智能语音机器人交互的设计与实现

1、智能语音机器人交互的设计与实现摘要：随着信息技术的迭代更新，在电话服务场景中智能语音机器人已经慢慢 融入到我们身边。它的出现将对我们的生活产生深远影响。本文分析了智能语音 机器人交互控制的应用落地条件，利用微软语音应用程序接口研发出完整的人机 语音智能系统，详尽描绘了该系统的设计理念及关键程序，其中包括语音识别、 语音合成、语法规则创建和知识库维护等方面的内容，同时对提升该系统识别率 做出了方向性研究。关键词：智能语音机器人；语音识别；电话服务1、概述与关键指标机器人交互，其目的是为让其识别接收有效的语音操作指令，再对比识别内 容做出反映或完成规定动作。其中，语音指令分为两种，一是控制指令，即

2、让机 器人完成指定的操作，如开始充电”、“停止充电”、“开启超声等进而根据识别 结果做出应答或执行指定的操作；正确识别到控制指令需要控制机器人完成对应 操作。另外一种指令是应答指令，如你叫什么名字”、“你会做什么等，识别到 这类指令后机器人需要根据事先设定好的内容应答。为适应现场应用需求，语音交互控制系统应满足以下性能指标：（1）唤醒词的唤醒率90%；（2）近场通用场景识别率95%；（3）远场通用场景识别率92%；（4）识别的响应时210ms。2、流程设计实现机器人语音交互控制的功能需求，可将其分解为语音采集、语音识别、 对话应答和执行操作等四个模块。首先，利用声音传感器采集给定指令者发出的语

3、音信号，分析处理此语音信 号，并提取特征值比对识别结果，据此判定指令类型和此指令是否为合法指令， 进而控制机器人做出相应的应答。识别出合法的应答指令，在应答列表中搜索相 应的应答内容，使机器人说出应答内容以实现人机对话。再利用语音识别确定合 法的操作指令，向机器人发送完成该指令的相关操作。在上述诸环节中，语音信号采集技术成熟、结构简单，完成语音传感器及采 集卡的物理连接，开发语音采集配套程序即可进行语音采集。语音识别是整个系 统中的核心部分，对话应答和执行操作都依赖语音识别的结果。对话应答要求机 器人具备说话能力，通过语音合成技术将应答内容转换为会话语音。执行操作部 分是向机器人发布控制命令，

4、可直接利用机器人已有的指令控制方式。语言交互 控制的处理流程。3、语音交互详细设计语音识别技术本质是，让机器识别给定指令的语音信号，将此信号转变为相 对应的文本命令，其技术主要涵盖特征提取技术、模式匹配准则及模型训练技术。 客观来说，尽管有一些公司提供了某些语音识别的商业应用，但真正高效可靠的 语音识别技术仍然是一个技术难点，相对而言抗干扰性差、对语音输入要求高。当下，市场常用的语音开发工具有两个，其一是微软公司的SAPI语言引擎， 另一个是国内科大讯飞提供的InterReco语音识别系统。对机器人语音交互这类 命令式识别而言，两者效果相当，因科大讯飞开发包成本相对较高，本项目采用 微软的SA

5、PI进行相应开发。SAPI(SpeechApplicationProgramminglnterface)是微软语音开发包(Microso 出 SpeechSDK)提供的关于语音(Speech )处理的一套应用程序编程接口，包含了实现文 字-语音识别(SpeechRecognition)和语音合成(Text-to-Speech)程序的基本函数，将 更多的优化了语音变成的难度，降低了项目的工作总量。微软SAPI的主要架构， 是利用引擎中的语音系统链接到设备驱动接口 DDI层SAPI运行库进行采样对比， 应用程序利用其接口 API层和SAPI交互。使API进行语音识别和语音合成等方面 的研发。现阶段

6、SAPI构建出的语音识别系统有两种常规识别模式：语音指令控制模式 和语音听写模式。前者的模式结构其语音识别系统，适用于小词汇量、孤立词和 非特定人的语音识别，需要研发人员构建语法的规则，识别范围将受限于语法规 则所涉及的短词字句，其适应性差但内容识别相对准确。后者的模式结构其构建 的语音系统适用于大词汇量的语音识别，无需构建复杂的语法规则，语音识别的 适用性极强，但是是比率相对较低。语音交互间的指令是有限且固定的，所以我们应采用识别率更高的指令控制 识别构架。按照SAPI的开发流程，完成语音识别的基础配置与初始化的识别引擎 即可进行语音识别。识别规则是语音指令识别模式的基础，是对能够识别的命令

7、库的标准化说明。 SAPI的语法规则采用XML(eXtensibleMarkupLanguage，可扩展标记语言)格式。在 进行识别工作之前需要编写一个语法规则文件，其中定义了需要识别的字和短语， SDK语音识别引擎加载该语法规则来识别用户的语音。XML中的元素或每一个个体都是由开始标记属性名和结束标记/属性名所 组成，其中间部分的语句就是该元素或每一个个体所包含的文法内容。文法的内 容可以是普通文字，或者是文法元素的子元素。XML规范中对于合法的文法内容 的正式定义是采用多集合表达式的形式。我们使用上述定义，就能够准确描述文 件的语法和文法规则。在文法中，P和/P中插入的是一组待识别的字或短

8、语， 而L/L中插入的是以P/P为可选择项的可能匹配用户语音的字或短语。利用机器人语音交互控制中的常规语法规则，例如：GRAMMARLANGID=,804, 就指明了识别对象为中文汉字，在整个识别过程中系统会自动调用汉语声学模型 位于P和/P之间的是诸条识别命令。XML语法文件会根据识别命令手工编辑， 当识别的命令发生变化时需加载XML文件保持同步更新，语音识别引擎才能识别 新的指令。所以手工编辑方式对于更新语法难度更高，在开发过程中需要根据 XML规则实现语法文件的程序化更新，采用MSXML2:IXMLDOMDocumentPtr和 MSXML2:IXMLDOMElementPtr 对 XM

9、L 文件进行编辑。在语音合成阶段(又称文语转换)，能把任意文字信息根据规则转换为标准 流畅的语音声波，并朗读给指令发起人，通过计算机语音合成，可将任何时候、 任意文本转换成有高流畅度的语音，从而真正实现了机器人的拟人化应答。至此 为机器人语音交互应答的需求。利用微软SAPI来进行语音合成的步骤同语音识别基本相同，也包含了基本设 置(音量和语速)和引擎初始化。但问题的关键在于所选的发音库，即让机器人以 什么样的腔调说话。微软SAPI包含了中英文的发音库，但在SAPI5.4及以下版本 里中文发音类型少且效果较差；可通过安装第三方的语音库增强语音合成效果， 如Neospeech语音库。4、结论为使智能语音机器人的语音交互功能逐步优化，根据应用需求设计了一整条 语音交互研发过程。在此基础上链接基于微软语音应用程序接口 SAPI,实现了一 套人机语音交互控制系统。在测试结果中显示，系统的各项性能指标满足设计要 求。限于语音识别技术的发展水平，机器人的语音识别能力与人相比还有很大差 距，仍是下一步亟须解决的问题。参考文献：李安琪，苏伟，吴燕.服务机器人技术的发展J.科教导刊-电子版(下旬),2018,(11):261-262.李强，乔克，颜红，江熙.基