T-AHAI 009-2024 面向文旅場景的語音交互應(yīng)用服務(wù)軟件規(guī)范

ICS01.110CCSL62AHAI面向文旅場景的語音交互應(yīng)用服務(wù)軟件規(guī)范Specificationofvoiceinteractiveapplicationservice 2規(guī)范性引用文件 3術(shù)語和定義 3.1 4縮略語 5軟件框架 6技術(shù)要求 6.1輸入輸出 6.2文旅場景導(dǎo)覽數(shù)據(jù)庫 6.3文旅場景位置識別 6.4文旅場景語音識別 6.5文旅場景語音應(yīng)答 6.6文旅場景語音播報(bào) 6.7文旅場景多輪對話 6.8觀眾咨詢反饋 6.9維護(hù)功能 6.10可移植性 7測試方法 7.1環(huán)境條件 7.2測試準(zhǔn)備 7.3輸入輸出 7.4文旅場景導(dǎo)覽數(shù)據(jù)庫 7.5文旅場景位置識別 7.6文旅場景語音識別 7.7文旅場景語音應(yīng)答 7.8文旅場景語音播報(bào) 7.9文旅場景多輪對話 7.10觀眾咨詢反饋 7.11維護(hù)功能 7.12可移植性 本文件按照GB/T1.1—2020《標(biāo)準(zhǔn)化工作導(dǎo)則第1部分：標(biāo)準(zhǔn)化文件的結(jié)構(gòu)和起草規(guī)則》的規(guī)定起草。請注意本文件的某些內(nèi)容可能涉及專利。本文件的發(fā)布機(jī)構(gòu)不承擔(dān)識別專利的責(zé)任。本文件由合肥工業(yè)大學(xué)等單位提出并由安徽省人工智能協(xié)會歸口。本文件起草單位：合肥工業(yè)大學(xué)、科大訊飛股份有限公司、中國科學(xué)技術(shù)大學(xué)、北京理工大學(xué)、天津恒達(dá)文博科技股份有限公司、安徽財(cái)經(jīng)大學(xué)、鳳陽縣博物館、浙江大學(xué)。本文件主要起草人：唐益明、劉曉平、宋維濤、李琳、陳仁杰、李權(quán)、徐勇、郜靜文、何永春、劉穎、程鳴、謝文軍、曹力、李世杰、唐更生、趙洋、劉越、胡開拓、張舉勇、傅孝明、楊磊、王勇超、趙磊。1T/AHAI009—2024面向文旅場景的語音交互應(yīng)用服務(wù)軟件規(guī)范本文件規(guī)定了應(yīng)用于文旅場景時(shí)語音交互服務(wù)軟件的框架、技術(shù)要求和測試方法。本文件應(yīng)用于文旅場景的語音交互應(yīng)用服務(wù)軟件的開發(fā)和測試。2規(guī)范性引用文件下列文件對于本文件的應(yīng)用是必不可少的。凡是注日期的引用文件，僅所注日期的版本適用于本文件。凡是不注日期的引用文件，其最新版本（包括所有的修改單）適用于本文件。GB3096-2008聲環(huán)境質(zhì)量標(biāo)準(zhǔn)GB/T21023-2007中文語音識別系統(tǒng)通用技術(shù)規(guī)范GB/T21024-2007中文語音合成系統(tǒng)通用技術(shù)規(guī)范GB∕T36464.2-2018信息技術(shù)智能語音交互系統(tǒng)第2部分：智能家居GB/T36464.3-2018智能語音交互系統(tǒng)第3部分：智能客服3術(shù)語和定義下列術(shù)語和定義適用于本文件。3.1語音識別speechrecognition將人類的聲音信號轉(zhuǎn)化為文字或者指令的過程。[來源：GB/T21023-2007，3.1]3.2語音合成speechsynthesis通過機(jī)械的、電子的方法合成人類語言的過程。[來源：GB/T21024-2007,3.1]3.3多輪對話multi-rounddialogue在人機(jī)對話中，機(jī)器和用戶之間進(jìn)行多次的問答交流，機(jī)器初步明確用戶意圖之后，獲取必要信息以最終得到明確用戶指令的方式。