对话是人与人之间交换信息的普遍方式。人可在交流时通过判别对方的语气、眼神和表情判断对方表达的情感，及根据自身的语言、、经验和解对方发的信息，但对于只有0（false）和1（true）的计算机来讲，解人的对话是一件非困难的事情，因为计算机具备上，目前的语音交互主由人设。人觉得语音交互设计是设计怎么问怎么答，看似很简单也很聊，其实语音交互设计涉及系统学、语言学和心理学，此它比 GUI 交互设计复杂很多。
好一好的语音交互设，首先知道自己的产品主服务对象谁？单人还多人使用？第二，对即将使用的语音智能平台非常了解；第三考虑清楚设的产品使用哪，纯语音音箱还屏幕的语音设备？了解完以三点能好去设一款语音产品。考虑到目前市场上 Alexa、Google Assistant、DuerOS、AliGenie 等语音智能平台都有各自优缺，以下讲述语音交互设计将是用、抽象型，以及不会针任意款语音智能平台进设计。
一、语音交互相关术语
在设计语言交互前，我们先了解下与语音交互相关术语。
1. 技能（Skill）
技能可以简单理解为个应用。用户说「Alexa，我要看新闻」或者说「Alexa，我要在京东上买东西」时，用户将分打开新闻和京东物两项技能，而「新闻」和「京东」两个词都属于触发该技能关键词，也是打开该应用入口，后用户说话都会优先匹配该项技能里意图。由于用户呼喊触发词会加深用户该品记忆，此触发词具有很高商业价值。
「Alexa」唤醒语音设备的唤醒词，相当于手机的解锁页面，同时也便捷回到首页的 home 键。目的语音设备需被唤醒能执行相关操作，例如「Alexa，几点？」、「Alexa，帮我设置一闹钟」。这样设的好处省电以及保护用户隐私，避免设备时间录音。
2. 意图（Intent）
意图可以简单理解某应用的功能或者流程，主满足用户的请求或目的。意图多句表达形式的集合，例如「我看电影」「我看2001刘德华拍摄的动作电影」都可以属于同一视频播的意图。意图隶属于某项技能，例如「京东，我买巧克力」这案例，「我买巧克力」这意图属于京东这技能的。当用户「Alexa，我买巧克力」，如果系统不知道这项意图属于哪技能时，系统无法理解并且执行的。但，些意图不一依赖于技能，例如「Alexa，今天深圳天气怎么样」这种意图就可以忽略技能直接执行，因它们默认属于系统技能。当语音设备存第三方天气技能时，如果用户直接喊「Alexa，今天深圳天气怎么样」，系统还会直接执行默认的意图。我们语音交互多设意图，也就设意图怎么理解以及执行相关操作。
3. 词典（Dictionary）
词典可以理解某领域内词汇的集合，用户与技能交互过程中的一重概念。例如「北京」、「广州」、「深圳」都属于「中城市」这项词典，同时属于「点」这项范围的词典；「下雨」、「台风」、「天晴」都属于「天气」这项词典。些词语会存于不同词典中，不同词典的调用也会影响意图的识别。例如「刘德华」、「张学友」、「陈奕迅」都属于「男歌星」这项词典，同时他们也属于「电影男演员」这项词典。当用户「我看刘德华电影」的时候，系统多匹配到电影男演员的「刘德华」；如果用户「我听刘德华的歌」，系统多匹配到男歌星词典里的「刘德华」。如果用户出「打刘德华」模棱两可的话时，那么这句话究竟匹配视频意图还歌曲意图呢？这时候就需人设相关的策略匹配意图。
4. 词槽（Slot）
词槽可以理解一句话中所包含的参数什么，槽指这句话里多少参数，它们直接决系统能否匹配到确的意图。举例子，「今天深圳天气怎么样」这项天气意图可以拆分「今天」、「深圳」、「天气」、「怎么样」四词语，那么天气意图就包含了「时间」、「点」、「触发关键词」、「无义词」四词槽。词槽词典强关系的，同时词槽槽语言的语法也强相关的。例如「声音一点」这句话里就包括了主语、谓语状语，如果缺乏主语，那么语音智能平台不知道哪东该「一点」。设，我们先了解清楚语音智能平台否支持词槽状态选择（可选、必选）、否具备泛化能力以及槽否支持通配符。词槽槽设意图中重的环节，它们能直接影响未的作。
