語音交互是21世紀(jì)最具顛覆性的技術(shù)之一。每天都有越來越多的設(shè)備通過語音用戶界面（VUI）組件進(jìn)入市場。雖然語音支持設(shè)備的許多技術(shù)挑戰(zhàn)已經(jīng)得到解決，但讓最終用戶滿意地使用設(shè)備的體驗(yàn)仍然是一個(gè)懸而未決的問題。本文介紹了有關(guān)設(shè)計(jì)對(duì)用戶有效、自然且引人入勝的 VUI 的一些挑戰(zhàn)和最佳做法，包括設(shè)計(jì)置信度閾值、適應(yīng)插入、使用 n 最佳列表，以及如何在實(shí)際對(duì)話中與用戶交談（而不是在用戶處）。

雖然語音用戶界面（VUI）自1968年以來一直處于公眾心態(tài)的邊緣，當(dāng)時(shí)HAL和Dave Bowman存在分歧，但直到Tony Stark在2008年開始與J.A.R.V.I.S.開玩笑，有用的語音控制“智能家居”的概念才開始成為焦點(diǎn)。

這款大獲成功的Amazon Echo設(shè)備于2014年發(fā)布，將最新的語音識(shí)別技術(shù)與強(qiáng)大的基于云的計(jì)算相結(jié)合，提供幾乎可與電影中描繪的相媲美的家庭體驗(yàn)。打開燈或音響系統(tǒng)從未如此簡單。

從那以后，谷歌、蘋果和其他科技公司加入了這場爭斗，并相互絆倒，為您的家庭、工作場所和汽車提供最佳的交互式語音體驗(yàn)。

這項(xiàng)技術(shù)已經(jīng)有很長一段時(shí)間了。貝爾實(shí)驗(yàn)室和IBM早在1950年代就致力于語音系統(tǒng)。但是，直到 1990 年代后期，Dragon‘s NaturalSpeak 軟件才獲得了足夠的吸引力，將語音識(shí)別帶入了消費(fèi)者的集體意識(shí)。雖然在當(dāng)時(shí)是革命性的，但NaturalPeaks需要最終用戶進(jìn)行相當(dāng)多的“培訓(xùn)”才能達(dá)到90%的準(zhǔn)確率，這使得語音識(shí)別作為一種人機(jī)交互形式可行。因此，這項(xiàng)技術(shù)并不像它可能的那樣自然。

多年來，開發(fā)人員、設(shè)計(jì)師和技術(shù)人員一直在努力工作，試圖“解決語音問題”。然而，我們?cè)谧R(shí)別準(zhǔn)確率方面只增加了5%。

那么，為什么設(shè)計(jì)更準(zhǔn)確、更像人類的語音界面如此困難呢？

在設(shè)計(jì)VUI時(shí)，必須解決兩個(gè)關(guān)鍵方面。首先是確保界面能夠?qū)⒙曇糇R(shí)別為人類語音。這被稱為自動(dòng)語音識(shí)別 （ASR），是語音轉(zhuǎn)文本軟件引擎的核心。ASR 可以在現(xiàn)代消費(fèi)類硬件上以合理的處理速度執(zhí)行。但是，ASR 通常在云中完成。像Amazon Echo這樣的設(shè)備只做足夠的本地處理來找到它們的“喚醒詞”，而其余的工作則由遠(yuǎn)程計(jì)算資源完成。所以，是的，Alexa正在聽你說的一切。但她只在乎你說她的名字。

語音體驗(yàn)的第二個(gè)也是更困難的方面是確保設(shè)備在識(shí)別語音后知道如何處理語音。自然語言理解（NLU）結(jié)合了包括語言學(xué)，認(rèn)知科學(xué)和人工智能在內(nèi)的各種學(xué)科，多年來一直挑戰(zhàn)著計(jì)算機(jī)科學(xué)家。盡管一些專家認(rèn)為ASR是開發(fā)VUI的“困難部分”，但我不同意。多年來，我們一直保持穩(wěn)定在95%左右的準(zhǔn)確率 - 可與人與人之間的交流相媲美。是的，即使是人與人之間的交流也不是100%準(zhǔn)確的。想想你在和另一個(gè)人說話時(shí)說多少次“嗯？”或“什么？”。然而，這些對(duì)話很容易理解。

作為UX設(shè)計(jì)師，我們面臨的挑戰(zhàn)是弄清楚如何創(chuàng)建卓越的交互式語音體驗(yàn)，盡可能接近模仿人與人之間的體驗(yàn)。

這稱為自然用戶界面或 NUI。讓簡單的命令正常工作很簡單 - 主要是從話語中提取正確的關(guān)鍵字。例如，讓您的智能家居正確響應(yīng)“打開餐廳燈”并不太復(fù)雜。它只涉及創(chuàng)建一個(gè)界面，該界面可以識(shí)別所需的操作（“打開”）以及執(zhí)行該操作的內(nèi)容（“餐廳燈”）。