3.4噪聲noise語音采集過程中，采集到的由非目標(biāo)語音信號源發(fā)出的，能干擾、影響對目標(biāo)語音信號的識別、理解或處理的聲學(xué)信號。[來源：GB∕T36464.2-2018，3.16]3.5問答對question&answerpair在人機(jī)對話中，機(jī)器和用戶之間進(jìn)行的一次完整的提問和回答。3.6導(dǎo)覽數(shù)據(jù)庫navigationdatabase2T/AHAI009—2024引導(dǎo)游覽的地圖、導(dǎo)覽點(diǎn)分布、區(qū)域結(jié)構(gòu)等各種信息匯集形成的數(shù)據(jù)庫。4縮略語下列縮略語適用于本文件。GPD：全球定位裝置（GlobalPositioningDevice）。5軟件框架面向文旅場景的語音交互應(yīng)用服務(wù)軟件系統(tǒng)可以基于文旅場景位置識別、文旅場景語音識別、文旅場景語音應(yīng)答、文旅場景多輪對話技術(shù)，在文旅場景的應(yīng)用服務(wù)領(lǐng)域?yàn)橛脩籼峁C(jī)器替代人工的服務(wù)。面向文旅場景的語音交互應(yīng)用服務(wù)軟件系統(tǒng)本身包括文旅場景語音交互應(yīng)用服務(wù)的軟件和相關(guān)硬件（比如音頻采樣設(shè)備、傳聲器設(shè)備、回放設(shè)備）。面向文旅場景的語音交互應(yīng)用服務(wù)軟件系統(tǒng)應(yīng)包括總控模塊、輸入輸出模塊、文旅場景導(dǎo)覽數(shù)據(jù)庫模塊、文旅場景位置識別模塊、文旅場景語音識別模塊、文旅場景語音應(yīng)答模塊、文旅場景語音播報(bào)模塊、文旅場景多輪對話模塊和觀眾咨詢反饋模板。其應(yīng)用服務(wù)軟件系統(tǒng)框架見圖1。此外，還需要考慮到應(yīng)用服務(wù)軟件系統(tǒng)的維護(hù)功能和可移植性。圖1文旅場景語音交互應(yīng)用服務(wù)軟件系統(tǒng)7——總控模塊將語音信息傳遞給文旅場景語音識別模塊;3T/AHAI009—20246技術(shù)要求6.1輸入輸出面向文旅場景的語音交互應(yīng)用服務(wù)軟件應(yīng)具有說明書描述的語音或文本數(shù)據(jù)的輸入能力和語音播報(bào)的輸出能力。6.2文旅場景導(dǎo)覽數(shù)據(jù)庫文旅場景導(dǎo)覽數(shù)據(jù)庫應(yīng)包括說明書描述的位置信息、關(guān)鍵詞、導(dǎo)覽描述、問答描述等4個(gè)部分。具體要求如下：a)位置信息應(yīng)提供文旅場景的景點(diǎn)區(qū)域、房間及其展品的具體位置，可給出相應(yīng)的編號，位置信息提供數(shù)據(jù)量應(yīng)不少于1000條；b)關(guān)鍵詞應(yīng)給出與景點(diǎn)、展品相關(guān)的核心詞條，關(guān)鍵詞提供數(shù)據(jù)量應(yīng)不少于2000條；c)導(dǎo)覽描述應(yīng)給出相應(yīng)景點(diǎn)、區(qū)域、房間、展品的詳細(xì)描述，可為用戶展示其歷史淵源、典故、文化知識等，導(dǎo)覽描述的數(shù)據(jù)量應(yīng)不少于1000條；d)問答描述應(yīng)給出問答對，針對各類常見問題，通過不同的問答方式可給出答案，問答描述的數(shù)據(jù)量應(yīng)不少于5000條。e)導(dǎo)覽數(shù)據(jù)庫中的內(nèi)容不應(yīng)該有領(lǐng)土主權(quán)問題、政治或某些歧視傾向問題，且應(yīng)保證準(zhǔn)確性、科學(xué)性。