智能语音机器人语音识别系统

现有技术中实现一次性语音识别典型的流程时序，具体包括一下步骤：

■ MRCP Client发送INVITE消息给MRCP Server请求建立会话，携带MRCP Client侧的SDP；

■ MRCP Server回复200表示请求已经成功接受处理，携带MRCP Server侧的SDP；

■ MRCP Client随后发送ACK消息证实200消息已经收到，至此一个SIP会话成功建立；

■ MRCP Client发送RECOGNIZE消息给MRCP Server请求语音识别，按照MRCP协议规定的格式携带相关的语音识别控制参数，并且指定语法文件路径；

■ MRCP Server接收RECOGNIZE请求，编译语法文件，回复200消息给MRCP Client；

■ MRCP Client此时开始根据之前协商好的SDP，开始源源不断的发送RTP语音流给MRCP Server；

■ MRCP Server接收RTP语音流，当检测到用户开始说话时，发送START-OF-INPUT事件；

■ 当MRCP Server根据语法文件定义得到识别结果时，通过RECOGNITION-COMPLETE事件返回识别结果；

■ MRCP Client发送BYE消息给MRCP Server结束会话；

■ MRCP Server发送200消息给MRCP Client确认结束；

■ MRCP Client通过上述流程获得MRCP Server提供的一次完整语音识别能力。

电话渠道的语音流采样率一般是8k 16bit，这种语音识别的准确率远远低于app等渠道采集音频的识别率。再加上人在打电话时说话方式相对随意，导致语音识别部分成为了影响电话机器人能力和效果的重要瓶颈。

实现语音合成典型的流程时序，具体包括一下部分：

■ SPEAK:向服务器端提供文本,启动语音合成(c→s)

■ STOP:如果服务器正在语音合成资源,则停止语音合成与语音流(c→s)

■ PAUSE:通知服务器资源暂停语音合成与语音流(c→s)。

■ RESUME:通知暂停的语音合成资源继续进行语音合成与语音流(c→s)

■ CONTROL:更改语音合成资源相关参数,从而影响合成的语音流(c→s)。

■ SPEAK-COMPLETE: SPEAK请求已经成功处理(s→c)。

■ SPEECH-MARKER:服务器正在处理语音标签时,遇到请求消息头字段 Speech Marker中标记的tag(s→c)。

■ BARGE-IN-OCCURRED:客户端检测到barg-in-able事件或DTMF数字时,发送该消息通知服务器(c→s)。

现在主流厂商为了使通话效果尽可能模拟真人外呼，除了涉及业务接口调用的数据查询使用了TTS，基本采取整句录音的方式。