Technischer Report Mensch-Maschine Schnittstelle. VoiceXML. Christian Brennsteiner. Salzburg, 23. April 2002

Transkript

1 Technischer Report Mensch-Maschine Schnittstelle VoiceXML Christian Brennsteiner Salzburg, 23. April 2002 Fachhochschule Salzburg für angewandte Wissenschaften und Technologien Telekommunikationstechnik und -systeme Schillerstrasse 30 A-5020 Salzburg

2 Inhaltsverzeichnis 1 Einleitung 3 2 Allgemeines Geschichte Möglichkeiten und Chancen Spezifikation Elemente von VXML VXML = XML Output Input Architektur einer Beispielapplikation 8 5 Szenario 9 6 Fazit 11 2

3 1 Einleitung VoiceXML ist eine Spezifikation des W3C und ermöglicht die sprachunterstüzte Führung von Usern im WWW und eignet sich somit auch sehr gut für sehbehinderte Personen. Desweiteren hat VoiceXML auch Chancen im Wireless Bereich durch zu kleine Displays etc. VoiceXML hat die Fähigkeiten audio output, audio input, Präsentationslayer, Kontrollfluss, event handling und einfache Telephonie Verbindungen zu kontrollieren. VoiceXML, the Voice Extensible Markup Language. VoiceXML is designed for creating audio dialogs that feature synthesized speech, digitized audio, recognition of spoken and DTMF key input, recording of spoken input, telephony, and mixed-initiative conversations. Its major goal is to bring the advantages of web-based development and content delivery to interactive voice response applications.[w3c01] 3

4 2 Allgemeines 2.1 Geschichte Den Anfang nahm VoiceXML im Jahr 1999 in einem Problem das bis dahin jeden plagte der IVR (integrated voice recognition) Programme entwickelte, es gab keine Standards zur Bildung von IVR Programmen, jede Lösung wurde zu einer Insellösung, Kompatibilitäten ausgeschlossen. Im März 1999 eröffneten Lucent, Motorola und AT&T das VoiceXML Forum und setzte sich zum Ziel Internet Content und Information via Sprache und Telephon zugänglich zu machen. Nach dieser Gründung traten in kürzester Zeit auch andere namhafte Firmen (z.b. Oracle) dem Forum bei. Mit diesen Firmen im Hintergrund ist VoiceXML zur Zeit weltführend in Sachen Programmierschnittstellen für Sprach Ein und Ausgaben. 2.2 Möglichkeiten und Chancen VoiceXML bringt durch seine Einfachheit und Flexibilität ungeahnte Möglichkeiten und ganz neue Schnittstellen so könnte man zum Beispiel durch die Errichtung von Gateways die HTML wie wir es kenne und jeden Tag auf Webseiten ansehen über ein XSLT zu einem VoiceXML file transformieren. Durch diese Transformation ist diese Webseite nun über die Lautsprecher einer am Computer angeschlossenen Stereoanlage oder durch ein Telefon das an einem Vxml Gateway angeschlossen ist abhörbar. Die Vorteile dieses Umstandes könnten auch Blinden, Analphabeten oder Leuten die mit der heutigen technik nicht so leicht zurechtkommen nutzen. Bei eine solche automatisierte Umwandlung durch XSLTs muss aber auf jeden Fall darauf geachtet werden dass, die Webseiten welche wir kennen z.b. enthalten in unserer heutigen Welt bis zu 200 Links pro Seite. Dieser Umstand wäre für einen Voicebroser eine zu große Datenflut und somit wären in diesem Fall schwer die Wesentlichen Funktionen einer Webpage zu erkennen. Aus diesem Grund müssten solche Voicebrowser eine Art Filter für wesentliche Dinge haben. 2.3 Spezifikation Der im ersten Quartal des Jahres 2000 entstandene und vorgelegte Entwurf für VoiceXML wurde sehr schnell zur Spezifikation 1.0 und ist ein Standard zur Implementierung eines IVR. Zur Zeit liegt dem W3C der Entwurf zum 2.0 Standard für VoiceXML 4

