資源中心
承暉資訊官網

MRCPv2 語音整合協定 ​

MRCPv2（Media Resource Control Protocol Version 2）是專門為語音應用設計的協定，讓客戶端能去控制遠端的語音辨識（ASR）和語音合成（TTS）資源。說白了，它就是客服中心 IVR 跟 AI 語音引擎之間那個標準的對接介面。

MRCPv2 協定架構 ​

協定概述 ​

MRCPv2 由 IETF 在 RFC 6787 中標準化，它定義了一個客戶端-伺服器架構，其中：

  • MRCPv2 Client：通常是 IVR 伺服器或媒體伺服器
  • MRCPv2 Server：提供 ASR/TTS 資源的語音引擎

協定組成 ​

MRCPv2 並非單一協定，而是整合了三個協定共同運作：

協定角色說明
SIP會話管理建立和管理 MRCPv2 會話（RFC 3261）
MRCPv2資源控制控制 ASR/TTS 引擎的命令與事件
RTP/RTCP媒體傳輸傳送語音串流至 ASR 或從 TTS 接收語音

協定堆疊 ​

+----------------------------------+
|        MRCPv2 命令/事件           |  控制通道（TCP）
+----------------------------------+
|              SIP                  |  信令（UDP/TCP）
+----------------------------------+
|           RTP/RTCP               |  媒體（UDP）
+----------------------------------+
|            IP / UDP / TCP         |
+----------------------------------+

跟舊版 MRCPv1 差在哪：MRCPv1（非正式標準）用 RTSP 當控制協定，MRCPv2 改成 SIP 加一條獨立的 TCP 控制通道，功能更多，跟既有的 SIP 基礎設施也搭得更順。現在業界主流都用 MRCPv2。

ASR/TTS 資源管理 ​

ASR 資源（語音辨識） ​

ASR（Automatic Speech Recognition）資源負責將語音串流轉換為文字。

MRCPv2 ASR 關鍵命令：

命令說明
RECOGNIZE開始辨識，指定文法（Grammar）
STOP停止辨識
GET-RESULT取得辨識結果
DEFINE-GRAMMAR載入辨識文法
START-INPUT-TIMERS啟動輸入計時器

ASR 關鍵事件：

事件說明
START-OF-INPUT偵測到用戶開始說話
RECOGNITION-COMPLETE辨識完成，附帶結果
INTERPRETATION-COMPLETE語意解析完成

ASR 重要參數：

參數說明建議值
confidence-threshold辨識信心度門檻0.5-0.8
sensitivity-level語音偵測靈敏度0.5
speed-vs-accuracy速度與準確度權衡依場景
no-input-timeout無輸入逾時5000-10000 ms
speech-complete-timeout說話結束判定逾時1000-2000 ms
speech-incomplete-timeout不完整語句逾時3000-5000 ms

TTS 資源（語音合成） ​

TTS（Text-to-Speech）資源負責將文字轉換為語音串流。

MRCPv2 TTS 關鍵命令：

命令說明
SPEAK合成並播放語音（支援 SSML）
STOP停止播放
PAUSE暫停播放
RESUME恢復播放
BARGE-IN-OCCURRED通知 TTS 用戶打斷了播放
CONTROL調整語速、音量等

TTS 關鍵參數：

參數說明
voice-name指定合成語音
speech-language語言（如 zh-TW）
prosody-rate語速
prosody-volume音量
prosody-pitch音調

SSML 支援 ​

MRCPv2 的 TTS 支援 SSML（Speech Synthesis Markup Language）標記語言：

xml
<speak version="1.0" xml:lang="zh-TW">
  歡迎致電客服中心。
  <break time="500ms"/>
  請問您需要什麼服務？
  <prosody rate="slow">
    按1查詢帳戶，按2辦理業務。
  </prosody>
</speak>

與 IVR 的整合方式 ​

典型 IVR + MRCPv2 架構 ​

來電者                                          語音引擎
  |                                               |
  |── PSTN/SIP ──> IVR Server                    |
  |                    |                          |
  |                    |── SIP INVITE ──────────> | (建立 MRCPv2 會話)
  |                    |<─ 200 OK ───────────────|
  |                    |                          |
  |<── RTP（TTS 播放）─|<─ SPEAK（歡迎語）────────| (TTS 合成)
  |                    |                          |
  |── RTP（用戶語音）─>|── RECOGNIZE + RTP ──────>| (ASR 辨識)
  |                    |<─ RECOGNITION-COMPLETE ──| (回傳結果)
  |                    |                          |
  |                    | [IVR 根據結果路由通話]     |

整合流程詳解 ​

步驟一：會話建立

IVR 向 MRCPv2 Server 發送 SIP INVITE，建立控制通道和媒體通道。SDP 中描述 MRCPv2 控制通道和 RTP 媒體通道的參數。

步驟二：TTS 播放提示語

IVR 透過 MRCPv2 控制通道發送 SPEAK 命令，TTS 引擎產生語音串流並透過 RTP 傳送給來電者。

步驟三：ASR 辨識用戶語音

IVR 發送 RECOGNIZE 命令並將來電者的 RTP 串流導向 ASR 引擎。ASR 引擎在辨識完成後發送 RECOGNITION-COMPLETE 事件。

