語音交互是21世紀最具顛覆性的技術(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)備的體驗仍然是一個懸而未決的問題。本文介紹了有關(guān)設(shè)計對用戶有效、自然且引人入勝的 VUI 的一些挑戰(zhàn)和最佳做法，包括設(shè)計置信度閾值、適應(yīng)插入、使用 n 最佳列表，以及如何在實際對話中與用戶交談（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，當時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。

這款大獲成功的Amazon Echo設(shè)備于2014年發(fā)布，將最新的語音識別技術(shù)與強大的基于云的計算相結(jié)合，提供幾乎可與電影中描繪的相媲美的家庭體驗。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。

這項技術(shù)已經(jīng)有很長一段時間了。貝爾實驗室和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，將語音識別帶入了消費者的集體意識。雖然在當時是革命性的，但NaturalPeaks需要最終用戶進行相當多的“培訓”才能達到90%的準確率，這使得語音識別作為一種人機交互形式可行。因此，這項技術(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，我們在識別準確率方面只增加了5%。

那么，為什么設(shè)計更準確、更像人類的語音界面如此困難呢？

在設(shè)計VUI時，必須解決兩個關(guān)鍵方面。首先是確保界面能夠?qū)⒙曇糇R別為人類語音。這被稱為自動語音識別 （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程計算資源完成。所以，是的，Alexa正在聽你說的一切。但她只在乎你說她的名字。

語音體驗的第二個也是更困難的方面是確保設(shè)備在識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，認知科學和人工智能在內(nèi)的各種學科，多年來一直挑戰(zhàn)著計算機科學家。盡管一些專家認為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%準確的。想想你在和另一個人說話時說多少次“嗯？”或“什么？”。然而，這些對話很容易理解。

作為UX設(shè)計師，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，盡可能接近模仿人與人之間的體驗。

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”并不太復雜。它只涉及創(chuàng)建一個界面，該界面可以識別所需的操作（“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)。由于我們的語音識別準確度略低于 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，但在計算機的二進制世界中并非如此。“用餐”不等于“用餐”，因此您的語音助手無法理解您在問什么。你最終會感到沮喪，在黑暗中進食。

幸運的是，我們可以圍繞這一點進行設(shè)計。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VUI進行編程，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)“對不起，我沒有完全理解。你想打開什么？

這種互動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求 - 比如說超過75%的準確率 - 它可以執(zhí)行它。如果只是有點確定，設(shè)備可以要求澄清。通過利用置信度和參與對話，您可以澄清您的請求，而無需從喚醒詞重新啟動整個命令交互。

N-最佳名單

下一個設(shè)計技術(shù)建立在這種對話方法的基礎(chǔ)上，試圖根據(jù)先前對話的預(yù)期響應(yīng)來預(yù)測你可能會說什么。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?，F(xiàn)在，您家的VUI可以要求您確認列表中的單詞，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檢查，以防萬一它不能100%完全理解這個要求。

流程圖

流程圖允許VUI設(shè)計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)于餐廳燈光的對話，為了確保流暢、自然的對話，VUI 設(shè)計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，如果你聽人與人對話的錄音，它們通常不會那么干涸。如果你回答“是”而不是“是”怎么辦？或者“沒錯”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。這是實現(xiàn)最自然交互的最佳方式。

駁船

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

下面是一個示例。您進入了擋泥板彎曲機并致電您的保險公司提出索賠。在公司的自動電話系統(tǒng)上收聽一長串選項時，只要聽到“按 3 到達理賠部門”，您就會打斷。你急切地點擊“3”鍵，不要費心去聽列表的其余部分。

這種闖入和中斷對話的能力是VUI設(shè)計人員需要結(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，油醋汁”，而他繼續(xù)列出沙拉醬，事情會變得有點尷尬。亞馬遜Echo在支持闖入方面做得很好，讓用戶隨時說“Alexa，取消”。

外賣

設(shè)計一個引人注目的、聽起來像人類的語音助手當然是可能的。例如，谷歌的新Duplex電話機器人配備了大多數(shù)人常見的會話抽搐，包括貫穿整個對話的“ahs”和“ums”。有些人甚至對人工智能和人類語音之間的界限變得越來越模糊表示擔憂。

審核編輯：郭婷