1 引言
IVR系統（Interactive Voice Response）,即交互式語音應答系統，它被應用于呼叫中心(Call Center),以提高呼叫服務的質量、減輕服務員的工作強度并節省費用，是呼叫中心實現人機交互的重要門戶，在傳統的IVR系統中，用戶與系統交互的方式是通過電話的鍵盤。通常，用戶在進入IVR系統后，會聽到相關的語音提示選單，根據自己的需要可以按下鍵盤上相關的按鍵。系統通過DTMF信號傳送用戶按下的鍵，同時也將用戶的請求傳送給系統，從而觸發相關的語音信息。然而，傳統的電話僅能通過DTMF信號，傳送有限的幾個數字及符號按鍵。這使得用戶與系統的交互界面受到很大的限制，同時也就使得IVR系統的信息查詢范圍變得相當狹窄，用戶在實際使用時會感到諸多不便。
隨著計算機技術和人工智能總體技術的發展，自然語言理解不斷取得進展。語音識別系統已成為一個越來越廣泛的應用方向。由于電話網絡的普及性，自然語言處理系統在電話信道上的應用已成為最重要的應用之一。而且隨著移動通信技術的發展和人們對于信息獲取的移動性的需求不斷增加，市場對于電話語音識別系統的需求也不斷的增加。因此在新一代呼叫中心的IVR系統中引入了語音識別技術作為用戶的輸入手段，用戶可以直接用語音與系統進行交互，這樣大大提高了工作效率。
2 系統流程及主要模塊
本系統目標是支持多用戶并發查詢車輛違章信息和駕駛證信息。用戶使用自然的語言說出需查詢信息的類別和車牌號碼，系統識別后將識別結果反饋給用戶，經用戶確認后，系統把識別結果作為后臺數據庫查詢的關鍵字進行查詢，并將查詢結果播放給用戶。其流程見圖1。本系統主要包括以下幾個模塊：
話路處理模塊：以并發的方式控制和管理各電話話路。
語音識別模塊：負責查詢類別和車牌號碼的識別。
后臺數據庫查詢模塊：將語音識別的結果作為數據庫查詢的關鍵字進行查詢。
圖1 車輛違章信息和駕駛證信息查詢系統流程圖
3 話路處理模塊的實現
本系統的硬件部分是由電話語音卡和一臺PC機組成，語音卡通過其提供的語音處理和信令處理能力，來實現用戶的接入請求和掛機信號的檢測，并負責錄音和回放語音。本系統采用的是東進D161A語音卡。該語音卡可接入16條模擬電話線，提供16路以內的話路并行處理能力。其主要功能有：（1）自動增益控制及語音信號的壓擴變換；（2）采集和播放各種格式的電話語音信號，實現A律PCM、μ律PCM、ADPCM等算法；（3）辨識和產生DTMF信號；（4）ITU-TSS G3傳真功能。
話路處理的主要任務是電話振鈴檢測，播放系統提示語音信息，接受用戶的按鍵請求和語音請求，與后臺數據庫模塊通訊，檢索結果的語音合成和播放。整個模塊有點類似于一個有限狀態機，在程序設計時要跟蹤系統所處的狀態進行相應的動作，并進入下一個狀態，其程序流程如圖2所示。
本系統話路處理模塊的關鍵部分是語音數據的實時采集。東進語音卡在這方面提供了一系列接口函數，如：StartRecordFile、StartRecordFileNew、VR_StartRecord等。這幾個函數都能夠實現對通道的錄音，所不同的是前兩個函數將語音數據保存到磁盤文件，后一個函數則將語音數據保存到存儲器緩沖區。由于我們要實現的是一個實時語音識別系統，因此我們采用后者來采集語音數據。在開始錄音之前，我們首先調用VR_SetEcrMode函數啟動回聲抑制功能，然后每隔一段時間調用一次VR_GetRecordData函數取得錄音數據，并將其送入語音識別引擎。當語音識別引擎有識別結果返回時，停止錄音，并根據識別結果轉入下一個狀態。
圖2 話路處理流程
4 語音識別模塊的實現
語音識別系統的開發可以采用基于模板匹配的動態時間規整（DTW）、基于統計參數模型的隱馬爾可夫模型（HMM），神經網絡等技術，他們都是針對某些具體應用的，其模型參數的獲得需要對大規模的樣本進行學習，對于非特定人語音識別往往需要采集數百人的語音樣本，其工作量是相當大的。隨著語音研究的不斷發展，已經出現了眾多的語音識別開發工具：如Microsoft Speech SDK，IBM ViaVoice等。他們都提供了語音識別和語音合成的二次開發平臺，并且微軟的Speech SDK是完全免費的，它具有識別率高，識別速度快，可移植性好，支持多種語言等優點。因此它被廣泛應用于各個領域。
4.1 Microsoft Speech SDK 5.1簡介
