CN101211261A

CN101211261A - 用于创建声音应用的方法和系统

Info

Publication number: CN101211261A
Application number: CNA2007101866139A
Authority: CN
Inventors: A·席尔瓦; B·D·曼戴利亚; V·S·穆尔
Original assignee: International Business Machines Corp
Current assignee: International Business Machines Corp
Priority date: 2006-12-28
Filing date: 2007-11-14
Publication date: 2008-07-02
Also published as: US20080162140A1; US8417511B2

Abstract

本发明提供了一种用于创建声音应用的系统和方法。声音识别处理方法使用基于输入从后端数据源获取数据的动态语法，以创建语音引擎能够识别的期望结果。该处理方法可以从多个后端数据源中的至少一个取回数据，并可以至少部分地使用动态语法构造器基于该数据构造语法。至少部分地使用可重用对话组件将该语法载入声音识别应用。可以使用数据访问服务、XSLT处理器或其它数据访问框架帮助实现异构环境中对数据的访问和操作。

Description

用于创建声音应用的方法和系统

技术领域

本发明涉及声音识别，并且特别地涉及为声音应用的可重用对话组件产生动态语法。

背景技术

声音应用的开发可能极端复杂。缺少可用的专用、标准的或公知的开发体系结构典型地加剧了这种复杂性。尽管最近的声音应用开发已经采用了部分Web编程模型，但在声音应用和Web应用之间依然存在显著的差异。

为了创建鲁棒的声音应用，通常需要声音应用开发者熟悉很多编程语言、技术、体系结构和方法。与这一问题相结合的是，声音应用经常使用专用标记语言来构造。VoiceXML标准的出现消除了一些这种复杂性，允许声音开发者更好地专注于其技能。VoiceXML允许为声音应用采用Web编程模型，并允许通过使用服务器侧框架对其进行实现，类似于针对Web应用的实现。

然而，语音识别比在Web应用中收集数据更容易出错，因为背景噪声和其它因素可能干扰识别。不同于Web应用，声音应用需要计算机和用户之间的对话，用以例如确认输入或在没有输入时重新提示用户。声音应用依赖于语法以获知将识别什么单词或短语。

可重用对话组件(RDC)，例如可被实现为JSP 2.0标签的RDC，是已知的。RDC可以以在Web应用中同样的方式在开发声音应用中进行辅助。RDC包括用以获取信息单元所需的声音特定的元素，例如对话、语法和调用流程。使用RDC的开发者无需知道所包括的语法，而只需明白RDC标签所需要的属性。使用RDC处理用于普通对话的交互，可以使开发者自如地处理声音应用的更为复杂的领域。

然而，现在的RDC框架仅具有接受静态语法的有限能力。为了拥有包括动态语法的声音应用，开发者需要实现针对其所使用环境和数据资源的解决方案。客户代码是必需的，这将使具有可重用组件的目的无法达到。当给予调用者的选项和数据需要从后端源动态地收集时，这将尤为不便。

因此，需要一种实现在声音识别系统中的技术，其中上述缺点可以被缓解或减轻。还需要一种为可重用对话组件提供动态语法的系统或处理方法。

发明内容

在示例性实施方式中提供了一种声音识别系统，其使用基于输入从后端数据源获取数据的动态语法，以便创建语音引擎能够识别的期望结果。

在本发明的一种示例性实施方式中，提供了一种用于创建声音应用的方法。该方法可以包括：至少部分地基于输入从多个后端数据源中的至少一个取回数据；至少部分地使用动态语法构造器基于该数据构造语法；以及至少部分地使用可重用对话组件将该语法载入该声音应用。

另一种实施方式是用于为可重用对话组件产生动态语法的声音识别系统。该系统可以包括：处理器，能够至少部分地基于对该处理器的输入从多个后端数据源中的至少一个取回数据。该处理器可以被配置用以基于该数据构造动态语法，并至少部分地使用可重用对话组件将该动态语法载入声音应用。

另一种实施方式是计算机可读程序，其被包含在包括用于创建声音应用的计算机可读程序指令的制品中。该程序可以包括：用于使计算机至少部分地基于输入从多个后端数据源中的至少一个取回数据的程序指令；用于使计算机至少部分地使用动态语法构造器基于该数据构造语法的程序指令；以及用于使计算机至少部分地使用可重用对话组件将该语法载入声音应用的程序指令。

