語(yǔ)音用戶界面（或VUI）是一種交互模型，在該模型中，人與機(jī)器進(jìn)行交互，并至少部分通過(guò)使用語(yǔ)音來(lái)執(zhí)行一組任務(wù)。

實(shí)際上，這種方式的交互式語(yǔ)音應(yīng)答（IVR）系統(tǒng)在銀行業(yè)和旅游業(yè)中已經(jīng)得到了廣泛的應(yīng)用。這些系統(tǒng)主要依賴于語(yǔ)音生物識(shí)別來(lái)識(shí)別用戶并使用語(yǔ)音作為主要交互模式完成的任務(wù)集。隨著亞馬遜Echo、蘋果的siri 等產(chǎn)品的誕生，VUI發(fā)生爆炸，各大公司也開始嘗試多媒體交叉設(shè)備的體驗(yàn)。

“治學(xué)先治史”，了解語(yǔ)音技術(shù)的過(guò)去點(diǎn)滴，大概會(huì)有些幫助。

穿越時(shí)間走廊

早在1961年，IBM設(shè)計(jì)了一個(gè)名為Shoebox的實(shí)驗(yàn)裝置，是由William C.Dersch開發(fā)的，大概是早期的語(yǔ)音識(shí)別設(shè)備。機(jī)器把聲音轉(zhuǎn)換成電脈沖可以識(shí)別出16個(gè)單詞。在1962年西雅圖舉行的世界博覽會(huì)上首次展示，這可能是自動(dòng)語(yǔ)音識(shí)別（ASR）和自然語(yǔ)言理解（NLU）的起點(diǎn)，但只涉及第一部分的聲音識(shí)別。對(duì)于純語(yǔ)音用戶界面，機(jī)器生成人聲早在1939年或更早的時(shí)候就有了。

霍默·達(dá)德利（在新澤西的貝爾電話實(shí)驗(yàn)室）的Voder是第一款能夠產(chǎn)生連續(xù)人聲的電子化設(shè)備。1939年，阿爾登·P·阿瑪涅克在《大眾科學(xué)》雜志上寫下了關(guān)于這一裝置的文章。它是用真空管和電路制成的，是為了復(fù)制人類的聲音。為了進(jìn)行對(duì)話，機(jī)器操作員使用了一個(gè)像風(fēng)琴一樣的鍵盤。十三個(gè)黑白鍵產(chǎn)生了所有的元音和輔音，另一把鍵控制著合成聲音的揚(yáng)聲器響度。腳踏板改變了音調(diào)，使同一句話可以陳述句或疑問(wèn)。大約一年的培訓(xùn)，操作員就能使機(jī)器說(shuō)話，想起來(lái)也是一個(gè)有意思的東西。

2000年初，IVR系統(tǒng)成為主流。任何有電話的人都可以預(yù)訂飛機(jī)航班，在賬戶間轉(zhuǎn)賬，查找當(dāng)?shù)仉娪皶r(shí)間，聽交通信息，所有這些都只使用普通電話和人聲。

語(yǔ)音交互、增強(qiáng)現(xiàn)實(shí)和虛擬現(xiàn)實(shí)等技術(shù)或許已經(jīng)存在或研究了相當(dāng)長(zhǎng)的時(shí)間。令人興奮的是，它們最終在市場(chǎng)上廣泛商用了，這就需要設(shè)計(jì)師和工程師來(lái)承擔(dān)開發(fā)場(chǎng)景以解決用戶日常問(wèn)題的挑戰(zhàn)。

為什么是語(yǔ)音助理

語(yǔ)音助理已經(jīng)風(fēng)靡各地，為什么呢？它的優(yōu)勢(shì)有：

• 自然

• 解放雙手

• 快速響應(yīng)

• 個(gè)性化

語(yǔ)音是人們交流的基本手段。其他形式的交流方式如寫作、面部表情或手語(yǔ)，在所有文化中也都同樣具有表達(dá)力，但人們主要還是通過(guò)語(yǔ)音來(lái)說(shuō)服、告知和建立關(guān)系。語(yǔ)音助理能夠在不同的場(chǎng)景和渠道中保持一致。