SAPI SDK是微軟公司免費提供的語音應用開發工具包，這個SDK中包含了語音應用設計接口（SAPI）、微軟的連續語音識別引擎（MCSR）以及微軟的語音合成（TTS）引擎等等。目前的5.1版本一共可以支持3種語言的識別 (英語，漢語和日語)以及2種語言的合成（英語和漢語）。SAPI中還包括對于低層控制和高度適應性的直接語音管理、訓練向導、事件、語法編譯、資源、語音識別(SR)管理以及TTS管理等強大的設計接口。
語音識別的功能主要由一系列COM接口協調完成。其中主要的接口有下面這些：
IspRecognizer接口：用于創建語音識別引擎的實例,識別引擎有兩種:獨占引擎(InProcRecognizer)和共享引擎(SharedRecognizer)。獨占的引擎對象是在本程序的進程中創建，只能由本應用程序使用,而共享的引擎是在一個單獨的進程中創建，可以供多個應用程序共同使用。
IspRecoContext接口：主要用于接受和發送與語音識別消息相關的事件消息,裝載和卸載識別語法資源
IspRecoGrammar接口：通過這個接口,應用程序可以載入并激活語法規則,而語法規則里定義了待識別的單詞、短語和句子。通常語法規則有兩種:聽寫語法(DictationGrammer)和命令控制語法(CommandandControlGrammer)。聽寫語法用于連續語音識別,可以識別出引擎詞典中大量的詞匯;命令控制語法用于識別用戶自定義的詞匯。
IspPhrase接口：通過這個接口，應用程序可以獲得識別信息，如：如識別結果、識別的規則、語義標示和屬性信息等。
IspAudioPlug接口：通過這個接口，應用程序可以將內存中的語音數據送到語音識別引擎，進行識別。
4.2 識別模塊的具體實現
由于命令控制語法方式可以限制識別的詞匯量，并且這種識別技術不需要對說話人事先進行訓練，因此在實際應用中具有較高的魯棒性和較高的識別效率。本系統的識別詞匯包括：車輛信息查詢”、駕駛證信息查詢”和26個英文字母10個數字，我們首先編寫了包含這些特定詞匯的語法文件。
在使用接口函數前，首先調用CoInitialize(NULL)初始化COM對象，然后創建語音識別引擎、語法規則上下文和識別語法，并調用函數LoadCmdFromFile裝載文法識別規則。微軟識別引擎是通過SAPI由事件觸發來通知上層的應用程序。可以調用SetInterest來注冊自己感興趣的事件。系統默認的事件為SPEI_RECOGNITION，該事件表明當前已有識別結果返回，這時上層應用程序可以通過調用ISpRecoResult接口的GetText方法獲得識別結果。
微軟識別引擎的語音輸入有多種方式，通常都是通過聲卡直接輸入，也可以通過其他語音輸入流。本系統的語音數據是從語音卡取得的實時數據，將其存入內存，然后通過調用ISpAudioPlug的SetData方法將其送入識別引擎。
4.3 系統實現的難點和解決方案
車牌的識別詞匯中包含10個數字和26個英文字母，這些詞匯的發音有許多是相同或相近的，比如：E和1，R和2，T和7，D和B，M和N，X和S。這些詞匯在識別時很容易產生誤識，有的甚至完全不能識別。如果單從算法上來考慮，是很難解決這些問題的。因此我們考慮從系統的流程出發，當用戶認為識別有誤時，可以輸入識別錯誤的位數，然后系統根據用戶的輸入，提供幾個備選結果，供用戶選擇，這樣極大的提高了系統識別率。
然而Microsoft Speech SDK 5.1在命令控制語法方式下是不提供多選的，只有在聽寫方式下才提供多選，但是聽寫方式下的詞匯量又無法限制。對此我們的想法是這樣的：當系統識別出結果以后，將有效語音段保存起來，并且把識別結果從命令控制方式下的詞匯量中移除，然后將保存有效語音段再次送入識別引擎，當系統識別出結果以后，再次重復以上步驟，直到識別出給定個數的結果。
5 操作方法
用戶用清晰、自然的語調說出需查詢信息的類別，如：車輛信息查詢、駕駛證信息查詢，系統識別模塊識別出結果后，轉入相應的信息查詢模塊。當用戶需要查詢車輛信息時，首先要求用清晰、較緩慢的語調說出車牌號,系統識別模塊識別出結果后，通過TTS將結果播放給用戶。這時用戶可以輸入車牌號碼中識別錯誤的位數，系統根據用戶的輸入提供7個備選結果讓用戶進行選擇。用戶選擇確認無誤后，系統將結果遞交給后臺數據庫進行查詢，并將檢索到的信息播放給用戶。
6 試驗結果及分析
對于信息類別的識別由于其詞匯量少，音節較多，所以識別率很高，達到了100%。但是對于字母和數字的組合識別，由于其詞匯量較多，音節簡單，而且有大量相同和相近的詞匯，很容易受到噪聲的干擾，所以識別率不是很理想。然而，當我們提供七個備選結果后，即使在有一定噪音的環境下，系統的識別率達也能達到96%以上。由此表明該系統是穩定的和實用的。