5 Kapitel 2. Allgemeines vor. Laut Standard 2.0 beschreibt VoiceXML die unten aufgezählten Mensch Maschine Schnittstellen. 1. Synthetische Sprachausgabe 2. Ausgaben von Audiodateien 3. Spracherkennung 4. Erkennung von Tonwahlimpulsen 5. Aufnahme von Spracheingaben 6. Telefondienste wie Anruf Weiterleitung und Verbindungsabbruch 5

6 3 Elemente von VXML 3.1 VXML = XML Da VoiceXML ja nur eine bestimmte form von XML ist muss auch ein solches Dokument mit <?xml version"1.0"?> beginnen, danach folgt die für VoieceXML markante Zeile <vxml version"1.0">. In einem VoiceXML Dokument spielen auch noch zwei weitere Tags eine grosse Rolle: der <from> tag der ein Ausfüllen von Inputfeldern, auswählen von Dropdowns oder anwählen von Optionsfeldern ermöglicht und somit zur Kommunikation (Datenaustausch User - Applikationserver) verfügbar ist. Als zweites sollte der zur Navigation verwendete Tag <menue> erwähnt werden. Dieser Tag ist im Allgemeinen nichts anderes als eine Sammlung von einem oder mehreren Links die vom Nutzer angesteuert werden können. 3.2 Output Die Ausgabe der in einem Formular befindlichen Punkte kann laut Standard in zwei verschiedenen Formen geschehen: 1. TTS (text to speech) Interpreter (z.b. Microsoft SAM) 2. Sounddatei xy.wav abspielen die auf einem Server hinterlegt ist Ein TTS System hat grundsätzlich die Nachteile dass es nicht allzu menschenähnlich klingt und sehr hohe CPU Zeiten auf der TTS Seite verursacht aber dafür eine enorme Ersparniss an Bandbreite garantiert. Bei einer Audiodatei ergeben sich zwangsweise höhere kosten beim erstellen einer voicexml Seite (verursacht durch die Produktion aller gesprochenen Punkte). Wie sich in der Praxis gezeigt hat erfreut sich die Methode mit Sounddateien abzuspielen auch bei niedrigen Tonqualitäten einer viel größeren Kunden(User)-Akzeptanz als die TTS Methode. 3.3 Input Der Input solcher Applikationen kann laut Standard aufzwei verschiedene Arten erfolgen. 1. ASR (automatic speech recognition; versprechen leichte bedienung der Applikation) 6

7 Kapitel 3. Elemente von VXML 2. DTMF Signale (vertrauliche Daten) Mit Zuhilfenahme eines ASR Systems kann man Sprache als Inputsignal für Anwendungen benutzen. Da in diesem Bereich noch nicht all zuviele ausgereifte und fehlertolerante Produkte vorliegen werden in der Regel DTMF Impulse die man aus dem Telekom Bereich kennt als User Input ausgewertet. Durch den Einsatz eines DTMF Inputs wird aber auch eine Eingabe von vertraulichen Daten oder die Bedienung durch Sprachbehinderten ermöglicht bzw. unterstützt. 7

8 4 Architektur einer Beispielapplikation In Figur 4.1 ist eine typische Applikation im Umfeld VoiceXML abgebildet. Die Komponenten sind: 1. Telephon (UI) 2. Telephon Netzwerk (Internet Provider) 3. Telephon VoiceXML Server 4. Internet (Verbindungswolke TCP/IP) 5. Application Server (z.b. http oder https Server) Diese Komponenten dienen dazu dass der Benutzer reibungslos die Applikation(en) Sprach oder DTMF gesteuert bedienen kann. Diese Applikationen könnten gewöhnliche Webapplikationen wie zum Beispiel ein Onlineshop oder ein Telefonnummernarchief sein. [Reh01] Abbildung 4.1: VXML Gateway 8

