CC BY
60
1
нформационные технологии в управлении
УДК 681. 5: 62-519:65. 012
ИНТЕГРАЦИЯ СИСТЕМ МАССОВОГО ОБСЛУЖИВАНИЯ НА ОСНОВЕ РЕЧЕВЫХ ТЕХНОЛОГИЙ И ШЕВ-СЕРНИСОН
В. А. Жожикашвили, Р. В. Билик, А. Ю. Трощенко, Н. В. Петухова, М. П. Фархадов
Институт проблем управления им. В. А. Трапезникова РАН, г. Москва
Рассмотрены технологии компьютерного распознавания и синтеза речи и их применение в системах массового обслуживания, а также технология web-сервисов, разработанная для практической реализации концепции сервис-ориентированной архитектуры. Предложена архитектура следующего поколения систем массового обслуживания с интеллектуальными сервисами.
ВВЕДЕНИЕ
Эволюция информационных систем, движимая все новыми и новыми человеческими потребностями, приводит к существенным изменениям старых систем, к появлению новых систем и к их интеграции. Речь в данной статье пойдет о такой технологии интеграции отдельных систем, которая даст возможность пользователю получать в режиме самообслуживания самую разнообразную информацию и услуги, не подозревая, что в обслуживание его заявки будут вовлечены многие сервисные центры и сети передачи данных. Достижение такой интеграции основано на применении речевых технологий и web-сервисов.
Предоставление информации и услуг пользователю будет осуществляться через контакт-центры нового типа с интеллектуальными услугами.
Определение контакт-центра как системы массового обслуживания с интеллектуальными услугами можно сформулировать следующим образом: это совокупность программных и аппаратных средств и алгоритмов, предназначенных для регистрации обращений пользователей (поступающих по телефону или с помощью других электронных каналов коммуникаций), их маршрутизации, контроля решения задач, поиска необходимой информации, выбора наилучшего варианта и выдачи результирующей информации пользователю [1].
В предлагаемой статье затронуты аспекты распознавания речи, рассмотрены возможности web-сервисов и предложена архитектура контакт-центров следующего поколения, позволяющая использовать технологические новшества и автоматизировать качественно новые функции.
Светлой памяти Ивери Варламовича Прангишвили посвящается
Авторы пользуются случаем отметить ту поддержку, которую оказывал И. В. Прангишвили развитию научной проблематики автоматизированных систем массового обслуживания с интеллектуальными сервисами.
1. РАСПОЗНАВАНИЕ И СИНТЕЗ РЕЧИ
Распознавание речи — это преобразование акустического сигнала человеческой речи в набор слов [2]. Полученные на выходе данной процедуры слова могут быть конечным результатом, как в случае распознавания простых команд, или служить входными данными для дальнейшего анализа с целью выявления смысла полученных слов.
Синтез речи — это процедура превращения входного орфографического текста в звучащую речь. Помимо преобразования слов в текст, синтез речи должен учитывать ударения, синтаксис и другие особенности устной речи.
1.1. Технология распознавания речи
В типовой системе распознавания речи на первом этапе происходит параметризация речевого сигнала, т. е. отображение оцифрованного речевого сигнала (обычно с частотой 8 кГц) в набор векторов (10—20 параметров), значения которых вычисляются каждые 10—20 мс (т. е. с частотой 50—100 Гц). Таким путем достигается уменьшение объема рабочего материала и представление его в более удобном для работы с математической точки зрения виде.
На следующих этапах происходит поиск наиболее вероятных фонем (фонема — наименьший звуковой элемент человеческой речи, в зависимости от языка чис-
ло фонем может варьироваться около 40), групп фонем и далее наиболее вероятного слова, удовлетворяющего данному набору параметров входных данных. На алгоритм поиска влияют такие параметры, как акустическая, лексическая и лингвистическая модели. Для настройки параметров этих моделей используются образцы речевых данных.
На выходе такой системы получают с некоторыми вероятностями либо слово, либо набор слов. Интернет-консорциум W3C (Word Wide Web Consortium) разработал стандарт SRGS 1.0 (см. Приложение), формализующий процесс создания грамматик для приложений и позволяющий разработчикам приложений использовать одно и то же приложение с разными платформами распознавания. Помимо этого стандарта, используется также стандарт SISR 1.0 (см. Приложение).
