陳憲濤，王任振，鄒黎明，徐濛

(百度AI用戶(hù)體驗(yàn)部，北京 100193)

1 引言

人工智能技術(shù)的發(fā)展催生了很多自然的交互方式，語(yǔ)音交互作為比較成熟的交互方式目前正在被廣泛的使用。語(yǔ)音交互依托于語(yǔ)音識(shí)別、語(yǔ)義理解、語(yǔ)音合成等語(yǔ)音處理技術(shù)，實(shí)現(xiàn)了人與設(shè)備間通過(guò)自然語(yǔ)言進(jìn)行信息的傳遞，極大提升了人機(jī)交互的效率和自然度[1]。近幾年，針對(duì)智能家居[2-4]、智能車(chē)載[5-6]、可穿戴設(shè)備、智能機(jī)器人[7-8]等場(chǎng)景或相關(guān)產(chǎn)品的語(yǔ)音交互體驗(yàn)，已經(jīng)得到企業(yè)界和學(xué)術(shù)界的廣泛關(guān)注，并開(kāi)展了很多研究實(shí)踐。按照研究的關(guān)注點(diǎn)，可以將這些研究大致分為兩類(lèi)：基礎(chǔ)的交互體驗(yàn)和進(jìn)階的交互體驗(yàn)，前者主要關(guān)注語(yǔ)音交互的可用性和效率等體驗(yàn)，后者側(cè)重解決語(yǔ)音交互中較復(fù)雜的問(wèn)題，如情感和對(duì)話等體驗(yàn)。然而，目前語(yǔ)音交互的基礎(chǔ)體驗(yàn)并不完善[9-10]，國(guó)際知名用戶(hù)體驗(yàn)咨詢(xún)公司NNGroup對(duì)智能語(yǔ)音助理的體驗(yàn)進(jìn)行研究，發(fā)現(xiàn)語(yǔ)音交互過(guò)程中仍存在較多的可用性問(wèn)題[11]。

按照用戶(hù)的交互行為，可以將語(yǔ)音交互分為語(yǔ)音喚醒和語(yǔ)音對(duì)話兩個(gè)交互環(huán)節(jié)。喚醒是啟動(dòng)語(yǔ)音交互的第一步操作，用戶(hù)需要首先對(duì)設(shè)備進(jìn)行喚醒，然后才能開(kāi)啟語(yǔ)音對(duì)話的交互功能[12]。語(yǔ)音喚醒是目前用戶(hù)與智能設(shè)備交互常見(jiàn)的喚醒方式，主要指用戶(hù)通過(guò)特定的喚醒詞，將激活信號(hào)傳遞給設(shè)備以便實(shí)現(xiàn)語(yǔ)音識(shí)別系統(tǒng)的智能開(kāi)啟[13]，例如喚醒詞“小度小度”可以喚醒內(nèi)置百度DuerOS對(duì)話式系統(tǒng)的智能設(shè)備。目前，關(guān)于語(yǔ)音喚醒的研究多從技術(shù)的角度，致力于提升語(yǔ)音喚醒技術(shù)的性能和適應(yīng)性[14-15]，很少有研究從體驗(yàn)的角度，探討語(yǔ)音喚醒的交互體驗(yàn)對(duì)用戶(hù)態(tài)度、行為和心理的影響。百度AI用戶(hù)體驗(yàn)部門(mén)在國(guó)內(nèi)比較早的系統(tǒng)梳理了語(yǔ)音交互的研究地圖[2]，并圍繞智能音箱產(chǎn)品的語(yǔ)音喚醒和語(yǔ)音對(duì)話的響應(yīng)時(shí)間進(jìn)行了研究，研究發(fā)現(xiàn)語(yǔ)音喚醒的響應(yīng)時(shí)間與反饋方式存在交互作用，當(dāng)智能音箱的喚醒反饋方式為光效加“在呢”人聲時(shí)，最佳的喚醒響應(yīng)時(shí)間范圍是300 ms-600 ms[3]。本研究是圍繞語(yǔ)音喚醒體驗(yàn)的持續(xù)性研究，在喚醒響應(yīng)時(shí)間研究的基礎(chǔ)上，重點(diǎn)探索語(yǔ)音喚醒率對(duì)用戶(hù)態(tài)度的影響。