步驟四：處理結果

IVR 根據辨識結果進行業務邏輯處理（如路由通話、查詢資料、進入下一層選單）。

Barge-in 機制 ​

Barge-in 允許來電者在 TTS 播放提示語時打斷並直接說出回應：

類型說明
Speech Barge-in偵測到用戶說話時停止 TTS
DTMF Barge-in偵測到按鍵時停止 TTS

別小看 Barge-in。老客戶早就摸熟選單了，根本不想聽完整段提示語，能打斷直接講，體驗好很多、也省時間。不過靈敏度要調好，不然背景噪音一大就誤觸發。

典型呼叫流程 ​

完整的 IVR 語音導航流程 ​

以下描述一個完整的語音自助服務流程：

1. 來電進入 IVR（SIP INVITE 到 IVR Server）
2. IVR 建立 MRCPv2 會話（SIP INVITE 到 MRCP Server）
3. IVR 發送 SPEAK（歡迎語："歡迎致電XX銀行客服中心"）
4. TTS 播放歡迎語（RTP 串流）
5. IVR 發送 SPEAK + RECOGNIZE 同時啟動（"請問您需要什麼服務？"）
6. TTS 播放提示語，同時準備 ASR 辨識
7. 用戶說："我要查帳戶餘額"（Barge-in 或等 TTS 結束）
8. ASR 回傳 RECOGNITION-COMPLETE：
   - 結果："查帳戶餘額"
   - 信心度：0.92
   - 語意：intent=balance_inquiry
9. IVR 根據辨識結果：
   - 信心度 >= 門檻 → 進入餘額查詢流程
   - 信心度 < 門檻 → 發送 SPEAK 再次確認
10. IVR 查詢後端系統取得餘額
11. IVR 發送 SPEAK：
    "您的帳戶餘額為 <say-as interpret-as="currency">50000</say-as> 元"
12. 流程結束或進入下一個對話回合

辨識失敗的處理策略 ​

情境處理方式
無輸入（no-input）重播提示語，最多 3 次後轉人工
無法辨識（no-match）請用戶重新說明，提供按鍵替代方案
低信心度複述辨識結果請用戶確認
連續失敗直接轉接人工客服

與 HTTP API 整合方式的比較 ​

HTTP API 語音辨識 ​

現代雲端 ASR/TTS 服務通常提供 HTTP REST API 或 WebSocket API 介面。

HTTP API 的運作方式：

方式說明
批次辨識上傳完整音檔，等待辨識結果
串流辨識（WebSocket）即時傳送音訊串流，即時回傳結果
串流辨識（gRPC）雙向串流，效率最高

MRCPv2 vs HTTP API 對照表 ​

特性MRCPv2HTTP API
協定標準IETF RFC 6787各廠商自定
媒體傳輸RTP（直接串流）HTTP/WebSocket/gRPC
延遲低（直接 RTP）中（HTTP overhead）
與電話系統整合原生整合（SIP + RTP）需要媒體轉換層
Barge-in 支援原生支援需自行實作
高可用架構SIP 層面的容錯雲端服務 HA
廠商鎖定低（標準協定）高（API 各異）
部署模式地端或雲端主要為雲端
成本模式授權費 + 硬體按使用量計費
語言模型更新需部署更新雲端自動更新
隱私合規語音不離開企業網路語音上傳至雲端

金融業要特別權衡合規這一塊。處理敏感資訊的金融客服，用 MRCPv2 搭地端部署的語音引擎，語音資料就不會離開企業網路，個資法和金融監管比較好過。反過來若走雲端 HTTP API，語音要上傳到雲端，這中間的合規風險得先評估清楚。

混合架構 ​

現代客服中心可採用混合架構，根據場景選擇最適合的整合方式：

場景建議方式理由
IVR 語音導航MRCPv2低延遲、Barge-in 原生支援
通話後語音分析HTTP API（批次）非即時需求、彈性擴展
即時語音助理MRCPv2 或 WebSocket即時互動需求
語音生物辨識依引擎支援部分僅支援 HTTP API

常見 MRCPv2 方案 ​

產品廠商ASR/TTS 引擎特點
長問語音引擎長問科技（Bronci）自有 ASR/TTS 引擎台灣在地語音引擎，針對在地口音與中英混合語音場景最佳化
Nuance Speech ServerMicrosoft/NuanceNuance Recognizer + Vocalizer國際市場長期使用的商業方案，多語系支援完整

選型時除了辨識率，還要看幾件事：語言與口音的涵蓋範圍（尤其中文與台語）、是否支援地端部署以符合資料治理要求、以及授權計價方式（依並發數或依時數）。

效能與調校 ​

ASR 效能指標 ​

指標說明目標值
WER（Word Error Rate）字詞錯誤率< 10%
辨識延遲從說話結束到回傳結果< 500 ms
並發會話數同時處理的辨識會話依硬體規格
CPU 使用率ASR 伺服器 CPU< 70%（預留 headroom）

TTS 效能指標 ​

指標說明目標值
首位元組延遲從收到 SPEAK 到開始播放< 200 ms
合成速度實時比（Real-time Factor）> 5x（每秒合成 5 秒語音）
自然度 MOS語音自然度評分> 4.0

承暉資訊資源中心

Copyright © 2026 承暉資訊