什么会语音交互？它适于么场景？适于哪些？章为你解读。
一. 什么是语音交互
在没有机器之前，人类最早的交互方式就是语言和作。如今，在自然交互方式的趋势，我们又到了语言这种交互形式上。
原始的交互方式，就人与人用语言、动作、眼神交互，人与用动作交互。机器刚出的时候，并人机交互的理念，机器很难操作，需人去学习应。肖尔斯的「QWERTY」键盘会流传就因这种字母的排列设可以降低打字速度，避免速输入造按键连杆的互相涉。
战期研究促进了工程发展，适应类、提高效率理念到发展。在计算领域，从命令界（CLI）进入到图形用户界（GUI）是大突破，随后发展到目前主流操作触控，使用手指在屏幕上滑动按。语音交互界（Voice User Interface，VUI）、手势、动作、表情交互，甚至脑接口，都属于自然用户界（NUI）。
从载体上，语音交互以机或脑为载体，或以其硬件为载体。除了这些，在服、教育和医疗等行业也都有应用，如服语音质检、语测评等。
△ 语音交互界面的形式
二. 如何评价语音交互
VUI效率高是低？
高效交互是好交互。交互在于提高使用表现，从速度、准确性、注意负荷三个维度衡量。让用户速度越快、越准确，并占用最少注意负荷是好交互。我们来看几情况。
输入文本：效率极高。人说话的速度比字快，且不需要心屏幕，考虑字输入也有错误，语音交互在输入文本表现不错。因此多产品都会在文本输入加上语音入。
置任务：果我们想打快车回家，用语音助手还是图形界面的打车APP更快？由路径短，语音助手的理论速度更快，唤醒Siri并说句，不需要打开APP点选。在现有状况下，输任务容易出错。果命令语言出现偏差，语音助手听不懂你的意思，就导致任务失败。我们需要思考该怎么置任务，是说「我要打车回家」还是「打开XX并打车回家」？果语音助手三次听不懂命令，你还继续尝试吗？放弃语音置任务，只要打开APP，找到熟悉的口点击操就完成。
输：相即时的图形反馈，语音是一种太合格的输方式，它过于缓慢、效率低。由于听觉是线性的，我们只听一句话再听一句，而像视觉一样瞬间成图片工，在本间扫描跳过，电话语音务系统就是这种浪时间的方式。另外，持续听语音还会消耗大量注意和记忆资源。如果客念却没有听到想要的容，重听按0是另一场噩梦。另一方面，我们大分的信息来自于视觉，但语音方式输视觉信息。
适合双手被占的场合
语音交互适合在哪里使？双手被占时，如驾驶、烹饪、游戏等情况。如，开车时眼睛需要看路，双手握着方向盘，而且车环境既静又私密，这种情况就适合使语音交互。另外，在输层面上，如果视觉通道被占，听觉通道更适合接收紧急和重要的通知。
门槛极低
语音交互的支持者认为，语音是最自然的交互方式。人人都会说话，门槛极低，尤对于输困难人群（如视障碍人群），他们全可无障碍的使语音交互的形式。但是另一方面，习惯触控的人群一定愿意转向语音，对技术有畏难情绪的人群可愿意尝试语音交互这种「」的技术。
语音可以传递感，但人还不应机器交谈。
语音由于有声调和节奏，相比文，更能传递情感。问题在于我们不习惯和或者手话。据统计，在公共场合使用Siri有3%。我们默认语言是和交流，或是和猫、狗这我们认为有性动物交流。与物进交流时，更多会采用动作交互。此和手说话时会有很奇怪感觉，尤其于东来说，心理障碍可能会更大。
为了减少用户的压力，拉近心理距离，多智能语音助会定的「人物形象」。例如Siri高冷忠诚，软冰可爱贫嘴。另外，语音助大多是性声音，也是因为性的声音听起来更加和善包容。在操作过程中出现问题，如果响起了男性的声音，容易给使用者产生被责备、被批评的觉。
不，语音助手也不能太像正的人。恐怖谷理论认为，对和人越来越像的东西，我们的感上升，但我们厌恶很像人而不是人的东西，例僵尸。从恐怖谷的理论来看，我们能害怕逼的语音助手。
△ 恐怖谷
不适合在开场合使用
语音互不适合在开场合使用，尤其是图书、办室类安静的场合。
身份识别问题。在汉堡王的一则视频广告里，售货员最后凑屏幕，说“OK google, what’s the whoppers？”。「OK google」是卓手机和Google Home的唤醒词，户会发现在自己没有达命令的情况，设备已经启并搜索了皇堡，这是设备缺身份识别系统成的。为此有产推了声纹识别系统保障支付全问题，至于声纹验证的可靠性则是另外一个问题。
△ 汉堡王的视频广告
隐私方面也如此，相比起屏幕，公共场合的输入输出对话易被听到。敏感的金融、医疗私人信息风险。
