最佳实践 | 基于腾讯云MRCP-Server打造简单智能外呼系统

一、智能外呼架构简介

智能外呼在国内已发展多年，整体的技术早已非常成熟。那么一个简单的智能外呼系统应该包含哪些东西呢？

• 运营商：运营商的线路资源是外呼系统的基础，国内就是移动、联通、电信，也有一些集成商。
• 呼叫中心：呼叫中心相关的软硬件用来对接运营商线路，市面上成熟产品很多，各大云厂商也都有相关的云服务。
  • 开源方案也有一些，如freeswitch、asterisk，网上有很多的资料可以参考。
• 外呼SAAS平台：用来串起来整个通话流程，这部分的实现相对来说最容易，国内各厂商基本都是自研
• AI能力：语音识别、语音合成、以及智能对话平台能力，关乎到智能外呼系统核心的体验、是否智能、拟人化等

智能外呼简单流程

上面介绍了智能外呼系统的大概组成，那具体是如何运行的呢？下面是一个简单的疫情调研外呼电话例子。

示例中，存在两轮对话，方框内容为机器人语音播报，两次回答“是否本人”、“是否阳性”是客户回答，走语音识别后进行判定。

在智能外呼系统中，对接语音识别和语音合成的部分，通常来说有两种方式：

1. 外呼SAAS平台直接调用语音识别、语音合成
   • 这种方式一般用完整的客户音频流去做语音识别(以便支持播报中打断、播报中关键词逻辑、播报中打断&回复等功能)
2. 通过IVR调用MRCP-Server接口来调用语音识别、语音合成
   • 每次语音识别的音频，是机器人播报后，触发识别的一小段音频(类似上面示例中，就是“是否本人”“是否阳性”两段回答的语音片段)

下面我们分别看下两种方式对应的序列图。

无MRCP-Server流程

• 该方案的开发成本较高，通话流程的控制逻辑很大一部分在“外呼SAAS平台”内，且要对接语音识别、语音合成、智能对话平台等部分
• 外呼通话接通的时候，客户的音频流就持续推到外呼SAAS平台，音频流持续送入语音识别，得到实时识别结果
• 完整通话识别结果可以用来实现机器人播报中打断、播报中客户关键词识别&处理(如转人工、新回复等)等

有MRCP-Server流程

• 该方案的开发成本相对2.1要低不少，对接语音识别、语音合成的MRCP-Server一般各大厂商有现成的组件，不用去开发
• 该方案只有机器人播报完/被打断后，才会调用mrcp-server启动识别，送入客户音频去做语音识别

MRCP作为标准协议，基本市面上的呼叫中心都是支持的，对接起来也较容易，下面讲一下笔者对接腾讯云MRCP-Server的过程。

二、腾讯云MRCP-Server对接

开始对接之前，我们需要先开通腾讯云的语音识别、语音合成服务。

开通语音识别&语音合成

分别点击 腾讯云语音识别控制台 ，腾讯云语音合成控制台， 点击立即开通服务。

可以点击这里领取一个新人的体验资源包： https://cloud.tencent.com/product/asr/pricing

获取调用服务的API密钥

访问腾讯云的服务，都需要一个秘钥，在腾讯云访问管理的API密钥管理页面，可以新建一个秘钥，这个一定要保管好，不能泄露出去，防止被盗用。秘钥后面我们要用到。

MRCP-Server部署

腾讯云的MRCP-Server有现成的部署包，不用自己开发对接ASR&TTS，可以大大节约时间。

只要你有一个干净的linux环境，进行部署。部署环节分位以下几步：

1. 解压 unimrcp.tar.gz 到部署路径
2. 修改配置文件，运行 change.sh分发配置文件
3. 启动&测试验证

下载&解压

1. 点击 MRCP-Server部署包 下载部署包，传输到干净的linux环境
2. 指定一个安装目录，这里使用 $project_path 来代表安装目录
3. 执行解压命令：

tar -xzvf unimrcp.tar.gz -C $project_path

修改配置

执行以下命令，打开配置文件：

cd $project_path/unimrcp/admin

vim conf.ini

配置文件中各字段含义，可参考文件中注释，可以按照实际需要修改server_ip、server_sip_port、server_mrcp_port等配置。

请将3.2章节中，从官网获得的 appid、secretid、secretkey 填写到配置文件中对应位置。

#公有云用户AppID
appid=1233
#公有云用户SecretID
secretid=123
#公有云用户SecretKey
secretkey=demokey123