6.3文旅場景位置識別6.3.1景點(diǎn)識別準(zhǔn)確率針對說明書中的景點(diǎn),識別準(zhǔn)確率應(yīng)不低于90%。6.3.2位置識別準(zhǔn)確率針對說明書中的位置,室外位置識別準(zhǔn)確率應(yīng)不低于90%，室內(nèi)位置識別準(zhǔn)確率應(yīng)不低于90%。6.4文旅場景語音識別6.4.1關(guān)鍵詞語音識別字正確率針對說明書中的關(guān)鍵詞，語音識別的字正確率應(yīng)滿足表1要求。關(guān)鍵詞語音輸入應(yīng)采用標(biāo)準(zhǔn)普通話的輸入語音。其中，涉及到的環(huán)境噪聲等級劃分參見GB3096-2008的表1。表1不同噪聲環(huán)境下的字正確率的要求6.4.2連續(xù)語音識別字正確率軟件應(yīng)具備連續(xù)語音識別的能力，連續(xù)語音識別的字正確率應(yīng)滿足表2要求。連續(xù)語音輸入應(yīng)采用標(biāo)準(zhǔn)普通話的方式進(jìn)行。4T/AHAI009—2024表2不同噪聲環(huán)境下的連續(xù)語音識別的字正確率的要求6.4.3數(shù)字識別正確率軟件應(yīng)具備識別數(shù)字的能力，宜支持不同數(shù)字表達(dá)方式的識別，正確率應(yīng)不低于99%。數(shù)字語音輸入應(yīng)采用標(biāo)準(zhǔn)普通話的方式進(jìn)行。6.5文旅場景語音應(yīng)答針對用戶信息的語音識別結(jié)果，應(yīng)給出相應(yīng)的語音應(yīng)答預(yù)制文字。6.6文旅場景語音播報(bào)6.6.1景點(diǎn)播報(bào)用戶到了說明書中的指定位置后，應(yīng)以標(biāo)準(zhǔn)普通話的方式進(jìn)行自動播報(bào)當(dāng)前景點(diǎn)的預(yù)存內(nèi)容。景點(diǎn)播報(bào)成功率應(yīng)不低于95%。6.6.2應(yīng)答播報(bào)應(yīng)將語音應(yīng)答預(yù)制文字利用語音合成的技術(shù)通過語音設(shè)備以標(biāo)準(zhǔn)普通話的方式播報(bào)出來。播報(bào)的時(shí)間應(yīng)小于3分鐘，或播報(bào)的詞數(shù)量應(yīng)不超過500。6.7文旅場景多輪對話6.7.1文旅場景多輪對話要求用戶可針對文化旅游領(lǐng)域以標(biāo)準(zhǔn)普通話的方式提出問題，系統(tǒng)應(yīng)給出語音應(yīng)答，應(yīng)至少可實(shí)現(xiàn)4個(gè)輪次的問答。6.7.2交互響應(yīng)時(shí)間交互響應(yīng)時(shí)間是指單次的用戶輸入語音結(jié)束后獲得回應(yīng)結(jié)果的時(shí)間，平均交互響應(yīng)時(shí)間應(yīng)滿足表3的要求。如果是多輪交互，則每一輪次的平均交互響應(yīng)時(shí)間應(yīng)滿足表3的要求。表3平均交互響應(yīng)時(shí)間的要求ss1234566.7.3交互成功率交互成功率應(yīng)滿足表4的要求。表4不同噪聲環(huán)境下的交互成功率的要求5T/AHAI009—20246.8觀眾咨詢反饋軟件在對話結(jié)束后應(yīng)向觀眾征集反饋意見，并應(yīng)將收集到的意見匯總到后臺。6.9維護(hù)功能應(yīng)具備如下的維護(hù)功能：a)可增加、刪除、修改服務(wù)的文旅場景語音交互服務(wù)的關(guān)鍵詞。b)可增加、刪除、修改文旅場景語音交互服務(wù)的靜態(tài)引導(dǎo)提示用語。c)可增加、刪除、修改文旅場景語音交互服務(wù)的語法。