附图说明

现在将结合附图描述声音识别系统和处理方法的示例性实施方式，其仅作为示例，其中：

图1是根据本发明的一种示例性实施方式的声音识别系统和处理方法的示意性表示；

图2是说明了图1的声音识别系统和处理方法与调用者的交互的流程图；

图3是根据本发明的另一种示例性实施方式的声音识别系统和处理方法的示意性表示；以及

图4是根据本发明的另一种示例性实施方式的声音识别系统和处理方法的示意性表示。

具体实施方式

在此描述的示例性实施方式通过提供用于产生动态语法的处理方法解决了现有声音识别系统的不足，该处理方法可以基于输入从一个或多个后端数据源获取数据，以创建语音引擎可以识别的期望结果。将结合各种可能的声音识别系统和处理方法对示例性实施方式进行解释。详细的描述仅仅意在示例。示例性实施方式在图1-图4中示出，但本公开内容不受限于所说明的结构或应用。

在根据本发明的方面的一种示例性实施方式中，提供了一种对可重用对话组件(RDC)框架的附加，其使用服务数据对象(SDO)架构以允许RDC使用动态语法。SDO框架可以对应用，特别是声音应用，的数据处理进行简化和统一。使用SDO框架，可以针对声音应用实现对来自多数据源(包括异构数据源)数据的统一访问和操作。这种访问和操作可以就各种数据源被实现，包括关系数据库、XML数据源、Web服务以及企业信息系统。尽管这种示例性实施方式使用SDO框架用于访问和操作数据以便为RDC产生动态语法，但是本公开内容预期使用允许访问和操作来自异构环境中数据源的数据的其它数据处理框架。

在这种示例性实施方式中，动态语法RDC(DGRDC)标签被附加到RDC框架上，其允许创建通过SDO框架的使用与一个或多个后端数据源交互的RDC。这简化了需要与后端数据源通信以产生动态语法的复杂声音应用的开发。这允许对组件的重用，并避免了为声音应用访问这种数据而编写客户代码。RDC在原子或分离(即，来自用户的单一信息输入)格式以及复合(即，来自用户的多信息输入)格式中可用。本公开内容预期原子RDC和/或复合RDC的使用。

参考图1，示出了一种声音识别处理方法的示例性实施方式，并一般地表示为参考数字10。处理方法10使用与数据访问服务(DAS)30和动态语法构造器60交互的RDC 20。DAS 30与一个或多个数据源40通信，并能够基于来自数据源的数据创建或产生数据图50。

DAS 30是为数据应用开发提供统一框架的SDO框架的一部分。通过使用DAS 30，处理方法10无需开发者为访问和利用声音识别数据而熟悉各种技术专用的应用编程接口(API)。DAS 30可以访问包括关系数据库，实体Enterprise JavaBeans^TM(Java企业柄)组件、XML页面、Web服务、Java连接器体系结构、JavaServer页面以及更多的数据源。SDO框架为声音应用作出了贡献，且这些应用都将与SDO模型相一致。SDO框架也与J2EE模式和实践相结合，由此有助于将已被证明的体系结构和设计结合进声音应用。

处理方法10包括能够通过专用于一些后端数据源40的DAS 30从数据图50获取数据的声音应用。优选地，声音应用可以检查和/或更新包含在数据图50中的数据。本公开内容还预期一种声音应用，其使用DAS 30以将整个更新集合传回原始数据源40。

在处理方法10中，RDC 20将涉及RDC所需信息的输入数据15传送给DAS 30。DAS 30查询数据源40以获取特定的数据搜索(sought)。DAS 30继而产生或创建数据图50。

数据图50提供数据的非持久性副本，这允许声音应用即使是在与原始数据源没有连接时也可用该数据工作。数据图50中的数据可以被组织为数据对象的群组，并可以作为图形结构被链接在一起。数据图50还可以包括描述数据图中所包括数据对象类型的结构的图表。数据图50还可以维护变化历史或其它跟踪结构，用以跟踪对数据图的所有修改，以用于监控更新。声音应用可以优选地在运行时定义图表，允许对数据对象的动态访问。

数据图50由DAS 30从数据源40建立。优选地，DAS 30可以将对内存数据图50进行的任何改变传回原始数据源。例如，DAS 30可以访问单一类型的数据源，例如，Java数据库链接资源或实体Enterprise Java Beans^TM。可以向DAS 30提供将要被访问数据的描述。该数据描述可以是关联数据源上的图表和/或查询。处理方法10可以请求DAS 30返回数据图50。DAS 30从数据源40读出所请求的数据，构造相关数据对象的数据图50，并将数据图返回给应用。处理方法10改变内存数据图50，并继而将修改的数据图发送回DAS 30。DAS 30检查数据图50中包含的修改概要，并将改变传回原始数据源40。

数据图50的使用可有利于在一个功能或方法调用中应用多个更新以减少链接和/或数据库操作的数目。通过将来自多个数据库行和表格的数据保存在数据图50中，应用可以改变数据而无需进行附加的数据库往返。

