VoiceXML的標準是由「VoiceXML論壇（VoiceXML Forum）」所制定，該論壇是由AT&T、IBM、Lucent和Motorola共同建立。

VoiceXML概觀

VoiceXML是結合各種技術的基礎而來，如Motorola所開發的VoXML技術，和IBM所開發的SpeechML技術。而「VoiceXML論壇」的目標，則是建立起一個透過語音與Web Services進行互動的標準，目前W3C已發佈VoiceXML版本2.0的工作草案。

VoiceXML架構模型

VoiceXML架構模型是以各個不同的元件所組成，這些元件包括︰

《圖一　VoiceXML架構模型的各個元件》

網路基礎結構中的VoiceXML Gateway

VoiceXML是利用網際網路基礎結構，來傳遞訊息和實作應用程式，就好像對Web瀏覽器傳遞HTML訊息一樣。VoiceXML將語音瀏覽器使用在輸入和輸出音訊上面，如此一來，使用者利用普通電話就能夠存取VoiceXML應用程式。如(圖二)所示，語音瀏覽器在語音閘道上執行，並與公共交換電話網（PSTN）及網際網路相連。

《圖二　語音瀏覽器與PSTN、網際網路連結圖》

VoiceXML應用程式

以下是VoiceXML程式應用的範例︰

VoiceXML概念

以下是VoiceXML的應用流程：

對話（Dialog）

在特定的時間內，VoiceXML應用程式的使用者總是處於一種對話中的狀態。在每個對話完後，都跟著另一個對話。假如沒有指定下一個對話，那麼系統就會終止VoiceXML應用程式的執行。對話的形式有兩種，分別是表單（Forms）和選單（M enus）。如同HTML Form一樣，Form專門收集使用者輸入值，而選單（Menus）提供選項清單給使用者。

任務（Session）

當使用者開始與VoiceXML文件互動時，Session也就跟著啟動了。

應用程式（Applications）

應用程式專門匯集VoiceXML文件，其程式內的所有文件都共享於同一個應用程式的根文件。

文法（Grammars）

文法的功用是在於指定一份VoiceXML的詞彙清單，並供使用者從中選擇，以便與VoiceXML的應用程式作互動。在使用者的每個對話中，都會有一個或多個文法。

事件（Events）

基於不同的因素（如使用者沒有回應輸入，或沒有正確請求幫助等），VoiceXML的平台會拋出一個事件。而VoiceXML解譯器在VoiceXML文件中，有任何語義的錯誤時，也會拋出事件。

連結（Links）

連結可指定網域中所有對話的轉移。當使用者輸入符合連結的文法時，連結控制就會自動轉移到其目的地。

動態VoiceXML

Web技術中的JSP／ASP文件，包括了VoiceXML元素和JSP／ASP程式碼，它可以存取各種資料庫，或公司／企業的應用程式（例如︰電子信件、帳務系統、時間和費用等）。而JSP／ASP的根文件則會產生對靜態VoiceXML、ASP或JSP文件的呼叫。

《圖三　Web技術與VoiceXML架構的連結圖》

企業語音應用程式的開發

基本上，要設計和開發一個好的語音應用程式，遠比建置網站或其它的軟體應用程式困難，精心製作客戶滿意度的VUI也不容易。在設計一個企業用的語音應用程式之前，開發人員需要處理VUI的可用性、語音科學和音訊方面等問題，以下就這三個問題來作一個簡單的討論。

VUI可用性問題︰

在使用者的介面中，結合語言元素會衍生出不少的可用性問題。因為語音介面的講話速度通常慢於閱讀速度，而在VUI中，選項又必須依次列出，所以這限制了介面所能提供的訊息量。

GUI和Web頁面可透過對比，來顯示大量的訊息和更多的選項。而使用者也可在這些介面上，以他們自己的速度來找到所需的訊息。然而在VUI 中，訊息往往在提供後就消失了，而使用者則必須要記住大部分的內容。此時，系統必須透過可用的選項來指導使用者，以便他們可以輕易地瀏覽應用程式，而不會感到泄氣。

語音科學問題:

即使語音識別技術對於關鍵型應用程式足夠成熟，但實際上它並不是完美的。識別人類語音是一項非常複雜的計算工作，它依靠將複雜的探索技術，實時地應用於大規模的統計資料模型。在大多數情況下，ASR引擎都必須由專家對它進行調整才能成功執行。

