IVR（Interactive Voice Response）即交互式语音应答，也就是我们说的电话语音菜单，可以使用预先录制的语音或者TTS进行自动应答，提供菜单导航，主要用于呼叫中心系统。我们主要介绍FreeSWITCH提供的IVR功能。
作者简介 本文作者为携程基础业务研发部呼叫中心团队，其在传统呼叫中心基础上，结合软交换、智能分配、自动语音语义处理等技术，为携程用户提供人性化、人机互动、便捷的电话语音服务。 一、前言 智能手机早已成为日常生活中不可或缺的一部分，随着移动互联网的快速发展，人们的生活习惯与工作方式也在不断发生改变。从移动通信、移动支付，再到移动办公，“移动化”已渗透至各行各业，并逐步成为企业业务发展的趋势。 携程呼叫中心研发团队根据业务的需求，研发完成了一套完整的呼叫中心移动坐席解决方案，使业务坐席不再受制于工作时间、办公地
https://webrtchacks.com/troubleshooting-unwitting-browser-experiments-al-brooks/
这两个模块都是在FreeSWITCH支持使用嵌入式语言来控制呼叫流程的。我们在以前的文章中也曾不同程度地提到他们。 其中，mod_lua支持Lua语言，Lua是很有名的嵌入式语言，能非常好地嵌入其它语言的程序中。该模块有两个版本，最新的版本支持Lua 5.2，而支持Lua 5.1的版本现在已被移动到源代码的legacy目录中。 而mod_v8支持Javascript，由Google的v8库提供支持，v8库已被成功用于Chrome及node.js中，性能强劲。其实对Javascript的支持也有两个版本，另一个版本也在legacy目录中，叫做mod_spidermonkey。Spidermonkey是Firefox中的Javascript引擎。 Lua和Javascript两种语言有很多相似的地方，我们不必多说，先来看两个脚本： test.lua session:answer() session:sleep(1000) session:streamFile("/tmp/hello-lua.wav") session:hangup() test.js session.answer(); session.sleep(1000); session.streamFile("/tmp/hello-js.wav"); session.hangup(); 可以看出，两个脚本的内容和功能基本上一样。第一行，对当前呼叫进行应答；然后，小睡一会（以确定能正确的建立媒体流）；接着，播放一个声音文件；最后，挂机。 可以分别使用如下Dialplan将来话路由到上述脚本： <action application=“lua” data=“/tmp/test.lua”/> 或 <action application=“javascript” data=“/tmp/test.js”/> 当然，两个脚本本质上是Lua或Javascript，因而你可以很容易地在脚本中加入条件判断、循环等，甚至也可以通过相关的API与数据库或其它系统交互。能实现什么样的程序，完全在于你的想象力，从现在起，就写个脚本练一练吧？ ---------------------------------------- FreeSWITCH-CN是什么？ ---------------------------------------- FreeSWITCH-CN是FreeSWITCH中文社区，我们的官方网站是 http://www.freeswitch.org.cn 。FreeSWITCH-CN同时也是一个微信公共账号，可以通过点击本页最顶端的「FreeSWITCH中文社... 」，或在通迅录->订阅号中搜索「FreeSWITCH-CN」来订阅，也可以到官方网站上扫描二维码。当然，不管是新用户还是老用户，随时都可以输入m或1显示本账号的主菜单。 FreeSWITCH-CN的账号维护者是Seven Du，在此，他会分享多年的FreeSWITCH使用经验，分享一些对开源VoIP软件以及软件社区的思考，并隔三差五的解答一些粉丝关心的问题。Seven Du于2007年听说、2008年开始使用FreeSWITCH，2009年创办FreeSWITCH-CN中文社区，2011~2013连续三年参加了在美国芝加哥举办的ClueCon全球VoIP开发者大会，该会议是由FreeSWITCH核心团队主办的。 如果你在学习和使用FreeSWITCH的过程中，有什么有趣的故事，也欢迎与我分享。移动设备上打字不方便，如果想写长的留言可以发邮件到 wechat@freeswitch.org.cn 。
