廣州市行政學(xué)院信息網(wǎng)絡(luò)中心 郭瑞GUO Rui

基于ASR的呼叫中心系統(tǒng)設(shè)計(jì)與可靠性研究

廣州市行政學(xué)院信息網(wǎng)絡(luò)中心 郭瑞GUO Rui

本文以I T運(yùn)行維護(hù)的故障申報(bào)系統(tǒng)為例，介紹如何利用Nu a n c e Re c o g n i z e r 9.0自動(dòng)語音識(shí)別系統(tǒng)和東進(jìn)D 0 8 1 A模擬中繼語音卡電話處理系統(tǒng)設(shè)計(jì)基于A S R（自動(dòng)語音識(shí)別）的呼叫中心。文中不僅介紹了設(shè)計(jì)過程中的各個(gè)關(guān)鍵環(huán)節(jié)，而且對(duì)該系統(tǒng)的可靠性進(jìn)行了深入討論。其中包括如何合理設(shè)計(jì)語法文件以提高語音識(shí)別率；如何在系統(tǒng)運(yùn)行期間進(jìn)行同步保障，使系統(tǒng)逐步趨于完善。

自動(dòng)語音識(shí)別(A S R)；呼叫中心；語法文件；同步保障

1.景

由于信息技術(shù)的蓬勃發(fā)展，大到政府的服務(wù)機(jī)構(gòu)，小到私營(yíng)企業(yè)的服務(wù)部門，大都采用電話方式進(jìn)行客戶服務(wù)。隨著服務(wù)任務(wù)量逐漸加大，呼叫中心孕育而生。呼叫中心的主要功能是接聽客戶來電并給予相應(yīng)服務(wù)。早期的呼叫中心采用人工接聽方式，這樣需要消耗大量的人力?，F(xiàn)在雖然有了讓用戶通過電話按鍵進(jìn)行交互的自動(dòng)呼叫中心，但在一次服務(wù)中用戶往往需要反復(fù)選擇按鍵多次，十分不便。采用自動(dòng)語音識(shí)別方式將用戶來電話音直接轉(zhuǎn)換成計(jì)算機(jī)能自動(dòng)處理的文本信息，可以令呼叫中心的服務(wù)更加自動(dòng)化、人性化。

2.音識(shí)別原理

語音識(shí)別技術(shù)就是讓計(jì)算機(jī)通過識(shí)別和理解過程把人類語音信號(hào)轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令的技術(shù)，其目的是讓計(jì)算機(jī)"聽懂"人類口述的語言。不同的語音識(shí)別系統(tǒng)，雖然具體實(shí)現(xiàn)細(xì)節(jié)有所不同，但所采用的識(shí)別原理程序基本相似：[1]（見圖1）

首先，確定語音識(shí)別單元的選取，語音識(shí)別單元有單詞（句）、音節(jié)和音素等3種。單詞（句）單元廣泛應(yīng)用于中小詞匯語音識(shí)別系統(tǒng)，但不適合大詞匯系統(tǒng)。因?yàn)闈h語是單音節(jié)結(jié)構(gòu)的語言，音節(jié)數(shù)量相對(duì)較少，所以音節(jié)單元多用于大詞匯量漢語語音識(shí)別。音素單元以前多見于英語語音識(shí)別的研究中，現(xiàn)在也開始用于大詞匯量漢語語音識(shí)別。之后，進(jìn)行特征提取，去除語音中對(duì)識(shí)別無關(guān)緊要的冗余信息，然后，采用適當(dāng)?shù)恼Z音識(shí)別方法，通過對(duì)確定的語音特征進(jìn)行模擬訓(xùn)練得到模板庫。最后，將待識(shí)別的語音信號(hào)特征與模板庫進(jìn)行模式匹配，從而達(dá)到識(shí)別目的。

3.統(tǒng)設(shè)計(jì)

自動(dòng)語音識(shí)別(Automatic Speech Recognition，簡(jiǎn)稱ASR)系統(tǒng)是一種可以識(shí)別非限定講話者連續(xù)話音的識(shí)別軟件系統(tǒng)。其功能是將人類的語音中的詞匯內(nèi)容轉(zhuǎn)換為計(jì)算機(jī)可讀的符號(hào)輸入。呼叫中心是基于現(xiàn)代通訊技術(shù)，同時(shí)處理大量各種不同的電話呼入和呼出業(yè)務(wù)與服務(wù)的系統(tǒng)。

