ボイスXML

VoiceXML ( VXML ) は、人間とコンピュータ間の対話型メディアおよび音声ダイアログを指定するためのデジタル ドキュメント標準です。これは、銀行システムや自動化された顧客サービス ポータルなどのオーディオおよび音声応答アプリケーションの開発に使用されます。VoiceXML アプリケーションは、Web ブラウザがWeb サーバーから受信したハイパーテキスト マークアップ言語(HTML)を解釈して視覚的にレンダリングする方法と類似した方法で開発および展開されます。VoiceXML ドキュメントは音声ブラウザによって解釈され、一般的な展開アーキテクチャでは、ユーザーは公衆交換電話網(PSTN) を介して音声ブラウザと対話します。

VoiceXML ドキュメント形式は、拡張マークアップ言語(XML) に基づいています。これは、World Wide Web Consortium (W3C)によって開発された標準です。

VoiceXML アプリケーションは、多くの業界や商業分野で広く使用されています。これらのアプリケーションには、注文照会、荷物追跡、運転ルート案内、緊急通知、目覚まし、フライト追跡、電子メールへの音声アクセス、顧客関係管理、処方箋の再発行、音声ニュース マガジン、音声ダイヤル、不動産情報、全国ディレクトリ サービスアプリケーションなどがあります。^{[引用が必要]}

VoiceXML には、音声合成、自動音声認識、ダイアログ管理、オーディオ再生を提供するように音声ブラウザに指示するタグがあります。以下は、VoiceXML ドキュメントの例です。

<vxml version= "2.0" xmlns= "http://www.w3.org/2001/vxml" > <form> <block> <prompt> Hello world!
 </prompt> </block> </form> </vxml>  
  
    
      
               
    
  

VoiceXML インタープリタによって解釈されると、合成音声で「Hello world」が出力されます。

通常、HTTP はVoiceXML ページを取得するためのトランスポート プロトコルとして使用されます。一部のアプリケーションでは静的な VoiceXML ページが使用される一方、他のアプリケーションではTomcat、Weblogic、IIS、WebSphereなどのアプリケーション サーバーを使用して動的な VoiceXML ページ生成に依存します。

これまで、VoiceXML プラットフォーム ベンダーはさまざまな方法で標準を実装し、独自の機能を追加してきました。しかし、2004 年 3 月 16 日に W3C 勧告として採用された VoiceXML 2.0 標準では、ほとんどの相違点が明確になりました。標準の使用を推進する業界団体である VoiceXML フォーラムは、ベンダーの実装が準拠していることを認定する適合性テストプロセスを提供しています。

AT&T Corporation、IBM、Lucent、Motorolaは、音声ダイアログを指定するための標準マークアップ言語を開発するために、1999年3月にVoiceXMLフォーラムを設立しました。1999年9月までにフォーラムはメンバーのコメントのためにVoiceXML 0.9をリリースし、2000年3月にVoiceXML 1.0を公開しました。その後すぐに、フォーラムは標準の管理をW3Cに引き渡しました。^[1] W3CはVoiceXML 2.0の中間バージョンをいくつか作成し、2004年3月に最終的な「勧告」段階に達しました。^[2]

VoiceXML 2.1は、2.0標準の実装からのフィードバックに基づいて、VoiceXML 2.0に比較的小規模な追加機能を追加しました。VoiceXML 2.0との下位互換性があり、2007年6月にW3C勧告のステータスに達しました。^[3]

VoiceXML 3.0は、新しい主要な機能を備えたVoiceXMLの次のメジャーリリースとなる予定でした。しかし、2022年5月にVoiceXMLフォーラムが解散したため、^[4]新しい標準の開発は中止されました。

2022 年 12 月現在、提供されている VoiceXML 2.0/2.1 プラットフォーム実装はほとんどありません。

• ヒューレット・パッカード（OCMP）
• OnMobile (オゾン音声プラットフォーム)
• アルヴァリア
• Avaya（Avaya エクスペリエンス ポータル）
• オープンVXI
• シスコ
• Genesys_(会社)
• ニュアンスコミュニケーションズ
• 音韻論
• プラムボイス
• テレソフトテクノロジーズ

W3C の Speech Interface Framework では、VoiceXML と密接に関連する他の標準も定義されています。

音声認識文法仕様(SRGS) は、音声認識装置に、どのような文のパターンが聞こえると予想されるかを伝えるために使用されます。これらのパターンは文法と呼ばれます。音声認識装置が聞いた最も可能性の高い文を決定したら、その文から意味を抽出し、VoiceXML インタープリタに返す必要があります。この意味解釈は、音声認識の意味解釈(SISR) 標準によって指定されます。SISR は、SRGS 内で、文法に関連付けられた意味結果、つまり音声認識装置によって返される意味構造を作成する ECMAScript 割り当てのセットを指定するために使用されます。

音声合成マークアップ言語( SSML) は、どの音声合成音声を使用するか、いつ声を大きくしたり小さくしたりすべきかなど、合成音声で最適なレンダリング方法に関する情報でテキストプロンプトを装飾するために使用されます。

発音辞書仕様( PLS) は、単語の発音方法を定義するために使用されます。生成された発音情報は、音声ブラウジング アプリケーションの音声認識装置と音声合成装置の両方で使用されることを目的としています。

コール制御拡張マークアップ言語(CCXML) は、補完的な W3C 標準です。CCXML インタープリタは、一部の VoiceXML プラットフォームで使用され、発信者と音声ブラウザ間の初期コール設定を処理し、音声ブラウザへのコール転送や切断などのテレフォニー サービスを提供します。CCXML は、VoiceXML 以外のコンテキストでも使用できます。

メディア サーバーアプリケーションでは、複数の通話レッグが相互にやり取りする必要がある場合がよくあります (たとえば、複数参加者による会議など)。このアプリケーションでは VoiceXML にいくつかの欠陥が見つかったため、各社はこの環境に対処するために特定のスクリプト言語を設計しました。メディア サーバー マークアップ言語(MSML) は Convedia のソリューションであり、メディア サーバー コントロール マークアップ言語(MSCML) は Snowshore のソリューションでした。現在、Snowshore は Dialogic が所有し、Convedia は Radisys が所有しています。これらの言語には「フック」も含まれており、 IVR機能が必要な通話レッグで外部スクリプト (VoiceXML など) を実行できます。

IETFにはmediactrl （「メディアコントロール」）と呼ばれるワーキンググループがあり、これらのスクリプトシステムの後継に取り組んでいました。この後継はオープンで広く採用される標準へと進化することが期待されています。^[5] mediactrlワーキンググループは2013年に終了しました。^[6]

• ECMAScript  – VoiceXMLで使用されるスクリプト言語
• OpenVXI – オープンソースのVoiceXMLインタープリタライブラリ^[7]
• SCXML  – ステートチャート XML

この記事を聞く（9分）

この音声ファイルは、2011 年 10 月 29 日付のこの記事の改訂版から作成されたもので、その後の編集は反映されていません。 (2011-10-29)

(音声ヘルプ ·その他の音声記事)

• W3C の音声ブラウザワーキンググループ、公式 VoiceXML 標準
• VoiceXML フォーラム、VoiceXML 商標所有者
• ‹ Curlieテンプレートは 削除対象として検討されています。› Curlie の VoiceXML
• VoiceXMLチュートリアル