MRCPv2在电信智能语音识别业务中的应用

1. MRCPv2协议简介

媒体资源控制协议(Media Resource Control Protocol, MRCP)是一种基于TCP/IP的通讯协议，用于客户端向媒体资源服务器请求提供各种媒体资源服务。此协议是由Cisco、Nuance等公司联合开发，由IETF作为Internet草案发布，经过不断的更新，目前最新的版本为RFC6787,可以支持的媒体资源业务包括文语转换(Text to Speech, TTS)、自动语音识别 (Automatic Speech Recognition, ASR)、录音(Recording)、声纹识别(Voiceprint Recognition, VPR)。

2. MRCPv2系统结构及协议控制

MRCP 协议本身不是独立的，它不仅仅依赖于TCP/IP协议，还依赖于SIP、SDP、RTP、RTCP、RTSP等协议。

其系统结构如图1所示：

（1） 控制面：它通过sip协议在客户端(MRCP Client)和服务器(MRCP Server)之间建立和管理会话（注：MRCPv1就使用RTSP协议完成控制，MRCPv2改为sip协议）。

（2）它通过SDP交换媒体能力以及通过RTP协议完成媒体的承载交换。

（3）业务面：它通过MRCP协议来控制完成媒体资源服务的相关请求，响应和事件的传递，从而为客户端提供所需要的媒体资源服务。

其协议控制机制如图2所示：

（1）SIP协商过程中，MRCP Client在INVITE消息中携带自身用于传递MRCP协议以及RTP语音流的SDP（IP地址和端口号）。

（2）在协商成功返回200消息中会带上MRCP Server侧的SDP。

（3）MRCP Client发起TCP连接创建，并且通过TCP连接上发送MRCP协议控制MRCP Server分配的资源。

（4）MRCP Client/Server通过在RTP连接上传输语音数据从而实现媒体资源业务。

（5）当业务应用结束时，终止SIP会话的同时，还需要关闭TCP和RTP连接。

MRCPv2的使用规范可以总结如下：

（1）MRCP Client 通过SIP&SDP建立与MRCP Server的MRCP控制通道（使用MRCP 通道ID进行唯一标识，MRCP Server返回200消息时，通过a==channel属性指定）

（2）可以使用SIP的Re-INVITE消息添加或者删除一个会话中的MRCP控制通道，所以一个会话可以拥有多个MRCP控制通道（比如：一个会话可以同时拥有ASR&TTS 通道）

（3）多个MRCP控制通道可以共享同一个TCP链接。

（4）一个MRCP消息只能携带一个MRCP通道ID。

（5）MRCP控制消息不能更改SIP绘话的状态。

（6）由于MRCP不保证传输的可靠性，所以必须使用TCP来保证其传输。

3 语音识别技术及其在电信智能语音识别业务中的应用

自动语音识别技术（Automatic Speech Recogition ASR）是一种将人的语音转换为文本的技术，其广泛应用于语音通讯系统，声控电话交换、数据查询、订票系统、电信银行客服、计算机控制、工业控制等领域。

通常，我们说的语音识别可以分为固定次识别以及自然语音识别，固定词语音识别只能识别已经指明的固定短语或词，而且用户也只能说这些固定的词，否则无法识别，而自然语音识别可以识别用户随意说的短语或者句子，很显然自然语音识别更易用，其技术难度也更大。

近几年来，自然语音识别相关的技术随着移动互联网的发展迎来了迅猛的发展，在Google引领下，互联网、通信公司纷纷自然把自然语音识别作为重要的研究方向。

美国市场调查咨询公司Gartner于2013年发布的新兴技术成熟度曲线显示，语音识别技术已经走向成熟，在未来2-5年之内将会有大幅度的利用，而自然语音问答目前技术期望过热区，预计在5-10年会有大幅度的利用。自然语音问答技术中就使用到了自然语音识别。

在电信领域，语音识别技术应用多年来一直停留在固定词识别上，基本限定在简单的IVR领域，因为限制了用户的语音输入范围、易用性和可靠性受限导致应用实际并不广泛，从目前各大运营商的客服电话就很容易发现，采用按键式的IVR仍然是主流。

随着近几年语音识别技术的发展，自然语音识别技术逐渐完善，在移动互联网等可靠性不是太高的领域得到广泛的应用,iphone 的siri， QQ的语音输入、Googe的语音翻译、科大恶移动合作的灵犀扥智能语音识别业务都广泛应用到此技术。

拥有海量一手语音数据的电信行业也因为自然语音识别技术的成熟，智能语音识别业务将会迎来新的发展机遇。