Современные платформы распознавания речи стремятся обеспечивать достойную функциональность для разработки приложений с использованием речевых технологий. Среди наиболее популярных функций, реализуемых в платформах, следующие:
• поддержка нескольких языков и возможность одновременной обработки разных языков;
• возможность прерывания голосового меню (barge-in) (функция barge-in — возможность перебивать систему, произнося команды и голосовую информацию, не дожидаясь окончания проигрывания приветствий и/или меню); это позволяет клиентам, уже знакомым с системой, не тратить время на прослушивание всех проигрываемых пунктов меню, а произносить команды немедленно и поэтому с такой системой значительно приятней общаться, не говоря уже о том, что это экономит время звонящего;
• подавление окружающего шума;
• синтаксис для представления грамматических правил (SRGS);
• динамический выбор акустической модели;
• селективный barge-in, когда прерывание происходит только в случае, если фраза соответствует грамматической конструкции;
• возможность переспросить абонента, если вероятность распознанной фразы низка;
• автотранскрипция для фонетического описания отсутствующих в словаре слов;
• дикторонезависимое распознавание;
• распознавание слитной речи.
Лидерами на рынке распознавания речи являются такие американские компании, как «Nuance», «ScanSoft». Русский язык поддерживают всего несколько платформ, среди них ScanSoft (www.scansoft. com) и Sacrament (www.sakrament. com). Наряду с промышленными платформами имеются также некоторые разработки российских ученых, например компания «Стэл — Компьютерные Системы» (www.stel.ru) в сотрудничестве с ведущими специалистами филологического факультета МГУ создает прототип дикторонезависимой системы распознавания русской речи.
На Западе практическое применение распознавания речи началось в самом конце 1990-х гг. В России первые приложения были созданы в Институте проблем управления РАН для получения справок о рейсах, для заказа такси, для управления кошельками в электронных платежных системах [3—5].
1.2. Технология синтеза речи
Существуют различные методы синтеза речи. Выбор того или иного метода определяется связанными с ним ограничениями.
Самый простой метод — воспроизведение предварительно записанной речи (метод компоновки). Он применяется в синтезаторах с ограниченным словарем, в которых фразы строятся путем конкатенации предварительно записанных речевых фрагментов. Очевидный недостаток данного метода — невозможность воспроизводить динамическую информацию.
В синтезаторах с неограниченным словарем элементами речи являются фонемы или слоги, поэтому в них применяется метод синтеза по правилам, а не простая компоновка. Данный метод весьма перспективен, так как обеспечивает работу с любым необходимым словарем, однако качество речи значительно ниже, чем при использовании метода компоновки. При синтезе речи по правилам применяется параметрический метод кодирования на уровне слогов, в соответствии с которым достигается абстрагирование от речевой волны как таковой и она представляется в виде набора параметров. Параметры отражают наиболее характерную информацию либо во временной, либо в частотной области. Например, речевая волна может быть сформирована сложением отдельных гармоник заданной высоты и с заданными спектральными выступами на данной частоте.
Для описания особенностей воспроизведения синтезированной речи, таких как фонетическая транскрипция (произношение), громкость, высота, скорость и т. д., был разработан стандарт SSML 1.0 (см. Приложение).
Наиболее известными системами синтеза русской речи являются продукты компании «Scansoft» (RealSpeak), французской «Digalo» и белорусской компании «Sacrament» (Sacrament TTS).
2. WEB-CEPBHCbl
Появление концепции web-сервисов было связано со стремлением компаний развивать межкорпоративное взаимодействие на основе возможностей, предоставляемых Интернетом. Web-сервисы являются практической реализацией идеи сервис-ориентированной архитектуры, которая возникла несколько лет назад и с тех пор весьма успешно развивается.
Каждая информационная система призвана обеспечивать работу тех или иных бизнес-процессов, которые, в свою очередь, можно декомпозировать на более мелкие составляющие — бизнес-функции. Бизнес-функция, дающая конкретный измеримый результат, является минимальной сущностью, имеющей ценность для бизнеса, неким «квантом». Именно ее и можно отождествить с сервисом [6]. Теперь, переходя к терминам информационных систем, назовем сервисом ресурс, реализующий бизнес-функцию и обладающий следующими свойствами [6]:
• является повторно используемым;
• определяется одним или несколькими явными технологически независимыми интерфейсами;
• слабо связан с другими подобными ресурсами и может быть вызван посредством коммуникационных протоколов, обеспечивающих возможность взаимодействия ресурсов между собой.
