不僅是技術(shù)—語音門戶專題系列(一)

核心技術(shù)與流程設(shè)計(jì) 語音門戶的兩扇門

郭連頗 2002/01/30

語音識(shí)別是關(guān)鍵

　　語音識(shí)別技術(shù)是語音門戶的核心技術(shù)，掌握好這項(xiàng)技術(shù)，是語音門戶獲得成功的第一步。

　　1．識(shí)別引擎

　　語音識(shí)別引擎是語音門戶的核心。語音識(shí)別引擎不僅要聽懂用戶的語音，還要完成語言理解、語法分析、對(duì)話（包括人機(jī)對(duì)話和流程）控制和語音輸出等工作。識(shí)別引擎可以識(shí)別不同的語言，但需要不同的語音庫(kù)來支持。例如，在同一個(gè)引擎下，外掛中文或英文語音庫(kù)就可以識(shí)別中文或英文語音。

　　語音識(shí)別技術(shù)的成熟和商品化，依賴于軟件算法的進(jìn)步，更依賴于硬件性能的提高。20世紀(jì)90年代末，計(jì)算機(jī)硬件性能的飛速提高和價(jià)格的急劇降低，使語音識(shí)別技術(shù)從實(shí)驗(yàn)室走向了市場(chǎng)。

　　識(shí)別率是語音識(shí)別引擎成功與否的關(guān)鍵，為了在電信網(wǎng)絡(luò)上提高識(shí)別率，要有針對(duì)性地處理以下問題：

　�。�1） 回聲：在電信系統(tǒng)中，語音傳輸過程中的回聲將極大地影響識(shí)別率。要將回聲抑制掉，必須在硬件和軟件上對(duì)信號(hào)進(jìn)行處理。

　�。�2） 噪聲：包括用戶環(huán)境噪聲和系統(tǒng)中的電子噪聲，前者需要語音識(shí)別引擎軟件來處理，后者一般由硬件處理。

　�。�3） 語音中斷：用戶不必聽完系統(tǒng)播報(bào)，可以隨時(shí)說出新的服務(wù)需求，系統(tǒng)將中斷播報(bào)，并為用戶提供新的服務(wù)。目前，主流的語音卡都提供了語音中斷功能。為達(dá)到更好的效果，識(shí)別引擎還必須提供專門的接口，以保證兩者能夠更好地結(jié)合。

　　2．自然語言處理

　　只有提供自然語言識(shí)別功能，語音門戶的用戶才能享受到親切、快捷的服務(wù)。在一些復(fù)雜應(yīng)用中（如查詢航班/火車時(shí)刻表，股票買賣等），采用自然語言對(duì)話，才能發(fā)揮出其替代按鍵的優(yōu)勢(shì)。除了識(shí)別引擎要具備自然語言理解能力外，在應(yīng)用開發(fā)中也有大量的工作要做。

　　自然語音識(shí)別技術(shù)使計(jì)算機(jī)能夠聽懂和理解人的語言，用戶不必用固定的語序講話。系統(tǒng)能夠幫助用戶明確其需求，并提供準(zhǔn)確的服務(wù)。系統(tǒng)應(yīng)該能夠聽懂自然的語言，并到數(shù)據(jù)庫(kù)查詢出信息，再播報(bào)給用戶。對(duì)于一些不太規(guī)范的語句，系統(tǒng)同樣應(yīng)該聽懂，并逐步引導(dǎo)用戶，以便向用戶提供服務(wù)，這才是真正的自然語言識(shí)別。目前，有一些承諾提供自然語言識(shí)別的系統(tǒng)，往往要求用戶一次說清全部需求，這不是真正的自然語言識(shí)別，在現(xiàn)實(shí)應(yīng)用中，也是無法使用的。

　　3．TTS

　　TTS是語音門戶中的一個(gè)重要技術(shù)，它提供了系統(tǒng)向用戶輸出的語音界面。

　　與拼音文字不同，中文的“詞”由一個(gè)或多個(gè)漢字組合而成，如何斷詞并正確地發(fā)音，需要有一個(gè)非常大的、及時(shí)更新的詞庫(kù)來支持，還需要對(duì)上下文進(jìn)行判斷。因此，中文TTS的開發(fā)難度要比英文大得多。

　　經(jīng)過長(zhǎng)期研究，中文TTS取得了非常大的進(jìn)步，也有了一些專門支持電信級(jí)應(yīng)用的系統(tǒng)。在現(xiàn)有的技術(shù)水平下，TTS能夠滿足一般的閱讀要求。但讀時(shí)事新聞、電子郵件（尤其是包含許多縮略語和中外文混合的文本）和文學(xué)作品時(shí)，其效果還不能令人滿意。

　　要判斷TTS的水平，不要用開發(fā)商提供的樣本，也不要讓開發(fā)商代勞輸入漢字，建議用戶隨意摘錄網(wǎng)上的新聞，直接粘貼到TTS文本窗口中，然后直接進(jìn)行測(cè)試。TTS是給普通用戶聽的，不是給專家聽的，其直觀的效果最重要。