5. 泛化（Generalize）
一语音智能平台的泛化能力能直接影响系统能否听懂用户什么以及设师的作小，同时也能反映出该平台的人智能水平到底怎么样。究竟什么泛化？泛化指同一意图不同表达方式，例如「声音帮我一点」、「声音一点」、「声音再一点点」都属于调节音的意图，但表达的差异可能会直接导致槽的设失效，从无法识别出这句话究竟什么意思。目所语音智能平台的泛化能力较弱，需设师源源不断将不同的表达方式写入系统里。词槽槽的设也会影响泛化能力，如果设不当，设人员的作可能会翻好几倍。
6. 通配符（Wildcard Character）
通配符主用行模糊搜索匹配。当用户查找文字时不知道真的字符或者懒得输入完整字时，常常使用通配符替字符。通配符意图设中非常用，尤其数据缺乏导致某些词典数据不全的时候，它能直接简化制作词典的作。例如「XXX」一通配符，当我「视频播」这项意图增加「我看XXX电影」这项表达后，无论XXX什么，只系统命中「看」「电影」两关键词，系统都能打视频应用搜索XXX的电影。但，通配符对语音交互其实一把刃剑。假设我们设了一「打XXX」的意图，当用户「打电灯」其实启联网中的电灯设备，「打哈利波特」观看哈利波特的系列电影或者小。当我们设一「我看XXX」「我看XXX电影」两意图时，很明显者包含了后者。通配符用得越多会影响词槽槽的设，导致系统识别意图时不知道如何对众多符合的意图行排序，所以通配符一合理使用。
7. 自动语音识别技（ASR，Automatic Speech Recognition）
将语音直接转换文字，些时候由于语句里某些词可能听不清楚或者出二义性会导致文字出错。
△ 图源：Ani
二、语音智能平台如何听懂用户说的话
语音交互主分两部分，第一部分「听懂」，第二部分与人行交互。如果连用户的什么都听不懂，那么就不用考虑后面的流程了。这就好比如打的所网页链接全404一样，用户使用的产品会常感受到挫败感。因此能否「听懂」用户的话能体语音产品人智能能力的提。
决定你的产是否听懂户说的大分容，要由语音智平台决定，我们在做产设计前需要先了解清楚语音智平台的六个方面：
当前使用的语音智能平台 NLU（Natural Language Understanding，自语言理）能力何，尤其是否具备的泛化能力。NLU 是每个语音智能平台的核心。
了解系统的图匹配规则是完全匹配还是模糊匹配？以声音调整作为例。假声音调整这个图由「操作对象」、「调整」和「状」三个词槽决定，「声音提高一点」这句话的「声音」、「提高」和「一点」别对应「操作对象」、「调整」和「状」三个词槽。如果这候用户说「请帮声音提高一点」，这候因为增加了「请帮」三个字导致图匹配不了，那该系统的图匹配规则是完全匹配，如果能匹配成功说图匹配规则支持模糊匹配。只支持词槽完全匹配的语音智能乎没有任何泛化能力，这候计需要考虑通过构建词典、词槽和槽位的方式实现图泛化，这非常考验计的语言理解水、逻辑能力以及对整体词典、词槽、槽位的全局计能力，可以认为这项任极其艰巨。如果语音智能支持词槽模糊匹配，说系统采用了识别关键词的做法，以刚刚的「请帮声音提高一点」作为例，系统能识别出「声音提高一点」别属于「操作对象」、「调整」和「状」三个词槽，然后匹配对应的图，而其文字「请帮」或者「请帮帮吧」将会被忽略。模糊匹配能力对图的泛化能力有显的提升，能极大减少计的工作量，因为尽可能选择备模糊匹配能力的语音智能。