理解對(duì)話

用戶通常會(huì)就手頭的特定任務(wù)進(jìn)行語(yǔ)音對(duì)話。交互通常很短，來(lái)回的交互也很少。用戶可以通過(guò)對(duì)話來(lái)完成一項(xiàng)任務(wù)，即使他們不忙，不能總是全神貫注。用戶在通過(guò)GUI執(zhí)行相同任務(wù)時(shí)會(huì)感覺到很多延遲或不爽，而對(duì)話將有助于減輕這種體驗(yàn)。

在語(yǔ)音識(shí)別中，得到對(duì)話所有的上下文幾乎是不可能的。上下文大約分成三類：

• 物理上下文

• 情感上下文

• 對(duì)話的上下文

從物理、情感和會(huì)話上下文中，可以創(chuàng)建一個(gè)關(guān)于會(huì)話內(nèi)容的推理或得出結(jié)論，得出一個(gè)擬人化的結(jié)果。

對(duì)話的意圖大約有兩種，一種是目標(biāo)反饋確定的，一種是不確定的，對(duì)于不確定的意圖需要更多的用戶選擇。也就是說(shuō)，大約可以分為基于意圖的對(duì)話和隨機(jī)問(wèn)答?；谝鈭D的對(duì)話是為了完成一個(gè)目標(biāo)或完成一個(gè)任務(wù)而進(jìn)行的對(duì)話。心里有一個(gè)意圖，需要助手的回答，這時(shí)只想完成一項(xiàng)任務(wù)。隨機(jī)問(wèn)答是指用戶與助手進(jìn)行交互時(shí)沒(méi)有特定的意圖。他們只是想和助手聊天，談興趣，也許是想更多的彼此了解，建立一種關(guān)系。

當(dāng)然，語(yǔ)音交互有著自己的局限。在IVR中，很難暫停系統(tǒng)，相反，用戶必須不斷地進(jìn)行交互，而視覺組件可以讓用戶以更輕松的方式繼續(xù)交互。另外，是在公共場(chǎng)所使用方面的限制。用戶可能不能在某些公共空間使用語(yǔ)音，因?yàn)檫@樣做會(huì)侵犯用戶的隱私。

語(yǔ)音交互的部分關(guān)注點(diǎn)

人的一種主要行為，就把人的情緒聯(lián)系起來(lái)，試圖理解一個(gè)復(fù)雜的物體。不過(guò)，大多數(shù)消費(fèi)者的底線是，更愿意與一個(gè)溫暖的身體交談，而不是與一臺(tái)冰冷的電腦交談，因而需要關(guān)注語(yǔ)音應(yīng)答的多樣性。

逐步披露是人機(jī)交互中常用的一種交互設(shè)計(jì)技術(shù)，通過(guò)減少混亂、混亂和認(rèn)知工作量，幫助保持用戶注意力的焦點(diǎn)。這通過(guò)只提供手頭任務(wù)所需的最小數(shù)據(jù)來(lái)提高可用性。一般使用猶豫標(biāo)記，或者增加短語(yǔ)詢問(wèn)。

給語(yǔ)音助理賦予人性化，可能需要一些因素：

• 經(jīng)驗(yàn)的開放性，這可能包括對(duì)藝術(shù)、情感、冒險(xiǎn)、不尋常的想法、好奇心和各種體驗(yàn)的欣賞。

• 責(zé)任心，可以是高效/有組織的，或者隨和/無(wú)關(guān)緊要的態(tài)度。

• 外向傾向于表現(xiàn)為外向、健談、精力充沛的行為，而內(nèi)向則表現(xiàn)為較為保守和孤獨(dú)的行為。

• 令人愉快的對(duì)話，體現(xiàn)善良、同情、合作、熱情和體貼的個(gè)人行為特征。

• 神經(jīng)質(zhì)，可能是驚喜，也可能是驚嚇。

模仿的行為可以與另一個(gè)人更相似，感知到的相似性可以作為基礎(chǔ)。

基于語(yǔ)音的交互或語(yǔ)音檢測(cè)依賴于一個(gè)設(shè)備，該設(shè)備有一個(gè)性能良好的麥克風(fēng)來(lái)捕捉/記錄用戶的指令，可以參考過(guò)去一篇文字。

多方式交互的HCI

VUI與GUI成為人機(jī)交互規(guī)范的時(shí)候非常相似，設(shè)計(jì)人員需要清理混亂的邏輯，簡(jiǎn)化數(shù)據(jù)，并向用戶提供更容易掌握的流程和解決方案。以電視遙控器為例,設(shè)備上有20-30個(gè)按鈕時(shí)，操作起來(lái)就會(huì)非常困難，一個(gè)人很難理解所有按鈕的作用。沒(méi)有好的設(shè)計(jì)，技術(shù)就很難甚至不可能得到應(yīng)用。

用戶體驗(yàn)設(shè)計(jì)圍繞著整個(gè)用戶旅程展開，即回答用戶對(duì)特定用例可以做什么，然后理解用戶能夠以無(wú)障礙和愉快的方式滿足需求的最佳方式。

從一開始就不能決定只使用一個(gè)模態(tài)，但是設(shè)計(jì)者必須理解用戶根據(jù)系統(tǒng)的輸入和輸出模態(tài)完成特定任務(wù)的需求。

對(duì)于具有圖形用戶界面的數(shù)字助理，當(dāng)有動(dòng)畫選項(xiàng)時(shí)，這變得更有趣。在這里，助理會(huì)表現(xiàn)得像人一樣；會(huì)傾聽你的問(wèn)題，思考，回答，開個(gè)玩笑，唱歌，表達(dá)悲傷和憤怒，還有很多其他的情緒。

多交互方式并存，形成了人機(jī)交互的領(lǐng)域。人機(jī)交互（HCI）已經(jīng)存在了相當(dāng)長(zhǎng)的一段時(shí)間了。在20世紀(jì)50年代初，用穿孔卡片存儲(chǔ)數(shù)據(jù)和輸入，隨著個(gè)人電腦的引入而發(fā)生了顛覆性的變化。20世紀(jì)80年代后期，幾乎使世界上的每個(gè)人都成為潛在的計(jì)算機(jī)用戶，也暴露了關(guān)于可用性的問(wèn)題。

HCI整合了認(rèn)知心理學(xué)、人工智能和思維哲學(xué)，以闡明系統(tǒng)化和科學(xué)化的應(yīng)用，稱為認(rèn)知工程。它使具有概念、技能和遠(yuǎn)見的人能夠滿足人機(jī)交互的實(shí)際需求。

交互設(shè)計(jì)的一些原則

HCI 的設(shè)計(jì)有很多的經(jīng)驗(yàn)和原則，對(duì)于VUI同樣有著參考意義。例如，Ben Shneiderman 關(guān)于界面設(shè)計(jì)的8條金規(guī)：

• 爭(zhēng)取一致性

• 允許用戶使用快捷方式

• 提供信息反饋

• 設(shè)計(jì)對(duì)話以實(shí)現(xiàn)閉環(huán)

• 提供錯(cuò)誤預(yù)防和簡(jiǎn)單的錯(cuò)誤處理

• 允許輕松逆轉(zhuǎn)操作

• 支持內(nèi)部控制點(diǎn)

• 減少短期內(nèi)存負(fù)載

又例如，Donald Norman的七個(gè)設(shè)計(jì)原則：

• 在頭腦中運(yùn)用現(xiàn)實(shí)世界和知識(shí)

• 簡(jiǎn)化任務(wù)結(jié)構(gòu)

• 使事物可見；縮小執(zhí)行和評(píng)估之間的差距

• 正確繪制地圖

• 利用自然和人工約束的力量

• 面向錯(cuò)誤的設(shè)計(jì)

• 當(dāng)所有其他方面都失敗時(shí)，標(biāo)準(zhǔn)化

還有現(xiàn)在廣泛使用的Nielsen啟發(fā)式UI/UX設(shè)計(jì)原則：

• 系統(tǒng)狀態(tài)的可視性

• 與系統(tǒng)和現(xiàn)實(shí)世界相匹配

• 用戶控制和自由

• 一致性和標(biāo)準(zhǔn)

• 靈活性和效率

• 錯(cuò)誤預(yù)防

• 錯(cuò)誤報(bào)告、診斷和恢復(fù)