修改完配置后，执行以下命令分发配置。

cd $project_path/unimrcp/admin
sh change.sh

服务启动

运行以下命令启动服务：

cd $project_path/unimrcp/admin
sh start_server.sh

成功启动会有如下提示：

运行如下命令也可确认是否成功启动。

netstat -anp | grep mrcp

如成功启动，会看到2个tcp端口，1个udp端口

服务测试

进入admin使用unimrcpclient来测试MRCP服务，执行如下命令：

cd $project_path/unimrcp/admin
sh start_client.sh 

进入命令行界面，如下：

在交互输入栏输入“run recog” 来测试语音识别功能。

run recog

如果执行成功会出现类似如下结果：

如果还想测试语音合成能力，可以在交互输入栏输入“run synth” 可以测试。客户端显示出识别出结果为：“欢迎使用腾讯云语音合成”，则表示客户端发送文本正常。

对于返回的合成音频，可以检查$project_path/unimrcp/var/synth中的相应的音频，确认音频是否正常。

MRCP-Server对接

只需对接 MRCP Server 的 IP 和 SIP 端口即可。

需要注意的是腾讯云MRCP Server使用的协议版本为MRCPv2。

参考3.3.3章节，可以获得对应配置，或者去修改对应的端口号。通过ifconfig命令获取机器IP。如下图，5060是sip端口号。

下面给出对接华为IVR的一个实例：

如果使用Freeswitch来对接的话，在profile里面设置即可，如下图：

MRCP协议识别流程简介

关于MRCP协议这里就不多说了，可以参考MRCP协议手册：https://www.rfc-editor.org/rfc/rfc6787

目前大家围绕MRCP的开发，基本都是基于开源软件Unimrcp，它完整实现了MRCP协议（含SIP/RTSP/MRCP/RTCP/RTP）

MRCP使用SIP协议来控制整个音频资源的通信流程，RTP作为实际的音频数据的承载协议，RTCP负责RTP过程中的Qos。

下面是MRCP调用语音识别服务的序列图：

上图描述了整个通信的过程，下面具体描述一下。

MRCP会话建立

通过SIP协议来建立会话。

• MRCP Client的SIP INVITE信息包含Client侧SDP信息。其中“resource:speechrecog”代表请求语音识别资源。
• MRCP Server回复SIP 200 OK时会发送Server侧的的SDP信息，包含channel标识等。

SIP INVITE消息示例：

c=IN IP4 127.0.0.1
t=0 0
m=application 9 TCP/MRCPv2 1
a=setup:active
a=connection:new
a=resource:speechrecog
a=cmid:1
m=audio 4000 RTP/AVP 0 8 96 101
a=rtpmap:0 PCMU/8000
a=rtpmap:8 PCMA/8000
a=rtpmap:96 L16/8000
a=rtpmap:101 telephone-event/8000
a=fmtp:101 0-15
a=sendonly
a=ptime:20
a=mid:1

SIP 200 OK消息示例：

v=0
o=UniMRCPServer 0 0 IN IP4 127.0.0.1
s=-
c=IN IP4 127.0.0.1
t=0 0
m=application 1544 TCP/MRCPv2 1
a=setup:passive
a=connection:new
a=channel:743997aec02d11ea@speechrecog
a=cmid:1
m=audio 5000 RTP/AVP 0 101
a=rtpmap:0 PCMU/8000
a=rtpmap:101 telephone-event/8000
a=fmtp:101 0-15
a=recvonly
a=ptime:20
a=mid:1

MRCP DEFINE-GRAMMAR

通过MRCP DEFINE-GRAMMAR消息，可以将一些语音识别所需的参数关联进去，来帮助更好的识别（DEFINE-GRAMMAR必须在RECOGNIZE之前发送）

例如下面的 DEFINE-GRAMMAR消息体中，设置hotword_id和customization_id，发送给腾讯云的MRCP-Server，就可以分别设置语音识别的热词和自学习参数，来做识别加强。

