VoiceXML是一种基于XML的语音交互标记语言，用于定义电话语音菜单等应用的对话逻辑，需配合ASR/TTS平台运行，核心是控制语音输入输出及异常处理流程。
VoiceXML 是一种基于 XML 的标记语言，专门用来构建语音交互应用，比如电话语音菜单、语音助手后端流程、自动客服系统等。它不处理语音识别或合成的具体技术细节，而是定义“对话逻辑”——告诉语音平台：什么时候听用户说话、听什么、怎么回应、出错了怎么办。
VoiceXML 的核心作用
它像网页的 HTML，但面向语音通道：HTML 控制屏幕显示和点击，VoiceXML 控制语音播放、语音输入、语义理解跳转。实际运行时，需要搭配语音平台（如 Cisco CVP、Genesys Engage、Asterisk + VoiceXML Gateway 或云服务如 Amazon Connect）来完成语音识别（ASR）、文本转语音（TTS）和会话管理。
一个最简 VoiceXML 文档长什么样
以下是一个能播放欢迎语、等待用户说“你好”或“再见”的基础示例：
<?xml version="1.0" encoding="UTF-8"?>
<vxml version="2.1">
<form>
<field name="greeting">
<prompt>您好，欢迎致电，请说你好或再见</prompt>
<grammar type="text/plain">
你好
再见
</grammar>
<noinput>
<prompt>没听到声音，请再说一次</prompt>
</noinput>
<nomatch>
<prompt>没听懂，请说你好或再见</prompt>
</nomatch>
<filled>
<prompt><value expr="greeting"/>，很高兴为您服务</prompt>
<goto next="#exit"/>
</filled>
</field>
</form>
<form id="exit">
<block><prompt>再见！</prompt></block>
</form>
</vxml>
编写 VoiceXML 应用的关键点
-
语法必须严格合规：XML 格式不能有错位、未闭合标签或非法字符；版本声明（如
vxml version="2.1"）需与平台兼容 -
语音识别靠 grammar 定义：可内嵌 plain text 规则（适合固定词）、SRGS（W3C 标准语法）或外链语法文件；复杂语义建议用 SRGS + 语义解释（
<tag>）提取参数 -
状态靠 field / form / block 管理：每个
<field>是一个“语音交互单元”，包含 prompt（说）、grammar（听）、filled（听到了怎么做）、noinput/nomatch（异常处理） - 逻辑跳转用 <goto> 或 <submit>：跳到本页另一 form、重载当前页、或提交数据到后台服务器（常用 POST）
-
别直接操作麦克风或音频流：VoiceXML 不提供底层音频控制；播放音效、调节音量、混音等需依赖平台扩展（如
<audio>标签支持有限，或用平台私有标签）
开发和测试建议
- 本地写好 .vxml 文件后，部署到支持 VoiceXML 的 Web 服务器（如 Apache/Nginx），确保 MIME 类型为
application/voicexml+xml - 用真实电话拨打接入号（如 SIP 中继或 PSTN 网关），或使用模拟器（如 Voxeo Evolution、CVP Simulator、Amazon Connect 测试面板）验证流程
- 重点关注三类失败场景：静音超时（noinput）、识别失败（nomatch）、语法未覆盖（如用户说“喂”但 grammar 只写了“你好”）
- 生产环境务必加日志和错误上报：在
<catch event="error">或<catch event="connection.disconnect.hangup">中记录上下文，方便排查 ASR/TTS 故障
基本上就这些。VoiceXML 本身不难学，难点在于语音交互设计——用户怎么说、机器怎么听、听不清怎么引导、业务逻辑如何自然嵌入语音流。写好一份 VoiceXML，一半靠语法，一半靠对真实通话场景的理解。