基于對(duì)大量智能語(yǔ)音產(chǎn)品使用行為的研究，我們發(fā)現(xiàn)很多因素會(huì)影響語(yǔ)音喚醒的交互體驗(yàn)。按照語(yǔ)音喚醒輸入輸出方式區(qū)分，如表1所示，語(yǔ)音輸入環(huán)節(jié)影響用戶(hù)體驗(yàn)的因素主要包括喚醒詞、語(yǔ)音喚醒方式，輸出環(huán)節(jié)的體驗(yàn)影響因素較多，主要包括喚醒響應(yīng)時(shí)間、喚醒反饋方式、喚醒率、誤喚醒率，其中喚醒率是指智能語(yǔ)音產(chǎn)品成功且正確響應(yīng)用戶(hù)喚醒的比例，反映了產(chǎn)品能否準(zhǔn)確響應(yīng)用戶(hù)喚醒指令的能力。由于在日常生活中與智能語(yǔ)音產(chǎn)品互動(dòng)時(shí)，喚醒率易受喚醒識(shí)別系統(tǒng)性能、與產(chǎn)品交互距離、環(huán)境音量條件、用戶(hù)自身屬性特征等多種因素的影響，因此，很多智能語(yǔ)音產(chǎn)品在成功響應(yīng)用戶(hù)喚醒的表現(xiàn)上并不理想。

表1 語(yǔ)音喚醒體驗(yàn)的影響因素

在喚醒響應(yīng)時(shí)間研究的基礎(chǔ)上[3]，本研究聚焦語(yǔ)音喚醒率對(duì)體驗(yàn)的影響，重點(diǎn)探索不同環(huán)境音量、不同交互距離條件下理想的和可接受的喚醒率范圍，嘗試從體驗(yàn)視角定義智能語(yǔ)音產(chǎn)品的喚醒率，為語(yǔ)音交互喚醒率體驗(yàn)的優(yōu)化提供參考，同時(shí)也探討上述各語(yǔ)音喚醒體驗(yàn)影響因素的用戶(hù)感知重要性。

2 方法

2.1 實(shí)驗(yàn)?zāi)康?/h3>

以智能音箱產(chǎn)品為例，了解不同環(huán)境音量、不同交互距離條件下用戶(hù)感知滿(mǎn)意的和可接受的喚醒率范圍，同時(shí)探討不同語(yǔ)音喚醒體驗(yàn)影響因素的感知重要性。

2.2 被試

40名被試，年齡在20-39歲之間，男女各半。所有被試的視力或矯正視力正常，聽(tīng)力正常，實(shí)驗(yàn)后給予適量報(bào)酬。

2.3 實(shí)驗(yàn)設(shè)計(jì)

實(shí)驗(yàn)采用9(喚醒率：60%、65%、70%、75%、80%、85%、90%、95%、100%，組內(nèi))×3(交互距離：1 m、3 m、5 m，組內(nèi))×2(環(huán)境音量：40 dB、60 dB，組間)混合實(shí)驗(yàn)設(shè)計(jì)，實(shí)驗(yàn)分2組，每組20人，每組被試僅在一種環(huán)境音量條件下進(jìn)行實(shí)驗(yàn)，其中交互距離涵蓋了用戶(hù)與智能音箱交互常見(jiàn)的近場(chǎng)、中場(chǎng)、遠(yuǎn)場(chǎng)三種情況。環(huán)境音量覆蓋了日常家居環(huán)境下常見(jiàn)聲源的低聲壓級(jí)和中聲壓級(jí)范圍，低聲壓級(jí)40 dB是日常安靜情況下的聲音響度，中聲壓級(jí)60 dB是日常生活中聊天和播放電視劇或音樂(lè)時(shí)人們感受到的聲音響度[16-17]。喚醒率的操作定義是智能設(shè)備成功且正確響應(yīng)用戶(hù)語(yǔ)音喚醒的比例，即喚醒率=成功喚醒次數(shù)/總用戶(hù)喚醒次數(shù)。實(shí)驗(yàn)中，在每一種環(huán)境音量和交互距離條件下，被試需要完成語(yǔ)音喚醒智能音箱的總次數(shù)為20次，如60%喚醒率意味著20次用戶(hù)喚醒中有12次成功喚醒了設(shè)備。

實(shí)驗(yàn)的因變量定義為被試對(duì)喚醒率的滿(mǎn)意度評(píng)價(jià)，考慮到7點(diǎn)量表相比5點(diǎn)量表具有更高的鑒別力，并能夠節(jié)省實(shí)驗(yàn)樣本成本[18]，采用了7點(diǎn)滿(mǎn)意度量表(1-非常不滿(mǎn)意、2-不滿(mǎn)意、3-有點(diǎn)不滿(mǎn)意、4-一般、5-有點(diǎn)滿(mǎn)意、6滿(mǎn)意、7-非常滿(mǎn)意)。