d)可增加、刪除、修改文旅場景語音交互服務(wù)的流程。e)可增加、刪除、修改文旅場景語音交互服務(wù)的場景。f)可增加、刪除、修改導(dǎo)覽數(shù)據(jù)庫的信息。6.10可移植性面向文旅場景的語音交互應(yīng)用服務(wù)軟件系統(tǒng)中的軟件宜考慮對不同環(huán)境的可移植性：a)被移植的面向文旅場景的語音交互應(yīng)用服務(wù)軟件系統(tǒng)中的軟件宜在新的硬件、操作系統(tǒng)、支撐軟件環(huán)境下易于安裝,功能宜可以正常實(shí)現(xiàn)，其他軟件或設(shè)備運(yùn)行宜不受影響；b)移植過程中軟件的開發(fā)修改工作量與原軟件的開發(fā)工作量占比宜小于10%。7測試方法7.1環(huán)境條件除另有規(guī)定外，測試均在下述正常大氣條件下進(jìn)行：a)溫度：15℃—35℃;b)相對濕度：25%—75%；c)大氣壓：86kPa—106kPa。測試時(shí)拾音距離默認(rèn)小于40cm。被測系統(tǒng)的網(wǎng)絡(luò)環(huán)境應(yīng)包括離線、2G、3G、4G、5G和Wlan等情形。7.2測試準(zhǔn)備環(huán)境噪聲取自真實(shí)的環(huán)境噪聲或模擬真實(shí)的環(huán)境噪聲，環(huán)境噪聲等級劃分參見GB3096-2008的表1，環(huán)境噪聲錄制要求噪聲頻譜維持穩(wěn)定，同時(shí)噪聲與關(guān)鍵詞無類似發(fā)音。典型環(huán)境噪聲的錄制場景應(yīng)滿足表5的要求。表5典型噪聲環(huán)境的錄制場景音頻采樣設(shè)備、傳聲器設(shè)備、回放設(shè)備應(yīng)符合表6、表7、表8的環(huán)境要求。表6音頻采樣設(shè)備的要求6T/AHAI009—2024表7傳聲器設(shè)備的要求值---- 1--反向衰減≥15dB,最佳接受范圍為母線同咪頭在傳聲器拾音方向中垂線呈60度夾角的圓錐面內(nèi)部 表8回放設(shè)備的要求-推薦在無人工嘴的條件下功率放大器和人工嘴-7.3輸入輸出用戶在面向文旅場景的語音交互應(yīng)用服務(wù)軟件系統(tǒng)中輸入語音數(shù)據(jù)或文本數(shù)據(jù)，包括：a)語音數(shù)據(jù)：在語音采集端可通過說話的形式輸入語音，或在系統(tǒng)上輸入錄音文件；b)文本數(shù)據(jù)：可在系統(tǒng)上輸入文本資料。用戶在面向文旅場景的語音交互應(yīng)用服務(wù)軟件系統(tǒng)中輸出的數(shù)據(jù)應(yīng)為語音數(shù)據(jù)。在面向文旅場景的應(yīng)用服務(wù)軟件系統(tǒng)中，應(yīng)將語音識別、語音合成和文本處理結(jié)果返回到系統(tǒng)中，應(yīng)以語音播報(bào)的形式輸出結(jié)果。7.4文旅場景導(dǎo)覽數(shù)據(jù)庫分別統(tǒng)計(jì)位置信息、關(guān)鍵詞、導(dǎo)覽描述、問答描述4個(gè)部分的數(shù)據(jù)量，符合既定要求則判定為成功，否則視為失敗。7.5文旅場景位置識別7.5.1景點(diǎn)識別準(zhǔn)確率在交互過程中，系統(tǒng)識別的用戶所在景點(diǎn)和用戶的實(shí)際所在景點(diǎn)相同，則視為識別成功；反之，則判定為識別失敗。景點(diǎn)識別準(zhǔn)確率的公式如下：Qacc=×100%................................................................其中，Qacc——景點(diǎn)識別準(zhǔn)確率；Qsuc——景點(diǎn)識別成功的次數(shù)；Qfa——景點(diǎn)識別失敗的次數(shù)。