化，可以增加系统可重用的机会，降低成本，这必将成为今后语音应用的一种主要趋势。另一方面，到目前为止，人们从Internet获取各种资源时，还只能是借助计算机来实现。而实际上，电话具有比计算机更高的普及率，如果允许人们通过电话来访问Internet的资源，那么这对于Internet的应用发展必将是一次质的飞跃。
在这类应用前景的驱动下，VoiceXML [2] 标准被提出来了，它是由World Wide Web Consortium (W3C)制定的。利用这种技术，用户可以通过电话按键或语音来访问Internet上的各种资源，它是语音浏览技术以及语音互联网的核心。与XML标准类似，VoiceXML是一种基于文本的语言，它只定义了数据的存取方式，用户必须编写程序，以便能解释、生成、传送VoiceXML文档。
VoiceXML为语音应用领域展现了一个广阔的未来，在语音门户、语音呼叫中心(Call Center) 、语音信息服务、语音电子商务等领域有着广泛的应用。而这些应用或服务可以很容易地和原有的数据系统结合起来，甚至可以轻易地从原有的各类应用中延展出来。使用VoiceXML的应用系统中，不要求用户学习复杂的高级语言，就可灵活扩充新业务。而无需再与开发商联系，重新定制开发，只需要编写几个VoiceXML页面就可以实现新的业务流程。而且编制好的VoiceXML脚本可以随时随地加入到系统中，而不会影响系统的正常运行。
本文简要描述了VoiceXML规范及主要术语，给出了一个基于VoiceXML的语音与数据集成模型。该模型通过VoiceXML解释器和浏览器访问Internet上的VoiceXML文档及数据库，从而实现语音和数据的集成，达到了语音浏览的目标。
2 VoiceXML规范
2.1 结构模型
VoiceXML的结构模型[2] 如图1所示。主要包括文档服务器、VoiceXML解释器程序、VoiceXML解释程序环境和执行平台组成。
图1 VoiceXML 的结构模型
文档服务器，可以是一台WEB服务器，它处理VoiceXML解释程序的请求数据包，文档服务器产生VoiceXML文档并送给VoiceXML解释程序。解释程序对文档中的标识进行分离，产生相应的数据或动作命令，引导和控制用户与执行平台之间的交互作用。同时，VoiceXML解释程序环境和解释程序一起监控用户的输入。比如，一个解释程序环境可能监听用户的操作帮助请求；另一个环境可能监听用户请求更改音量或文本语音输出的某些特性。
执行平台是由解释程序环境和解释程序控制的，例如，在一个交互式的语音应答应用中， VoiceXML解释程序环境能可靠地监测到呼叫，获得初始的VoiceXML文档，并且回答这一呼叫，在回答之后VoiceXML解释程序引导这一对话。执行平台产生事件响应用户的动作（说话或者字符输入）和系统事件（例如计时器溢出）。这些事件中的一部分依照相应的VoiceXML文档按照VoiceXML解释程序的解释加以执行，其他的被VoiceXML解释程序环境控制。执行平台提供字符和语音的输入和音频输出，包括合成语音的输出（TTS，text to speech）、音频文件的播放、话音输入的识别（ASR ，automated speech recognition）、DTMF按键的识别、语音输入的录音等。
2.2 术语
VoiceXML中的基本术语[2]主要有：
会话和子会话（Dialogs and Subdialogs）：
会话用于描述应用程序对用户所说的各种提示，定义和收集用户做出的响应，并描述应用程序控制的流程。用户和应用系统用会话轮流进行交互。有两种类型的会话：表格和菜单。表格负责执行会话定义中描述的所有操作，用于封装用户的输入和输出相关的命令。在表格中，可以包含一些域，可以从表格中得到这些域的值。而每个域可以规定允许用户输入的语法定义。菜单允许用户进行选择，而进入到所选的对话中。一个子会话类似一个函数调用，它引起一个新的交互作用并且返回给上一层的表单。
例如，子会话可以用于创建一个在数据库查询时需要的确认序列；创建在单一请求中的多个文档共享的一批组件；或创建一个在多个请求中共享的可重用的会话库。
会话（session）：
会话期从用户与VoiceXML解释程序语境交互开始，持续进行文档的装载和处理，直到由用户、文档或解释程序环境发出终止请求才结束。
请求：
一个请求就是一组共享同一个请求根文档的文档。在一个请求中，无论何时用户与文档交互，请求根文档总是被加载。请求根文档被加载后，它的变量作为请求变量被其它文档使用，而且它的文法在请求的持续时间一直起作用。当用户在同一个请求中的不同文档间转换时，请求根文档总是被加载，只有用户转换到别的请求中的文档时，请求根文档才被卸载。
文法（grammar）：