本文基于自動(dòng)語音識(shí)別的IT運(yùn)維呼叫中心系統(tǒng)(以下簡(jiǎn)稱本系統(tǒng))，將實(shí)現(xiàn)從電話故障申報(bào)語音采集、語音轉(zhuǎn)換成文本、文本信息提交IT運(yùn)維管理工作流的一系列功能。本系統(tǒng)采用東進(jìn)公司出品的D081A模擬中繼語音卡電話處理系統(tǒng)，實(shí)現(xiàn)呼叫中心的基本功能；利用Nuance Recognizer 9.0自動(dòng)語音識(shí)別系統(tǒng)對(duì)采樣的話音進(jìn)行處理，將話音轉(zhuǎn)換成對(duì)應(yīng)的文本，并以統(tǒng)一的XML格式文件作為輸出，將故障申報(bào)信息提交給IT運(yùn)維管理軟件。(見圖2)

由于東進(jìn)公司和Nuance公司的SDK都是基于C語言的標(biāo)準(zhǔn)API函數(shù)接口，本系統(tǒng)使用VC++將電話呼叫中心與自動(dòng)語音識(shí)別系統(tǒng)進(jìn)行整合。

3.1.話呼叫中心

電話申報(bào)作為本系統(tǒng)的輸入模塊，直接將電話線上的話音信號(hào)采樣保存為數(shù)字音頻數(shù)據(jù)。東進(jìn)公司的D081A模擬中繼語音卡可以提供最多8個(gè)通道的模擬話音接入。申報(bào)過程設(shè)計(jì)成簡(jiǎn)單的一問一答形式。由于本系統(tǒng)采用自動(dòng)語音識(shí)別功能，整個(gè)申報(bào)過程無需繁瑣 的 按鍵選擇。

電話接通后，系統(tǒng)將自動(dòng)播放提示音，用戶根據(jù)提示音作出相應(yīng)回答即可。在此期間，系統(tǒng)記錄用戶話音，并交由自動(dòng)語音識(shí)別軟件處理。申報(bào)完成后，系統(tǒng)自動(dòng)輸出確認(rèn)信息，告知用戶故障的受理情況。本文中所涉及的呼叫中心關(guān)注故障申報(bào)人的姓名、故障發(fā)生地和故障描述這3個(gè)關(guān)鍵信息。申報(bào)流程設(shè)計(jì)如下：(見圖3)

3.2.音識(shí)別機(jī)制

自動(dòng)語音識(shí)別技術(shù)即 Automatic Speech Recognition（簡(jiǎn)稱ASR），是指將人說話的語音信號(hào)自動(dòng)轉(zhuǎn)換為可被計(jì)算機(jī)程序所識(shí)別的符號(hào)信息，從而識(shí)別說話人的語音指令及文字內(nèi)容的技術(shù)。

本系統(tǒng)使用Nuance Recognizer 9.0語音識(shí)別軟件(以下簡(jiǎn)稱該軟件)實(shí)現(xiàn)ASR功能。該軟件是一款非特定人語音、大詞匯量、連續(xù)語音識(shí)別軟件。該軟件進(jìn)行語音識(shí)別的核心是標(biāo)準(zhǔn)聲音庫文件和用戶語法文件，本系統(tǒng)使用中文普通話語音庫。識(shí)別過程中，該軟件首先從系統(tǒng)導(dǎo)入用戶語法文件，通過語法文件中按照一定邏輯結(jié)構(gòu)組織的文本信息在標(biāo)準(zhǔn)聲音庫文件中選擇相應(yīng)的聲音數(shù)據(jù)作為模式匹配的樣本。這樣做的好處是，無需在整個(gè)聲音庫文件中進(jìn)行模式匹配，大大加快了識(shí)別的速度。(見圖4)

語法文件作為所需識(shí)別內(nèi)容的總體范圍，所識(shí)別的字、詞在語法文件中按照一定的語言邏輯關(guān)系進(jìn)行組織。這樣做的優(yōu)點(diǎn)是，在識(shí)別之前無需對(duì)說話人的語音進(jìn)行采樣學(xué)習(xí)。語法文件采用Nuance公司定義的grxml格式，它是基于xml標(biāo)準(zhǔn)的一種語法擴(kuò)展。由于自動(dòng)語音識(shí)別結(jié)果的文本內(nèi)容直接來自語法文件，所以語法文件的內(nèi)容直接關(guān)系到識(shí)別的成功率。開發(fā)者必須根據(jù)實(shí)際應(yīng)用需要編寫ASR的語法文件，并不斷充實(shí)完善它。

