關于智能語音交互的5點思考

　　本文是我在學習智能語音過程中的思考，希望從智能語音的人機交互層面給大家?guī)�來一些啟發(fā)。

　　

　　小時候很喜歡一部劇叫《恐龍戰(zhàn)隊》，里面有個角色叫“阿爾法”，是個每天忙來忙去的機器人，能傳喚隊員并和他們交流，令我很好奇。

　　今天，我們對于能對話的機器已經(jīng)不那么新奇了，這得益于智能語音技術的發(fā)展和一些語音產品的出現(xiàn)。一度調戲Siri成為全民話題，這肯定不是Apple公司初衷。這暴露了它的不完善，也讓大眾離語音產品更近了。本文是我在學習智能語音過程中的思考，希望從智能語音的人機交互層面給大家?guī)�來一些啟發(fā)。

　　語言是人類文明的重要成果，也是人類最重要的工具之一，它為保存和傳遞人類文明起到了不可或缺的作用。概括來說它的主要作用就4個字：傳遞信息。

　　“而我們所說的智能語音，學術界叫“自然語言處理”，是計算機科學領域與人工智能領域的一個研究方向，主要研究能實現(xiàn)人與計算機之間用自然語言進行有效傳遞信息的理論和方法。—引自百度 ”

　　“交互”一詞全名是“人機交互”，是一門研究系統(tǒng)與用戶之間交流、互動關系的學問。

　　智能語音交互嚴謹點說應該是自然語言交互(natura language interaction)，為了方便理解我依然采用“智能語音交互”這個詞。

　　計算機技術及人工智能領域發(fā)展迅速，對“自然語言處理”的研究也異常火熱。

　　siri、微軟小冰、google now、Echo、科大訊飛、京東叮咚、出門問問等智能語音類產品開始出現(xiàn)，雖然存在很大的不完善，但回望歷史我們能發(fā)現(xiàn)智能語音技術一直是在進步的。

　　在了解智能語音的過程中，我產生了一些問題，圍繞這些問題我對智能語音交互進行了一些思考，希望能給你帶來一些啟發(fā)。

　　1、智能語音能成為人類主流的人機交互方式嗎?

　　這個問題在知乎引起了很大的爭論，而我傾向于智能語音交互會成為人類主流的人機交互方式之一。

　　人類與世界萬物的交互過程大概是這樣的：通過眼睛去觀察人、事、物、環(huán)境等，再輔以耳朵聽、鼻子聞、舌頭嘗、嘴巴交流、肢體觸碰，而后大腦產生記憶和思考并做出動作、表情、語言和生理反饋，這個過程是循環(huán)和組合的。

　　不同的環(huán)境和習慣會有不同，但基本是在這個范圍。 這個過程中，前半部分主要是接收信息，后半部分主要負責交流互動，而語言和動作是最主要的交流互動方式。

　　人機交互角度看，用手操控是這個世界絕對的主流

　　我們每天使用的手機、電腦、相機、汽車，包括現(xiàn)在很火的AR、VR設備，基本上都要靠手去操控。(用手操控屬于動作這個范疇)這跟人類的進化方式有很大關系，我們的祖先從學會制作工具開始，手就成為了人類接觸萬物的最主要工具。

　　尤其是機械的出現(xiàn)，只有人類靈巧的雙手才能精準的操控完成任務。

　　可是人的手有幾個缺陷：不夠長，不夠多，需要配合眼睛，這給我們的生活帶來了很多不便。

　　

　　舉個例子：

　　當我們在開車時，眼睛和手被占用，再去操作手機、中控觸屏等設備會非常不便，危險系數(shù)也會大大增加。

　　原本語言是人與人之間交流的工具，很難像雙手一樣直接與物體產生反應。 但是隨著公認的第四次工業(yè)革命的到來，人工智能讓我們有了更多可能，當機器能聽懂我們的意思并很好的執(zhí)行時，很多場景的人機交互方式將會被改變，更多適合的場景將會被挖掘出來，就像當年智能手機進入我們的生活。10年前，我們是無法想象通過手機做現(xiàn)在的大多數(shù)事情的。

　　所以我的淺見是：

　　智能語音技術會成為人類主流的人機交互方式之一。

　　成為之一，是因為除了語音外，原本的手的操作、體感操作、面部表情識別、注意力識別、甚至是情緒的波動，都可能在不同場景成為我們與機器的交互方式，未來這很可能是綜合的交互體驗。

　　2、智能語音技術發(fā)展到什么階段了?

