语音服务设计

以安徽移动为例，语音服务导航系统于2013年3月上线，已面向全省客户开放，目前语音导航的日均呼叫量超过10万，降低整体人工话务量10%以上，减轻了人工成本。与此同时，语音服务导航系统的业务办理率相对于按键IVR系统明显提升，语音导航平均业务办理率15%以上，而传统IVR按键系统不到1%。在IVR中应用智能语音识别技术需要注意如下几点：1．深入分析业务需求，结合智能语音特点，确定智能语音应用范围智能语音通过技术创新，彻底消除了传统的按键菜单层级太多的瓶颈，从源头上解决按键式IVR面临的问题，但并不是所有业务都适合应用语音识别技术，例如卡号、手机号等大串数字输入，或者号码和英文字母混合的场景，输入错误一位则意味着输入失败，而“1”和“7”，“1”和“E”等发音非常相近，这种情况则不适合语音应用，使用按键输入更加合适。因此应用前需要和专业的智能语音厂商进行深入沟通，“扬长避短”的应用智能语音技术。2．持续优化是智能语音应用的关键，需要在推广、项目工期中做充分考虑。智能语音应用和移动互联网应用类似，通过用户的行为驱动系统进行更新，将不能识别的说法加入到语义模型中，调整智能语音系统的资源模型实现识别率的持续提升。语音服务在单个 Azure 订阅中统合了语音转文本、文本转语音以及语音翻译功能。语音服务设计

    以下规范化规则自动应用到听录：使用小写字母。删除除字词中撇号外的所有标点。将数字扩展为字词/口语形式，例如美元金额。中国大陆普通话(zh-CN)中国大陆普通话音频的人为标记的听录必须使用字节顺序标记进行UTF-8编码。避免使用半角标点字符。在文字处理程序中准备数据或从网页中擦除数据时，可能会无意中包括这些字符。如果存在这些字符，请务必将其更新为相应的全角替代字符。中国大陆普通话的文本规范化文本规范化是指将字词转换为在训练模型时使用的一致格式。某些规范化规则会自动应用到文本，但我们建议你在准备人为标记的听录数据时遵循以下准则：将缩写写成字词。用口语形式写数字字符串。以下规范化规则自动应用到听录：删除所有标点，将数字扩展为口语形式，将全角字母转换为半角字母，对所有英语单词使用大写字母。德语(de-DE)和其他语言德语（以及其他既非英语也非中国大陆普通话的语言）音频的人为标记的听录必须使用字节顺序标记进行UTF-8编码。应该为每个音频文件提供一个人为标记的听录。德语文本规范化文本规范化是指将字词转换为在训练模型时使用的一致格式。某些规范化规则会自动应用到文本。

     语音服务设计呼叫验证技术可以标记可疑的入站呼叫。

    调优过程一般需要2-3个月的调优期，推广需要选择一个城市对新事物接受较快的用户群进行试点，效果提升到一定程度后再推广到所有的用户。因此需要提升上线频度，同时需要智能语音厂商能快速实现系统优化迭代。3．设计了完善的VUI(语音交互界面)，提升整体应用效果语音导航系统对用户而言是“开放式”的系统，用户在使用智能语音导航系统时，会将系统当做是真人进行交互，说法也会多种多样，因此设计合适的交互流程，友好的语音服务提示和引导，可以有效提升客户感知，降低应用失败率。设计语音交互流程，更象是一门艺术，比如确定用户是否需要办理彩铃业务，二种不同的问法：“请问您是要办理彩铃业务吗？”和“您确定办理彩铃业务吗？确定请说确认，不是请说返回。”，对于第一种问法，用户的回答可能有：“是”、“是的”、“好的”、“嗯”等多种表述，而第二种问法，用户的回答大多都是：“确定”，“返回”。第二种方法系统更容易处理，错误率更低，用户也更容易完成业务。而对于客户较为模糊的说法，系统可进行二次引导，明确用户真实需求，例如用户说：“我办理个业务”，此时系统回答：“请问您是需要办理话费业务、GPRS业务还是其它业务了”。