習慣於與其它人談話的使用者，在與「語音應用程式」進行互動時，會延續相同的思維模式，當VUI不合標準時，系統便不會進行下一個動作。即使是有好的提示設計，使用者也可能會說出如「Yup」、「Yeah」和「Nope」的詞語出來；然而，VUI所期望的詞語只是簡單的「Yes」或「No」。

語音應用程式只理解經過訓練後所掌握的特定陳述式，並盡全力將輸入與語法規範符合。甚至發音相似的詞如「to」和「two」也很可能會引起混淆，這會導致一次失敗的經歷。尤其是行動用戶，背景和環境噪音會引起語音識別的準確度問題，因為ASR引擎沒有關於如何區分噪音和人類所發出聲音的智慧環境。雖然ASR引擎確實有複雜的信號處理技術，可以消除背景噪聲，但這些技術離成熟的階段還有很大一段距離。

由於這些原因，語音應用程式必須使用大量來自現實世界的語音資料，並加入使用者可能會說的口語化詞句，以加強VUI的辯識率。

音訊方面的問題︰

合併自然發音的提示、設計良好的VUI，以及創造吸引人的音樂效果後，所產生的語音應用程式，將會提供一個引人入勝的感受。當客戶發現「語音應用程式」聽起來有專業感及吸引人時，他們將會更有購買該產品的慾望。

語音應用程式可以選擇使用已錄製的音訊或語音合成引擎，來傳遞提示和選單的音訊輸出。預先錄製的音訊作業，最好留給電視和廣播行業的人們來完成；而語音合成引擎則有其自己的計算難題，因為不可能預先錄製，並儲存所有可能的語音模式組合。不過語音合成引擎可以使用創新的技術（如連線語音），來傳遞聽起來像人在說話，及語調自然的語音輸出，而不是像機器人的發音。

語音應用程式系統架構與元件

使用者可以透過有線或無線的電話設備，來進行對語音應用程式的存取。舉例來說，當使用者撥打與語音應用程式的電話號碼後，VoIP閘道在語音介面卡（Voice Interface Card，VIC）上接收來電。接著該電話介面會建立起電話交換機和VoIP閘道之間的語音連線，並提供回音消除（Echo Cancellation）、DTMF雙音訊偵測，以及音訊提示播放／錄製的動作。

VoIP閘道會充當語音應用程式閘道和外部電話網路，如公共封包交換器（Public Branch Exchange，PBX）、公用交換式電話網路（PSTN）間，及VoIP上的語音流量間的介面。VoIP閘道另一個作用是從電話網路接收到的語音資料轉換成IP訊息封包，並將使用者的來電轉換成VoiceXML瀏覽器的IP位址和連接埠。語音應用程式閘道是任何語音應用程式的核心，(圖四)顯示出語音應用程式閘道的架構。

《圖四　語音應用程式閘道的架構》

TTS引擎的發音技術：

這是用來轉換人類使用的單字和片語的技術，換句話說，是讓系統從純文字串流轉換成人類語音的技術。透過TTS引擎所使用的語音合成技術（如與發音有關的合成、共振峰合成與連線合成）來產生擬人且自然的語音，以代替聽起來像機器人發出的語音。

ASR引擎：

ASR引擎提供了自動化語音識別能力，該引擎將所有可能的音調、音調的細微差別、重音變化等語音輸入轉換為數位訊息來接收。大多數的語音應用程式閘道，都會透過連續的語音處理技術在ASR引擎上面執行。

VoiceXML瀏覽器／解譯器：

這是語音應用程式閘道的核心，當兩者結合運用時，便成為VoiceXML引擎。這個引擎使用HTTP來擷取VoiceXML文件，並將語音標籤呈現為語音應用程式和使用者之間的雙向對話序列。在VoiceXML中，元素和屬性的解譯會產生作業，並同時與電話資源一起驅動ASR和TTS引擎。

音訊資源：

音訊資源專門負責音訊檔案的播放。大多數語音應用程式平台都支援不帶標頭的原始音訊資料，以及具有8 KHz取樣率和8位員的mu - law編碼資料檔案，不過目前音訊資源還未支援GSM的音訊編碼。