景點(diǎn)識別準(zhǔn)確率的測試應(yīng)按照以下步驟:7T/AHAI009—2024a)選擇不少于30個(gè)普通用戶，其中男女分別不少于15人，隨機(jī)游覽景區(qū)的某個(gè)景點(diǎn)；b)系統(tǒng)利用GPD定位用戶位置，由此發(fā)現(xiàn)其所處的景點(diǎn)；c)通過系統(tǒng)給出的景點(diǎn)和用戶真正的景點(diǎn)進(jìn)行比對，按照公式(1)計(jì)算位置識別準(zhǔn)確率，應(yīng)達(dá)到既定要求。7.5.2位置識別準(zhǔn)確率在交互過程中，系統(tǒng)識別的用戶位置和用戶的實(shí)際位置相同（誤差允許在1米以內(nèi)則視為識別成功；反之，則判定為識別失敗。識別準(zhǔn)確率的公式如下：(2)Lacc=×100%.........................................................(2)其中，Lacc——位置識別準(zhǔn)確率；Lsuc——位置識別成功的次數(shù)；Lfa——位置識別失敗的次數(shù)。室外位置識別準(zhǔn)確率的測試應(yīng)按照以下步驟:a)選擇不少于30個(gè)普通用戶，其中男女分別不少于15人（包括60歲以上5人、18-60歲之間5人、18歲以下5人隨機(jī)游覽景區(qū)的某個(gè)室外景點(diǎn)；b)系統(tǒng)利用GPD定位用戶位置；c)對比系統(tǒng)給出的位置信息和用戶真正的位置信息，按照公式(2)計(jì)算室外位置識別準(zhǔn)確率。室內(nèi)位置識別準(zhǔn)確率的測試應(yīng)按照以下步驟:a)選擇不少于30個(gè)普通用戶，其中男女分別不少于15人（包括60歲以上5人、18-60歲之間5人、18歲以下5人隨機(jī)游覽景區(qū)的某個(gè)室內(nèi)景點(diǎn)；b)系統(tǒng)利用GPD定位用戶位置；c)通過系統(tǒng)給出的位置信息和用戶真正的位置信息進(jìn)行比對，按照公式(2)計(jì)算室內(nèi)位置識別準(zhǔn)確7.6文旅場景語音識別7.6.1關(guān)鍵詞語音識別字正確率該特性的測試應(yīng)按照以下步驟：a)使用回放設(shè)備播放文旅場景語音識別測試語料，或人工進(jìn)行文旅場景語音測試語料的輸入；b)記錄智能客服的識別結(jié)果；c)與預(yù)期結(jié)果進(jìn)行比對，對室外、室內(nèi)場景在表5的測試場景下分別統(tǒng)計(jì)結(jié)果并給出正確率。7.6.2連續(xù)語音識別字正確率字正確率的定義見GB/T21023-2007的5.2.1的內(nèi)容。該特性的測試應(yīng)按照以下步驟：a)使用回放設(shè)備播放文旅場景連續(xù)語音識別測試語料，或人工進(jìn)行文旅場景連續(xù)語音測試語料的輸入；b)記錄智能客服的識別結(jié)果；c)與預(yù)期結(jié)果進(jìn)行比對，對室外、室內(nèi)場景在表5的測試場景下分別統(tǒng)計(jì)結(jié)果并給出正確率。7.6.3數(shù)字識別正確率該特性的測試應(yīng)按照以下步驟：a)使用回放設(shè)備播放文旅場景語音識別測試語料，或人工進(jìn)行文旅場景語音測試語料的輸入，其中包括一定數(shù)量的數(shù)字；b)記錄智能客服的數(shù)字識別結(jié)果；c)與預(yù)期結(jié)果進(jìn)行比對，統(tǒng)計(jì)結(jié)果并給出正確率。