    所以在正式使用声学模型进行语音识别之前，我们必须对音频信号进行预处理和特征提取。初始的预处理工作就是静音切除，也叫语音检测（VoiceActivityDetection，VAD）或者语音边界检测。目的是从音频信号流里识别和消除长时间的静音片段，在截取出来的有效片段上进行后续处理会很大程度上降低静音片段带来的干扰。除此之外，还有许多其他的音频预处理技术，这里不展开多说。其次就是特征提取工作，音频信号中通常包含着非常丰富的特征参数，不同的特征向量表征着不同的声学意义，从音频信号中选择有效的音频表征的过程就是语音特征提取。常用的语音特征包括线性预测倒谱系数（LPCC）和梅尔频率倒谱系数（MFCC），其中LPCC特征是根据声管模型建立的特征参数，是对声道响应的特征表征。而MFCC特征是基于人的听觉特征提取出来的特征参数，是对人耳听觉的特征表征。所以，在对音频信号进行特征提取时通常使用MFCC特征。MFCC主要由预加重、分帧、加窗、快速傅里叶变换（FFT）、梅尔滤波器组、离散余弦变换几部分组成，其中FFT与梅尔滤波器组是MFCC重要的部分。是变换的简单示意，通过傅里叶变换将时域切换到频域。一个完整的MFCC算法包括如下几个步骤。。1）快速变换。

   开通电话语音服务的企业可以使用SIP话机来承接电话的呼入和呼出服务。

发出API调用只需一个密钥。重新生成个密钥时，可以使用第二个密钥来持续访问服务。完成快速入门我们提供了适用于大多数流行编程语言的快速入门，旨在让你了解基本设计模式并帮助你在10分钟以内运行代码。在你有机会开始使用语音服务后，请尝试一下了解如何处理各种情况。获取示例代码GitHub上提供了语音服务的示例代码。这些示例涵盖了常见方案，例如，从文件或流中读取音频、连续和单次识别，以及使用自定义模型。自定义语音体验语音服务能够很好地与内置模型配合工作，但是，你可能想要根据自己的产品或环境，进一步自定义和优化体验。自定义选项的范围从声学模型优化，到专属于自有品牌的语音字体。其他产品提供了针对特定用途（如卫生保健或保险）而优化的语音模型，但可供所有人平等地使用。Azure语音的自定义功能将成为你的独特竞争优势部分，而其他任何用户或客户都无法使用。换句话说，你的模型是私人的，针对你的用例进行自定义调整。语音转文本-根据需要和可用数据自定义语音识别模型。克服语音识别障碍，如说话风格、词汇和背景噪音。文本转语音-使用可用语音数据为文本转语音应用生成可识别的的语音。可以通过调整一组语音参数来进一步微调语音输出。在带有于训练的硬件的区域中，语音服务将使用多20小时的音频进行训练。语音服务设计

为了充分利用语音技术进行数字化转型，公司必须确保技术完全集成到数据驱动的客户体验平台中。语音服务设计

    包含口译、配音、字幕等），相关技术也蓬勃发展对配音、口译及视听服务市场产生了巨大影响。世界各地的旅行禁令、封城使语言服务需求不减反增。宅经济更进一步推升口译、配音、字幕等视听服务需求。远程同传(RSI)和远程视频口译(VRI)蓬勃发展，使Zoom、KUDO、Interprefy、Interactio、VoiceBoxer、Cloudbreak-Martti等虚拟口译技术提供商(VIT)不只获得了语言服务市场的关注，更受到投资市场的青睐。另外，各家技术提供商也开始关注并开发机器口译和计算机辅助口译等技术。催热宅经济（数字学习及媒体娱乐），视听翻译技术的需求也随之增长，包括远程配音、语音识别转写、文字转语音、自动字幕等。视听串流平台Netflix也在6月份发布了配音和字幕本地化工作规范，其中便整合了各种视听翻译技术。趋势三TrendIIIAI赋能的TMS成为各家技术提供商的发展重点翻译管理系统(TranslationManagementSystem,TMS)是语言服务产业发展早、应用广的技术之一。TMS以往着重于满足传统的本地化和全球化需求，但随着语言服务产业进入AI应用大时代，语言服务用户也开始期待语言技术提供商能提供AI赋能的TMS，例如：TMS必须能直接调用机器翻译、链接客户端SSO系统、CMS系统、CRM系统等。

    语音服务设计