dialplan/default/0001_vmain.xml中，定义了VoiceMail的检查方法。当呼叫vmain或*98时，就可以进行检查。
bind_digit_action是FreeSWITCH中的一个Application。和bind_meta_app很相似，但是bind_digit_action使用起来更得心应手。可以这么说，在所有使用到bind_meta_app的场合都可以用bind_digit_action来代替。
SpiderMonkey是第一款最早面世的JavaScript引擎，它是Mozilla使用的Javascript引擎。FreeSWITCH也使用了该引擎来在FreeSWITCH内部支持Javascript嵌入式语言。 FreeSWITCH中对Javascript脚本的支持是在mod_spidermonkey中实现的。通过该模块，可以使用Javascrip控制呼叫流程，如，你可以使用如下Dialplan将电话交给一个Javascript脚本处理： <action application=“javascript” data=“/tmp/test.js”/> 然后，创建如下js文件： session.answer(); session.sleep(1000); session.streamFile("/tmp/hello-js.wav"); session.hangup(); 在js脚本中，可以得到一个session对象（Object），然后就可以对该session进行操作了。一个session代表一路通话。从上面的js脚本中很容易看出，第一行用于对来话进行应答，进二行小睡一会（1000毫秒），第三行则播放一个 .wav 文件，第四行挂机。 是的，它等于以下Dialplan： <action application=“answer””/> <action application=“sleep” data=“1000”/> <action application=“playback” data=“/tmp/hello-js.wav”/> <action application=“hangup”/> 但是，大家都知道，在Dialplan中加入逻辑判断等功能都是有限的，但在Javascript中就不同了，你很容易写一些 if-else 之类的语句判断当前的场景进而执行不同的动作。关于这一点，我们在此就不举例子，有兴趣的可以自己研究一下。 除了SpiderMonkey外，另一个Javascript引敬是V8，这是一个在Google Chrome中以及 Node.js中使用的Javascript引擎，它提供了比SpiderMondey更好的性能。最近，FreeSWITCH中也实现了一个mod_v8模块。该模块除了与mod_spidermonkey有一些小小的差别外，在API上完全兼容。也就是说，上述的test.js脚本在mod_v8下也能正常运行。 由于mod_v8的出现，现在mod_spidermonkey已经不推荐使用了。从下列提交信息中，可以看出它已被移至源代码的 legacy目录中： b0bcc01 Deprecate mod_spidermonkeyWe consider mod_spidermonkey to be completely replaced by mod_v8 关于mod_v8，且听下回解说。 另外，如果大家想先看哪些模块，告诉我，我会优先写。 ---------------------------------------- FreeSWITCH-CN是什么？ ---------------------------------------- FreeSWITCH-CN是FreeSWITCH中文社区，我们的官方网站是 http://www.freeswitch.org.cn 。FreeSWITCH-CN同时也是一个微信公共账号，可以通过点击本页最顶端的「FreeSWITCH中文社... 」，或在通迅录->订阅号中搜索「FreeSWITCH-CN」来订阅，也可以到官方网站上扫描二维码。当然，不管是新用户还是老用户，随时都可以输入m或1显示本账号的主菜单。 