淺談ASR和TTS技術在CTI中的應用
2004/01/02
什么是ASR、TTS？ASR，英文的全稱是Automated Speech Recognition，即自動語音識別技術，它是一種將人的語音轉換為文本的技術。語音識別是一個多學科交叉的領域，它與聲學、語音學、語言學、數(shù)字信號處理理論、信息論、計算機科學等眾多學科緊密相連。由于語音信號的多樣性和復雜性，目前的語音識別系統(tǒng)只能在一定的限制條件下獲得滿意的性能，或者說只能應用于某些特定的場合。語音識別系統(tǒng)的性能大致取決于以下4類因素：1. 識別詞匯表的大小和語音的復雜性；2. 語音信號的質量；3. 單個說話人還是多說話人；4. 硬件。
TTS，英文全稱是TextToSpeech，即文語轉換，又稱為計算機語音合成，它的過程和ASR剛好相反，是把計算機中任意出現(xiàn)的文字轉換成自然流暢的語音輸出。一般認為，語音合成系統(tǒng)包括三個主要的組成部分：文本分析模塊、韻律生成模塊和聲學模塊。目前，TTS的技術已經(jīng)可以達到商業(yè)化的地步。
微軟的SAPI是作為Windows的一部分，已經(jīng)被被集成在Windows里面。相對于其他引擎，他的識別率也比較高，如果做過適應性調整，識別率可以達到90％以上，而且他的開發(fā)包是還可以免費獲取的，各種文檔資源也很齊全，很方便做二次開發(fā)。由于SAPI是作為Windows的一個獨立組件在發(fā)展，版本更新也比較快。
最新的SAPI 3.1提供了基于COM的高級編程接口，應用程序通過這些接口與語音引擎打交道。SAPI將ASR和TTS功能集成在同一個語音引擎中，TTS可以將文本和文件合成為語音，ASR則是將人的聲音信號轉換為可讀的文本或文件。
下面，我們針對兩種不同當前情況，站在業(yè)務開發(fā)商的角度，看如何將ASR和TTS功能附加到我們的應用中去。
帶語音接口的PBX這里還是以MPS2000系統(tǒng)為例，MPS2000是一套面向下一代網(wǎng)絡的、集成了多種業(yè)務能力的交換平臺。它具有很強的接入和組網(wǎng)能力，支持V5.2、SS7、ISDN PRI等信令，以及面向IP的H.323、SIP、MeGaCo等媒體控制協(xié)議。同時，它的業(yè)務資源也非常豐富，有IVR、會議、會議抑制、DTMF、ASR、TTS等資源，能面向各種不同的應用。
在MPS2000系統(tǒng)中，ASR被抽象為一種簡單的可替代DTMF進行語音撥號的資源，用戶提起電話，可以不用按鍵，直接呼叫某人或者說出電話號碼，就可以呼出。TTS則被抽象為一種文本放音的資源，你可以摒棄以往的放音模式（通過路由文件播放），而直接把你想說的文本向用戶放出來
下圖顯示了MPS2000中ASR和TTS的應用層次關系：
杭州邁可行公司供稿 CTI論壇編輯
| 下一代網(wǎng)絡（NGN）的核心組件:軟交換技術 2009-08-18 |
| 專業(yè)通信調度系統(tǒng)服務中石化華東成品油管網(wǎng)工程 2009-05-19 |
| 邁可行建設江西省政府應急指揮系統(tǒng) 2009-04-21 |
| 邁可行通信建立新的合作伙伴管理體系 2009-03-17 |
| 邁可行承建中石油呼和浩特煉油廠混合調度系統(tǒng) 2009-03-06 |