ASR je síťová služba, která převádí mluvenou řeč na text, aby umožnila hlasem ovládané služby, automatizované zpracování hovorů a funkce usnadnění přístupu v sítích 3GPP.

Popis

Automatické rozpoznávání řeči (ASR) v rámci specifikací 3GPP je síťová služba, která přepisuje lidskou řeč do strojově čitelného textu. Funguje jako funkční komponenta, která je typicky hostována v aplikační vrstvě nebo jako součást funkce Media Resource Function (MRF) v IP Multimedia Subsystem (IMS). Základní proces zahrnuje zachycení audio signálů z uživatelského zařízení, předzpracování tohoto signálu (např. redukce šumu, detekce koncových bodů), extrakci akustických rysů a aplikaci statistických modelů (jako jsou skryté Markovovy modely nebo, v pozdějších releasech, hluboké neuronové sítě) pro mapování těchto rysů na fonémy, slova a nakonec textový přepis. Služba komunikuje s dalšími síťovými prvky, jako je Telephony Application Server (TAS) nebo Service Capability Exposure Function (SCEF/SCEF+/NEF), aby spouštěla akce na základě rozpoznané řeči, což umožňuje komplexní hlasem řízené služby.

Z architektonického hlediska lze ASR nasadit jako centralizovaný zdroj v jádru sítě nebo, s vývojem směrem k edge computingu, na distribuovaných místech, jako jsou uzly Multi-access Edge Computing (MEC), pro snížení latence. Klíčové komponenty zahrnují engine pro rozpoznávání řeči, jazykové a akustické modely, definici gramatiky nebo slovní zásoby pro omezení rozpoznávání na specifické domény (zásadní pro aplikace typu příkaz-řízení) a rozhraní pro doručování výsledků rozpoznávání. V IMS call flow je audio z User Equipment (UE) směrováno přes Media Gateway Control Function (MGCF) a Media Gateway (MGW) nebo přímo přes Packet Data Network Gateway (PGW) do MRF, která hostuje zdroj ASR. MRF následně audio zpracuje a vrátí text nebo indikátor akce aplikačnímu serveru.

Její role přesahuje pouhý přepis; je nedílnou součástí služeb, jako je hlasové vytáčení, hlasová navigace v menu (interaktivní hlasová odezva - IVR), titulkování v reálném čase a hlasové vyhledávání. Přesnost a výkon ASR jsou pro uživatelský zážitek klíčové a jsou ovlivněny faktory, jako je kvalita síťového kodeku (např. AMR, EVS), okolní hluk, variabilita mluvčího a složitost jazykového modelu. Ve specifikacích 3GPP je ASR často diskutováno v kontextu servisních požadavků, mechanismů účtování a API pro vystavení poskytovatelům služeb třetích stran.

K čemu slouží

ASR bylo zavedeno, aby umožnilo automatizovanou, inteligentní interakci s telekomunikačními sítěmi pomocí přirozené řeči, což představuje posun od tradiční signalizace pomocí tónové volby (DTMF). Před jeho integrací byly interaktivní služby omezeny na rigidní menu systémy založené na vstupech dual-tone multi-frequency (DTMF), které jsou těžkopádné, nepřístupné pro uživatele s pohybovým postižením a neefektivní pro složité dotazy. Rozšíření mobilních zařízení a potřeba bezručního ovládání, zejména v automobilových scénářích a scénářích usnadnění přístupu, poháněly potřebu robustního rozpoznávání řeči podporovaného sítí.

Vytvoření standardizovaných schopností ASR v rámci 3GPP, počínaje Release 6, mělo za cíl poskytnout konzistentní, spolehlivou platformu pro vývojáře služeb napříč různými síťovými operátory a výrobci zařízení. Vyřešilo problém fragmentovaných proprietárních řešení rozpoznávání řeči definováním síťových API a protokolů pro správu zdrojů. To umožnilo vývoj pokročilých hlasových služeb, jako je vytáčení podle vysloveného jména, hlasem ovládané získávání informací a automatizované systémy zákaznické podpory, které mohou škálovat napříč sítí. Dále položilo základy pro budoucí inteligentní služby, včetně integrace s porozuměním přirozenému jazyku pro konverzační rozhraní.

Klíčové vlastnosti

• Síťový převod řeči na text
• Podpora více jazyků a akustických modelů
• Integrace s IMS a MRF pro zpracování médií
• Rozpoznávání založené na gramatice pro omezené aplikace (např. vytáčení příkazem)
• Vystavení aplikačním serverům prostřednictvím standardizovaných API (např. Parlay X)
• Podpora režimů zpracování v reálném čase a dávkového zpracování

Definující specifikace

• TS 22.823 (Rel-16) — IMS enhancements for new real-time communication services
• TR 22.916 (Rel-19) — Study on Network of Service Robots with Ambient Intelligence
• TS 23.333 (Rel-19) — MRFC-MRFP Mp Interface Requirements
• TS 23.700 (Rel-20) — XR Services Application Enablement Layer
• TS 23.877 (Rel-6) — Speech Recognition Framework Analysis
• TS 29.826 (Rel-13) — P-CSCF Restoration Enhancements for WLAN
• TS 32.299 (Rel-19) — Diameter Charging Applications for 3GPP
• TS 32.869 (Rel-15) — Diameter Overload Control for Charging Interfaces

📖 Anglický originál a plná specifikace: ASR na 3GPP Explorer