FreeSWITCH-CN的账号维护者是Seven Du，在此，他会分享多年的FreeSWITCH使用经验，分享一些对开源VoIP软件以及软件社区的思考，并隔三差五的解答一些粉丝关心的问题。Seven Du于2007年听说、2008年开始使用FreeSWITCH，2009年创办FreeSWITCH-CN中文社区，2011~2013连续三年参加了在美国芝加哥举办的ClueCon全球VoIP开发者大会，该会议是由FreeSWITCH核心团队主办的。 如果你在学习和使用FreeSWITCH的过程中，有什么有趣的故事，也欢迎与我分享。移动设备上打字不方便，如果想写长的留言可以发邮件到 wechat@freeswitch.org.cn 。
在进行频谱分析时，发现MATLAB和python读取wav文件的波形不一致，导致不能得出正确结果，为了验证MATLAB和python哪部分有问题，于是有了这篇博客。
FreeSwitch下配置DID的方法 首先介绍下什么是DID? 翻译为中文为“直接向内拨号”，该服务是由电话公司提供的，它使用户能够直接拨打PBX或VOIP系统中的分机号码，而无需求助于总机或自动话
前几天，儿子由于顽皮以及我的疏忽碰破了头，去医院缝了3针，所以，这两天心神有点不宁，如果写得不好，抱歉了。 好在我们家附近有一家新开的医院，环境看起来都很新，人也不多，服务也不错。包扎好了就没事了，大家也不用担心。只是这几天我得在家里陪着他。 在医院时，看到医院到处都是易拉宝，墙上也贴着宣传牌。不过，上面的英语都翻译的很搞笑，当时没顾得拍照，但记得有一项“亲民医院”之类的词翻译成了kiss。当然，见怪不怪，这种神翻译随处可见，网友也有诸多吐嘈。相信大部分都是用机器翻译的，甚至有的还有不伦不类的“Service not available”。 不明白，为什么这些制作标牌的广告公司这么没修养（没文化有情可原，你告诉人家啊）。当然，出现这些问题主要的原因也不能太怪广告公司，还是在于花钱做这些广告牌子的人。即使自己不认识英语，找个大学生帮忙看看花不了几个钱吧？要不，就直接回归拼音吧，我记得小时间的标志牌都是中文和拼音并排的，如“新华书店”上面就挂着“XIN HUA SHU DIAN”。 好了，不扯这些了，今天说说mod_portaudio。
在语音处理中，音频文件读写是基本操作。 然而读写方式乃至归一化处理的多样化，有可能导致后续处理的偏差乃至错误。 本文汇集实践中所遇的一些方法，并参考了其他文章，确保读写操作的准确性和一致性。
上一篇学习了如何安装freeswitch，接下来我们利用2个voip软件来体验如何互打电话（注：仍然是mac环境，windows用户可参考mac上的做法，原理相通）
本章介绍如何使用PaddlePaddle实现简单的声纹识别模型，首先你需要熟悉音频分类，没有了解的可以查看这篇文章《基于PaddlePaddle实现声音分类》
博主的毕设系统在做一个餐厅的点餐管理系统，在记性移动端页面开发的时候突发奇想做一个呼叫服务员，扬声器发声的一个功能类似于：“工作人员请注意，桌号8001顾客正在寻求帮助！”。
本篇开始讲解音频编辑的具体操作，从相对简单的音频裁剪开始。要进行音频裁剪，我的方案是开启一个Service服务用于音频裁剪的耗时操作，主界面发送裁剪命令，同时注册EventBus接受裁剪的消息（当然也可以使用广播接受的方式）。因此，在本篇主要会讲解以下内容：
原文Basic Sound Processing with Python描述了怎样在Python中通过pylab接口对声音进行基本的处理。
本篇涉及到.wav 声音文件的读取，FFT变换以及用matplotlib来显示声音的时域和频域信息。
因为工作中用到了wav格式的音频，所以就搜集了一些关于wav音频的处理。 主要包括：音频信息，读取内容，获取时长，切割音频，pcm与wav互转
今天，有网友问到一个问题——使用什么工具检测录音文件中的DTMF信息。其实FreeSWITCH本身就具备检测DTMF的功能，简单配置一下，写几个脚本就可以了。
WAV是一种波形音频文件格式(Waveform Audio File Format)。虽然是一种古老的格式（九十年代初开发），但今天仍然可以看到这种文件。 WAV具有简单、可移植、高保真等特点。
链接：http://www.cnblogs.com/xingshansi/p/6799994.html
