VoiceXML的标准是由「VoiceXML论坛（VoiceXML Forum）」所制定，该论坛是由AT&T、IBM、Lucent和Motorola共同建立。

VoiceXML概观

VoiceXML是结合各种技术的基础而来，如Motorola所开发的VoXML技术，和IBM所开发的SpeechML技术。而「VoiceXML论坛」的目标，则是建立起一个透过语音与Web Services进行互动的标准，目前W3C已发布VoiceXML版本2.0的工作草案。

VoiceXML架构模型

VoiceXML架构模型是以各个不同的组件所组成，这些组件包括︰

《图一 VoiceXML架构模型的各个组件》

网络基础结构中的VoiceXML Gateway

VoiceXML是利用因特网基础结构，来传递讯息和实作应用程序，就好像对Web浏览器传递HTML讯息一样。VoiceXML将语音导航器使用在输入和输出音频上面，如此一来，用户利用普通电话就能够存取VoiceXML应用程序。如(图二)所示，语音导航器在语音网关上执行，并与公共交换电话网（PSTN）及因特网相连。

《图二 语音导航器与PSTN、因特网链接图》

VoiceXML应用程序

以下是VoiceXML程序应用的范例︰

VoiceXML概念

以下是VoiceXML的应用流程：

对话（Dialog）

在特定的时间内，VoiceXML应用程序的用户总是处于一种对话中的状态。在每个对话完后，都跟着另一个对话。假如没有指定下一个对话，那么系统就会终止VoiceXML应用程序的执行。对话的形式有两种，分别是窗体（Forms）和选单（M enus）。如同HTML Form一样，Form专门收集用户输入值，而选单（Menus）提供选项列表给用户。

任务（Session）

当用户开始与VoiceXML文件互动时，Session也就跟着启动了。

应用程序（Applications）

应用程序专门汇集VoiceXML文件，其程序内的所有文件都共享于同一个应用程序的根文件。

文法（Grammars）

文法的功用是在于指定一份VoiceXML的词汇列表，并供用户从中选择，以便与VoiceXML的应用程序作互动。在用户的每个对话中，都会有一个或多个文法。

事件（Events）

基于不同的因素（如用户没有响应输入，或没有正确请求帮助等），VoiceXML的平台会抛出一个事件。而VoiceXML解释器在VoiceXML文件中，有任何语义的错误时，也会抛出事件。

链接（Links）

链接可指定网域中所有对话的转移。当用户输入符合链接的文法时，链接控制就会自动转移到其目的地。

动态VoiceXML

Web技术中的JSP／ASP文件，包括了VoiceXML元素和JSP／ASP程序代码，它可以存取各种数据库，或公司／企业的应用程序（例如︰电子信件、帐务系统、时间和费用等）。而JSP／ASP的根文件则会产生对静态VoiceXML、ASP或JSP文件的呼叫。

《图三Web技术与VoiceXML架构的连结图》

企业语音应用程序的开发

基本上，要设计和开发一个好的语音应用程序，远比建置网站或其它的软件应用程序困难，精心制作客户满意度的VUI也不容易。在设计一个企业用的语音应用程序之前，开发人员需要处理VUI的可用性、语音科学和音频方面等问题，以下就这三个问题来作一个简单的讨论。

VUI可用性问题︰

在用户的接口中，结合语言元素会衍生出不少的可用性问题。因为语音接口的讲话速度通常慢于阅读速度，而在VUI中，选项又必须依次列出，所以这限制了接口所能提供的讯息量。

GUI和Web页面可透过对比，来显示大量的讯息和更多的选项。而用户也可在这些接口上，以他们自己的速度来找到所需的讯息。然而在VUI 中，讯息往往在提供后就消失了，而用户则必须要记住大部分的内容。此时，系统必须透过可用的选项来指导用户，以便他们可以轻易地浏览应用程序，而不会感到泄气。

语音科学问题:

即使语音识别技术对于关键型应用程序足够成熟，但实际上它并不是完美的。识别人类语音是一项非常复杂的计算工作，它依靠将复杂的探索技术，实时地应用于大规模的统计数据模型。在大多数情况下，ASR引擎都必须由专家对它进行调整才能成功执行。

