吳宇 吳聞宇

摘要：科技的發(fā)展不斷豐富了家庭生活體驗的可能性，人們對更高生活品質(zhì)的追求也使得智能家居正在逐步占領(lǐng)家居市場并發(fā)展成為主流，國內(nèi)外各大廠商都在蜂擁擠入智能語音產(chǎn)品領(lǐng)域，而VUI（Voice User Interface，語音用戶界面）作為一種更自然的交互方式也在快速發(fā)展。文章闡述了語音用戶界面交互特點，并對VUI與GUI在使用場董;及交互方式等方面的優(yōu)劣勢進行對比。提出智能家庭場瑟;下以語交互為核心功能的界面設(shè)計方法，并探討語音交互的設(shè)計難點及挑戰(zhàn)。

關(guān)鍵詞：智能家居;語音用戶界面;語音交互設(shè)計;體驗設(shè)計

中圖分類號：J524 文獻標(biāo)識碼：A

文章編碼：1672-7053（2019）01-0140-02

當(dāng)語音交互、智能匹配和個性化推薦成為新一代的主流交互方式時，以APP為核心的智能家居生態(tài)將經(jīng)歷從移動互聯(lián)到智能物聯(lián)的轉(zhuǎn)變。如Amazon Echo和Google Home之類的具備語音功能的家庭助理設(shè)備，也在逐漸成為智能家居的控制入口。借助語音，這些設(shè)備可幫助用戶控制燈光、定時、播放音樂、查詢天氣等。設(shè)備只是載體，決定其產(chǎn)品體驗核心的是背后的語音交互體驗，也是產(chǎn)品價值體現(xiàn)的重要環(huán)節(jié)[1]。作為自然人機交互方式的一種，語音交互是現(xiàn)階段交互形式的創(chuàng)新點[2]，在近年來越來越多地被運用到了智能家居交互場景之中，而對于智能家居場景下語音用戶界面交互設(shè)計方法、流程的研究相對匱乏。已有研究更多的是從技術(shù)的角度審視智能家居，缺乏從用戶體驗角度對語音用戶界面交互設(shè)計的探討，因此語音交互設(shè)計需要針對特定場景，做功能與交互體驗的區(qū)別設(shè)計。

1 語音用戶界面簡述

VUI（Voice User Interface，語音用戶界面）第一個重要時期起源于20世紀90年代交互式語音應(yīng)答（Interactive Voice Response，IVR）系統(tǒng)的出現(xiàn)，該系統(tǒng)可通過電話線路理解人說的話并執(zhí)行相應(yīng)的任務(wù)，借此人們可以進行票務(wù)預(yù)訂、排片查詢、交通信息查詢等操作，到21世紀初，IVR系統(tǒng)已成為主流[3]。

如今我們已處在VUI的第二個時期。各大公司都已推出了自己的語音助手，如微軟的Cortana，谷歌的Google Now，蘋果的Siri，這類集成了視覺和語音信息的載體，可允許用戶同時使用語音和屏幕進行交互，如圖1。自從2014年亞馬遜發(fā)布Echo，智能音箱市場的序幕便被拉開，后續(xù)谷歌推出Google Home，蘋果發(fā)布Home Pod，如圖2。國內(nèi)相繼推出天貓精靈、若琪、小愛等。除家居互聯(lián)、天氣查詢、音樂播放、對話功能外，各家公司也在不斷深入細化場景，結(jié)合定位進行差異化設(shè)計，以提升產(chǎn)品附加值，更好地搶占市場份額。

2 VUI和GUI優(yōu)缺點分析

作為兩種主流用戶界面交互方式，VUI和GUI各有所長，也有因其交互形式和特點帶來的劣勢，以下對兩種交互方式的優(yōu)缺點進行對比。

2.1 VUI的主要優(yōu)勢

1）自然直覺性。用語言表達想法是人類的一種本能反應(yīng)，無論對技術(shù)是否了解，絕大多數(shù)人都知道自然地進行語言回復(fù)，使用VUI可降低用戶學(xué)習(xí)成本。

2）釋放雙手。在特定場景下，如駕車、做飯、或設(shè)備暫時不在手邊時，通過語音輸入可以更加快捷方便地獲取想要的信息，在這種場景下使用VUI比手動輸入圖形化輸出更加合適。