语音识别是当前人工智能的比较热门的方向，技术也比较成熟，各大公司也相继推出了各自的语音助手机器人，如百度的小度机器人、阿里的天猫精灵等。语音识别算法当前主要是由RNN、LSTM、DNN-HMM等机器学习和深度学习技术做支撑。但训练这些模型的第一步就是将音频文件数据化，提取当中的语音特征。
本章我们来介绍如何使用PaddlePaddle训练一个区分不同音频的分类模型，例如你有这样一个需求，需要根据不同的鸟叫声识别是什么种类的鸟，这时你就可以使用这个方法来实现你的需求了。
本章我们来介绍如何使用Tensorflow训练一个区分不同音频的分类模型，例如你有这样一个需求，需要根据不同的鸟叫声识别是什么种类的鸟，这时你就可以使用这个方法来实现你的需求了。话不多说，来干。
有专家预测，到2020年，企业将实现与客户对话的自动化。据统计，由于呼叫中心的员工要么没有接好电话，要么没有足够的能力进行有效沟通，公司损失了多达30%的来电。
androidauthority AI 科技评论消息，今日百度研究院在官网上正式推出了 Deep Voice：实时语音合成神经网络系统（Real-Time Neural Text-to-Speech for Production），Twitter 上也同步更新了消息，目前论文也已经投递 ICML 2017。 本系统完全依赖深度神经网络搭建而成，最大的优势在于能够满足实时转换的要求。在以前，音频合成的速度往往非常慢，需要花费数分钟到数小时不等的时间才能转换几秒的内容，而现在，百度研究院已经能实现实时合成，
静音检测 在WebRTC中 是采用计算GMM (Gaussian Mixture Model,高斯混合模型)进行特征提取的。
本章介绍如何使用Tensorflow实现简单的声纹识别模型，首先你需要熟悉音频分类，没有了解的可以查看这篇文章《基于Tensorflow实现声音分类》 。基于这个知识基础之上，我们训练一个声纹识别模型，通过这个模型我们可以识别说话的人是谁，可以应用在一些需要音频验证的项目。不同的是本项目使用了ArcFace Loss，ArcFace loss：Additive Angular Margin Loss（加性角度间隔损失函数），对特征向量和权重归一化，对θ加上角度间隔m，角度间隔比余弦间隔在对角度的影响更加直接。
一、前言 一日，看见我妈正在用电脑练习打字，频频低头看键盘，我想：要是键盘能发音的话，不就可以方便她养成”盲打”的好习惯吗？光想不做可不行，开始行动(您可千万别急着去拿工具箱啊^_^)… 按键能发音，其关键就是让程序能够知道当前键盘上是哪个键被按下，并播放相应的声音,自己的程序当然不在话下，那么其它程序当前按下哪个键如何得知呢？利用键盘钩子便可以很好地解决。
由于 WAV 文件通常包含未压缩的数据，因此它们的体积可能很大。这可能会使它们的处理速度非常慢，甚至阻止您一次将整个文件放入内存中。
本章我们来介绍如何使用Pytorch训练一个区分不同音频的分类模型，例如你有这样一个需求，需要根据不同的鸟叫声识别是什么种类的鸟，这时你就可以使用这个方法来实现你的需求了。
题外话：昨天是2020年元宵节，正值"新型肺炎"第二阶段防治关键时期，返沪后按规定自觉在家隔离14天，不出去给社会添乱，真心希望这次疫情快点过去。
引言 微信读书有一个录音功能需求： 录音时绘制音频波形， 音频以 wav 格式保存 再次进入界面，加载 wav，重新渲染音频波形 步骤 1 通过 NSRecorder.averagePow
本项目是基于VGG-Speaker-Recognition开发的，本项目主要是用于声纹识别，也有人称为说话人识别。本项目包括了自定义数据集的训练，声纹对比，和声纹识别。
本章介绍如何使用Tensorflow实现简单的声纹识别模型，首先你需要熟悉音频分类，没有了解的可以查看这篇文章《基于Tensorflow实现声音分类》。基于这个知识基础之上，我们训练一个声纹识别模型，通过这个模型我们可以识别说话的人是谁，可以应用在一些需要音频验证的项目。
1. 个性化IVR交互式语音引导流程，树状逻辑、分层次、多分支、动态节点、自由跳转，用户可根据业务发展需要随时自行修改流程，无需厂家支持。