前使用语音智能平台语言支持程度如何。语言都有自己语法和特，这导致了目前 NLU 不能很好地支持各语言，例如 Alexa、Google Assistant 和 Siri 都在深耕英语英文识和理解，语文理解会相很多，而国内 DuerOS、AliGenie 等语音智能平台则相反。
些词典我们很难通过手动的方式收集完整，例如具时效性的人词典还词词典。如果收集不完整终结果就系统很可能不知道的语句什么意思。这时候我们需官方提供的系统词典，它能直接帮我们减轻的作。系统词典一般对一些通用领域的词汇行整理的词典，例如城市词典、单词典、数字词典、人词典还音乐词典。因此我们需了解当使用的语音智能平台的系统词典数否够多，每词典拥的词汇否齐全。
了解清楚语音智平台是否支持客户端和务端自定义参数的传输，这一项非重要，尤是对带屏幕的语音设备来说。我们做设计最注重的是户在哪个场景做了么，简单点就是 5W1H，What（么事情）、Where（么地点）、When（么时候）、Who（户是谁）、Why（原因）和 How（如何），这些都可解为场景的多个参数。据我了解，有些语音智平台在将语音转换为字时是支持传输自定义参数的，这可会导致你在设计时只考虑多轮对话中的上，无法结合户的地位置、时间等参数进行设计。为么说自定义参数对带屏语音设备非重要？因为户有可说一句话就直接操作屏幕，然后继续语音对话，如果语音设备知道户在屏幕上进行么样的操作，可认为语音智平台是知道户整个使流程是怎么样的。在同场景，户说的话都可会有同的意图，例如户在爱奇艺里说「周杰伦」，是想看与周杰伦相的视频；如果在 QQ音乐里说「周杰伦」，户是想听周杰伦唱的歌曲。因此，Where 除了是户在哪座城，还有就是户目前在哪个应里。
当前使用的语音智能平台是否支持意图的自定义排序。其，意图匹并不是只匹到一条意图，它很有能匹到个意图，只是每个意图有不同的匹概率，最系统只召回概率最大的意图。在点已提到，在不同场下用户说的语句能有不同的意图，所以意图应该根据当前场进行匹，而不只是根据词槽来识别。因此语音智能平台支持意图的自定义排序非常重要，它能根据特定参数匹某低概率的意图，现场化的理。当，只有在点现的情况下，意图自定义排序才有意义。
当前使用的语音智能是否支持声纹识别。一语音备有可能被多个人使用，而声纹识别可以当前正在使用备的用户底是谁，有助于针对不同用户给出个性化的回答。
△ 图源：Ani
三、设计「能听懂用户说什么」的智能语音产品
当对整个语音智能有较深入的理解后，开始计一套「能听懂用户说什」的智能语音产品。为了让大家对语音交互计有深入浅出的理解，以下内容将是为带屏备计一款智能语音系统，使用的语音智能不备泛化能力，但是它可以定义参数传输和图定义排序。以下内容为系统全局计和图计。
全局设计主要分为以下步骤：
如果我们对话的「人」性格风格常变化，那么我们可能会觉得这「人」可能点问题，所以我们对产品赋予一固的人形象。首先，我们需明确我们的用户群体谁？再根据我们用户群体的画设一虚拟角色，并对这角色行画描述，包括性别、龄、性格、好，还采用哪种音色，如果还屏幕显示虚拟角色，那么我们考虑设整套虚拟角色的形象动作。完整的案例我们可以参考微软小冰，微软把小冰义一话唠的17岁高中女，并且小冰赋予了轻女性的音色以及一整套少女形象。
考虑我们的产目的是么，将会为户供哪些技（应），这些技的目的是么？户为么要使它？户通过技做么和做么？户可哪些方式调该技？还有我们的产将会深耕哪个垂直领域，智控制？音乐？视频？体？信息查询？闲聊？由于有些意图是通而且户经到的，例如「打开XXX」这个意图，「打开电灯」属于智控制意图，而「打开QQ音乐」属于设备控制意图，「打开哈利波特」有可属于电子书或者视频意图，每个领域都会有意图重叠，因此我们要对自己供的技进行先后序，哪些是最重要的，哪些是次要的。在这里我建议把信息查询和闲聊最好放在序的最后面，由请看第点。