3）無邊界感。GUI是一種預(yù)設(shè)路徑的交互方式，在相對固定的結(jié)構(gòu)中，引導(dǎo)用戶沿著規(guī)劃好的路徑完成操作。此外，有限的界面顯示能力要求對信息進行分層，在無形中提高了用戶的理解成本。而VUI允許人們使用更加真實自然的表達來獲取反饋，交互流程更加直接，突破了界面層級的限制。

2.2 VUI的主要劣勢

1）輸入輸出和理解的不確定性。 GUI對輸入行為進行了統(tǒng)一，用戶輸入文字呈現(xiàn)在界面上，執(zhí)行動作與返回信息比較確定。而語音交互流程涉及到語音識別（ASR）、自然語言理解（NLU）、對話管理（DM）、自然語言生成（NLG）、語音合成（TTS）等環(huán)節(jié)，用戶輸入內(nèi)容、系統(tǒng)理解能力的不確定性會導(dǎo)致輸出反饋的不確定性，從而影響用戶體驗。圖3為語音交互技術(shù)流程。

2）使用場景有限。VUI在使用時易受環(huán)境、使用場景的限制。在遠場或噪音干擾下語音識別準(zhǔn)確率會有所下降。而在一些公共場所中，使用GUI的文字信息模式會更加合適，也會更好地保護用戶隱私。

通過對比發(fā)現(xiàn)，GUI在信息層級清晰性和場景通用性方面更具優(yōu)勢，相較于VUI點狀獲取信息的方式更為高效。而VUI作為一種自然的交互方式，交互體驗更具情感和溫度。兩種方式需互相協(xié)作。

3 智能家庭語音交互界面設(shè)計建議

智能家庭場景具有語音信號相對穩(wěn)定、環(huán)境相對安全、用戶各異、需求多樣等特點。雖然目前一些通用的用戶界面設(shè)計原則仍適用于VUI系統(tǒng)，但語音交互用戶的輸入是沒有邊界的，從“無形”到“有形”的設(shè)計，需在方法和流程上做更專業(yè)和系統(tǒng)的歸納總結(jié)。Amazon及Google都已提出了較成熟的VUI交互設(shè)計規(guī)范，下面主要針對智能家庭場景提出設(shè)計建議。

3.1 人物模型設(shè)定

VUI中的人物模型類似小說電影中的“人設(shè)”，作為用戶與之溝通的對象，其語氣、音量、語調(diào)、語速、性格等特征是用戶接觸的第一感受，人格化的VUI能夠使情感傳遞更具真實性。Amazon Echo定義了虛擬的成熟職業(yè)女性形象，小米智能音箱將二次元形象的小愛同學(xué)進行了實體化，無論VUI系統(tǒng)是否有諸如虛擬形象的可視化組件，都需要一個人物模型。在定義人物模型日寸需考慮以下幾點。

1）保持人物模型的一致性。在設(shè)計人物模型時，需避免人格特征的過度設(shè)計。對于一些相對通用的產(chǎn)品或使用場景，人格設(shè)定應(yīng)盡量含蓄，避免與產(chǎn)品產(chǎn)生不協(xié)調(diào)的感覺，導(dǎo)致用戶對產(chǎn)品的信任感降低。保持人物模型一致性也可以給用戶一定的心理預(yù)期，得以預(yù)測接下來會發(fā)生什么[4]。

2）虛擬形象抽象化。虛擬助理是最常見的虛擬形象之一，如微軟Office早期的虛擬助理Clippy、小米智能音箱的小愛同學(xué)等。但虛擬角色并不是提供視覺反饋的唯一方式，許多成功的VUI助理并沒有具象化的虛擬形象，如Google、Siri、Cortanao抽象的視覺反饋同樣能夠有效傳達VUI何時在傾聽、思考、或無法理解用戶輸入的信息。如圖4，微軟Cortana的視覺化“情緒”，在不同情感狀態(tài)下，通過不同形態(tài)的藍色圓圈來對不同的問題進行回復(fù)[5]。