习惯于与其它人谈话的用户，在与「语音应用程序」进行互动时，会延续相同的思维模式，当VUI不合标准时，系统便不会进行下一个动作。即使是有好的提示设计，用户也可能会说出如「Yup」、「Yeah」和「Nope」的词语出来；然而，VUI所期望的词语只是简单的「Yes」或「No」。

语音应用程序只理解经过训练后所掌握的特定语句，并尽全力将输入与语法规范符合。甚至发音相似的词如「to」和「two」也很可能会引起混淆，这会导致一次失败的经历。尤其是行动用户，背景和环境噪音会引起语音识别的准确度问题，因为ASR引擎没有关于如何区分噪音和人类所发出声音的智能环境。虽然ASR引擎确实有复杂的信号处理技术，可以消除背景噪声，但这些技术离成熟的阶段还有很大一段距离。

由于这些原因，语音应用程序必须使用大量来自现实世界的语音数据，并加入用户可能会说的口语化词句，以加强VUI的辩识率。

音频方面的问题︰

合并自然发音的提示、设计良好的VUI，以及创造吸引人的音乐效果后，所产生的语音应用程序，将会提供一个引人入胜的感受。当客户发现「语音应用程序」听起来有专业感及吸引人时，他们将会更有购买该产品的欲望。

语音应用程序可以选择使用已录制的音频或语音合成引擎，来传递提示和选单的音频输出。预先录制的音频作业，最好留给电视和广播行业的人们来完成；而语音合成引擎则有其自己的计算难题，因为不可能预先录制，并储存所有可能的语音模式组合。不过语音合成引擎可以使用创新的技术（如联机语音），来传递听起来像人在说话，及语调自然的语音输出，而不是像机器人的发音。

语音应用程序系统架构与组件

用户可以透过有线或无线的电话设备，来进行对语音应用程序的存取。举例来说，当用户拨打与语音应用程序的电话号码后，VoIP网关在语音适配卡（Voice Interface Card，VIC）上接收来电。接着该电话接口会建立起电话交换机和VoIP网关之间的语音联机，并提供回音消除（Echo Cancellation）、DTMF双音频侦测，以及音频提示播放／录制的动作。

VoIP网关会充当语音应用程序网关和外部电话网络，如公共分组交换器（Public Branch Exchange，PBX）、公用交换式电话网络（PSTN）间，及VoIP上的语音流量间的接口。VoIP网关另一个作用是从电话网络接收到的语音数据转换成IP讯息封包，并将用户的来电转换成VoiceXML浏览器的IP地址和端口。语音应用程序网关是任何语音应用程序的核心，(图四)显示出语音应用程序网关的架构。

《图四 语音应用程序网关的架构》

TTS引擎的发音技术：

这是用来转换人类使用的单字和词组的技术，换句话说，是让系统从纯文本串流转换成人类语音的技术。透过TTS引擎所使用的语音合成技术（如与发音有关的合成、共振峰合成与联机合成）来产生拟人且自然的语音，以代替听起来像机器人发出的语音。

ASR引擎：

ASR引擎提供了自动化语音识别能力，该引擎将所有可能的音调、音调的细微差别、重音变化等语音输入转换为数字讯息来接收。大多数的语音应用程序网关，都会透过连续的语音处理技术在ASR引擎上面执行。

VoiceXML浏览器／解释器：

这是语音应用程序网关的核心，当两者结合运用时，便成为VoiceXML引擎。这个引擎使用HTTP来撷取VoiceXML文件，并将语音卷标呈现为语音应用程序和用户之间的双向对话序列。在VoiceXML中，元素和属性的解译会产生作业，并同时与电话资源一起驱动ASR和TTS引擎。

音频资源：

音频资源专门负责音频档案的播放。大多数语音应用程序平台都支持不带标头的原始音频数据，以及具有8 KHz取样率和8位员的mu - law编码数据文件，不过目前音频资源还未支持GSM的音频编码。