9 5 Szenario Zur Demonstration einer einfachen VoiceXML Webseite wird der Untenstehenden Code ausführlich erklärt. Die ersten zwei Zeilen Beschreiben die Zusammensetzung (Typ) des Dokuments. Menu ist ein Tag um Menüs zu öffnen und muss eine eindeutige ID besitzen. Der Prompt Tag ist zur Ausgabe von Menüeinträgen. In diesem fall wäre das voicxml auf eine Eingabe durch ein IVR System konfiguriert und vergleicht den Input mit den als choice gegebenen Optionen. Wenn der User die optionen Zeitung Kinoprogramm auswählt wird er zu anderen Voicexml geführten seiten gelinkt 1. Bei Auswahl von hello wird nur ein weiter unten stehender Block mittels anchor erreicht und vorgelesen und dann wieder auf das Menü mittels goto zurückgesprungen. Falls keine dieser Optionen vergleichbar mit dem Input ist oder falls kein Input Erfolg oder falls jemand mit dem wort help die Hilfefunktion aktiviert wird das durch ein catch Segment in Zeile 12 aufgefangen. In der catch Anweisung wird ein einfaches form mit einer Ausgabe und dann nochmals die Eingabeaufforderung vorgelesen. <?xml version ="1.0"?> <vxml version="2.0"> <menu id="menid"> <prompt> Willkommen zu ihrem pers\"{o}nlichen Webportal! Bitte w\"{a}hlen sie zwischen kinoprogramm, Zeitung, , und helloworld. </prompt> <choice next=" <choice next=" <choice next="mail.yahoo.com"> </choice> <choice next="#hello">hello</choice> <catch event="noinput help nomatch"> <form id="noimphelpnomatch"> <block> Die eingabe war ung\"{u}ltig oder nicht vorhanden ich wiederhole nun die eingabem\"{o}glichkeiten </block> </form> <reprompt /> </catch> </menu> <form id="hello"> <block> hello world! <goto next="menid" > 1 falls die anderen Seiten keine Voicexml seiten wären würde die XSLT Umwandlung zum Einsatz kommen 9

10 Kapitel 5. Szenario </block> </form> </vxml> 10

11 6 Fazit VoicXML ist ein sehr mächtiges Werkzeug um sprachgesteuerte Applikationen zu etablieren das sehr einfach zu bedienen und leicht zu lernen ist. VoiceXML gibt einigen schon auf dem Markt befindlichen Produkten ganz neue Möglichkeiten zur Erweiterung. Gerade wegen der W3C Standardisierung ist die Akzeptanz in den verschiedenen Softwareschmieden sehr hoch (700+ Members im Forum). In der Tabelle 6.1 sind die jetzt schon auf dem Markt verbreiteten Produkte aufgelistet. Der neue Standard (2.0) wird in Zukunft mit einem noch reicheren Angebot an Features das voice-enabled web noch schneller vorantreiben. [voi01] Anbieter BeVocal IBM Motorola Nuance Nuance Tellme.Studio Voice Genie Produkt BeVocal Cafe WebSphere Voice Server SDK Mobile Application Developer s Kit Voice Site Staging Center VBuilder Desktop GUI Developer s Tool Tellme.Studio VoiceXML Gateway Tabelle 6.1: Produkte am Markt 11

12 Abbildungsverzeichnis 4.1 VXML Gateway

13 Tabellenverzeichnis 6.1 Produkte am Markt

14 Abkürzungen Abkürzung ASR TTS IVR HTML XML EVA DTMF UI Bedeutung Automatic Speech Recognition Text to Speech Interactive Voice Recognition hypertext markup Language extensible markup language eplus Voice Assistent Dual Tone Multiple Frequency User Interface 14

15 Literaturverzeichnis [Reh01] Kenneth Rehor. What is voicexml? org/jan2001/index.html. [voi01] voicexml.org. Vxml tutorials tutorials/index.html. [W3C01] W3C. Voice extensible markup language (voicexml) version 2.0 w3c working draft WD-voicexml /. 15