浅谈ASR和TTS技术在CTI中的应用_语音合成_语音识别

浅谈ASR和TTS技术在CTI中的应用

2004/01/02

什么是ASR、TTS？

　　计算机技术总是在朝着功能更强大、使用更方便的方向发展，用户的需求永远都是技术前进的动力。ASR和TTS的出现，让人和计算机的距离更加靠近，人机接口更加自然。由于技术（识别率不够高）和人们习惯上的原因，ASR离真正的普及还有一段距离。但是，在通信领域，由于CTI的广泛应用，计算机技术不断融入通信平台，这项技术正在如火似涂的发展、普及。VoiceXML就是一个很好的例子，它的应用就是以ASR和TTS作为基础的。

　　ASR，英文的全称是Automated Speech Recognition，即自动语音识别技术，它是一种将人的语音转换为文本的技术。语音识别是一个多学科交叉的领域，它与声学、语音学、语言学、数字信号处理理论、信息论、计算机科学等众多学科紧密相连。由于语音信号的多样性和复杂性，目前的语音识别系统只能在一定的限制条件下获得满意的性能，或者说只能应用于某些特定的场合。语音识别系统的性能大致取决于以下4类因素：1. 识别词汇表的大小和语音的复杂性；2. 语音信号的质量；3. 单个说话人还是多说话人；4. 硬件。

　　TTS，英文全称是TextToSpeech，即文语转换，又称为计算机语音合成，它的过程和ASR刚好相反，是把计算机中任意出现的文字转换成自然流畅的语音输出。一般认为，语音合成系统包括三个主要的组成部分：文本分析模块、韵律生成模块和声学模块。目前，TTS的技术已经可以达到商业化的地步。

SAPI简介

　　目前，市场上有很多比较成熟的语音ASR和TTS产品，而且他们大多数都支持二次开发，如微软的Speech Application SDK（SASDK）、IBM的Dutty++等。他们能识别（生成）英语、日语和中文等不同国家的语言，Dutty++甚至能够识别某些地区的方言，如广东的方言－粤语。下面我们以SAPI作为例子，简单的介绍一下ASR和TTS的开发引擎。

　　微软的SAPI是作为Windows的一部分，已经被被集成在Windows里面。相对于其他引擎，他的识别率也比较高，如果做过适应性调整，识别率可以达到90％以上，而且他的开发包是还可以免费获取的，各种文档资源也很齐全，很方便做二次开发。由于SAPI是作为Windows的一个独立组件在发展，版本更新也比较快。

　　最新的SAPI 3.1提供了基于COM的高级编程接口，应用程序通过这些接口与语音引擎打交道。SAPI将ASR和TTS功能集成在同一个语音引擎中，TTS可以将文本和文件合成为语音，ASR则是将人的声音信号转换为可读的文本或文件。

如何将ASR和TTS功能附加到CTI应用中去

　　对于设备提供商和业务提供商，他们采用语音识别和文语转换的方式可能不太一样。某些比较先进的交换平台，已经在交换机的内部实现了ASR和TTS的功能，并作为标准接口的一部分对外提供，业务开发商只需要简单的调用他们即可以在业务中使用该功能。如杭州迈可行的MPS2000交换系统，他们就集成了ASR和TTS，并将他们作为统一业务接口（USI）的一部分对外提供。而对那些应用开发商来说，大部分的时候并没有这么幸运，他们选择的交换机可能大多数都不会支持ASR和TTS，因此，要想在业务中加入这些功能的话，只有自己基于某种引擎进行二次开发。

　　下面，我们针对两种不同当前情况，站在业务开发商的角度，看如何将ASR和TTS功能附加到我们的应用中去。

带语音接口的PBX

　　目前，市场上真正支持ASR功能的开发式业务接口并不多，主要有微软的TAPI电话应用接口和迈可行的USI（统一业务接口）。这两种接口都不是标准的电话业务接口，不过，他们的应用却很广泛。

　　这里还是以MPS2000系统为例，MPS2000是一套面向下一代网络的、集成了多种业务能力的交换平台。它具有很强的接入和组网能力，支持V5.2、SS7、ISDN PRI等信令，以及面向IP的H.323、SIP、MeGaCo等媒体控制协议。同时，它的业务资源也非常丰富，有IVR、会议、会议抑制、DTMF、ASR、TTS等资源，能面向各种不同的应用。

　　在MPS2000系统中，ASR被抽象为一种简单的可替代DTMF进行语音拨号的资源，用户提起电话，可以不用按键，直接呼叫某人或者说出电话号码，就可以呼出。TTS则被抽象为一种文本放音的资源，你可以摒弃以往的放音模式（通过路由文件播放），而直接把你想说的文本向用户放出来

下图显示了MPS2000中ASR和TTS的应用层次关系：

不带语音接口的PBX

　　对于不带语音接口的PBX，就需要业务开发商自己去选择合适的平台，包括媒体采集设备、语音识别引擎等，并在此基础上进行二次开发。

下面这副图描述了这种应用的业务模型：

　　媒体采集设备主要用来采集各种语音信号，如对普通的电信网，就是PCM a律信号的采集；而对VOIP应用，采集的信号可能有很多种，包括G.711/G.723/G.729等各种语音格式。同时，该设备还需要具备一定的媒体转换能力，能将各种媒体流转换为ASR能够识别的语音格式。

语音识别技术的前景展望

　　随着电信行业的竞争日益加剧，网络运营商和业务开发商都在寻找不同的业务增长点去吸引客户。ASR和TTS作为一种诱人的新技术，如果能很好的嵌入到增值业务的应用中去，必将形成一个很好的应用前景。

杭州迈可行公司供稿 CTI论坛编辑