Таким образом, разложив бизнес-процессы компании на бизнес-функции, реализовав эти функции в виде сервисов, имеющих стандартный интерфейс и механизм взаимодействия, мы получаем то, что принято теперь называть сервис-ориентированной архитектурой (SOA — Service-Oriented Architecture) построения бизнес-приложений. Или, переходя на более формальный язык, сервис-ориентированной архитектурой называется такая архитектура приложений, в рамках которой все функции приложения являются независимыми сервисами с четко определенными интерфейсами, которые можно вызывать в нужном порядке с целью формирования бизнес-процессов [6]. Один из способов реализации такой архитектуры и заключается в построении web-сервисов (см. Web-Services Architecture в Приложении). Web-сервисом называется программная система, идентифицируемая строкой URI (Universal Resource Identifier), чьи публичные интерфейсы и привязки определены и описаны посредством XML (extensible Markup Language). Описание этой программной системы может быть найдено другими программными системами, которые могут взаимодействовать с ней согласно этому описанию посредством сообщений, основанных на XML и передаваемых с помощью Интернет-протоколов.
Для транспортировки и преобразования данных в программы и обратно web-сервисы требуют применения нескольких смежных XML-технологий [7]:
• протокол SOAP (Simple Object Access Protocol) — открытый протокол, который определяет специализированный формат для связи Интернет-приложений и сервисов на основе XML и для передачи XML-документов по Сети, а также соглашения RPC-взаимодействий (Remote Procedure Call);
• технология UDDI (Universal Description, Discovery and Integration) — реестр web-сервисов и механизм поиска, служит для хранения и упорядочения деловой информации, а также для нахождения указателей на интерфейсы web-сервисов;
• язык описания web-сервисов (Web-Services Description Language, WSDL) — формат XML-схем, определяющий расширенную структуру описания интерфейсов web-сервисов.
Процесс работы с web-сервисами состоит в следующем. Сначала в реестре UDDI находится нужный web-сервис, удовлетворяющий запрашиваемым потребностям. Затем отправляющий компьютер получает WSDL-документ, описывающий формат предоставления данных этого web-сервиса, и SOAP-процессор отправляющего компьютера преобразует данные из собственного («родного») формата в тип данных, предопределенный в соответствии с содержащейся в WSDL-файле XML-схемой, и отсылает SOAP-запрос на принимающую сторону. Полученный ответ также проходит процесс преобразования обратно в «родной» формат.
Заметим, что web-сервисы в настоящее время не являются мифом или чистой теорией, существует масса примеров уже реализованных web-сервисов. Чтобы убедиться в этом, достаточно зайти в UDDI-реестр <http:// www.uddi.org/find.html>. Российские примеры web-сервисов можно посмотреть, например, на сайтах ОАО «Аэрофлот — российские авиалинии» или ЦБ РФ:
• расписание рейсов ОАО «Аэрофлот — российские авиалинии» <http://webservices.aeroflot.ru>;
• расписание рейсов и заказ билетов <http://aviabilet. ru/avia>;
• web-сервисы ЦБ РФ: котировки валют и металлов, ставки и др. <http://www.cbr.ru/scripts/Root.asp>.
3. АРХИТЕКТУРА СИСТЕМ МАССОВОГО ОБСЛУЖИВАНИЯ СЛЕДУЮЩЕГО ПОКОЛЕНИЯ
Итак, мы имеем три крупных блока: контакт-центр, инструменты распознавания и синтеза речи и множество web-сервисов. Соединив все три блока в единую систему, мы сможем получить нечто принципиально новое — систему массового обслуживания следующего поколения с интеллектуальными сервисами. В нашем понимании интеллектуальный сервис в контакт-центре — это полностью автоматизированный сервис, способный полностью удовлетворить информационный или иной запрос абонента без привлечения человека-оператора. Приведем примеры таких сервисов.