# 来源：NumPy Cookbook 2e Ch5 将图像加载进内存 import numpy as np import matplotlib.pyplot as plt # 首先生成一个 512x512 的图像 # 在里面画 30 个正方形 N = 512 NSQUARES = 30 # 初始化 img = np.zeros((N, N), np.uint8) # 正方形的中心是 0 ~ N 的随机数 centers = np.random.random_integers(0, N, s
和图像处理一样，我们在进行音频任务的模型训练时，也需要对音频进行一些随机处理，作为训练数据的增广。本文主要介绍音频低音消除，音频增加噪声，音频变速。
本项目说是使用Keras，但使用的都是Tensorflow下的keras接口，本项目主要是用于声纹识别，也有人称为说话人识别。本项目包括了自定义数据集的训练，声纹对比，和声纹识别。
人们所熟知的图像方面的3A算法有： AF自动对焦(Automatic Focus) 自动对焦即调节摄像头焦距自动得到清晰的图像的过程 AE自动曝光(Automatic Exposure) 自动曝光的是为了使感光器件获得合适的曝光量 AW自动白平衡(Automatic White Balance) 白平衡的本质是使白色物体在任何光源下都显示白色 与之相对应的音频方面的3A算法是: AGC自动增益补偿(Automatic Gain Control) 自动调麦克风的收音量，使与会者收到一定的音量水平，不会因发言者
自然界中的声音非常复杂，波形极其复杂，通常我们采用的是脉冲代码调制编码，即PCM编码。PCM通过抽样、量化、编码三个步骤将连续变化的模拟信号转换为数字编码。
（前段时间在做嵌入式的课程设计，特将学习心得整理如下） 一、开发工具及环境介绍 1、ARM处理器 ARM处理器是一个32位元精简指令集(RISC)处理器架构,其广泛地使用在许多嵌入式系统设计。 ARM处理器特点： 体积小、低功耗、低成本、高性能； 支持Thumb（16位）/ARM（32位）双指令集，能很好的兼容8位/16位器件； 大量使用寄存器，指令执行速度更快； 大多数数据操作都在寄存器中完成； 寻址方式灵活简单，执行效率高； 指令长度固定。 2、交叉编译环境 2.1、交叉编译 交叉编译（cross-co
什么是REST api？ -- REpresentational State Transfer REST api是基于http请求的一种api，就百度语音识别的实例来讲，通过百度提供的url加上经过编码的音频文件，向百度服务器发出请求，然后百度服务器返回识别的内容。结束。
传统 HTML 开发中 , 如果想要向网页中嵌入音频和视频 , 需要 使用 Flash 浏览器插件才能实现 ;
笔者最近在挑选开源的语音识别模型，首要测试的是百度的paddlepaddle； 测试之前，肯定需要了解一下音频解析的一些基本技术点，于是有此篇先导文章。
今天，本来想多写点东西的，可是陪孩子玩的多了，就没有时间了。前两天有朋友问到FreeSWITCH有取代或超越Asterisk的历史地位的可能吗？简单回答一下：我认为，Asterisk的历史地位在于它是开源的VoIP软件的先驱，它的历史地位是谁都不可能替代的。但是，如果说到应用及规模，我倒认为FreeSWITCH的前景是很好的。下面是我以前翻译的一篇文章，与大家分享一下。该文章原载于：http://www.freeswitch.org.cn/2010/01/23/freeswitch-yu-asterisk.html ，也可以点击左下角的「查看原文」查看。
经常关注我们FreeSWITCH中文社区的人知道，从2013开始，每年我们都会举办多次FreeSWITCH培训。
本章介绍如何使用PaddlePaddle实现简单的声纹识别模型，本项目参考了人脸识别项目的做法PaddlePaddle-MobileFaceNets ,使用了ArcFace Loss，ArcFace loss：Additive Angular Margin Loss（加性角度间隔损失函数），对特征向量和权重归一化，对θ加上角度间隔m，角度间隔比余弦间隔在对角度的影响更加直接。
本项目将分三个阶段分支，分别是入门级、进阶级和应用级分支，当前为入门级，随着级别的提升，识别准确率也随之提升，也更适合实际项目使用，敬请关注！
今天我们学习音频的采集、编码、生成文件、转码等操作，我们生成三种格式的文件格式，pcm、wav、aac 三种格式，并且我们用 AudioStack 来播放音频，最后我们播放这个音频。
领取专属 10元无门槛券
手把手带您无忧上云