2.4 實(shí)驗(yàn)程序

為了在實(shí)驗(yàn)中模擬各種喚醒率水平，我們?yōu)閷?shí)驗(yàn)專(zhuān)門(mén)開(kāi)發(fā)了實(shí)驗(yàn)程序，主試可以通過(guò)設(shè)備后臺(tái)手動(dòng)控制智能音箱是否能夠被成功喚醒。實(shí)驗(yàn)開(kāi)始前，被試會(huì)分別在低聲壓級(jí)40 dB和中聲壓級(jí)60 dB環(huán)境下，以及三種距離條件下喚醒智能音箱，主要是為了熟悉喚醒詞“小度小度”,并體驗(yàn)真實(shí)環(huán)境下喚醒智能音箱的難易程度。實(shí)驗(yàn)場(chǎng)地為普通的家居環(huán)境，安靜時(shí)通過(guò)HCJYET(HT-8352)分貝儀測(cè)得環(huán)境聲壓級(jí)為40 dB左右，中聲壓級(jí)環(huán)境的模擬主要是通過(guò)Genelec真力8010A有源監(jiān)聽(tīng)音箱隨機(jī)播放音樂(lè)，并通過(guò)分貝儀將響度盡量控制在60 dB左右的范圍。正式實(shí)驗(yàn)環(huán)節(jié)，每組用戶(hù)在特定的環(huán)境音量條件下，完成三組實(shí)驗(yàn)任務(wù)，即分別在1 m、3 m、5 m距離喚醒智能音箱20次，我們?yōu)楸辉嚋?zhǔn)備了記錄材料，以便輔助被試記錄每組任務(wù)中智能音箱的被喚醒情況，被試完成每組實(shí)驗(yàn)任務(wù)后，需要對(duì)當(dāng)前環(huán)境音量和距離條件下的喚醒率體驗(yàn)進(jìn)行主觀打分。為了平衡順序效應(yīng)，實(shí)驗(yàn)中先對(duì)被試體驗(yàn)的環(huán)境音量進(jìn)行隨機(jī)處理，然后對(duì)三種交互距離和各種喚醒率也進(jìn)行了完全隨機(jī)處理。實(shí)驗(yàn)結(jié)束后，要求被試填寫(xiě)一份簡(jiǎn)單的調(diào)研量表，主要是對(duì)語(yǔ)音喚醒體驗(yàn)的6個(gè)影響因素進(jìn)行重要性打分(1到10分，分?jǐn)?shù)越高表示重要性越高)，最后主試對(duì)喚醒率的評(píng)分原因以及主觀感知影響因素的重要性進(jìn)行訪談。

3 結(jié)果

3.1 各變量對(duì)喚醒滿(mǎn)意度的影響

以交互距離、喚醒率(組內(nèi)變量)，環(huán)境音量(組間變量)為自變量，喚醒滿(mǎn)意度為因變量進(jìn)行重復(fù)測(cè)量方差分析，結(jié)果發(fā)現(xiàn)交互距離主效應(yīng)顯著，F(xiàn)(2,35)=15.50，P<0.01，η2= 0.47，喚醒率主效應(yīng)顯著，F(xiàn)(8,29)=95.26，P<0.01，η2=0.96，環(huán)境音量主效應(yīng)邊緣顯著，F(xiàn)(1,36)=4.02，P=0.05，η2= 0.10。喚醒率和環(huán)境音量的交互作用顯著，如圖1所示，F(xiàn)(8,29)=2.76，P=0.02，η2=0.43，其他變量間交互作用均不顯著，P>0.05。事后檢驗(yàn)表明交互距離為1 m時(shí)的喚醒滿(mǎn)意度顯著低于5 m，P<0.05，其他差異均不顯著，P>0.05。

圖1 喚醒率和環(huán)境音量在喚醒滿(mǎn)意度上的交互作用

簡(jiǎn)單效應(yīng)分析發(fā)現(xiàn)，40 dB環(huán)境音量下，除60%和65%、70%和80%、75%和80%差異不顯著(P>0.05)外，其他差異均顯著(P<0.05)；60 dB環(huán)境音量下，除60%和65%、70%和80%、75%和80%、75%和85%差異不顯著(P>0.05)外，其他差異均顯著(P<0.05)。

3.2 用戶(hù)可接受和滿(mǎn)意的喚醒率區(qū)間

根據(jù)用戶(hù)滿(mǎn)意度得分和喚醒率的散點(diǎn)圖分布，可看出兩者呈現(xiàn)線性相關(guān)關(guān)系，我們進(jìn)一步以被試的滿(mǎn)意度為因變量，以喚醒率為自變量進(jìn)行一元線性回歸，得到不同環(huán)境音量、不同距離條件的一元線性回歸方程，如圖2所示。