• Бронирование и заказ билета по телефону. Голосовое взаимодействие системы и человека осуществляется посредством распознавания и синтеза речи. Логика поиска оптимального билета заложена в приложении интеллектуального сервиса, а данные берутся из множества источников в сети Интернет посредством web-сервисов.
• Голосовая поисковая система. Поиск любой информации и предоставление ее по телефону. Например, поиск кинотеатров рядом с определенной станцией метро, в данном случае используются уже существующие приложения, которые реализуют эту функцию в Интернете. Нет необходимости писать отдельное приложение для голосовой системы.
• Анкетирование. Исходящий обзвон и анкетирование граждан. Ведение диалога с помощью распознавания и синтеза речи.
Принцип работы системы можно пояснить на следующем примере.
1. Абонент направляет звонок в контакт-центр компании с целью совершить бронирование билета. Он не знает ни названия авиакомпании, ни расписания рейсов. Единственные входные данные — пункты отправления и назначения и желаемое время отправления или прибытия.
2. Звонок из телефонной сети общего пользования попадает на голосовой шлюз, задачей которого является преобразование голосового потока из традиционной TDM сигнализации (например, E1 ISDN PRI) в IP, с сигнализацией SIP (см. Приложение) или H.323. По этой сигнализации шлюз обращается к голосовому браузеру — устройству, выполняющему функции, схожие с обычным web-браузером, — интерпретацию полученных от web-сервера данных в воспринимаемый человеком вид, т. е. в нашем случае в голос. Голосовой браузер определяет, на какой и с какого номера пришел звонок (DNIS, ANI), эти данные он получает из H.323 или SIP сигнализации. Далее производится http-запрос (с параметрами ANI и DNIS) на web-сервер.
3. Web-сервер на основании полученных параметров определяет, какую из служб запустить, и отсылает в ответ голосовому браузеру VXML-файл (см. Приложение) приветствия службы бронирования. Голосовой браузер, получив VXML-страницу, интерпретирует ее содержание. В нашем примере страница содержит простое приветствие и просьбу ввести пункты отправления и назначения, дату и время вылета. Для произнесения могут использоваться как предварительно записанные голосовые файлы, так и синтезируемая речь. Для доступа к системе синтеза речи голосовой браузер использует протокол MRCP (см. Приложение).
4. Абонент произносит запрашиваемую информацию, при этом голосовой браузер в процессе сбора этой информации обращается к модулю распознавания речи. Протоколом взаи-
модействия между этими системами также является MRCP (см. Приложение). Наконец, получив данные с помощью системы распознавания уже в виде параметров, голосовой браузер делает следующий Й1р-запрос (с новыми параметрами — пунктами назначения и отправления, датой и временем отправления) на web-сервер.
5. Web-сервер снова запускает интеллектуальный сервис бронирования, который, в свою очередь, совершает запросы в несколько авиакомпаний (используя web-сервисы) и находит наиболее оптимальный вариант для абонента, исходя из времени вылета рейса, параметров класса и цены. Каждая из авиакомпаний предоставляет web-сервис, возвращающий список рейсов с ценами и наличием билетов. Таким образом, логика выбора авиарейса заложена в нашем интеллектуальном приложении, а информация берется из web-сервисов, предоставляемых авиакомпаниями.
6. Наконец, web-сервер возвращает результат — VXML-страницу, которую должен интерпретировать голосовой браузер. В ней находится название авиакомпании, номер рейса, его параметры, а также вопрос о подтверждении бронирования. Для произнесения информации абоненту голосовой браузер обращается к подсистеме синтеза речи.
Если абонент не желает пользоваться автоматизированной службой, он всегда может быть перенаправлен к оператору контакт-центра.