建立合适的兜底策略。兜底方案是指语音完匹不上意图时提供的最决方案，以样认为：当智能语音平台技术不成熟，自己设计的语音技能少，整个产品基听不懂人在说什么的时，兜底策略是整套语音互设计中最重要的设计。兜底方案主要有以下三种：
A. 以多种形式告知用户系统暂无法理解用户的思，例如「抱歉，目前还不能理解你的思」、「还在学习该能中」等等。这种做法参考了人类交流过程中多变的表达方式，使整个对话不会那无聊生硬。这种兜底策略成本是最低的，并且需要结虚拟角色一起考虑。如果这种兜底方案出现的频率过高，用户有可能觉得你的产品什都不懂，不智能。
B. 将听不懂语句传第三搜索功能。基本上很多问题都能在搜索网站上找到答案，是答案过多导致用户操作成本有高。为了有个更好体验，我议品提供百、视频、音乐等多搜索入口。以「我想看哈利波特视频」这句话为例子，我们可以过正则表技术手段技能挖掘出「视频」词，时将「我想看」、「」词语过滤掉，最后获取「哈利波特」词，接放到视频搜索里，有效降低用户操作步骤。这兜底策略能简单有效地解决大部分常用查询说法，用在指令意图上会常怪，例如「打开客灯」结跳去了百度进搜索，这时候会让用户觉你品常傻；有，如在设计个兜底策略时没有全局考虑楚，很有可能导致截取出来关键词有问题，导致用户觉很难理解。
C. 将听不懂的语句传给第三方闲聊机器人。些积累较深的第三方闲聊机器人不能理解用户问的什么，且提供多轮对话的闲聊机器人可以使整产品看起「人性化」一点。由于闲聊机器人本身就自己的角色，所以这种兜底策略一结合虚拟角色并行考虑。且第三方闲聊机器人需第三方 API 支持，三兜底策略中本高的，但效果也可能好的。
由于是听懂才需要兜策略，上种兜方案是互斥的。为了整个产有更好的体验，我们全依赖最后的兜策略，还是需要设计更多技和意图匹配更多的户需求。人与机器的对话可概括为发送指令、信息查询和闲聊种形式，上种兜方案在实际应时都会有优缺点，设计师可根据实际需求择最合适产的兜策略。
查看语音智能平台是否提供与技能相关的垂直领域官方词典，果没有就需要考虑手动建立自己的词典。手动建立的词典质量决定你的意图识别准确率，因此建立词典时需要注意以下几点：
- 词汇的覆盖面决定了词典质量，词汇量是越多越好。
- 该词典是否需要考虑动态更新，例名人、视频、音乐等词典应该支持动态更新。
- 该词是否有同义词，例如医、学校等词都应该考虑其的常用叫法。
- 如想精益求精，需要考虑词汇是否是多音，有是否有常见误叫法。有时 ASR（Automatic Speech Recognition，自动语音识）会将语音识误，此需要考虑是否需要手动纠正误。
在景的帮助下，可以更好地理解用户的图。由于的大部备都是使用开源的安卓系统，而且语音应用和其应用都相互独立，息乎不能传输，所以可以通过安卓官方的 API 获取栈顶应用息了解用户当前于哪个应用。如果用户当前使用的应用是由计开发的，就可以将用户的一系列操作流程以及相关参数传输给服器进行析，这有助于更好地判断用户的想法是什，并前置最相关的图。
撰写脚本像电影或戏剧里样，它是确定话如何互动好法。可以使用脚本来帮助确认你可能没考虑到情况。撰写脚本需要考虑以下几：
- 保持互动简短，避免重复的短语。
- 写出们是如何交谈，而不是如何阅读和写作。
- 当用户需提供信息给出相应的指示。
- 要假设户知道该做么。
- 问问题时一次只问一个信息。
- 让用户做选择，一次提供不超过三个选择。