2020-07-07 16:40:04:490628 [INFO]   Receive MRCPv2 Data 127.0.0.1:1544 <-> 127.0.0.1:43893 [448 bytes]
MRCP/2.0 448 DEFINE-GRAMMAR 1
Channel-Identifier: 743997aec02d11ea@speechrecog
Content-Type: application/srgs+xml
Content-Id: request1@form-level.store
Content-Length: 269

<grammar xmlns="http://www.w3.org/2001/06/grammar" xml:lang="en-US" version="1.0" mode="voice" root="digit">
  <rule hotword_id="test_hotword" customization_id="test_customization_id"/>
</grammar>
2020-07-07 16:40:04:490756 [INFO]   Assign Control Channel <743997aec02d11ea@speechrecog> to Connection 127.0.0.1:1544 <-> 127.0.0.1:43893 [0] -> [1]

MRCP RECOGNIZE

MRCP RECOGNIZE消息用来启动一次语音识别，打开channel准备接收数据。

RECOGNIZE的Header有很多种类型，其中以下4种是在外呼场景最常见的4个。

• Start-Input-Timers：是否启动no-input计时器，大多数情况下设置true即可，配合No-Input-Timeout一起使用。
• No-Input-Timeout：单位为ms，当识别开始并在一段时间内没有检测到语音时，向client发送一个RECOGNITION-COMPLETE事件，Completion-Cause为“no-input-timeout”，终止识别操作。
  • 如该参数设置3000，代表外呼中的等待客户回复的时候，超过3秒客户一直没说话，触发no-input-timeout事件。机器人可以尝试再次播报或者是挂机等操作。
• Recognition-Timeout：单位为ms，识别超时时间，用于语音识别vad(人声检测)断不开一直识别的情况，向client发送一个RECOGNITION-COMPLETE事件，Completion-Cause为“recognition-timeout”，终止识别操作。
  • 如该参数设置10秒，代表外呼中客户最多一次不停的说10秒的话，10秒触发Recognition-Timeout事件，机器人根据客户说话结果生成回复。
• Speech-Complete-Timeout：单位为ms，静音尾部检测时间。用于设置语音识别vad静音检测阈值，一般会设置在500ms-1000ms的区间。

下面是一个RECOGNIZE消息的实例：

MRCP/2.0 290 RECOGNIZE 2
Channel-Identifier: 743997aec02d11ea@speechrecog
Content-Type: text/uri-list
Cancel-If-Queue: false
No-Input-Timeout: 5000
Recognition-Timeout: 10000Speech-Complete-Timeout: 500
Start-Input-Timers: true
Confidence-Threshold: 0.87
Content-Length: 33

MRCP-Server给Client响应，IN-PROGRESS表示识别处理中。

MRCP/2.0 83 2 200 IN-PROGRESS
Channel-Identifier: 743997aec02d11ea@speechrecog

MRCP START-OF-INPUT

MRCP START-OF-INPUT事件表示识别正式开始，数据通过RTP持续传输过来。

MRCP/2.0 94 START-OF-INPUT 2 IN-PROGRESS
Channel-Identifier: 743997aec02d11ea@speechrecog

MRCP RECOGNITION-COMPLETE

MRCP RECOGNITION-COMPLETE事件表示识别结束，并返回识别结果

MRCP/2.0 477 RECOGNITION-COMPLETE 2 COMPLETE
Channel-Identifier: 743997aec02d11ea@speechrecog
Completion-Cause: 000 success
Content-Type: application/nlsml+xml
Content-Length: 290

<result>
  <interpretation grammar="session:request1@form-level.store" confidence="0.97">
    <instance><nlresult>07743997aec02d11ea-1|微粒贷借借贷问题。</nlresult></instance>
    <input mode="speech"></input>
  </interpretation>
</result>

三、常见问题

发现有任何异常的时候，可以先去排查下日志。MRCP Server的日志为：$project_path/unimrcp/log/unimrcpserver_current.log

会话相关

MRCP Client日志出现Failed to Create Listening Socket

原因：MRCP端口被占用

解决方法：使用以下命令检查端口$(port)（默认1544）是否被占用，若被其他服务占用，则参考3.3.2修改&分发配置并重启服务。

netstat -anp |grep $(port)