4. ПРИМЕР: ПОЛУЧЕНИЕ СПРАВОК О РЕЙСАХ С ПОМОЩЬЮ 1ИЕВ-СЕРВИСА КОМПАНИИ ОАО «АЭРОФЛОТ — РОССИЙСКИЕ АВИАЛИНИИ» И РЕЧЕВОГО ИНТЕРФЕЙСА
В лаборатории автоматизированных систем массового обслуживания Института проблем управления РАН создана система автоматического получения справок о рейсах, использующая речевой интерфейс на базе программы распознавания речи Speech Pearl [4, 8]. Прикладное программное обеспечение реализует управление телефонными линиями, организует диалог с клиентом и собирает в ходе этого диалога данные для обращения в информационную систему. Далее возможны два варианта. По первому варианту голосовой сервер может взаимодействовать непосредственно с базой данных и получать информацию из нее. Недостаток этого варианта заключается в уникальности интерфейса с базой данных. Второй вариант, более универсальный и основанный на современных международных стандартах, состоит в использовании web-сервиса, недавно введенного на сайте компании ОАО «Аэрофлот — российские авиалинии» и позволяющего легко интегрировать приложения, независимо от их платформы и языка разработки. Данные клиента помещаются в оговоренную форму и отправляются на сайт, откуда возвращается список структур, состоящих из ряда полей.
Из возвращенных полей выбираются нужные данные, которые далее озвучиваются с помощью метода компоновки в виде естественной речи.
Web-сервис позволяет получать данные из Центра управления полетами ОАО «Аэрофлот — российские авиалинии». Данные обновляются каждые 5 мин. Предлагаемая услуга бесплатная.
Данный вариант был опробован при разработке речевого интерфейса в системе получения справок по расписанию рейсов ОАО «Аэрофлот — российские авиалинии».
ЗАКЛЮЧЕНИЕ
Интеграция систем массового обслуживания на основе речевых технологий и web-сервисов позволяет ав-
томатизировать качественно новые функции. В случае контакт-центра с интеллектуальными сервисами автоматизация затрагивает выяснение сути звонка (посредством распознавания речи), нахождение запрашиваемой информации (используя данные и функции, предоставляемые web-сервисами) и доведение информации до абонента (посредством синтеза речи). Все процессы происходят без участия человека.
Кроме общеизвестных преимуществ, которые дает применение речевых технологий в системах обслуживания, данная архитектура имеет ряд дополнительных достоинств:
• открытые стандарты позволяют использовать модули от разных производителей (например, голосовой шлюз, голосовой браузер, системы синтеза и распознавания речи, контакт-центр);
• современные технологии web-сервисов позволяют гибко использовать существующие в сети ресурсы для организации интеллектуальных сервисов, без необходимости создавать их заново;
• рост популярности web-сервисов и увеличение их числа в сети Интернет, а также простота пользования ими позволят существенно обогатить возможности голосовых сервисов.
Открытость стандартов и возможность использовать модули разных производителей понижает порог для выхода на рынок программных продуктов, а это означает, что программы, созданные российскими производителями, смогут успешно конкурировать с программами западных гигантов в соответствующих областях.
ПРИЛОЖЕНИЕ.
Краткие характеристики некоторых стандартов
SRGS 1.0 — Speech Recognition Grammar Specification.
Определяет синтаксис для представления грамматических правил в системах распознавания речи, иными словами, для описания структуры данных при их вводе средствами голосового приложения. Данный синтаксис позволяет разработчикам задавать слова и шаблоны словарных форм для сообщения их системам распознавания речи. Синтаксис грамматики представлен в двух форматах: в Augmented BNF Form и XML Form. Спецификация определяет отображение между этими представлениями, так что одно представление может быть трансформировано в другое. <http://www.w3.org/TR/speech-grammar/>.
SISR 1.0 — Semantic Interpretation for Speech Recognition.
Определяет процессы семантической интерпретации для распознавания речи и синтаксис и семантический смысл тегов, которые могут быть добавлены к грамматике распознавания речи, в частности в стандарте SRGS. Например, SISR позволяет определить связи между грамматическими правилами и семантикой приложения, что позволяет трактовать как эквивалентные варианты употребления одного и того же элемента, например «да», «ага», «правильно». <http://www.w3.org/ TR/semantic-interpretation/>.
SSML 1.0 — Speech Synthesis Markup Language.
Создан для описания особенностей воспроизведения синтезированной речи, таких как фонетическая транскрипция (произношение), громкость, высота, скорость и т. д., для различных платформ синтеза речи. <http://www.w3.org/TR/ speech-synthesis/>.
Web Services Architecture.
Описывает архитектуру web-сервисов. Определяются функциональные компоненты и взаимодействия между ними. <http://www.w3.org/TR/ws-arch/>.
SIP: Session Initiation Protocol.
