開放式語音架構(gòu)與新一代呼叫中心應(yīng)用
--具有前瞻性的捷通華聲"奧運之聲"TTS引擎解析
2004/04/23
呼叫中心的發(fā)展趨勢
隨著改革開放的腳步不斷加快，中國在政治、經(jīng)濟、文化等各個領(lǐng)域的國際化程度也在迅速提高，特別是近幾年來，隨著中國加入WTO、成功申辦北京奧運會、成功申辦上海世博會、博鰲論壇的成功舉辦，人們可以清楚的看到，中國已經(jīng)成為世界上最重要的國際交流中心之一。在中國走向世界的進程中，各行各業(yè)都在不斷進行著自我完善，來適應(yīng)這一變化的需要，CTI行業(yè)也不例外。
在CTI領(lǐng)域里，人們首先感受到的是越來越多的國際知名企業(yè)、優(yōu)秀產(chǎn)品、先進技術(shù)相繼進入中國CTI市場，即為中國的CTI技術(shù)發(fā)展提供了強大的動力，也給國內(nèi)的企業(yè)帶來了巨大的壓力。各廠商在不斷提升自我競爭能力的同時，也在積極尋找CTI新的應(yīng)用點，進而使整個CTI產(chǎn)業(yè)無論是在技術(shù)上還是在應(yīng)用上都在朝著國際化方向飛速發(fā)展。
捷通華聲公司作為語音技術(shù)核心供應(yīng)商，敏銳的捕捉到了這一市場變化，并早在2年多以前便開始著手準備，因而走了語音產(chǎn)業(yè)國際化發(fā)展的前列。
捷通華聲公司由北京捷通軟件公司投資、我國著名語音專家呂士楠教授主持創(chuàng)建于2000年10月，并于2001年7月發(fā)布了具有里程碑意義的新一代語音合成產(chǎn)品--jTTS2.0，從此語音合成技術(shù)進入了大規(guī)模商用時代。就在各競爭對手爭相模仿的時候，捷通華聲已經(jīng)清楚的認識到：語音技術(shù)的發(fā)展必須走國際化道路。一方面，我們的技術(shù)必須走出國門，與國際同類產(chǎn)品同場競技，取得國際上的一致認可；另一方面，我們必須積極吸取國外先進的經(jīng)驗，使自己的技術(shù)能夠得到不斷的提升。在隨后的1年多中，捷通華聲按照這一方針"內(nèi)外兼修"，無論是在技術(shù)上還是在市場上都獲得了巨大的成功，并已成為國際知名語音技術(shù)供應(yīng)商之一。
2003年初，北京科技奧運十大重點項目陸續(xù)啟動，捷通華聲憑借雄厚的技術(shù)實力和良好的企業(yè)信譽，一舉中標《面向奧運的多語言語音合成產(chǎn)品研制》項目，為捷通華聲進一步發(fā)展多語言語音合成產(chǎn)品提供了良好的契機。
"科技奧運"項目的需求與目前中國的呼叫中心市場需求有著很高的一致性，那就是要求開放式的架構(gòu)和國際化服務(wù)手段、服務(wù)質(zhì)量。呼叫中心已經(jīng)不再是只為中國人服務(wù)，而是要充分考慮到各種國際政治、文化、商業(yè)活動的實際需求，為世界各國友人提供服務(wù)的必要手段。針對這一需求，捷通華聲用了近一年的時間潛心研究，并于2004年初發(fā)布了最新的語音合成產(chǎn)品"奧運之聲"（OlyVoice）--捷通華聲語音合成奧運版v4.0。該產(chǎn)品著重設(shè)計了開放式的系統(tǒng)架構(gòu)和多語種語音合成需求。
奧運之聲--捷通華聲開放式語音合成架構(gòu)
捷通華聲語音合成奧運版v4.0（簡稱：jTTS奧運版）是以一種開發(fā)式的架構(gòu)進行設(shè)計的（如下圖所示），其核心是一套統(tǒng)一的對外編程接口（API－Application Programming Interface），即jTTS API 4.0，以及統(tǒng)一的多語種引擎管理模塊，即jTTS_ML.DLL。多語種的引擎（例如中文引擎jTTS_CH.DLL，英文引擎jTTS_EN.DLL等）在多語種引擎管理模塊的調(diào)度下進行實際的合成工作，而目前尚未提供的其他語種的引擎也可以方便地加入到這個體系結(jié)構(gòu)中來。