　　智能語音分近場語音和遠場語音。

　　“近場的定義是小于1個波長的范圍內(或者波長量級)的電磁場。而遠場是電磁波傳播到遠處之后的場(分布)。——引自百度”

　　近場語音主要是基于手機等設備，基本上是一些輔助的使用需求，Siri和微軟小冰就是近場語音產品。遠場語音也越來越受重視，亞馬遜的Echo就是遠場語音，很受歡迎，至少用戶能在5米外的距離語音指示它播放音樂。

　　自然語言理解方面的研究已經(jīng)60多年了，雖然還不完善，但令人欣喜的是類似Siri、Echo這樣的產品不斷涌現(xiàn)，而不再是虛無縹緲的概念。

　　簡單了解下自然語音處理的技術過程：

　　當我們與機器進行語音交互時，機器需要通過聲學處理我們的聲音和周圍環(huán)境，減少干擾和噪音。再通過語音識別技術將聽到的聲音翻譯成文字，語義理解技術則會分析這些文字的意義，最后機器去執(zhí)行用戶的指令或者通過語音合成技術把要表達的內容合成語音。

　　

　　在此過程，聲學處理、語音識別、語義理解等屬于自然語言理解，語音合成等是自然語言生成，這些都是非常核心的技術，還要配合人工智能、機器深度學習等等。

　　但是現(xiàn)階段依然困難重重。

　　真實環(huán)境下，受噪音等影響機器仍然聽不準自然語言。機器將聽到的語音翻譯成文字時，重音、口音模糊、語法模糊等又很影響成功率。人類語言太復雜，受到單詞邊界模糊、多義詞、句法模糊、上下文理解等影響，語義理解又是一大障礙。

　　再舉個例子：

　　如果一門課程上一年沒開設，對于“這門課程去年有多少同學沒通過”這樣的問題，機器是回答“都沒通過”還是“去年沒開這門課”?同時機器還需要提前存儲“去年沒開這門課”的信息。

　　想想我們從小時候啥也不懂到現(xiàn)在懂得的知識和信息，這是難以想象的數(shù)據(jù)量!所以現(xiàn)階段來看，在某垂直領域開發(fā)智能語音產品是相對現(xiàn)實的選擇。

　　3、智能語音交互與界面交互的異同點是什么?

　　研究智能語音與機器的交互，不得不說界面交互，這是使用者和設計者都非常熟悉的人機交互方式。從界面交互出發(fā)，其實有很多可思考的或借鑒的點。

　　界面交互是線性的，而語音交互是非線性的

　　界面交互是一種線性的交互方式，本質上是不同的頁面通過不同的層級關系串聯(lián)起來的。所以，我們在使用的時候會有一層層返回，tab導航切換，回到app首頁和home鍵回到手機桌面的概念。

　　語音交互不適合這樣做，我們人類在語言交流時，是一種非線性發(fā)散式的，我們會在聊某個話題時突然切換到另外一個不相關的話題上，這之間沒有層級關系，更談不上返回關系。

　　界面交互更多過程，語音交互直接指向結果

　　界面交互在設計的時候，是將很多“小任務”(按鈕點擊、模塊選擇、頁面跳轉等等)提供給用戶，用戶通過不同的組合選擇，最終達成自己的目標。

　　但是在語音交互時，更多是直接表達，你會跟服務員說：請給我一杯咖啡。而不會說：請用杯子從咖啡壺里倒一杯咖啡給我。

　　界面交互可以沒有目標，語音交互需要準確的目標

　　我們在使用電腦和手機上網(wǎng)時，有時候是漫無目的，但在語音交互產品上如果漫無目的的進行下去，會讓人很煩躁，因為你得不停地說下去。

　　語音交互的私密性更強，沒有界面交互覆蓋的使用場景多

　　當我們在一個人多的場合可以毫無顧忌的使用手機和ipad，但若跟機器進行語音對話，就會令人很尷尬。再例如，在ATM機上取款時你會使用語音嗎??