Протокол прикладного уровня, предназначенный для установления, изменения и окончания сеансов с одним или не-
сколькими участниками. Сеансы могут включать в себя телефонные звонки и мультимедиа-конференции, а также задействовать другие мультимедийные ресурсы. <http://www.ietf. org/rfc/rfc3261.txt>.
VXML 2.0 — Voice Extensible Markup Language.
Разработан для создания голосовых меню, использующих синтез и распознавание речи, тональный набор DTMF, запись разговора из диалога и других телефонных функций. Основная цель стандарта — обеспечить доступ к web-информации в системах интерактивного речевого взаимодействия. <http://www.w3.org/TR/voicexml20/>.
MRCP: Media Resource Control Protocol.
Протокол, обеспечивающий интеграцию средств распознавания речи и преобразования текста в речь с голосовой платформой. <http://www.ietf.org/internet-drafts/draft-shanmugham-mrcp-07.txt>.
ЛИТЕРАТУРА
1. Самолюбова А. Б. Call Center на 100 %. — М.: Альпина Бизнес Букс, 2004. — 308 с.
2. Survey of the State of the Art in Human Language Technology <http://cslu.cse.ogi.edu/HLTsurvey/HLTsurvey.html>.
3. Жожикашвили В. А., Билик Р. В., Вертлиб В. А. и др. Открытые системы массового обслуживания // Проблемы управления. — 2003. — № 4. — С. 55—62.
4. Жожикашвили В. А., Жожикашвили А. В., Петухова Н. В., Фархадов М. П. Применение распознавания речи в автоматизированных системах массового обслуживания // Автоматизация и современные технологии. — 2003. — № 11. — С. 22—28.
5. The first voice recognition applications in Russian language for use in the interactive information systems // V. A. Zhozhikashvili, M. P. Farkhadov, N. V. Petukhova and A. V. Zhozhikashvili // Proc. of the Ninth International Conf. «Speech and Computer» SPEC0M’2004, Saint-Petersburg. — 2004. — P. 304—307.
6. Долотин И. Цикл статей «Технологии web-сервисов». <http://www.ubs.ru/ws/ws_basics1.html>.
7. Ньюкомер Э. Web-сервисы. XML, WSDL, SOAP и UDDI. Для профессионалов. — СПб: Питер, 2003. — 256 с.
8. <http://www.ipu.ru/labs/lab17/frame17.htm>.
® (495) 334-87-10, 334-90-60, e-mail: [email protected]
Статья представлена к публикации членом редколлегии
А. Г. Бутковским. □
УДК 621. 396
СИСТЕМЫ МНОГОСКОРОСТНОЙ ОБРАБОТКИ МНОГОМЕРНЫХ СИГНАЛОВ. Ч. II1
М. К. Чобану
Московский энергетический институт (технический университет)
Рассмотрены методы полиномиального синтеза многомерных неразделимых многоскоростных систем. Приведены основные требования, которым должны удовлетворять синтезируемые цифровые фильтры. Предложены три подхода к синтезу, основанные на применении полиномов Бернштейна, метода лифтинга и метода достройки матрицы.
ВВЕДЕНИЕ
В первой части работы рассмотрены приложения, в основе которых лежит применение многомерных (ММ) неразделимых многоскоростных систем [1]. Известно достаточно много различных методов синтеза ММ цифровых фильтров для многоскоростных систем. Среди них можно отметить два подхода к синтезу фильтров — аналитический и численный. Такое деление весьма условное, так как при аналитическом синтезе в полученной структуре могут оставаться свободные параметры, кото-
1 Работа выполнена при поддержке РФФИ и японского общества JSPS, грант № 06-07-91751-ЯФ_а.
рые определяются обычно численными методами, путем минимизации того или иного численного критерия.
В настоящей статье описываются методы аналитического синтеза неразделимых цифровых фильтров с конечной импульсной характеристикой (КИХ) для ММ многоскоростных систем.
1. ОСНОВНЫЕ ТРЕБОВАНИЯ, ПРЕДЪЯВЛЯЕМЫЕ К СИНТЕЗИРУЕМЫМ ФИЛЬТРАМ
За 30 лет развития теории и методов многоскоростной обработки сигналов было предложено много подходов к синтезу ММ цифровых фильтров для банков анализа и синтеза.