統(tǒng)一的應(yīng)用程序接口
jTTS_ML.DLL是主要模塊，在這個模塊中完成多數(shù)統(tǒng)一的工作。包括：
·各個語種引擎和音庫的管理、加載、卸載、選擇。
·與外部設(shè)備相關(guān)而與具體引擎無關(guān)的工作，例如打開文件，聲卡或文件輸出等。
·各個語種幾乎相同的工作，例如SSML TAG的處理等。
jTTS_ML.DLL基本保持和jTTS_MA.DLL函數(shù)接口的一致性，但進行了一定的改動。這些改動主要是吸取了在前幾個版本中的開發(fā)經(jīng)驗和用戶的意見反饋，因此現(xiàn)有的API更為簡潔方便、功能卻更為強大。
充分的兼容性設(shè)計
新版本的jTTS_MA.DLL是為了保持向下兼容，它完全繼承原有的jTTS API 3.0的所有函數(shù)，不增加也不刪減任何函數(shù)。因此，它也僅能完成以前版本的功能（但可以利用最新的中文引擎，提高聲音質(zhì)量），提供它的目的僅僅在于用戶能夠不改動原有程序繼續(xù)運行，但如果希望使用新的功能，必須使用jTTS_ML.DLL，利用新的API進行開發(fā)。
支持多種調(diào)用方式
jTTS4.ocx是在jTTS_ML.DLL之上的一個ActiveX控件，主要作用是以COM接口的方式提供了TTS的功能，方便Web頁面開發(fā)或者VB等編程語言的開發(fā)。由于COM接口支持的開發(fā)工具非常廣泛、語言類型多種多樣，因此用戶可以通過使用jTTS4.ocx組件來開發(fā)TTS應(yīng)用程序，以達到適應(yīng)多種開發(fā)環(huán)境、簡化開發(fā)過程的目的。使用此控件可以實現(xiàn)向文件或聲卡輸出，所有的設(shè)置、回調(diào)等功能也和jTTS_ML.DLL所提供的功能基本類似，但是它沒有底層合成（即Session）的概念，也不能直接獲得語音數(shù)據(jù)流。
語音合成服務(wù)器jTTSService.EXE提供了對基于網(wǎng)絡(luò)的TTS服務(wù)的支持，讓用戶可以采用網(wǎng)絡(luò)合成方案或集群網(wǎng)絡(luò)合成方案進行合成。此語音合成服務(wù)器軟件作為Windows系統(tǒng)上的一個服務(wù)（Service）或Linux系統(tǒng)上的一個守護程序（daemon）實現(xiàn)，監(jiān)聽網(wǎng)絡(luò)端口號，如果有連接，則通過jTTS Service Protocol 4.0版本為客戶端提供語音合成的服務(wù)。
良好的可擴展性
系統(tǒng)采用外掛DLL的方式來提高擴展性。外掛DLL包括兩種：一種是文本抽取DLL，另一種是語音格式轉(zhuǎn)換DLL。在閱讀文件時（通過jTTS_Play或jTTS_PlayToFile），可以通過外掛的DLL來進行文本的抽取，然后利用TTS的功能進行合成，例如閱讀DOC文件或者Email。而得到語音數(shù)據(jù)后，可以利用外掛的語音格式轉(zhuǎn)換DLL來得到系統(tǒng)本身不支持的語音格式。
新增多種實用功能
·支持多語種，支持多領(lǐng)域的設(shè)置
·支持音色的查找、訪問、加載等
·支持SSML （語音合成標記語言, Speech Synthesis Markup language）
·可以直接播放文本文件，也支持外掛抽取文本的DLL以支持其它格式。
·支持GB（包括GB2312, GBK, GB18030）、Big5、Shift-JIS、ISO-8859-1、Unicode、Unicode Big Endian、UTF8等各種字符集，自動識別具有BOM標記的Unicode文本。