场景分析
总体，语音交互至少需满足噪音低私密两条求。众多的场景中，车内家里满足求的，加手机的移动场景，共3场景。Mary Meeker2016的报告也指出，语音使用的主场景家里（43%），车（30%），（19%），作仅占3%。
三. 语音交互发展难点
语音交互系统发展的历史并不短，早1952，尔实验室就发了能够识别阿拉伯数字的系统Audrey。1962，IBM发明了第一台可以用语音行简单数学算的机器Shoebox。
△ IBM的Shoebox系统
在发展了半个多世纪后，语音交互仍没有到成熟应用平，遇到困难贯穿开发到使用流程。
一套完整的语音交互系统有三个典型模块，语音识别（Automatic Speech Recognition，ASR）将声音转化成文字，然语言理过程（Natural Language Processing，NLP）将文字的含义解读出来，并给出反馈，最后通过语音成（Text to Speech，TTS），将输出息转化成声音。
△ 典型的语音交互系统模块
远识别难题
第一个难题是获取语音的问题。语音质量高的前提下，才能有较好的语音识别结果。有些公宣称的语音识别率达了95%甚至99%，但其前提条件往往是声源距离近、环别安静、说话人的普通话别标准，而非日常的应用景。
获取用户语音，根据距离分为近场识别和远场识别两种情况，者难度更大。
手机上的语音交互是典的场，距离声源，语音信号的质量较。另一方面，采集语音的交互相对简单，有触摸屏辅助，户通过点击开始和结束进行信号采集，保证可录到户说的话。
远场语音交互以智能音箱表，声源远，不知道声源具体置，环境中存噪声、混响反射。单麦克风无法满足求，需麦克风阵列支持。用户可能站任意方，被语音唤醒后，需到声源置，向该方向向识音，增强语音并降低其他区域环境的噪声。
△ 远场识别示意图（源：雷锋网）
语音识别确率
实际作中，常用的指标识别词错误率（Word Error Rate）。微软语音对话研究团队负责人黄学东近宣布微软语音识别系统错误率由5.9%一降低到5.1%，可与专业速记员比肩。自于两方面，一技，包括隐马尔可夫模型、机器学习各种信处理方法，另一方面庞的算资源训练数据。
语义识别
如果语音手行过对话，会发其语义理解还停留固模式识别的套，根据用户话中特的词出反应，不一能给出确的回答。
约翰·希尔勒提出过「文房」思想实验，个不懂文，会说英语在个封闭房，房里有本英文手册告知如何处理相应文信息。用文写问题从窗户递进房里，这个照手册进查找，将应文解答写在纸上并递出去。房可能会觉这个很懂文，实他窍不。训练来理解语义类似于这个过程。过训练，我们让反应接近于能够理解，法像类样真正理解语言。
语言是人和人之间交流的工，某种程度上适人的认知系统，如何期待机器更好的理解？
目前来讲，遇到的问题至少有分词、歧义和未语言处理。中文不像英文单词有空分开，而且歧义高，对AI有更高的要求。例「京市长江大桥」就以分成「京市/长江大桥」和「京市长/江大桥」两种，「鸡不」有种含义。和Siri说「打开饱么外卖」，在它没有学「饱么」个单词的情况下，它将何处理？
轮对问题
我们得语音助手很蠢，有时是因为它违反人类对的原则。人类对看似简单，但根据对方的背和自己掌握的信息，整对内容，上下文之间也有呼应关系。但是，现有的很产品，其对缺少关联。语音助手不理上下文背，只能进行单轮对，看似进行的轮对其也只是个单轮对的组合。
「愚蠢」带来的一是自然，二是增任务难。如当你问语音助手「明天的天气是么？」它说雨，再接着问「后天呢？」这时它并明白问的是后天的天气，只再整的问一次「后天的天气是么？」
下面这对话里，小冰一会儿阴师游戏，一会儿电影，并对话的记忆。
△ 小冰对话的记忆
四. 语音交互设计规范
由于语言尤其口语的形式不固，变化很，VUI的交互设GUI截然不同，加细致繁琐。亚马逊已给发者提供了熟的交互设规范。
语音交互设计至少可分为几步，首先立功能目，其撰写脚本，即用户和系统如何话，第三步是制定流程、用户使用路径等，需要定义技能结构，括完成个功能需要哪些参数、用语有哪些变化。例如于个功能，用户可以说「天怎么样」也可以问「下雨吗」。
远场语音交互品冷启动
