En la primera entrega La Nueva Era de la Voz (PARTE I) de esta serie de artículos revisamos de manera general temas relacionados a las tecnologías de voz, pues bien en esta ocasión iniciaremos la revisión de la especificación Voice Extensible Markup Language (VoiceXML o VXML).
Introducción
VoiceXML es una especificación propuesta por la W3C que tiene como objetivo crear archivos XML, llamados documentos, que puedan reproducir sonido digitalizado, sonido sintetizado usando la tecnología TTS(1), reconocer información ingresada por el usuario (tonos DTMF(2)) y reconocer palabra y/o frases pronunciadas por una persona, todo esto usando un dispositivo telefónico (teléfono clásico, celular o cualquier otra variante)
VoiceXML esta basado completamente en XML, es decir necesita que el documento VoiceXML sea "bien formado" para que pueda ser reconocido como correcto. Esto no ocurre con HTML, pero sí con XHTML.
Actualmente esta especificación se encuentra en la versión 2.0 la cual ha recibido el estado de "Recomendado" por parte de la W3C, faltándole muy poco para ser declarada oficialmente como estándar, aunque en estos momentos ya es un estándar "de facto".
Características Generales
Antes de entrar en discutir VoiceXML tenemos que entender como funciona VoiceXML, para ello revisemos la siguiente figura.
De esta figura podemos obtener los siguientes enunciados.
Mientras que HTML permite crear interfaces "graficas" para que el usuario ingrese y reciba información, VoiceXML genera interfaces orales. Es decir, el usuario no "ve" la información, la escucha.
Como VoiceXML no genera interfaces gráficas, el usuario no necesita una computadora (ni una PDA) solo le basta con un teléfono.
El usuario se conecta al Browser a través la Red Publica de Telefonía (PSTN(3))
VoiceXML, al igual que HTML, necesita de un browser para procesar la información, cada browser debe ser capaz de reconocer y procesar las etiquetas de cada lenguaje.
VoiceXML, al igual que HTML, necesita de un browser para procesar la información, cada browser debe ser capaz de reconocer y procesar las etiquetas de cada lenguaje.
Arquitectura
VoiceXML se basa en la siguiente arquitectura.
Application Hosting Environment
Llamado también "Document Server". Es un ambiente que genera dinámicamente documentos VoiceXML. Básicamente esta compuesto por 3 componentes.
Web Server
Servidor Web que recibe HTTP Request y envía HTTP Response con un documento VoiceXML.
Application Server
Servidor de aplicaciones que mantiene una lógica de negocio que sobre la base de los parámetros enviados por el Web Server genera documentos VoiceXML.
Database
Base de Datos de la cual se obtiene información para generar los documentos VoiceXML
VoiceXML Interpreter
Aplicación que recibe un documento VoiceXML y lo interpreta, es decir procesa las etiquetas que dicho documento contiene.
VoiceXML Interpreter Context
Modulo del VoiceXML Interpreter que monitorea las posibles actividades que los usuarios realizan mientras se esta interpretando un documento VoiceXML, por ejemplo el usuario podría presionar desconectarse (colgar el teléfono), lo generaría que cancelación de la interpretación del documento.
Implementation Platform
Este componente viene a ser el Browser en si, pues cada empresa puede desarrollar su propio VoiceXML Browser el cual aparte de interpretar un documento VoiceXML puede implementar mecanismos de cache, procesamiento de llamadas telefónicas, etc.
Estos son los componentes generales de la arquitectura de VoiceXML, sin embargo hay empresas que desarrollan VoiceXML Browsers y le adicionan funcionalidades no detalladas en la especificación, lo cual no ocurre solo con VoiceXML sino con casi todas las especificaciones.
¿Y quien procesa las llamadas telefónicas?
Esa es una buena pregunta. A diferencia de HTML en la que todo se basa en http, VoiceXML, mejor dicho el VoiceXML Browser, recibe la información desde el PSTN(3) por lo tanto debe existir algún mecanismo por el cual se reconozcan y procesen las llamadas telefónicas.
Este proceso requiere de la instalación de hardware especial, el cual llamado "Voice Processing Board". Esta es una tarjeta especial que se instala en el servidor en el que esta instalado el VoiceXML Browser.
Estas tarjetas son las encargadas de reconocer las llamadas telefónicas recibidas. Estas tarjetas exponen APIs que son utilizadas por el VoiceXML Browser para procesar dichas llamadas. Por ejemplo la tarjeta detecta una llamada entrante y lanza un evento, el cual es capturado por el VoiceXML Browser para de esta manera obtener el primer documento VoiceXML e iniciar la ejecución de la aplicación VoiceXML.
Justamente una de las razones por las que las aplicaciones de telefonía no son utilizadas por todas las empresas es por que dichas tarjetas tienen un costo relativamente elevado, dependiendo claro de las características de las mismas (escalable, numero de puertos de telefonía, etc.). Uno de los mayores fabricantes de este tipo de tarjetas es nada menos que Intel con sus famosas tarjetas Dialogic.
Estas tarjetas se diferencias de los Modems, pues estos solamente codifican la señal analógica a digital y viceversa, pero no controlan el ciclo de vida de una llamada telefónica (recibir la llamada, terminar la llamada)
En realidad, la figura numero 1 se convertiría en:
Y desde una perspectiva más global la Arquitectura seria la siguiente:
En la siguiente entrega en esta serie de artículos revisaremos ejemplos de documentos VoiceXML para ver de una manera más técnica las características de esta tecnología.
Glosario
TTS: Text to Speech.
Tecnología mediante la cual es posible convertir teóricamente cualquier texto, en formato escrito, en palabras, en formato oral. Dicho en otras palabras, tecnología que permite leer texto.
Por ejemplo se puede ingresar a una aplicación el texto "Tecnologías de Voz" y dicha aplicación pronunciara estas palabras según la configuración de la misma (idioma, género de la voz, volumen, etc.)
DTMF: Dual Tone Multi-Frecuency
Sistema utilizado por los teléfonos para asignar un tono (frecuencia) a cada tecla de un teléfono. Es por esta razón que uno escucha un sonido distinto cuando presiona las teclas de un teléfono.
PSTN: Public Switched Telephony Network
Nombre otorgado a la red de telefonía clásica
Referencias
|