流程是人性化服務(wù)的保證

　　流程設(shè)計(jì)是質(zhì)量控制的核心，即使語音識(shí)別的準(zhǔn)確率再高，也不可能達(dá)到100%。因此，設(shè)計(jì)一個(gè)好的流程來幫助和引導(dǎo)用戶，并克服語音識(shí)別的新問題，是提高語音門戶服務(wù)質(zhì)量的核心。同時(shí)，一個(gè)好的流程，也是為運(yùn)營(yíng)商創(chuàng)造價(jià)值的基礎(chǔ)。

　　1．有別于IVR的流程

　　受電話按鍵的束縛，傳統(tǒng)的按鍵信息服務(wù)系統(tǒng)（IVR）必須把各種服務(wù)分成多層，或者開設(shè)多個(gè)電話號(hào)碼。

　�。�1）新的“層”概念

　　由于引入了自然語言識(shí)別技術(shù)，在語音門戶中，“層”被授予了新的內(nèi)容。它不是一個(gè)機(jī)械的分類標(biāo)準(zhǔn)，而是幫助用戶的導(dǎo)航界面。它將引導(dǎo)新用戶一步步接近目標(biāo)，并幫助老用戶直接達(dá)到目標(biāo)。語音門戶可以在原有結(jié)構(gòu)的技術(shù)上引入語音導(dǎo)航，也可以打破原有結(jié)構(gòu)，建立新的、更適用于語音導(dǎo)航的流程。

　�。�2）實(shí)現(xiàn)任意跳轉(zhuǎn)

　　傳統(tǒng)的IVR系統(tǒng)中，如果用戶通過多次按鍵，進(jìn)入了某項(xiàng)服務(wù)，就很難訪問另一個(gè)服務(wù)。這時(shí)，用戶要么必須根據(jù)系統(tǒng)提示，逐層返回、逐層進(jìn)入；要么已經(jīng)在系統(tǒng)中迷路，無法進(jìn)入其他路徑，只能掛斷電話，再次撥入。而語音導(dǎo)航能夠聽懂用戶的需求，可直接跳入另一欄目或服務(wù)，不必逐層返回和進(jìn)入。

　　2．語言學(xué)處理

　　語言是“活”的，因此，語音門戶也必須能夠靈活地處理用戶需求。

　　（1）多音詞和同義詞：系統(tǒng)必須能夠自動(dòng)處理多音詞/字和同義詞，才能滿足不同的客戶需求，保證識(shí)別率和服務(wù)品質(zhì)。

　　（2）無義詞：系統(tǒng)必須能夠自動(dòng)過濾沒有意義的詞/字，減少對(duì)用戶的約束，提高人機(jī)對(duì)話的自然度。

　　（3）口音適應(yīng)：中國(guó)地域廣大，人口眾多，方言和口音十分復(fù)雜。因此，除為特定區(qū)域的用戶提供專用的語言引擎外，普通話引擎要適應(yīng)帶有一定口音的用戶。系統(tǒng)集成商還需要根據(jù)使用情況對(duì)系統(tǒng)進(jìn)行調(diào)整，建立自學(xué)系統(tǒng)，不斷提高系統(tǒng)的識(shí)別率。

　　3．人性化提示和錯(cuò)誤處理

　�。�1）不同的提示和幫助：要根據(jù)不同的情景提供提示和幫助界面，如，有時(shí)需要嚴(yán)肅，有時(shí)需要活潑。

　�。�2）人性化引導(dǎo)：要提供人性化的提示和引導(dǎo)，才能發(fā)揮語音導(dǎo)航和服務(wù)的優(yōu)勢(shì)。

　�。�3）錯(cuò)誤處理：在聽覺上，機(jī)器不如真實(shí)的人，不可能有100%的識(shí)別率。如何處理錯(cuò)誤，讓用戶理解并愉快地接受，就需要制定錯(cuò)誤處理原則并靈活地運(yùn)用技巧。基本的系統(tǒng)應(yīng)該對(duì)用戶沒有講話、用戶講錯(cuò)了話、系統(tǒng)只聽懂一部分等現(xiàn)象具有判斷能力。

語音門戶的弱點(diǎn)

　　語音門戶不是萬能的，它在一段時(shí)間內(nèi)沒有得到大面積的普及和推廣，是由于其自身尚存在著一些弱點(diǎn)，其中，主要是信息量有限的問題。

　　語音門戶主要提供語音服務(wù)，但聽覺能夠接收的信息量是有限的，遠(yuǎn)遠(yuǎn)小于視覺能夠提供的信息量。有些語音服務(wù)，如讀E-mail、語音上網(wǎng)等，僅僅是應(yīng)急時(shí)的需要，不能替代傳統(tǒng)的電子郵件和瀏覽器。同時(shí)，并不是所有的信息發(fā)布和服務(wù)都適用于語音門戶，那些信息量大、更適合視覺瀏覽的信息就不適用于語音門戶。

計(jì)算機(jī)世界報(bào) 2002/01/30