每一个会话有一个或多个语音和（或）DTMF文法。在定向对话应用中，一个会话的文法只有在使用者与此会话交互时才起作用。在混合主动式对话中，计算机和用户交替控制下一步的操作，一些会话被标记以使它们的文法（如侦听呼叫）即使当用户在同一文档的其它会话时也起作用。在这种情况下，如果用户进行的操作与另一个会话的有效文法匹配，执行就会转移到另一个会话。
事件（Event）：
VoiceXML提供一种表单填充机制以处理"正常"的用户输入。另外，VoiceXML也定义了处理异常事件的机制。如用户在一定时间内没有作出应答，请求系统帮助等情况下平台会产生事件。如果解释程序在VoiceXML文档中发现语义性错误也会产生事件。
链接（Links）：
链接支持混合主动式对话，当用户在链接的作用范围时它指定的文法就起作用。如果用户的输入与链接的文法匹配，控制就转移到链接的目的URI。<link>可以用来产生一个事件跳转到目的URI。
应用（Applications）：
一个应用是由许多有共同应用根的文档组成。应用根在其中一个文档激活时就被装入，同时，在同一个应用的不同文档之间跳转时，根文档仍然驻留在内存，只有当用户在不同的应用之间跳转时，才会被弃。应用根文档的变量和语法定义都可以被其中的文档访问。
3 基于VoiceXML的语音与数据集成
3.1 总体结构模型
一个VoiceXML应用模型，如图2所示。主要由以下几个部分组成：VoiceXML网关，WEB服务器，数据库服务器。各部分的功能介绍如下。
图2 VoiceXML应用模型
3.2 文档结构及其执行过程
VoiceXML以应用、会话期、文档为单位建立应用结构，以会话为交互单位，逐个完成对话确定流程导向。<vxml>可以看作一个包含会话的容器，所有的VoiceXML文档都是由一系列会话构成的。一组VoiceXML文档之间可以互相跳转，并且构成一个会话的有限状态机。用户总是处于某一会话中，每一个会话决定要转移到的下一个会话。转移由URIs指定，URIs定义下一个要使用的文档和会话。
根文档是一个VoiceXML程序的开始，其中可以包括form、script、var、grammars等元素。VoiceXML程序总是从元素form开始执行，当程序需要跳转时，也是从一个form跳转到另一个form。一般采用多文档的应用结构,在一个应用中有一个根文档，其他文档中用<vxml>来引用。
一个应用的例子，如下：
Application root document (app-root.vxml)
<?xml version="1.0"?>
<vxml version="2.0">
<var name="test" expr="'Man'"/>
<link next="operator_xfer.vxml">
<grammar>
<rule id="root" scope="public">operator</rule>
</grammar>
</link>
</vxml>
Leaf document (leaf.vxml)
<?xml version="1.0"?>
<vxml version="2.0" application="app-root.vxml">
<form id="say_hello">
<field name="answer" type="boolean">
<prompt>Shall we say <value expr="application.test"/>?</prompt>
<filled>
<if cond="answer">
<exit/>
</if>
<clear namelist="answer"/>
</filled>
</field>
</form>
</vxml>
一个VoiceXML的应用是一系列VoiceXML文档的集合。而且每一个应用都包含一个“根文档”，这有点像一个动态网站的default.asp或是index.asp。在VoiceXML应用调用的时候,“根文档”始终被调用。
3.3 VoiceXML网关
3.3.1 语音识别
语音识别使计算机能理解用户的语音命令，产生相应的文字结果，送回VoiceXML解析程序做处理。在VoiceXML网关中，语音识别引擎为命令式的识别引擎，其根据有限的文法)来识别用户的语音信号，并产生对应语法定义的识别结果。在VoiceXML语音浏览器中，文法决定了用户能说什么以及如何说。好的语法能带给用户良好的交互感觉，也能从逻辑上提高语音识别引擎的识别率。
VoiceXML网关中，语音识别不仅需要处理对用户语音信号的识别，同时也需要处理对用户按键的识别，按键和语音以同样的机制被处理和传递。
一个典型的语音识别流程[3]如图3所示。
图3 典型的语音识别流程
可以针对软件结构做一些调整[4]，进行数据压缩传输。如图4是一个基于client/server方式的改进方法。
图4 基于client/server方式得语音识别
关键词 VoiceXML 集成 模型 语音浏览器
1 引言