TCP／IP資源：

TCP／IP資源提供了語音應用程式閘道與Web／應用程式伺服器間的主幹連線。此外，它還負責語音應用程式閘道與網路其它機器間的訊息包裝（Pack）與分解。

Web／應用程式伺服器

Web／應用程式伺服器是由靜態的VoiceXML檔案和動態的VoiceXML頁面程式群組成，該伺服器可以與資料儲存（如DBMS）相互作業，並用以檢索或更新企業的資料。

語音應用程式的模型：

以下將介紹關鍵型／高容量語音應用程式的三種常見佈署模型。

應用程式服務提供者（Application Services Provider，ASP）模型：

透過ASP模型，企業可以將整個語音應用程式的開發、託管和維護等業務外包給其它公司。而客戶也可以自我進行開發，並將維護移交給ASP，這麼作的優點是客戶本身不必作軟體或硬體維護，但缺點是沒有主導權。

：語音應用程式閘道模型

這些是以網路為基礎的（外包）解決方案，它們使公司能夠佈署成熟的語音應用程式，而不必採購或管理任何語音識別或特定於電話的基礎設施。它們通常提供會的服務如下：

內部模型：

這個模型是以客戶的考量來作裝配的語音應用程式系統，該客戶必須自行採購、安裝、組態和整合所需的附加元件。其元件如下：

模型所需的支出　

每個企業都必須評估其專業技術、資源、時間表和其它因素等，來確定企業最符合的佈署的模型。

ASP模型

企業要支付的費用如下：

語音應用程式閘道模型

這個模型對企業來說，是最經濟的方式來佈署語音應用程式架構，而語音應用程式閘道供應商通常會提供下列的組合︰

* 每分鐘 - 客戶通常根據使用量付費，大多數客戶都需要有正常容量的概念，以便預計所支付的費用。

* 每連接埠／每月 - 這包括每個月的可預測連接埠數所需支付的費用。

* 每連接埠 - 一些供應商容許客戶徹底買斷所有的連接埠，但這會產生更高的預付價格，且會和內部佈署的價格差不多。

此外，客戶還需支付應用程式的版權費用、應用程式維護費用、專業服務費用，以及進階網路服務初裝費和每次交易的費用等。

這個模型的價格較為昂貴，且佈署的時間也較冗長。小型商業佈署的先期成本通常是幾十萬美元，但對於中、大規模的商業佈署，可能會超過百萬美元。而用於維護、升級、版權和人事費用的成本，每年都可能會達到幾十萬美元。

如果企業有極大的佈署，並在管理和提供電信服務方面有精深的專業技術，那麼這些公司將可考良這種模型的部署方式；因為純粹從現金流的角度來看，租借基礎設施的成本最終會高過購買它的成本。

結論

VoiceXML是替一些以語音服務公司為主的技術，雖然佈署在Web上的的方式有許多種，如Java Server Pages（JSP）或Active Server Pages（ASP），且其模型也有分三種。不過這些公司只要在事前作好完善的規劃，那麼VoiceXML所帶來的附加價值將遠超過付出的成本。

＜本文資料由台灣IBM提供，由程裕翔整理，作者為美商電腦公司獨立軟體顧問，更多資料請參考IBM Taiwan開發者網站：http://www2.tw.ibm.com/developerWorks/＞

延 伸 閱 讀	目前語音辨識技術的發展已經是越來越成熟，而利用新一代的人機介面，如PDA或手機等，更是能讓這個技術在IA的領域更為活躍。相關介紹請見「新一代人機介面 - 語音辨識技術」一文。 VoiceXML讓開發者能創造合成語音、數位音頻、口語識別、雙音多頻按鍵式電話的按鍵輸入、錄製語音輸入、電話通訊，及混合性的對話。VoiceXML可以讓使用者以說話的方式來要求服務，並與聲音回覆應用程式作交談，對視障人士或忙碌中的工作者，可以方便使用以語音查詢資料。你可在「VoiceXML的功用」一文中得到進一步的介紹。 VoiceXML是一個強大的標籤語言，它會以Web為基礎來為交談式語音應用程式和資料庫內容作傳遞訊息的動作，並以音訊作為輸入（語音或按鍵音）／輸出（機器語音或錄音）的形式。在「VoiceXML讓您瀏覽網頁動口不動手」一文為你做了相關的評析。

相關組織網站	IBM Developer官方網站 VoiceXML論壇官方網站 Cafe Bevocal VoiceXML技術研發官方網站