以下是本系統(tǒng)中識(shí)別房間號(hào)碼的語法文件：

〈?xml version='1.0'encoding='GB'?>

〈grammar xml:lang="zh-cn"version="1.0"xmlns="http://www.w3.org/2001/06/grammar"root="RoomNum">

〈meta name="swirec_max_speech_duration"content="14000"/>

〈meta name="incompletetimeout" content="1500"/>

〈rule id="RoomNum"scope="public">

〈tag>name=''〈/tag>

〈Item>辦公樓〈tag>name="辦公樓"〈/tag>〈/

item>

〈Item>〈ruleref uri="#S"/>〈tag>name+=S.V

〈/tag>〈/item> 〈item>〈tag>SWI_meaning

=name;RESULT=SWI_meaning〈/tag>〈/item>

〈/rule>

〈rule id="S">

〈ruleref uri="#DIGIT"tag="V=DIGIT.V"/>

〈ruleref uri="#DIGIT"tag="V+=DIGIT.V"/>

〈ruleref uri="#DIGIT"tag="V+=DIGIT.V"/>

〈/rule>

〈rule id="DIGIT">

〈one-of>

〈item tag="V='0'">零〈/item>

〈item tag="V='1'">

〈one-of>

〈Item>一〈/item>

〈item>幺〈/item>

〈/one-of>

〈/item>

〈item tag="V='2'">二〈/item>

〈item tag="V='3'">三〈/item>

〈item tag="V='4'">四〈/item>

〈item tag="V='5'">五〈/item>

〈item tag="V='6'">六〈/item>

〈item tag="V='7'">七〈/item>

〈item tag="V='8'">八〈/item>

〈item tag="V='9'">九〈/item>

〈/one-of>

〈/rule>

〈/grammar>

3.3.音識(shí)別實(shí)現(xiàn)

本系統(tǒng)利用該軟件的SDK實(shí)現(xiàn)自動(dòng)語音識(shí)別功能。SDK由多個(gè)模塊組成，每個(gè)模塊提供一組API函數(shù)實(shí)現(xiàn)特定功能。本系統(tǒng)使用其中話音檢測(cè)器(Speech detector)和語音識(shí)別器(Recognizer)兩個(gè)模塊。話音檢測(cè)器用于對(duì)輸入的數(shù)字音頻數(shù)據(jù)進(jìn)行預(yù)處理，經(jīng)過預(yù)處理的數(shù)據(jù)輸入到語音識(shí)別器中進(jìn)行識(shí)別分析。(圖5)

要實(shí)現(xiàn)語音識(shí)別功能，API接口函數(shù)必須被正確按順序調(diào)用。(見圖6)

圖5.

系統(tǒng)啟動(dòng)時(shí)，必須用 SWIepInit()和SWIrec-Init()函數(shù)初始化話音檢測(cè)器和語音識(shí)別器。否則其它API函數(shù)無法工作。之后用SWIepDetectorCreate()和SWIrecRecognizerCreate()函數(shù)分別創(chuàng)建話音檢測(cè)器和語音識(shí)別器對(duì)象。

啟動(dòng)完成后，首先用SWIrecGrammarLoad()函數(shù)加載用戶定義的語法文件，并用SWIrecGrammar-Activate()函數(shù)將其激活。每次識(shí)別前，必須使用SWIrecSessionStart()和SWIrecAcousticState-Reset()函數(shù)對(duì)聲學(xué)處理模塊進(jìn)行復(fù)位。

本系統(tǒng)的語音識(shí)別采用多線程設(shè)計(jì)，每次語音識(shí)別都作為一個(gè)獨(dú)立線程。在單個(gè)線程中，語音識(shí)別器將啟用話音檢測(cè)器載入數(shù)字音頻數(shù)據(jù)并進(jìn)行預(yù)處理。預(yù)處理開始前，必須使用SWIepSessionSta-Rt()函數(shù)開啟話音檢測(cè)會(huì)話，并使用SWIepAcous-TicStateReset()函數(shù)復(fù)位聲學(xué)處理模塊的相關(guān)組件。預(yù)處理過程中，SWIepStart()和SWIepStop()函數(shù)控制話音檢測(cè)器工作和停止；利用SWIepWrite()函數(shù)向話音檢測(cè)器中寫入需要預(yù)處理的數(shù)字音頻數(shù)據(jù)；處理完畢后，利用SWIepRead()函數(shù)從話音檢測(cè)器中讀取處理結(jié)果數(shù)據(jù)。語音識(shí)別器使用SWIrecRecognizerCompute()函數(shù)根據(jù)所載入的語法文件對(duì)經(jīng)過預(yù)處理的話音數(shù)據(jù)進(jìn)行識(shí)別。