　　

　　所以在一些使用語音交互效率高的場景，如何避免這樣尷尬的情緒很重要。而另一些更私密的場景語音交互可能是個災難。

　　4、智能語音交互適合哪些使用場景?

　　任何一款產品不管是什么樣的交互方式，沒有使用場景，滿足不了用戶需求，一定是無法成功的。智能語音類產品也不例外，并且從現(xiàn)階段的技術上來看，垂直一些的使用場景更適合用智能語音交互。

　　汽車的車載智能語音系統(tǒng)，已經(jīng)有很多商業(yè)產品了。是不是可以在挖掘出其他出行場景呢?比如騎車時?

　　兒童娛樂和教育也是適合語音交互切入的行業(yè)，也有很多公司在做。

　　智能語音類產品還可以應用于客服行業(yè)，可以極大的程度降低人員成本，也可以解決語音客服體驗差效率低的問題。

　　

　　人工客服和非智能語音客服場景的痛點

　　如果應用智能語音系統(tǒng)呢?理想的情況跟人工客服沒有區(qū)別，但是全部由機器完成，想想看節(jié)省了多少人力成本。甚至線下的客服工作也可以替代。

　　4似智能語音助理這樣的產品，幫用戶處理一些短路徑目的明確的任務需求。

　　還有辦公領域、智能家居等等……

　　5、如何設計使用體驗好的智能語音產品?

　　不管是界面產品還是語音產品，最終目的都是解決人們的問題。界面產品設計的部分標準和經(jīng)驗依然適用。

　　比如設計流程上，同樣需要理解業(yè)務訴求、用戶訴求，要進行用戶調研、分析用戶特征和觀察用戶行為，要挖掘使用場景中的問題和痛點，要梳理任務流程、設計信息架構和方案設計，并且要去驗證和迭代。

　　而語音交互過程中還需要注意以下問題：

　　流程簡單，路徑明確，最大限度減少對話輪數(shù)。

　　語音交互應該避免不停的對話，太多輪對話用戶難以記住，并且會很煩躁。

　　信息傳達簡潔明了，避免大量內容。

　　用戶的短期記憶量有限，信息太多用戶難以記住。

　　給予用戶適當?shù)囊龑В�避免或及時糾正用戶發(fā)散式思維導致的錯誤。

　　用戶的語言表達是自由度非常高的，這會增加機器識別的難度，適當?shù)囊龑ё層脩艋氐秸�確的道路。

　　系統(tǒng)狀態(tài)反饋，及時有效。

　　語音交互中的系統(tǒng)狀態(tài)反饋，要讓用戶及時了解當前狀態(tài)，上下文關系，用戶所處流程的位置。

　　任何時刻都是“首頁”。

　　語音交互對用戶來說是快捷方式，有需求會直接說，而不會像界面產品先要回到首頁再去找相應應用。

　　加載過程要快。

　　在界面交互中頁面加載3秒以內，配合狀態(tài)反饋，用戶是可以接受的。而語音交互用戶會更不耐心等待，所以加載過程要快，就像人與人之間對話一樣自然，才會令用戶滿意。

　　固定的、舒適的聲音風格，令用戶愉悅。

　　固定的音樂、鈴聲，給用戶形成印象，讓人一聽見就知道是什么產品。例如微信、iphone鈴聲、新聞聯(lián)播片頭曲。動聽、令人愉悅的聲音、音樂、鈴聲很重要，是產品氣質的表現(xiàn)。

　　與機器的語音交流如何像人類一樣自然?

　　這是最后的疑問，我還沒有答案。機器的語音交流，不像人類一樣自然永遠是最大問題，因為只有人與人之間交流才是最自然和舒適的。如何讓機器學習和模仿人類，使它慢慢的向自然人“進化”?

　　以上僅是分析和思考，并未經(jīng)過實踐驗證，只希望給大家?guī)�來啟發(fā)。