由于数据图50与数据源40相分离，可能发生潜在的更新冲突。例如，在处理方法10请求DAS 30将应用的改变传回数据源之前，另一个应用可能会更新数据源中被用以建立数据图的数据。为了处理这种潜在的更新冲突，DAS 30可以使用优化并发控制(optimisticconcurrency control)，并在数据冲突发生时向应用抛出异常。应用继而可以重读数据并重新开始事务。本公开内容也预期通过其它方法恢复数据冲突。

动态语法构造器60可以从数据图50取回数据对象并由此构造动态语法。RDC 20继而载入动态语法。RDC 20可以继续与用户交互，并使用动态语法收集更多数据以匹配新的输入。

与RDC 20相耦合的动态语法构造器60的使用创建了动态语法RDC 75。DGRDC 75提供了一种创建可配置RDC的机制，其中该配置专用于创建动态语法。除了RDC的默认属性之外，示例性实施方式的DGRDC 75还可以具有用以指定DAS 30以及期望输入类型的属性。DAS 30将如上所述地与多个后端数据源交互以产生代表数据的数据图。如果默认动态语法类被扩展，则DGRDC 75也可以具有用以设置动态语法的语法属性。

动态语法构造器60可以被添加到RDC框架以与RDC 20进行交互。DGRDC 75的可选语法属性应是SDO框架中的这一类型。语法构造器类可以使用SDO框架访问来自DAS 30提供的数据图中的数据对象。默认地，动态语法构造器60可以基于从DAS提供的数据图所接收到的数据对象来构造包含期望结果列表的语法。

实现DGRDC 75的开发者可以提供与后端数据源40交互并创建数据图50的DAS 30。可以使用各种工具提供DAS，例如，RationalApplication Developer(RAD)。开发者还将具有对默认语法构造器类进行扩展并由他们自己设置可选语法属性的选项。

基于服务模式产生SDO的示例可以包括定义针对容器管理的持久性实体柄(entity bean)的一个或多个SDO，并产生包括操作一个或多个数据对象图的方法的会话外观柄(facade bean)。服务模式的客户端可以定义会话外观柄定义、SDO定义以及针对服务数据对象的查询定义。

处理方法10还可被用于通过给RDC 20的输入对后端数据源40进行更新。对数据图50的任何改变可以被输入RDC 20并被传递给DAS 30，以用于数据源40的更新。附加的属性和类可被用来为数据源40的任何更新保持逻辑，例如商业逻辑。

参考图2，示出了DGRDC 75与调用者和DAS 30交互的处理方法100。RDC 20在步骤120中提示调用者输入邮政编码。在步骤140，RDC 20收集邮政编码并将其传递给DAS 30，DAS 30继而从数据源40得到街道名称信息并产生数据图50。数据源40中邮政编码数据的特定数据结构是通过SDO框架可访问的，并且特别地，是使用DAS 30可访问的。步骤140消除了开发者基于正在被访问的特定数据结构，邮政编码数据，而定制编码的需要。

在步骤160中，动态语法构造器60继而以街道地址创建动态语法，且RDC 20将新创建的动态语法载入。RDC 20继而在步骤180中提示调用者输入街道名称或编号。调用者说出其街道名称或编号，并且RDC 20将该街道名称或编号传递给识别引擎，该识别引擎将使用动态语法匹配调用者的输入。

一旦完成了匹配，识别引擎在步骤200中确认街道名称或编号并在步骤220中继续下一个对话。如果调用者没有确认街道名称或编号，可以重新提示调用者输入地址。

在图3所示的另一种示例性实施方式中，示出了一种声音识别处理方法，并一般地用参考数字300代表。处理方法300使用与XSL转换器(XSLT)处理器330和动态语法构造器360交互的RDC 320。XSLT处理器330与一个或多个数据源340通信，并具有产生或创建数据图350的能力。XSLT处理器330从数据源340接受数据结构，例如树结构，作为其输入，并产生另一种数据结构，例如树结构，作为输出。

在处理方法300中，RDC 320将涉及RDC所需信息的输入数据315传递给XSLT处理器330。XSLT处理器330继而从数据源340取回数据并基于样式表单335产生数据图350。样式表单335包括可以根据输入数据结构或树对输出数据结构或树的片断进行定义的模板或功能。

动态语法构造器360继而基于数据图350构造动态语法。RDC320继而载入动态语法。RDC 320可以继续与用户交互并使用动态语法收集更多数据以匹配新的输入。XSLT处理器330与XML数据源工作尤为有效。

在图4所示的另一种示例性实施方式中，示出了一种声音识别处理方法，并一般性地表示为参考数字400。处理方法400使用与DAS 430、XSLT 455和动态语法构造器460交互的RDC 420。