識(shí)別結(jié)束后，利用SWIrecGetXMLResult()函數(shù)將識(shí)別結(jié)果保存為XML格式的標(biāo)準(zhǔn)文件作為語音識(shí)別的輸出。同時(shí)利用SWIrecGetWaveform()和SWIrecLogEvent()函數(shù)記錄預(yù)處理后的波形數(shù)據(jù)和系統(tǒng)運(yùn)行狀態(tài)信息。

關(guān)閉系統(tǒng)時(shí)，必須使用SWIrecGrammarFree()函數(shù)釋放語法文件資源，并用SWIepDetectorDest-Roy()和SWIrecRecognizerDeStroy()函數(shù)銷毀所有話音檢測(cè)器和語音識(shí)別器對(duì)象。之后利用SWIepTerminate()和SWIrecTerminAte()函數(shù)終止話音檢測(cè)器和語音識(shí)別器組建，釋放所有資源。值得注意的是，在終止之前，必須將所有話音檢測(cè)器和語音識(shí)別器對(duì)象銷毀，否則終止操作將會(huì)失敗。

3.4.音識(shí)別結(jié)果

語音識(shí)別結(jié)果以XML文件格式輸出。對(duì)于同一段話音，難免出現(xiàn)發(fā)音相近的識(shí)別結(jié)果，這時(shí)，系統(tǒng)將根據(jù)匹配度從高到低的順序?qū)ψR(shí)別結(jié)果進(jìn)行排序。下面是一段識(shí)別結(jié)果的XML文件示例，可見“電腦壞了”的匹配度為“90”，而“編碼壞了”的匹配度為“8”，于是“電腦壞了”將作為結(jié)果輸出。

〈result>

〈interpretation grammar="DigitsGrammar"confidence="90">

〈input mode="speech">〈nomatch>電 腦 壞 了〈/nomatch>〈/input>〈instance/>

〈/Interpretation>

〈interpretation grammar="Digits_Grammar"

Confidence="8">

〈input mode="speech">〈nomatch>編 碼 壞 了〈/nomatch>〈/input>〈instance/>

〈/interpretation>

〈/result>

4.統(tǒng)可靠性

可靠性是系統(tǒng)質(zhì)量的重要指標(biāo)，語音識(shí)別率是本系統(tǒng)可靠性的關(guān)鍵環(huán)節(jié)。完善系統(tǒng)可靠性是一個(gè)長(zhǎng)期的過程，貫穿于軟件的整個(gè)生命周期。

4.1.步保障

為了保障系統(tǒng)正常運(yùn)行，不斷提高其可靠性，本系統(tǒng)采用了同步保障機(jī)制。每次故障申報(bào)電話的音頻數(shù)據(jù)將自動(dòng)保存到系統(tǒng)數(shù)據(jù)庫中，一旦發(fā)現(xiàn)識(shí)別率下降，立即調(diào)出相應(yīng)的話音數(shù)據(jù)進(jìn)行比對(duì)，從中分析出識(shí)別率下降的原因并作出改進(jìn)。采用這一機(jī)制后，數(shù)據(jù)庫中的音頻數(shù)據(jù)量勢(shì)必隨著運(yùn)行時(shí)間的增長(zhǎng)而逐漸加大?？紤]到人說話的聲音頻率在100Hz～8KHz范圍，采用A-law標(biāo)準(zhǔn)將話音數(shù)據(jù)壓縮成8KHz、8bit、單聲道的數(shù)字音頻文件。這樣既能保證話音的保真度，又能有效節(jié)約存儲(chǔ)空間。通過同步保障的機(jī)制，語音識(shí)別率將保持在一個(gè)較高水平，系統(tǒng)可靠性得以保證。

4.2.實(shí)語法文件

合理設(shè)計(jì)語法文件，是提高系統(tǒng)可靠性的重要環(huán)節(jié)。人的話音千差萬別，這就對(duì)語音識(shí)別產(chǎn)生極大挑戰(zhàn)。比如某些人說話帶有方言口音，極易造成識(shí)別錯(cuò)誤。為了保證語音識(shí)別率，系統(tǒng)設(shè)計(jì)的語法文件需要盡量多 地 考慮到人們?nèi)粘？谡Z習(xí)慣。