MRCP Server日志出现Failed to Create NUA

原因：SIP端口被占用

解决方法：使用以下命令检查端口$(port)（默认5060）是否被占用，若被其他服务占用，则参考3.3.2修改&分发配置并重启服务。

netstat -anp |grep $(port)

MRCP Client日志出现Connection refused

Receive SIP Event [nua_i_state] Status 0 INVITE sent [SIP-Agent-1]
nta: INVITE (950928814): Connection refused (111)

原因：MRCP Server未启动，或者是没有正确配置MRCP Server的ip和端口。

解决方法：参考3.3.3章节，确认MRCP Server是启动状态，如果已启动，确认client端设置了正确的ip和端口。

语音识别相关

MRCP Client没有拿到识别结果

查看MRCP Server日志，如果出现类似“send to asr error, httpcode 0, rsp_code xxx” 这样的日志，说明识别请求发送失败了，可以根据错误码提示排查一下错误。

如果出现类似如下日志，说明语音识别的请求是正常发送了的。

这种情况下没有拿到识别结果，可以往下分析一下日志，一般就是如下两种情况：

1. 用户一直没说话，默认5s没有说话会话自动超时，发送识别结果为no-input-timeout。详细可参考4.3章节里面的header说明。

2. client侧发送了STOP请求，STOP请求会中断识别，并关闭链接，导致client端无法收到识别结果。

MRCP Server如何设置热词&自学习

关于热词和自学习的设置，使用3.1章节的账号登陆语音识别控制台，参考下面两个文档进行设置。

自学习设置：https://cloud.tencent.com/document/product/1093/38416

热词设置：https://cloud.tencent.com/document/product/1093/40996

控制台里面可以看到对应的热词ID和自学习ID，参考4.2章节， DEFINE-GRAMMAR消息体中，分别设置hotword_id和customization_id。

这样对应的热词和自学习就可以生效了。

MRCP Server如何修改识别结果样式

默认的返回结果为如下样式：

如果想改下对应的返回结构，可以修改

cd $project_path/unimrcp/data
vim result.tpl.xml

默认格式如下：

<?xml version="1.0" encoding="UTF-8" ?>
<result>
  <interpretation grammar="%s" confidence="0.97">
    <instance><nlresult>%s|%s</nlresult></instance>
    <input mode="speech"></input>
  </interpretation>
</result>

如果想把识别结果放到input speech节点里。则可以修改为：

<?xml version="1.0" encoding="UTF-8" ?>
<result>
  <interpretation grammar="%s" confidence="0.97">
    <instance><nlresult>%s</nlresult></instance>
    <input mode="speech">%s</input>
  </interpretation>
</result>

如果想修改成JSON格式，则可以调整为：

{
    "grammar" : "%s",
    "voiceid" : "%s",
    "result" : "%s"
}

修改后对应结果变为：

如何修改语音识别参数

运行如下命令打开ASR对应的配置文件：

cd $project_path/unimrcp/
vim conf/TCloudRealtimeASRConfig.ini

[tcloud_asr]节点下的内容都是语音识别的参数，参数的详细含义，可以参考官网文档：https://cloud.tencent.com/document/product/1093/48982

配置文件里面的参数都不建议修改，脏词过滤、语气词过滤、标点、数字转换几个可以根据需求来修改。

filter_dirty=0
filter_modal=0
filter_punc=0
convert_num_mode=1

修改配置后记得重启MRCP Server以便生效。

语音合成相关

如何设置音色&音量&语速

参考MRCP标准协议中相关描述：https://datatracker.ietf.org/doc/id/draft-ietf-speechsc-mrcpv2-22.html#sec.synthesizeHeaders

以上是一个实际调用示例，实际的调用中，最常用的也就是这三个参数。

• Voice-Name：音色，对应腾讯云实时合成里面的VoiceType参数
• Prosody-Volume：音量，对应腾讯云实时合成里面的Volume参数
• Prosody-Rate：语速，对应腾讯云实时合成里面的Speed参数

这几个参数对应的值，可以参考官网文档：https://cloud.tencent.com/document/product/1073/34093

如何实现中断播报

client发送一个STOP消息即可中断语音合成播报。详细参考：https://datatracker.ietf.org/doc/id/draft-ietf-speechsc-mrcpv2-22.html#anchor46