在处理方法400中，RDC 420将涉及RDC所需信息的输入数据415传递给DAS 430。DAS 430查询数据源440以获取数据搜索。DAS 430继而产生或创建数据图450。数据图450可被序列化为XML格式。

XSLT处理器455可以基于样式表单457将来自数据图450的序列化XML数据转换为语音识别语法规范(SRGS)XML语法。动态语法构造器460继而取回SRGS XML语法，且动态语法被载入。RDC420可以继续与用户交互，并使用动态语法收集更多数据以匹配新的输入。

示例性实施方式提供了用于动态语法的创建和使用的处理方法。这支持专用于声音应用的RDC配置。现有的服务数据对象可以被映射到用于这一动态处理方法的语法，以供可重用对话使用。示例性实施方式通过使用SDO、XSLT或能够统一访问异构后端数据源并由此收集数据以动态地产生语法的其它数据访问框架，消除了针对系统开发客户代码的需要。

本发明可以在硬件、软件或软件和硬件的结合中被实现。本发明可以在一个计算机系统中以集中式方式实现，或者可以以不同元件散布在若干相互连接的计算机系统上的分布式方式实现。适应于执行在此描述方法的任何类型的计算机系统或其它装置都是适合的。典型的硬件和软件的组合可以是具有计算机程序的通用计算机系统，当该计算机程序被载入和执行时，其控制计算机系统使其执行在此描述的方法。

本发明也可以被嵌入在计算机程序产品中，其包括能够使在此描述的方法得以实现的全部特征，且当其被载入计算机系统时能够执行这些方法。本上下文中的计算机程序是指指令集合的任何语言、代码或符号的任何表达，其意在直接地或是在经过下面步骤之一或全部步骤之后使具有信息处理能力的系统执行特定功能：a)转换为另一种语言、代码或符号；b)以不同的材料形式复制。

本发明可以被实施为其它形式而不背离其精神或本质属性。相应地，当指示本发明的范围时应当参考下文的权利要求，而非上述说明。

Claims

1.一种用于创建声音应用的方法，所述方法包括：

至少部分地基于输入从多个后端数据源中的至少一个取回数据；

至少部分地使用动态语法构造器基于所述数据构造语法；以及

至少部分地使用可重用对话组件将所述语法载入所述声音应用。

2.根据权利要求1所述的方法，其中所述数据是通过数据访问服务从所述多个后端数据源中的所述至少一个取回的，并且其中所述数据访问服务基于所述数据建立数据图。

3.根据权利要求2所述的方法，其中所述动态语法构造器访问所述数据图的数据对象，以构造所述语法。

4.根据权利要求1所述的方法，其中所述多个后端数据源中的所述至少一个以XML格式保存数据。

5.根据权利要求3所述的方法，还包括：

将所述数据图序列化为XML格式的数据；以及

将所述XML格式的数据转换为语音识别语法规范XML语法。

6.根据权利要求2所述的方法，还包括基于所述输入更新所述多个后端数据源中的所述至少一个。

7.根据权利要求6所述的方法，还包括产生代表用于所述多个后端数据源中的所述至少一个的所述更新的逻辑的属性和类。

8.一种用于为可重用对话组件产生动态语法的声音识别系统，所述系统包括：

处理器，能够至少部分地基于对所述处理器的输入从多个后端数据源中的至少一个取回数据，其中所述处理器基于所述数据构造动态语法，并至少部分地使用可重用对话组件将所述动态语法载入声音应用。

9.根据权利要求8所述的系统，其中所述数据是通过数据访问服务从所述多个后端数据源中的所述至少一个取回的，并且其中所述数据访问服务基于所述数据建立数据图。

10.根据权利要求9所述的系统，其中所述处理器访问所述数据图的数据对象，以构造所述语法。

11.根据权利要求10所述的系统，其中所述处理器将所述数据图序列化为XML格式的数据，并将所述XML格式的数据转换为语音识别语法规范XML语法。

12.根据权利要求9所述的系统，其中所述处理器基于所述输入更新所述多个后端数据源中的所述至少一个。

13.根据权利要求12所述的系统，其中所述处理器产生代表用于所述多个后端数据源中的所述至少一个的所述更新的逻辑的属性和类。

14.一种计算机可读程序，其包含在包括用于创建声音应用的计算机可读程序指令的制品中，所述程序包括：

用于使所述计算机至少部分地基于输入从多个后端数据源中的至少一个取回数据的程序指令；

用于使所述计算机至少部分地使用动态语法构造器基于所述数据构造语法的程序指令；以及

用于使所述计算机至少部分地使用可重用对话组件将所述语法载入所述声音应用的程序指令。