随着电子商务、客户服务等信息服务的普遍化，交互式语音应答系统（IVR ，Interactive Voice Response）在各种商业系统中的应用越来越广泛。然而这种语音交互方式存在以下缺点[1]：（1）移植性、灵活性差；（2）在实际系统上做应用开发的难度很大，特别是涉及到话音流程的编写及调试问题；（3）无法综合利用现在的WEB资源。而将IVR系统Internet化，可以增加系统可重用的机会，降低成本，这必将成为今后语音应用的一种主要趋势。另一方面，到目前为止，人们从Internet获取各种资源时，还只能是借助计算机来实现。而实际上，电话具有比计算机更高的普及率，如果允许人们通过电话来访问Internet的资源，那么这对于Internet的应用发展必将是一次质的飞跃。
在这类应用前景的驱动下，VoiceXML [2] 标准被提出来了，它是由World Wide Web Consortium (W3C)制定的。利用这种技术，用户可以通过电话按键或语音来访问Internet上的各种资源，它是语音浏览技术以及语音互联网的核心。与XML标准类似，VoiceXML是一种基于文本的语言，它只定义了数据的存取方式，用户必须编写程序，以便能解释、生成、传送VoiceXML文档。
VoiceXML为语音应用领域展现了一个广阔的未来，在语音门户、语音呼叫中心(Call Center) 、语音信息服务、语音电子商务等领域有着广泛的应用。而这些应用或服务可以很容易地和原有的数据系统结合起来，甚至可以轻易地从原有的各类应用中延展出来。使用VoiceXML的应用系统中，不要求用户学习复杂的高级语言，就可灵活扩充新业务。而无需再与开发商联系，重新定制开发，只需要编写几个VoiceXML页面就可以实现新的业务流程。而且编制好的VoiceXML脚本可以随时随地加入到系统中，而不会影响系统的正常运行。
本文简要描述了VoiceXML规范及主要术语，给出了一个基于VoiceXML的语音与数据集成模型。该模型通过VoiceXML解释器和浏览器访问Internet上的VoiceXML文档及数据库，从而实现语音和数据的集成，达到了语音浏览的目标。
2 VoiceXML规范
2.1 结构模型
VoiceXML的结构模型[2] 如图1所示。主要包括文档服务器、VoiceXML解释器程序、VoiceXML解释程序环境和执行平台组成。
图1 VoiceXML 的结构模型
文档服务器，可以是一台WEB服务器，它处理VoiceXML解释程序的请求数据包，文档服务器产生VoiceXML文档并送给VoiceXML解释程序。解释程序对文档中的标识进行分离，产生相应的数据或动作命令，引导和控制用户与执行平台之间的交互作用。同时，VoiceXML解释程序环境和解释程序一起监控用户的输入。比如，一个解释程序环境可能监听用户的操作帮助请求；另一个环境可能监听用户请求更改音量或文本语音输出的某些特性。
执行平台是由解释程序环境和解释程序控制的，例如，在一个交互式的语音应答应用中， VoiceXML解释程序环境能可靠地监测到呼叫，获得初始的VoiceXML文档，并且回答这一呼叫，在回答之后VoiceXML解释程序引导这一对话。执行平台产生事件响应用户的动作（说话或者字符输入）和系统事件（例如计时器溢出）。这些事件中的一部分依照相应的VoiceXML文档按照VoiceXML解释程序的解释加以执行，其他的被VoiceXML解释程序环境控制。执行平台提供字符和语音的输入和音频输出，包括合成语音的输出（TTS，text to speech）、音频文件的播放、话音输入的识别（ASR ，automated speech recognition）、DTMF按键的识别、语音输入的录音等。
2.2 术语
VoiceXML中的基本术语[2]主要有：
会话和子会话（Dialogs and Subdialogs）：
会话用于描述应用程序对用户所说的各种提示，定义和收集用户做出的响应，并描述应用程序控制的流程。用户和应用系统用会话轮流进行交互。有两种类型的会话：表格和菜单。表格负责执行会话定义中描述的所有操作，用于封装用户的输入和输出相关的命令。在表格中，可以包含一些域，可以从表格中得到这些域的值。而每个域可以规定允许用户输入的语法定义。菜单允许用户进行选择，而进入到所选的对话中。一个子会话类似一个函数调用，它引起一个新的交互作用并且返回给上一层的表单。
例如，子会话可以用于创建一个在数据库查询时需要的确认序列；创建在单一请求中的多个文档共享的一批组件；或创建一个在多个请求中共享的可重用的会话库。
会话（session）：
会话期从用户与VoiceXML解释程序语境交互开始，持续进行文档的装载和处理，直到由用户、文档或解释程序环境发出终止请求才结束。
请求：