7.7文旅場景語音應(yīng)答8T/AHAI009—2024文旅場景語音應(yīng)答測試應(yīng)按照以下步驟進(jìn)行：a)根據(jù)用戶提問的語音識別結(jié)果，給出相應(yīng)的理解；b)在導(dǎo)覽數(shù)據(jù)庫中進(jìn)行模糊搜索；c)計(jì)算用戶問題和問答對輸入的相似度，找到相應(yīng)的最佳答案；d)在最佳答案作為語音應(yīng)答預(yù)制文字。7.8文旅場景語音播報(bào)7.8.1景點(diǎn)播報(bào)在交互過程中，系統(tǒng)識別的用戶位置和用戶的實(shí)際位置相同（誤差允許在1米以內(nèi)則視為景點(diǎn)播報(bào)成功；反之，則判定為景點(diǎn)播報(bào)失敗。景點(diǎn)播報(bào)成功率的公式如下：(3)×100%........................................................(3)其中，SC——景點(diǎn)播報(bào)成功率；Ssuc——景點(diǎn)播報(bào)成功的次數(shù)；Sfa——景點(diǎn)播報(bào)失敗的次數(shù)。文旅場景景點(diǎn)播報(bào)的測試應(yīng)按照以下步驟進(jìn)行：a)參照GB/T36464.3-2018中6.3.5的做法，選擇不少于30個(gè)普通用戶，其中男女分別不少于15人（包括60歲以上5人、18-60歲之間5人、18歲以下5人參加測試；b)用戶到達(dá)指定位置后，系統(tǒng)通過位置識別來判斷用戶位置；c)確認(rèn)位置后，通過語音設(shè)備自動播報(bào)該位置對應(yīng)景點(diǎn)的預(yù)存內(nèi)容；d)按照公式(3)計(jì)算，景點(diǎn)播報(bào)成功率應(yīng)達(dá)到既定要求。7.8.2應(yīng)答播報(bào)文旅場景應(yīng)答播報(bào)的測試應(yīng)按照以下步驟進(jìn)行：a)對語音應(yīng)答預(yù)制文字進(jìn)行語音合成；b)通過回放設(shè)備播報(bào)出語音合成的結(jié)果；c)監(jiān)控播報(bào)的時(shí)間、播報(bào)的詞數(shù)量。7.9文旅場景多輪對話7.9.1文旅場景多輪對話針對文旅場景，事先存儲大量的問答對，機(jī)器和用戶之間可以進(jìn)行多輪問答。測試應(yīng)按照以下步驟進(jìn)行:a)用戶針對文旅場景提出問題；b)系統(tǒng)從問答對中進(jìn)行模糊匹配；c)系統(tǒng)找到答案后以語音合成的方式播報(bào)出來；d)用戶可以繼續(xù)圍繞該領(lǐng)域進(jìn)行提問；e)如此循環(huán)，直到用戶結(jié)束對話過程為止。7.9.2交互響應(yīng)時(shí)間交互響應(yīng)時(shí)間的公式見GB/T36464.3-2018的5.5的內(nèi)容，具體如下：(4)Tack=trte......................................................................(4)其中，Tack——響應(yīng)時(shí)間；tr——給出結(jié)果的時(shí)間點(diǎn)；te——語音輸入結(jié)束的時(shí)間點(diǎn)。9T/AHAI009—2024注：如果交互支持的結(jié)果需要多次返回，為第一部分識別結(jié)果返回的時(shí)刻。對于交互響應(yīng)時(shí)間的測試應(yīng)按照以下步驟進(jìn)行:a)選擇不少于30個(gè)普通用戶，其中男女分別不少于15人（包括60歲以上5人、18-60歲之間5人、18歲以下5人參加測試；b)針對特定場景、特定地點(diǎn)，用戶與系統(tǒng)進(jìn)行多輪對話；c)系統(tǒng)記錄語音輸入結(jié)束的時(shí)間點(diǎn)、給出結(jié)果