- 学会使用话轮转换（Turn-taking）。话轮转换是个不是特明显是很要谈话工具，它涉及了话我们习以为常微妙信号。 们利用这些信号保持话往复过程。缺少有效轮回，可能会出现谈话双时说话、或者话内容不步并难以被理解情况。
- 对话中的所元素应该可以绑一起简单的一句话，这些元素将我们意图设中重的参数，因此我们留意对话中的线索。
最后我们要将脚本转化为决策树。决策树跟我们理解信息架构常相似，也是个技能、意图、话流程设计关键。这时候我们可以过决策树发现我们个技能设计是否有逻辑不严密地，从而优化我们个设计。
以全局设的相关内，以下始讲述意图设。意图设主包括以下内：
在前面到，意图识别是由词槽（参数）和槽位（参数数量）决定的。当一个意图的槽位越多，它的还有复程就越；但是槽位越多会导致整个意图变得更复杂，错的概率就会越，意图设计并是槽位越多就越好，最终还是要根据实际情况而决定。当我们设计词槽和槽位时，请结合当前语言的语法和词性一起考虑，例如每一句话需要考虑谓宾结构，还有各种的名词、词、副词、量词和形容词。
当语音智能平台泛化能力弱时，我们以考虑手动提升整的泛化能力。主要的做法是将常用的表达方式抽离出来成为独立的词典，每个意图匹该词典。
如果计的是系统产品，应该考虑全局图的计。例如像带屏智能音箱、投仪都是有实体按键的，可以考虑通过语音命令的方式模拟按键操作从而达全局操作，例如「上一条」、「下一个」、「开xxx」这些语音命令在多应用内都能用。
以下过简单案例学习下个意图是怎么设计，我们先从「开启关闭设备」意图入手：
首先我们设「执行词典」「设备词典」，词典如下：
设「执行设备」的词槽「执行」+「设备」。无论用户「灯」或者「打光」时都能顺利匹配到「Turn_on」+「Light」；用户「关掉彩电」或者「关电视」都能顺利匹配到「Turn_off」+「Television」，从执行不同的命令。
为了增泛，我们需要设计一个「语气词典」，词典如：
增意图槽位。这时候把「执行」和「设备」两个槽位设置为必槽位，意思是这句话这两个词槽缺一可，如果缺中之一需要多轮对话询问，或者系统直接无法识别。接着增两个可槽位，同时为「语气」，可槽位的意思是这句话可需要这个词都顺利识别。这时候户说「请开灯」、「帮我开灯」都顺利匹配到「Please」+「Turn_on」+「Light」及「Please」+「Turn_on」+「Light」+「Suffix」，由于「Please」和「Suffix」都属于「语气」可词槽的容，两句话最后识别都是「Turn_on」+「Light」。通过参数相乘的方式，我们可将整个「开启闭设备」意图分别执行4种命令，并泛数十种表达来。
刚刚也提到，对轮对的目的是为补意图中部必选词槽的内容。当用户家里存在数盏灯时，系统应该将刚才的常用表达升级为「Please」+「Turn_on」+「Which」+「Light」+「Suffix」。当用户说「打开灯」的时，系统应该询问「您需要打开的哪一盏灯」，根据用户的反馈结果执行相关命令。
以上的案例只是整个图计中的一部，还有多细节需要根据实际情况进行计。完成整个全局计和图计后，应该邀请用户进行实践测，这候有可能发现用户会用没想的话术进行语音交互，要尽可能地完善图以及对话计，避免产品上线后出现问题。最后，关于创建用户故事、撰写脚本和对话流程计，请阅读 Google 的《Actions on Google Design》和Amazon的《Amazon Alexa Voice Design Guide》文档以及相关的语音智能的官方使用文档，面会更详细地介绍相关细节。
欢迎关注作者微信公众号：「薛志荣」
图片素材作者：Hooman Hatefi
浙公网安备33011002017549号