·支持同步、異步合成一個Session，通過被動的回調(diào)函數(shù)方式給用戶傳遞數(shù)據(jù)。在原有版本的主動獲取語音數(shù)據(jù)的基礎(chǔ)上又提供了一個選擇。
·可以外掛語音格式轉(zhuǎn)換程序。
所有這些，都是捷通華聲在語音合成架構(gòu)上具有前瞻性的設(shè)計，通過這樣的系統(tǒng)結(jié)構(gòu)，用戶可以靈活的為新一代呼叫中心、UMS系統(tǒng)添加豐富的語音合成資源，使整個系統(tǒng)最大限度的發(fā)揮其功效，為最終用戶提供方便實用的服務(wù)體系。
除了在系統(tǒng)結(jié)構(gòu)上的重大改進外，捷通華聲在語音合成核心上也進行了深入的研究，并取得了重大突破。與以往的版本相比，新的中文合成核心主要進行了下列改進：
新的英文引擎支持
中文引擎放棄了原來使用的第三方的英文引擎，采用了自行開發(fā)的英文引擎，達到了清晰流利、中英文同一音色的效果。
新的預(yù)處理
·采用了基于分詞和詞性標注一體化的前端分析算法以及基于統(tǒng)計的韻律詞分析算法，提供了更好的韻律分析結(jié)果，閱讀更為自然流暢。
·全面改進了多音字處理算法，多音字的誤讀率大為下降。
·改進了數(shù)字符號讀法的分析算法，數(shù)字符號的讀法的閱讀準確率更高。同時支持數(shù)字、符號讀法的外部規(guī)則使用，提供給用戶自行定義數(shù)字符號讀法的方法。
多領(lǐng)域支持
中文引擎提供了多個領(lǐng)域的優(yōu)化資源包。例如，在天氣預(yù)報領(lǐng)域提供了利用模板拼接技術(shù)的特定領(lǐng)域音庫，在金融證券、旅游餐飲、體育賽事等領(lǐng)域提供了特定領(lǐng)域詞庫、預(yù)選音音庫等。通過這些針對不同專業(yè)領(lǐng)域的優(yōu)化資源包，可以大大提高特定領(lǐng)域文本的合成效果。同時，多領(lǐng)域支持也采用了一種模塊化的方式，用戶可以自行地安裝不同領(lǐng)域的資源包。
對SSML的支持
SSML(Speech Synthesis Markup Language)語音合成標記語言定義了一套豐富的，基于XML的標記語言以支持在Web語音瀏覽器或者其它應(yīng)用程序中生成合成語音。這一標記語言的的主要作用在于提供給合成內(nèi)容的作者一個標準的方法來控制語音的各個方面，例如發(fā)音、音量、語速、基頻等。SSML目前是W3C的草案，具體內(nèi)容參見
http://www.w3.org/TR/speech-synthesis/。
從jTTS 4.0開始，捷通華聲語音合成系統(tǒng)定義了S3ML (SinoVoice Speech Synthesis Markup Language)－捷通華聲語音標記語言。S3ML符合基本的SSML規(guī)范，但更為詳細地定義了SSML沒有精確定義的部分（例如的具體語法），同時也支持一些針對中文語音合成的擴展。
新版本將繼續(xù)支持原jTTS 3.0版本支持的文本標注方法（成為jTTS Tag)，但jTTS Tag將不再發(fā)展。如有需要，新的應(yīng)用程序應(yīng)該使用S3ML對文本進行標注，以控制語音合成效果的功能，并獲得靈活的可擴展性。
面向科技奧運，面向新一代呼叫中心應(yīng)用，捷通華聲做好了充分的準備，奧運之聲(OlyVoice)將與CTI行業(yè)的眾多合作伙伴一起，引領(lǐng)用戶進入一個全新的、開放式的CTI時代，整個CTI行業(yè)將在國際化、標準化、產(chǎn)業(yè)化方向上邁上一個新的臺階。
捷通華聲公司供稿 CTI論壇編輯
相關(guān)鏈接: