语音用户界面设计

本文为公司内部分享，摘录在简书。正文如下：

今天由我来给大家做分享，其实也不叫分享，充其量只能算是交流，因为我也是最近一段时间才开始研究语音交互，也没有做过相关的语音设计，所以可能会有说的不对的地方，还望各位同事能够指出，那么现在开始。

大家看到这个标题，首先在大脑中肯定会有一个比较宽泛的认识，知道语音用户界面设计就是人通过语音的方式与机器进行交互，对，确实是这个样子，但是如果继续往下追问，比如：语音识别是一个什么技术？当它收集到用户语音之后到反馈给用户信息，这之间都产生了哪些机器行为？所以这次就让我们全面的认识一下它

那么，语音用户界面是什么呢？

大家先看一下这端对话（描述对话内容）。这短对话大家应该非常熟悉不过了，因为我们经常会听到，这就是目前三大运营商比较常用到的语音导航功能，通过语音的方式引导用户进行按键操作，解放了客服极大的工作量，实现了在任何时候用户都能打通并且说出自己问题的需求，相对提高了用户体验。其实这种系统叫做语音IVR系统，（它是20世纪90年代出现的交互式语音应答……）。这也是最早的语音交互的形式。但是它也存在很多问题，比如：必须通过电话拨号的方式进行操作/只能进行单轮的任务/交互方式独立/在与语音交互的过程中没有机会暂停/这一种交互方式是控制-命令式的等等。。。

介绍完语音IVR系统之后，大家可以看一下这种图，这张图分为三个部分，分别是：GUI视觉界面、VUI语音界面，另一就是介于两者之间的CUI对话式界面。那下面就依次的说一下这几种界面，先看GUI图形视觉界面，这个也是我们目前接触的最多的交互方式，在做的有产品和UI设计师，应该都很了解。这些界面是我们之前运营的一个产品，大家可以看到分别是闪屏页、首页、商城页面、我的页面，这些界面都会起到不同的作用，所以才会存在。但是他们有一种共性就是信息通过屏幕展示，用户使用不同的手势与屏幕进行交互，达到获取信息和处理信息的目的，这也是移动互联网时代主要的交互方式。包括现在，这也是主要的人机交互方式。接下来呢，是CUI对话式界面，大家可能会对这种用户界面比较陌生，但是当大家看到图之后可能就会知道是什么了。这一种就是CUI对话式页面，(CUI其实就是对话型的交互设计……)，这种交互多用户客服界面，我在做分享内容的时候，看了好多产品，大多数目前还不支持这种方式，最多也就是用文字进行在线的聊天，当然在线的也是机器人，但是这种方式比较麻烦，不如语音的智能，大家看到的这几个页面分别是天猫和京东的客服界面，大厂就是不一样，用户体验和细节方面做的非常好。个人认为CUI界面是GUI和VUI界面的一个过渡阶段。接下来再来看一下VUI语音界面，这个大家可能就比较熟悉了，因为从去年到现在都非常的火，各个大厂也都在做。比如它，小爱同学；再比如它，小度在家；再比如它，天猫精灵；当然，还有它们，这些都是基于VUI语音用户界面的。这些集成了语音与视觉的智能设备，可以实现多模态的交互，形成对话式的体验，提升了效率。

说了这么多现有的产品，那么为什么行业会这么发展呢？因为现存的技术都会有成熟期和低谷期，大家可以看下这个图。技术成熟度曲线，大家可以看到，这个曲线开始是科技诞生的促动器，接着就迎来了过高期望的峰值，紧接着是泡沫化的低谷期，进而是稳步怕生的光明期，最后是实质生产的高原期。每一个结束都会经历这么一个技术成熟度的曲线的。那语音技术呢？大家看下这个图，这是高纳德公司2015年统计的技术曲线，这个时候自然语音问答技术是处于过高期望值和泡沫化低谷期之间，收到各路资本的追捧，相应的技术产品也在大量的落地，再继续看下一张这是2017年的技术曲线图，重点看下标红的内容，虚拟助理正处在过高期望值的时期。再看下距离我们最近的，2018年的技术曲线，虚拟助手出在过高期望至泡沫期之间，代表着语音技术现在仍处于比较热的时期。这也就说明了为什么现在语音用户界面设计越来越火的原因了。

说了这么多概念，那要进行语音用户界面，我们需要懂哪些技术呢？

接下来就简单的说一下关于语音识别的技术。大家可以看一下这张示意图，左边是用户、右边是语音技术的分解，红色部分是硬件，蓝色部分是软件技术，简单来说就是当用用户对我们的语音设备发出唤醒词指令，这个时候我们的硬件会将收集到用户的语音信息上传，然后通过ASR语音识别识别出用户的内容，通过NLU自然语言理解传到AI算法中进行处理，处理完成后再通过NLG将返回结果进行自然语言生成，再经过TTS语音合成技术读出来，反馈给用户。这就是整个语音交互的过程，可能我说的比较粗，但是如果有喜欢语音技术的可以进一步了解，再次我就不多介绍了。这个是针对ASR和NLU、NLG技术进行的一些结实（语音识别引擎……）,可能有些同事在这个地方会有疑问，这里边怎么没有讲到NLP呢？这个词可是经常出现的。继续往下看，NLP是自然语言处理，它的下边包括NLU和NLG两种技术，也就是说他们的总称叫NLP自然语言处理。

介绍完了VUI是什么，有讲了语音识别技术的原理，那么我们身为产品经理或者设计师该如何去设计呢？

这就是接下来的内容，初级阶段如何做好设计

工欲善其事必先利其器，授人以鱼不如授人以渔。我们做事情会讲究工作，做视觉界面的时候我们会用脑图、原型图、流程图的工具，但是做VUI设计需要用哪些工具呢？这些就是做VUI设计的工具，可能比较抽象，我们依次说。

第一， 示例对话。（示例对话是开始VUI设计时最好的方法）写示例对话的时候，用什么软件都可以，主要是为了体现对话的内容和运营方法。

第二， 视觉原型。因为语音用户界面设计属于多模态的交互，线框图和原型在早期设计流程中也是非常重要的，这两种工具可以（结合示例对话，将用户体验可视化，……）

第三， 流程图。(流程图是用于展示你的VUI系统所有可能……)

第四， 原型工作，这里我理解为语音识别的技术平台，例如（来自Conversant……）

介绍玩工具，那我们一起看一下下面这两段示例对话。（读原文）

大家又觉得这两段示例有什么不同，大家想想一下，如果我们用第一段的这种形式跟系统进行交互，会非常类，并且很麻烦，因为每次交互的时候都得需要唤醒，并且系统是单任务的，很多地方不智能；但是如果我们是以第二种的方式与机器进行交互时，就会感觉比较舒服，因为它更贴近人与人之间的对话，用户体验十分好，效率也高。用这个例子引出我们下一个话题，对话式设计。为什么要采用对话式设计呢？（因为人类很少进行单轮对话，因此……）针对对话式界面设计，会有一些基本原则，大家请看图中的这些，分别有确认策略、命令控制模式、对怀表示、持续跟踪上下文等等很多种，因为今天时间的问题，我不能给大家以此讲解，因为内容比较多，我只挑了其中的几个给大家简单的说一下，如果有感兴趣的，可以会后去进一步学习一下。

 首先我要说的第一个原则是确认策略。因为它在语音页面设计中比较重要。大家可以看下这一个示例对话（系统：请问您需要预定那个航班吗？……）这短对话中，系统很明确的问了一句“是的，对吗？”这一种确认方式叫做“显性确认”这种经常用在比较重要的地方，例如订票，付款等流程中；在看接下来这一种（用户：世界上最高的山峰是什么？……）当用户问完之后，系统将用户问题的部分内容重复，并且加上了用户想要的答案，这种叫做隐形确认。这两种方式都属于确认策略，目的都是为了再次向用户确认他的命令。不过再实际应用中，系统却可以通过各种不同的方式来实现确认策略。

1、例如这种方法（内容描述），当用户向系统发送语音指令：再买一些纸巾。这个时候有三个不种不同的答复：1、好的……；2、我想您是……；3、对不起……。系统是如何来进行区分的呢？这就需要用到一个叫做置信度的方法了，第一种，置信度大于80%，系统可以给到用户准确的答案。第二种，置信度45-79%之间，这个时候系统采用了显性确认，再次让用户确认一遍。最后一种，置信度小鱼45%，这个时候就直接抛出了异常，告诉用户没有听清楚刚才的指令，需要用户重新下达指令，保证错误率。这种方式很好的保证了用户体验和用户的指令准确性。这种方法叫做三级置信度，通过使用这种方法系统将在一定的阈值内，已明确的形式确认信息，拒绝较低置信度的信息，从而确认用户行为，保证用户体验。

2、再看一下这段示例对话（描述内容）。这段对话中，系统接受了用户下达的指令，并且可以肯定的是置信度为80%以上，系统并没有给用户语音上的反馈，但是却达到了用户的要求。这种方式叫做“非语言式确认”。多用于当用户指令到操作之间没有延迟或者延迟极少的情况下，可以不用给与用户语音反馈，直接达到用户目标即可。

3、紧接着看这一段示例对话，（描述内容）这段对话看起来很稀松平常，就像两个老朋友之间的对话一样，不掺杂任何的任务指令。（这种方式叫做“通用确认”，某些对话中，一般不需要确认用户具体说了什么……）

4、看了好多个示例对话，大家再看下这张图，这是我截的我手机上siri的一个界面，当我唤醒siri后，我问她附近有什么好吃的？这是它给我的答复。列出了我附近很多好吃的地方，并且通过列表的以此展示给了我。大家想象一下，如果siri不是用视觉展示的方式展示给我，而是用语音的方式以此的读给我，那我会是什么感觉？（对于带有屏幕的设备来说，视觉确认也是一种常用的方法。当我想siri问付锦有什么好吃的？她会通过屏幕把我所想要的答案展示出来……）

以上就是确认策略的所有内容，希望大家以后在做产品设计的时候可以运用到这些确认方式。说完确认，再说另外一个比较常见的情况，异常处理。异常处理不只是在语音用户界面中，在我们的视觉界面中也会时常的存在，经常会因为考虑不到反向和异常流程导致出现bug，所以异常处理对产品设计而已十分重要。

1、虽然语音识别技术在过去10年里已经大幅度提升（在一定条件下准确率达宇90%），但这并不足以确保在你的设计中添加语音后能够有良好的体验。这个因素会极大影响VUI的体验。VUI经常出错的情况：1、未检测到语音；2、检测到语音，但没有识别；3、语音被正确识别，但系统无法处理；4、部分语音识别错误。那么针对以上的这些问题，我们应该如何去设计才能规避掉这些问题呢？大家看下下边的这个示例对话。

2、（内容展示阅读），如果我们的产品只有语音交互，用户无法通过屏幕或其他方式与产品进行交互，并且要用户回复后，系统才能继续进行任务。这个时候就必须向用户明确说明。例如：对不起，我什么也没有听懂；我还不会这个技能；我正在学习呢。诸如此类的提示可以告诉用户我目前没有办法满足他的需求，并且可以让交互继续下去，直到用户提出下一个需求为止

3、刚才说的是只是一种情况，还有这种情况（用户可以通过其他方式进行下一步操作……）遇上这种情况，系统最好的处理办法就是“什么也不做”，很明显的例子就是我的小爱同学，当我叫它名字唤醒他的了，但是我什么也不说，或者含糊不清的说一句话，它是不会理我的，很大程度上是不会给我任何的反馈的，就像人与人对话时，当人们没听清另一个人的话时，一定程度也会选择沉默，不去理会。

4、前几种方式用于未检测到语音、检测到语音，但没有识别、语音呗正确识别，单系统无法处理。这一种适用于部分语音识别错误时所作出的反馈。（内容展示阅读）。可见系统将用户的指令识别成了“嗯….把他拍照在三点棒棒”这只是部分内容错误，但是这个时候系统给用户的反馈是抛出了异常，需要用户重新下一遍指令，这么做没有错，毕竟，人们对待机器比对待人的耐心多太多了。对于ASR工具识别错误的问题我们并不能决定什么。但是，(可以通过N-best列表和真是用户响应的数据分析来构建此问题的解决方法……)

初级阶段如何设计就说到这里，当我们掌握了这些基本知识之后，我们该如何进阶呢？

初级如何进阶

进阶的知识也会和基础的知识一样，比较多，例如高级多模态交互、高级自然语言理解、消除歧义等。我也会从中挑一个来与大家进行交流。再次我选了消除歧义这个点来与大家进行交流，大家知道什么是消除歧义吗？接着往下看。

大家看这一段示例对话（内容展示阅读），大家看有什么问题吗？这个问题其实很明显，（在美国有34个……）,这就把容易印象到用户的体验了，那么应该如何去设计呢？继续看（内容展示阅读）。人们并不总是能够清楚地表达自己的意思。我们在和其他人交谈时，因为其他人表述问题时缺少足够的信息，所以我们也会常常追问，以确保我们真的理解了对方的意思，这是一种消除歧义的方式。

当用户提供的信息不够时，系统会进一步的追问其他关键信息，那当系统只需要一个信息，而用户提供的信息又不止一条，这个时候需要怎么做呢？

看这个示例对话，（内容展示阅读）因为系统一次只能处理一个症状，当用户说发烧有咳嗽的时候，系统无法一起处理，所以抛出了异常状态。这是十分影响用户体验的。那么我们应该如何改进呢？看下面的示例对话（系统：您的主要症状是什么？……）这个设计中，系统将用户的指令进行区分，先处理一个再去处理一个，没有直接给用户抛出异常，只是通过消除歧义的方式就将用户体验提升了。那对对于多模态的交互时，也会出现这种问题，如图。这是我跟siri的一段对话，我语音给它发送指令，想通过siri给默认发送一条短信，siri消除歧义后视觉展示的方式让我进行选择为谁发送短信。但是这么做我还是觉得不够好，我认为系统应该自动消除歧义，家庭电话是无法进行发短信息的，所以这个时候直接给手机号发送短信即可。这样会更有利于用户体验。

以上的内容就是语音用户界面设计的进阶阶段的内容，我只是选取了一个方法来进行交流。

听了这么多方法和技术，语音技术可以给我带来什么呢？他们是如何改变我们的未来世界的，让我们看两个短片。

1、打开天猫未来酒店

2、拜腾骑车语音交互

最后一页，推荐给我大家这本书，语音用户界面设计，她是美国设计师凯瑟 彼尔写的。建议喜欢语音用户界面设计的你们可以看一下，同时也可以和我多交流，并且希望大家能够将语音的技术应用到我们日后的产品设计中去，打磨好我们的产品，给用户带来更好的体验。

谢谢大家！

郭若川

2019年1月20日 晚八点四十分

PPT连接：https://pan.baidu.com/s/1CTE9o1A8aAB5Twj4F1OGqw