首先是“一字多音”。比如“一”有可能念成“幺”，那么當(dāng)接收到“幺”的話音應(yīng)該同樣識(shí)別為“一”。于是就有了如下語法文件，將兩個(gè)讀音統(tǒng)一識(shí)別為一個(gè)字。

〈item tag="V='1'">

〈one-of>

〈item>一〈/item>

〈item>幺〈/item>

〈/one-of>

〈/item>

其次是“一音多字”。這種情況更為普遍，特別是在人名中。比如“劉杰”、“劉潔”和“劉捷”等。在這種情況下，為了保證系統(tǒng)可靠運(yùn)行，采用將多個(gè)人名同時(shí)作為識(shí)別結(jié)果輸出的方式解決。如何區(qū)分具體人員，通過上層系統(tǒng)數(shù)據(jù)庫中的信息進(jìn)行二次確認(rèn)。在語法文件中采用如下形式實(shí)現(xiàn)“一音多字”：

〈item>劉 杰 〈tag>V="劉 杰 ,劉 潔 ,劉 捷"〈/tag>〈/item>

除此之外，還有生僻字的問題。這種情況也主要出現(xiàn)在人名中。例如“燊”字，“彧”字等。如果生僻字出現(xiàn)在語法文件中，會(huì)造成語法文件編譯錯(cuò)誤而導(dǎo)致系統(tǒng)無法正常識(shí)別。解決辦法是利用含有生僻字、繁體字的字庫，在語法文件中使用GBK標(biāo)準(zhǔn)。

〈?Xml version='1.0'encoding='GBK'?>

5.結(jié)及展望

本文以IT運(yùn)行維護(hù)系統(tǒng)為例，描述了利用東進(jìn)D081A模擬中繼語音卡電話處理系統(tǒng)和Nuance Recognizer 9.0自動(dòng)語音識(shí)別系統(tǒng)實(shí)現(xiàn)基于ASR的呼叫中心的設(shè)計(jì)過程。本系統(tǒng)不僅適用于維護(hù)人員較少但維護(hù)任務(wù)較重的IT運(yùn)維管理環(huán)境，而且可以根據(jù)需要移植到其它應(yīng)用環(huán)境中。移植過程只需要根據(jù)具體應(yīng)用情況重寫語法文件，適當(dāng)修改呼叫中心服務(wù)流程即可實(shí)現(xiàn)。

雖然本系統(tǒng)已經(jīng)上線運(yùn)行一段時(shí)間，但語音識(shí)別結(jié)果難免出現(xiàn)偏差。為了保證系統(tǒng)可靠運(yùn)行，需要采用同步保障方式。系統(tǒng)同步保存客戶話音作為參考數(shù)據(jù)，一旦出現(xiàn)識(shí)別問題，立即針對(duì)實(shí)際情況修改、充實(shí)語法文件，逐步提高系統(tǒng)的可靠性、健壯性，使系統(tǒng)趨于完善。

[1]《漢語大詞匯量連續(xù)語音識(shí)別系統(tǒng)研究進(jìn)展》倪崇嘉，劉文舉，徐波 《中文信息學(xué)報(bào)》2 0 0 9年1月第2 3卷第1期

[2]《語音識(shí)別技術(shù)研究進(jìn)展》柳春《甘肅科技》2 0 0 8年5月第2 4卷第9期

[3]《語音識(shí)別技術(shù)在數(shù)字圖書館檢索系統(tǒng)中的應(yīng)用》葉小榕，邵晴《科技導(dǎo)報(bào)》2 0 0 8，2 6（1 8）

[4]《基于Nu a n c e平臺(tái)的語音識(shí)別環(huán)境設(shè)計(jì)》譚保華，熊健民，劉幺和 《湖北工業(yè)大學(xué)學(xué)報(bào)》2 0 0 4.6

Design and Reliability Analysis of ASR Call Center System

this article is the description ofASR(Automatic Speech Recognition)call center system design and reliability.as an example,this project uses nuance recognizer 9.0 andDONGJIN D081A analog speech cardto implement the system.the article not only describes eachmodule of the system,but also analyses the system reliability,include how to design grammar file to advance the speech recognition accuracy rate,and how to optimize the system reliabilityby synchronization maintenance.Keyword:ASR(Automatic speech recognition),call center,grammar file,synchronization maintenance,reliability