TCP／IP资源：

TCP／IP资源提供了语音应用程序网关与Web／应用程序服务器间的主干联机。此外，它还负责语音应用程序网关与网络其它机器间的讯息包装（Pack）与分解。

Web／应用程序服务器

Web／应用程序服务器是由静态的VoiceXML档案和动态的VoiceXML页面程序群组成，该服务器可以与数据储存（如DBMS）相互作业，并用以检索或更新企业的数据。

语音应用程序的模型：

以下将介绍关键型／高容量语音应用程序的三种常见布署模型。

应用程序服务提供商（Application Services Provider，ASP）模型：

透过ASP模型，企业可以将整个语音应用程序的开发、托管和维护等业务外包给其它公司。而客户也可以自我进行开发，并将维护移交给ASP，这么作的优点是客户本身不必作软件或硬件维护，但缺点是没有主导权。

：语音应用程序网关模型

这些是以网络为基础的（外包）解决方案，它们使公司能够布署成熟的语音应用程序，而不必采购或管理任何语音识别或特定于电话的基础设施。它们通常提供会的服务如下：

内部模型：

这个模型是以客户的考虑来作装配的语音应用程序系统，该客户必须自行采购、安装、组态和整合所需的附加组件。其组件如下：

模型所需的支出

每个企业都必须评估其专业技术、资源、时间表和其它因素等，来确定企业最符合的布署的模型。

ASP模型

企业要支付的费用如下：

语音应用程序网关模型

这个模型对企业来说，是最经济的方式来布署语音应用程序架构，而语音应用程序网关供货商通常会提供下列的组合︰

* 每分钟 - 客户通常根据使用量付费，大多数客户都需要有正常容量的概念，以便预计所支付的费用。

* 每端口／每月 - 这包括每个月的可预测端口数所需支付的费用。

* 每端口 - 一些供货商容许客户彻底买断所有的端口，但这会产生更高的预付价格，且会和内部布署的价格差不多。

此外，客户还需支付应用程序的版权费用、应用程序维护费用、专业服务费用，以及进阶网络服务初装费和每次交易的费用等。

这个模型的价格较为昂贵，且布署的时间也较冗长。小型商业布署的先期成本通常是几十万美元，但对于中、大规模的商业布署，可能会超过百万美元。而用于维护、升级、版权和人事费用的成本，每年都可能会达到几十万美元。

如果企业有极大的布署，并在管理和提供电信服务方面有精深的专业技术，那么这些公司将可考良这种模型的部署方式；因为纯粹从现金流的角度来看，租借基础设施的成本最终会高过购买它的成本。

结论

VoiceXML是替一些以语音服务公司为主的技术，虽然布署在Web上的的方式有许多种，如Java Server Pages（JSP）或Active Server Pages（ASP），且其模型也有分三种。不过这些公司只要在事前作好完善的规划，那么VoiceXML所带来的附加价值将远超过付出的成本。

＜本文数据由台湾IBM提供，由程裕翔整理，作者为美商计算机公司独立软件顾问，更多数据请参考IBM Taiwan开发者网站：http://www2.tw.ibm.com/developerWorks/＞

延 伸 阅 读	目前语音识别技术的发展已经是越来越成熟，而利用新一代的人机接口，如PDA或手机等，更是能让这个技术在IA的领域更为活跃。相关介绍请见「新一代人机接口 - 语音识别技术」一文。 VoiceXML让开发者能创造合成语音、数字音频、口语识别、双音多频按键式电话的击键、录制语音输入、电话通讯，及混合性的对话。VoiceXML可以让用户以说话的方式来要求服务，并与声音回复应用程序作交谈，对视障人士或忙碌中的工作者，可以方便使用以语音查询数据。你可在「VoiceXML的功用」一文中得到进一步的介绍。 VoiceXML是一个强大的卷标语言，它会以Web为基础来为交谈式语音应用程序和数据库内容作传递讯息的动作，并以音频作为输入（语音或按键音）／输出（机器语音或录音）的形式。在「VoiceXML让您浏览网页动口不动手」一文为你做了相关的评析。

相关组织网站	IBM Developer官方网站 VoiceXML论坛官方网站 Cafe Bevocal VoiceXML技术研发官方网站