但仍然存在挑戰(zhàn)。由于我們的語音識(shí)別準(zhǔn)確度略低于 100%，因此設(shè)備可能無法理解你的確切話語。也許語音助手聽到你說“打開餐廳的燈”。雖然人類可以輕松地從餐廳跳到餐廳，但在計(jì)算機(jī)的二進(jìn)制世界中并非如此。“用餐”不等于“用餐”，因此您的語音助手無法理解您在問什么。你最終會(huì)感到沮喪，在黑暗中進(jìn)食。

幸運(yùn)的是，我們可以圍繞這一點(diǎn)進(jìn)行設(shè)計(jì)。解決方案在于超越簡單的話語和命令，讓我們的用戶參與對(duì)話。

在我們的例子中，智能家居理解你的意圖——你想打開餐廳的燈——但它沒有得到足夠的信息來執(zhí)行任務(wù)。因此，我們對(duì)VUI進(jìn)行編程，以執(zhí)行人與人交互中的典型操作：要求澄清。我們的智能家居可以回應(yīng)“對(duì)不起，我沒有完全理解。你想打開什么？

這種互動(dòng)建立在置信度的概念之上——你的智能家居有多確定它真的理解了你的要求？如果智能家居非常確定它理解你的請(qǐng)求 - 比如說超過75%的準(zhǔn)確率 - 它可以執(zhí)行它。如果只是有點(diǎn)確定，設(shè)備可以要求澄清。通過利用置信度和參與對(duì)話，您可以澄清您的請(qǐng)求，而無需從喚醒詞重新啟動(dòng)整個(gè)命令交互。

N-最佳名單

下一個(gè)設(shè)計(jì)技術(shù)建立在這種對(duì)話方法的基礎(chǔ)上，試圖根據(jù)先前對(duì)話的預(yù)期響應(yīng)來預(yù)測(cè)你可能會(huì)說什么。您的智能家居聽到“用餐”而不是“用餐”并非不合理。甚至是其他聽起來相似的詞，如“潛水”。

通過將這些險(xiǎn)些失誤收集到稱為N-best列表中的東西中，您的智能家居可以捕獲可能的可能性。現(xiàn)在，您家的VUI可以要求您確認(rèn)列表中的單詞，或者繼續(xù)執(zhí)行該命令。讓你的家回答說：“我想你讓我打開餐廳的燈。是嗎？“表明你的家足夠聰明，（很可能）弄清楚你說了什么，但又足夠禮貌地仔細(xì)檢查，以防萬一它不能100%完全理解這個(gè)要求。

流程圖

流程圖允許VUI設(shè)計(jì)人員繪制出在簡單交互中發(fā)現(xiàn)的可能分支。繼續(xù)關(guān)于餐廳燈光的對(duì)話，為了確保流暢、自然的對(duì)話，VUI 設(shè)計(jì)師必須考慮您可能的反應(yīng)。您可以用簡單的“是”來回答有關(guān)開燈的澄清請(qǐng)求。在這種情況下，智能家居應(yīng)該打開燈。

但是，如果你聽人與人對(duì)話的錄音，它們通常不會(huì)那么干涸。如果你回答“是”而不是“是”怎么辦？或者“沒錯(cuò)”或“讓它這樣”或任何數(shù)量的肯定？如果你的回答是否定的怎么辦？不。不。呃。你的智能房子知道該怎么做嗎？

這種情況正是為什么檢查列表而不是簡單的關(guān)鍵字匹配至關(guān)重要的原因。這是實(shí)現(xiàn)最自然交互的最佳方式。

駁船

人與人交流的另一個(gè)值得一提的方面是中斷。有時(shí)我們是不禮貌的——我們不會(huì)等談話中的對(duì)方說完才開始說話。其他時(shí)候，打斷是及時(shí)推進(jìn)對(duì)話的唯一方法。在這兩種情況下，中斷的能力使對(duì)話更加自然。

下面是一個(gè)示例。您進(jìn)入了擋泥板彎曲機(jī)并致電您的保險(xiǎn)公司提出索賠。在公司的自動(dòng)電話系統(tǒng)上收聽一長串選項(xiàng)時(shí)，只要聽到“按 3 到達(dá)理賠部門”，您就會(huì)打斷。你急切地點(diǎn)擊“3”鍵，不要費(fèi)心去聽列表的其余部分。

這種闖入和中斷對(duì)話的能力是VUI設(shè)計(jì)人員需要結(jié)合的東西，以便創(chuàng)建類似人類的語音交互。（如果你的服務(wù)員正在閱讀沙拉醬清單，而你說“停下，我想要那個(gè)，油醋汁”，而他繼續(xù)列出沙拉醬，事情會(huì)變得有點(diǎn)尷尬。亞馬遜Echo在支持闖入方面做得很好，讓用戶隨時(shí)說“Alexa，取消”。

外賣

設(shè)計(jì)一個(gè)引人注目的、聽起來像人類的語音助手當(dāng)然是可能的。例如，谷歌的新Duplex電話機(jī)器人配備了大多數(shù)人常見的會(huì)話抽搐，包括貫穿整個(gè)對(duì)話的“ahs”和“ums”。有些人甚至對(duì)人工智能和人類語音之間的界限變得越來越模糊表示擔(dān)憂。

審核編輯：郭婷