一个请求就是一组共享同一个请求根文档的文档。在一个请求中，无论何时用户与文档交互，请求根文档总是被加载。请求根文档被加载后，它的变量作为请求变量被其它文档使用，而且它的文法在请求的持续时间一直起作用。当用户在同一个请求中的不同文档间转换时，请求根文档总是被加载，只有用户转换到别的请求中的文档时，请求根文档才被卸载。
文法（grammar）：
每一个会话有一个或多个语音和（或）DTMF文法。在定向对话应用中，一个会话的文法只有在使用者与此会话交互时才起作用。在混合主动式对话中，计算机和用户交替控制下一步的操作，一些会话被标记以使它们的文法（如侦听呼叫）即使当用户在同一文档的其它会话时也起作用。在这种情况下，如果用户进行的操作与另一个会话的有效文法匹配，执行就会转移到另一个会话。
事件（Event）：
VoiceXML提供一种表单填充机制以处理"正常"的用户输入。另外，VoiceXML也定义了处理异常事件的机制。如用户在一定时间内没有作出应答，请求系统帮助等情况下平台会产生事件。如果解释程序在VoiceXML文档中发现语义性错误也会产生事件。
链接（Links）：
链接支持混合主动式对话，当用户在链接的作用范围时它指定的文法就起作用。如果用户的输入与链接的文法匹配，控制就转移到链接的目的URI。<link>可以用来产生一个事件跳转到目的URI。
应用（Applications）：
一个应用是由许多有共同应用根的文档组成。应用根在其中一个文档激活时就被装入，同时，在同一个应用的不同文档之间跳转时，根文档仍然驻留在内存，只有当用户在不同的应用之间跳转时，才会被弃。应用根文档的变量和语法定义都可以被其中的文档访问。
3 基于VoiceXML的语音与数据集成
3.1 总体结构模型
一个VoiceXML应用模型，如图2所示。主要由以下几个部分组成：VoiceXML网关，WEB服务器，数据库服务器。各部分的功能介绍如下。
图2 VoiceXML应用模型
3.2 文档结构及其执行过程
VoiceXML以应用、会话期、文档为单位建立应用结构，以会话为交互单位，逐个完成对话确定流程导向。<vxml>可以看作一个包含会话的容器，所有的VoiceXML文档都是由一系列会话构成的。一组VoiceXML文档之间可以互相跳转，并且构成一个会话的有限状态机。用户总是处于某一会话中，每一个会话决定要转移到的下一个会话。转移由URIs指定，URIs定义下一个要使用的文档和会话。
根文档是一个VoiceXML程序的开始，其中可以包括form、script、var、grammars等元素。VoiceXML程序总是从元素form开始执行，当程序需要跳转时，也是从一个form跳转到另一个form。一般采用多文档的应用结构,在一个应用中有一个根文档，其他文档中用<vxml>来引用。
一个应用的例子，如下：
Application root document (app-root.vxml)
<?xml version="1.0"?>
<vxml version="2.0">
<var name="test" expr="'Man'"/>
<link next="operator_xfer.vxml">
<grammar>
<rule id="root" scope="public">operator</rule>
</grammar>
</link>
</vxml>
Leaf document (leaf.vxml)
<?xml version="1.0"?>
<vxml version="2.0" application="app-root.vxml">
<form id="say_hello">
<field name="answer" type="boolean">
<prompt>Shall we say <value expr="application.test"/>?</prompt>
<filled>
<if cond="answer">
<exit/>
</if>
<clear namelist="answer"/>
</filled>
</field>
</form>
</vxml>
一个VoiceXML的应用是一系列VoiceXML文档的集合。而且每一个应用都包含一个“根文档”，这有点像一个动态网站的default.asp或是index.asp。在VoiceXML应用调用的时候,“根文档”始终被调用。
3.3 VoiceXML网关
3.3.1 语音识别
语音识别使计算机能理解用户的语音命令，产生相应的文字结果，送回VoiceXML解析程序做处理。在VoiceXML网关中，语音识别引擎为命令式的识别引擎，其根据有限的文法)来识别用户的语音信号，并产生对应语法定义的识别结果。在VoiceXML语音浏览器中，文法决定了用户能说什么以及如何说。好的语法能带给用户良好的交互感觉，也能从逻辑上提高语音识别引擎的识别率。
VoiceXML网关中，语音识别不仅需要处理对用户语音信号的识别，同时也需要处理对用户按键的识别，按键和语音以同样的机制被处理和传递。