• 美學(xué)和極簡(jiǎn)設(shè)計(jì)

• 識(shí)別而不是回憶

• 幫助和文檔

創(chuàng)建一個(gè)平滑無(wú)縫且自然的 VUI 對(duì)于使用的人工智能產(chǎn)品來(lái)說(shuō)至關(guān)重要。對(duì)VUI而言，也有著自己的設(shè)計(jì)技巧：

了解智能引擎的背后，成功與否取決于真正為體驗(yàn)提供動(dòng)力的內(nèi)部架構(gòu)。

構(gòu)建自己的設(shè)計(jì)工具棧，Adobexd非常適合用于線框用戶流程圖，語(yǔ)音工具包括Walkie, Botframe 和 Mockabot等。

個(gè)性在設(shè)計(jì)中表現(xiàn)出來(lái)，而不是交給設(shè)備。個(gè)性表現(xiàn)在設(shè)計(jì)決策和獨(dú)特的工作流程，堅(jiān)持利益相關(guān)者的有效執(zhí)行。

少即是多。設(shè)備所說(shuō)的實(shí)際語(yǔ)言必須清楚地滿足其用戶的需求，剩下的才是措辭，句子結(jié)構(gòu)，音調(diào)，甚至聲音本身的音調(diào)變化等。

在配音的時(shí)候要專業(yè)一點(diǎn)。專業(yè)的錄制最好有TTS的客戶經(jīng)驗(yàn)，為人工智能對(duì)話設(shè)計(jì)音頻與制作音樂(lè)甚至是傳統(tǒng)的配音有很大的不同。

在 VUI 之外保持角色的一致性。如果圖形元素不能和諧地補(bǔ)充語(yǔ)音元素，那么創(chuàng)建一個(gè)殺手級(jí)的 VUI 將被證明是徒勞的。?

讓語(yǔ)音設(shè)備保持親密狀態(tài)。有競(jìng)爭(zhēng)力的產(chǎn)品是需要盡可能多地挖掘 。

鼓勵(lì)嘗試。場(chǎng)測(cè)和錯(cuò)誤驗(yàn)證，再加上可靠的用戶研究，無(wú)論多么細(xì)致，都不會(huì)讓你成功地將最微妙的特質(zhì)融入到你的語(yǔ)音交互體驗(yàn)中。

一切都是達(dá)到目的的手段。歸結(jié)為一件事，數(shù)據(jù)是人工智能的全部。個(gè)設(shè)計(jì)良好的 VUI 應(yīng)該通過(guò)成為習(xí)慣的具有啟發(fā)性的交互體驗(yàn)來(lái)補(bǔ)充這個(gè)過(guò)程。

設(shè)計(jì)的分享。目標(biāo)、需求、最佳實(shí)踐、技術(shù)、技術(shù)、工具集和行業(yè)每天都在不斷變化。知識(shí)和經(jīng)驗(yàn)的擴(kuò)散是揭開人工智能個(gè)性設(shè)計(jì)的神秘面紗并使之標(biāo)準(zhǔn)化的最佳途徑。

然而，“大道易得，小術(shù)難求”。行勝于言，努力去學(xué)習(xí)和實(shí)踐才能得到更多的理解和認(rèn)識(shí)。

(本文圖片來(lái)自網(wǎng)絡(luò)，如有侵權(quán)，聯(lián)系作者刪除）

參考資料

• https://ai.googleblog.com/2018/05/duplex-ai-system-for-natural-conversation.html

• http://www.speechtechmag.com/Articles/Editorial/Feature/Its-a-Persona-Not-a-Personality-36311.aspx

• https://www.forbes.com/sites/mnewlands/2017/08/25/10-essential-tips-on-voice-user-interface-design-for-ai/#29f764dc2422

• https://www.theatlantic.com/science/archive/2017/12/the-secret-lifeof-um/547961/

• http://www.csun.edu/science/courses/671/bibliography/preece.html

• Nielsen, 1995, https://www.nngroup.com/articles/ten-usability-heuristics/

總結(jié)

以上是生活随笔為你收集整理的语音交互设计的一点认知的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。