3.2 擅用多通道交互

在場景豐富的家庭環(huán)境中，用戶多種感官通道易被同時占用，此時可通過視覺和語音的強關(guān)聯(lián)性來強化語音交互。對于一些較為復(fù)雜的信息（例如長列表、地圖），可利用視覺通道信息的優(yōu)勢，通過可視化媒介進行語音確認。以智能音箱的喚醒反饋方式為例，分別對比小愛同學(xué)、叮咚、天貓精靈的喚醒反饋方式，結(jié)果評價顯示用戶最傾向于小愛同學(xué)“簡明燈光+簡短提示音”的喚醒反饋形式。雖然燈光反饋可更加直接地告知用戶系統(tǒng)運轉(zhuǎn)良好，但在家庭場景中，很可能用戶在低頭、看向其他方向時沒有注意到提示燈亮起而錯過喚醒時間，因此需要兩者結(jié)合。

3.3 預(yù)防錯誤和及時更正

雖然語音識別技術(shù)現(xiàn)已有大幅提升，但由于語音輸入的交互流程相較于GUI更加自然，也就意味著系統(tǒng)將會收到用戶大量無用的語音輸入信息，因此應(yīng)尺量設(shè)計能避免用戶輸入錯誤語音的流程，以及預(yù)測用戶可能出現(xiàn)的錯誤并及時提示用戶糾正。

1）不要責(zé)怪用戶。VUI可能出錯的情況都多種，如未監(jiān)測到語音、監(jiān)測到語音但未識別、語音未被正確識別等。當(dāng)遇到這種情況時，首要遵循的原則是在任何時候都不要責(zé)怪用戶。責(zé)怪性的消息會影響用戶對系統(tǒng)的看法，甚至影響用戶的行為表現(xiàn)。

2）增強錯誤提示。使用錯誤提示策略可以引導(dǎo)用戶正確輸入系統(tǒng)所需信息，如使用“抱歉，我沒聽清，請再說一遍您所在的城市”而不是“抱歉，我沒聽清，請再說一遍”。進階錯誤行為提示可為用戶提供更為詳細的幫助。

3.4 關(guān)注不同場景下的差異化需求

不同的家居場景下用戶對語音界面交互功能的需求有差異。以智能音箱提醒的響起方式為例，在起床場景中，用戶需要從睡眠狀態(tài)被喚醒;而當(dāng)用戶在清醒狀態(tài)下集中注意在其他事項上時，需求就變?yōu)樽⒁馊蝿?wù)的轉(zhuǎn)換，兩類應(yīng)用場景下，提醒響起到提醒關(guān)閉的流程便有所不同。

4 結(jié)語

綜上所述，可以看到語音用戶界面交互設(shè)計在智能家庭領(lǐng)域有廣闊的研究前景，但語音交互發(fā)展至今，還有許多技術(shù)邊界導(dǎo)致其仍未達到成熟應(yīng)用的水平，遇到的挑戰(zhàn)貫穿整個設(shè)計流程：如噪音干擾下的語音識別準(zhǔn)確率有待提升;由于AI目前還不能做到很好地聯(lián)系上下文、缺少人類普遍了解的常識，無法準(zhǔn)確識別用戶意圖來進行持續(xù)交談。這些問題都需技術(shù)層面的不斷完善。而從用戶對智能語音產(chǎn)品的評價中發(fā)現(xiàn)，用戶對智能語音產(chǎn)品的認知仍信心不高，因此市場和用戶也需要一段時間去教育。在形成系統(tǒng)規(guī)范的語音交互設(shè)計方法和流程上，也需要更加專業(yè)的歸納。

本文系東南大學(xué)教學(xué)改革基金項目（5202007110）。

參考文獻

[1]潘越.淺析物聯(lián)網(wǎng)時代下的交互設(shè)計[J].設(shè)計，2017（3）.

[2]沙強，孫婷婷.次任務(wù)駕駛中智能語音交互行為體驗[J].設(shè)計，2016（11）：22-23.

[3]Cathy Pearl.語音用戶界面設(shè)計：對話式體驗設(shè)計原則[M].王一行譯.北京：電子工業(yè)出版社，2018.

[4]Isbister，K，&Nass，C..（2000）.Consistency of personality in interactive characters：verbalcues，non-verbal cues，and user characteristics.International Journal of Human-ComputerStudies，53（2）：251-267.

[5]Ash M.（2015）.How Cortana Comes to Life in Windows 10.http：//bloqs.windows.com/.2018.