一个典型的语音识别流程[3]如图3所示。
图3 典型的语音识别流程
可以针对软件结构做一些调整[4]，进行数据压缩传输。如图4是一个基于client/server方式的改进方法。
图4 基于client/server方式得语音识别
计算机世界网消息 上周，言丰科技宣布广泛应用言丰－语音浏览器。言丰－语音浏览器是全面支持oiceXML 1.0标准（Voice eXtensible Markup Language，语音可扩展性标识语言）的VoiceXML编译器，产品技术亦正扩展以支持VoiceXML 2.0标准。
亚太地区人民语言习惯较为独特，有多种语言在亚太区内被普遍使用。言丰—语音浏览器基于言丰科技屡获殊荣的交谈式语音理解技术，是首个专门为亚太区语言习惯度身开发的VoiceXML编译器。该产品主要面向亚太区市场，能处理英语及亚太区常用语言，专门针对亚洲语言的特性而设计，具备编译以亚洲语言编写的VocieXML文本内容的强大能力，如中文VocieXML。
言丰－语音浏览器让言丰科技的合作伙伴及客户能迅速提供以VoiceXML为基础的解决方案。应用方案开发商在安装言丰－语音浏览器后，将可以利用由VoiceXML 论坛（VoiceXML Forum）制定的非专利开放标准VoiceXML程序语言，便利地开发丰富多样的语音新应用。采用VoiceXML标准后，语音应用解决方案的开发时间将大幅缩短，有利开发商成功攫取迅速增长的语音应用市场商机。
VoiceXML（语言扩展标记语言）记述对话顺序，同时也是数据描述语言XML的衍生。它特别运用于基于电话的语音应用。从2004年3月起，VoiceXML由万维网协会（W3C）推荐，自此，它的功能等同于HTML Web标准。
您的收益：VoiceXML是独立于基础架构的应用，易于维护，模块化设计，可升级，并象网页一样可以动态生成。所以VoiceXML可以运行例如克莱瑞狄语音平台这样的可兼容平台之上。如果你决定使用克莱瑞狄语音平台来作为最新的语音应用基础，你可以轻松移植现有的应用程序，无需任何繁琐步骤。
载榕辛伐： VoiceXML是建立于XML 语言规范基础之上,是一种应用于语音浏览的标记语言.利用VoiceXML可以建立基于WEB的语音应用和服务.本文简要描述了VoiceXML规范及相关术语,并给出了一种基于VoiceXML的语音与数据集成模型,它主要由...
故城县18727151478： 什么是CCXML? - ？
载榕辛伐： CCXML通过向VoiceXML解释器添加电话呼叫控制功能,补充了这种平台的不足.CCXML同VoiceXML一道使开发完全基于开放标准的语音应用成为可能.CCXML规范目前处于1.0版本最后征求意见工作的草案阶段.CCXML规范定义了一种提...
故城县18727151478： 对VoXML 的需求？
载榕辛伐： VoxML是Motorola提出的技术,它让用户可以通过电话呼叫一个网站,通过语音识别软件的帮助可以完成相应的功能.VoxML使开发者可以创建一个谈话脚本,这个脚本是用户可能和网站进行网话的脚本.用户呼叫被连接一个称为语音浏览器(voice browser)的程序上,然后由它将请求传送到见站上,在VoxML中定义的标记和XML中定义的是一致的,书写VoxML的网页,比HTML难不到哪里去.Motorola为开发者提供相应的帮助,可以到它的网站上下载.详细见http://zhidao.baidu.com/question/25461778.html
故城县18727151478： VoiceXML能读中文吗 - ？
载榕辛伐： 可以,前提是你需要一个语音硬件设备
故城县18727151478： vxes是什么文件 - ？
载榕辛伐： vxes - Voice XML Enabling Software
故城县18727151478： 什么是XML格式? - ？
载榕辛伐： 您好: XML是一种标记语言. 结构化的信息中包含了一些内容(例如文字,图片等)和一些...
故城县18727151478： 什么是“xml”,如何使用? - ？
载榕辛伐： 正象HTML一样,可扩展置标语言XML(eXtensible Markup Language)也是一种置标语...
故城县18727151478： messages.xml是什么东西 - ？
载榕辛伐： XML是Extensible Markup Language的简写,一种扩展性标识语言.从上面的看,应该是信息提示时使用的.
故城县18727151478： 什么是XML语言 - ？
载榕辛伐： XML是EXtensible Markup Language的缩写XML是一种类似于HTML的标记语言XML是用来描述数据的XML的标记不是在XML中预定义的,你必须定义自己的标记XML使用文档类型定义(DTD)或者模式(Schema)来描述数据XML使用...