远场语音交互品存在冷启动期，有积累了定数据才可以更好提升品体验，如何提高销量、积累数据是品启动时需要思考问题。如希望语音交互品可以成为平台，千量级是基本槛，如Echo在今年销量可以到预计两千台，基本上有了足够数据，有成为平台希望。国内些模仿者使用节日促销模，例如双十天猫精灵99元售价，卖出了100台，希望过这进数据初步积累。
缺乏持续使用动力和核心场景
新鲜劲过去后，很多会语音交互失去兴趣，触控仍然是主要交互。Creative Strategies数据发现，97%在两时内会Alexa新功能失去兴趣。Voice Lab数据发现，62%安卓用户很少或者偶尔使用语音助手，这比例在iOS用户上是70%。目前，语音交互缺乏有其才能实现核心功能，即使亚逊Echo，它最多用途仍然是听歌，缺少核心竞争力和不可替代性。
五. 问题讨论
语音交互否会主流交互方式
笔者的意见，就触控取鼠标键盘，语音交互不太可能主流的交互方式。交互界面本就多模态的，语音交互将丰富的交互形式不会取其他。如文所述，语音交互不能解决所问题，只特的场景可以发挥作用。
伴随语音多交互是不选择，例如语音和触控结合可以提高准确度，语音和视觉结合，实现语音输入加视觉反馈，或者加上手势等。
是否需要追求语音交互纯洁性
Echo团队认为，语音是最自然交互，此坚持设计语音交互，语音输入和视觉输出模型已被证明其成功性，我们在手上使用语音交互模型是如此。新品Echo Show也装上了屏幕，可以显示视觉信息了。所以是否有必要坚持纯粹语音交互模型？答案似乎已经很明显。新问题是，如Echo加上了屏幕，用户会认为它是音箱是平板？
△ 加上屏幕Echo Show
六. 语音交互的定位
本质上，语音交互允许过语音完成任务，能过语音完成，触控也可以，Siri可以做到，Echo也可以，做不到大家都做不到。所以语音交互能够完成什么独有任务以体现它价值呢？
VUI vs. CUI
语音设计师Cheryl Platz在她Medium上反复提及个问题，VUI是Conversational UI？
语音交互界面是基于独的任，它的模式是简的「下命令——完成任」，然而这不是然的对话，需要思考如何下命令，距离对话远了。如果要朝着CUI的目标，语音交互必须更加智能和流畅，允许通过真正的对话完成任，像和真人说话一。
隐私问题
如果语音助要更好用、更智能，就需要不断收集用户的息。所以是否需要语音助改变的反应？如果语音助目的就是商业的，那是否任它并提供息，从而让它更了解的喜好？
另一方面，语音助手是否安？通唤醒词唤醒的语音互产品持待机，从境中获取声音，种机能被用。在一则新闻中，Echo被破并成为一个24小时窃听器。还有连接方式，国禁止销售的一款儿语音玩具「My Friend Cayla」，其蓝牙连接就被证明是不安的，儿与玩具对的语音能被三方获取。
△ 儿语音玩具My Friend Cayla
语音互界面的测试方式
和普通产品的研究方法共通，用测试、访谈等方法依适用研究语音互系统。测试VUI时以特别注意一地方，例用户的反应，成功率，停顿或者失败等等。有一特定指标以用评估，例速度准确度、用户付出的认努力、清晰易懂度、系统程度和声音质量等。
面介绍一个有趣的语音交互界面测试方法——Woz法。由于语音交互系统成本较，在系统开发前，通过Woz（Wizard of Oz）的原测试发现问题，成本很低。由一名研究人员扮演Wizard，一名普通研究人员协助，户操作后，由Wizard在暗处手播放反馈。
△ 车Woz测试（来源：《Designing Voice User Interfaces》）
语音交互仍需发展，技熟需时间。但它的出意我们可以用多方式操作设备、传递信息，我们离理的交互界面近了一。以对语音交互了简单的总结，疏漏法不熟之处，欢迎交流指。
七. 参考资料
- Cathy Pearl. Designing Voice User Interfaces. O’Reilly Media, 2016
- Clifford Nass, Scott Brave . Wired for Speech. MIT Press
- Cheryl Platz. The Narrowing Rift: Voice UI and Conversational UI. Medium: Microsoft Design
- Amazon Alexa：Voice Design Guideline. Amazon
- 极限，一文读懂智能语音前端理中的关键问题，雷锋网
欢迎关注作者公众号：
浙公网安备33011002017549号