圖2 40 dB和60 dB環(huán)境音量下不同距離的喚醒率與滿(mǎn)意度關(guān)系

對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析，我們將滿(mǎn)意度”4-一般”看做被試可接受喚醒率的得分，將滿(mǎn)意度”6-滿(mǎn)意”看做被試滿(mǎn)意喚醒率的得分。通過(guò)線性回歸分析，我們可以計(jì)算得到不同條件下，被試可接受(4-一般)和滿(mǎn)意(6-滿(mǎn)意)的喚醒率下限值，即被試可接受和感到滿(mǎn)意的喚醒率最低要求。如表2所示，從表中可以看出，當(dāng)距離為1 m時(shí)，40 dB和60 dB環(huán)境音量條件下喚醒率要分別高于93.6%和91.3%，被試才會(huì)感覺(jué)滿(mǎn)意；當(dāng)距離為3 時(shí)，40 dB和60 dB環(huán)境音量條件下讓用戶(hù)滿(mǎn)意的喚醒率應(yīng)分別高于92.9%和89.2%；當(dāng)距離為5 m時(shí)，40 dB和60 dB環(huán)境音量條件下讓用戶(hù)滿(mǎn)意的喚醒率應(yīng)分別高于90.4%和85.8%。在可接受度方面，被試對(duì)“5 m&60 dB”環(huán)境下的容忍度最高，喚醒率高于55.4%被試感覺(jué)可以接受。

表2 不同環(huán)境音量和距離條件下被試可接受和滿(mǎn)意的喚醒率下限

我們對(duì)實(shí)驗(yàn)后的調(diào)研量表數(shù)據(jù)進(jìn)行分析，在影響語(yǔ)音喚醒體驗(yàn)的6個(gè)因素中，被試認(rèn)為喚醒率、喚醒響應(yīng)時(shí)間的感知重要性較高，如圖3所示，它們對(duì)輸出環(huán)節(jié)的體驗(yàn)具有較大影響。與之相比，輸入環(huán)節(jié)的影響因素重要性略低，但仍有少部分被試認(rèn)為喚醒詞的設(shè)計(jì)會(huì)影響喚醒時(shí)的使用體驗(yàn)，如喚醒詞是否容易發(fā)音、說(shuō)起來(lái)是否順口等。

圖3 語(yǔ)音喚醒體驗(yàn)影響因素重要性

4 討論

本研究聚焦智能音箱產(chǎn)品的語(yǔ)音喚醒體驗(yàn)，梳理和討論了智能音箱語(yǔ)音喚醒體驗(yàn)的主要影響因素，并重點(diǎn)對(duì)語(yǔ)音喚醒率的體驗(yàn)進(jìn)行了實(shí)驗(yàn)研究，研究發(fā)現(xiàn)不同環(huán)境音量、不同交互距離條件下的被試滿(mǎn)意和可接受喚醒率存在差異。在低聲壓級(jí)40 dB環(huán)境音量條件下，1 m、3 m、5 m距離時(shí)被試滿(mǎn)意的喚醒率下限分別是93.6%、92.9%、90.4%，可接受的喚醒率下限分別是74.6%、72.0%、69.0%；在中聲壓級(jí)60 dB環(huán)境音量條件下，1 m、3 m、5 m距離時(shí)被試滿(mǎn)意的喚醒率下限分別是91.3%、89.2%、85.8%，可接受的喚醒率下限分別是69.5%、67.1%、55.4%。結(jié)合實(shí)驗(yàn)后對(duì)被試喚醒率評(píng)分原因的訪談發(fā)現(xiàn)，被試認(rèn)為不同的交互距離和環(huán)境聲音條件會(huì)影響他們的預(yù)期，這種預(yù)期會(huì)受到日常生活經(jīng)驗(yàn)的影響，例如部分用戶(hù)提及生活中當(dāng)環(huán)境嘈雜和距離較遠(yuǎn)時(shí)，與人交流也容易出現(xiàn)信息沒(méi)有被注意到的情況。此外，訪談中有少數(shù)被試反饋，會(huì)盡量避免在較遠(yuǎn)距離且環(huán)境聲音嘈雜的情況下與智能設(shè)備交互，真實(shí)情況下被試更希望走近智能音箱，從而避免自己過(guò)高的喚醒音量產(chǎn)生的不適感，同時(shí)也提高語(yǔ)音交互的效率預(yù)期。除了交互距離和環(huán)境音量以外，我們還發(fā)現(xiàn)是否連續(xù)喚醒失敗也會(huì)影響被試的語(yǔ)音喚醒體驗(yàn)，當(dāng)連續(xù)出現(xiàn)兩次以上的喚醒失敗時(shí)，會(huì)嚴(yán)重影響被試的交互意愿，智能語(yǔ)音產(chǎn)品應(yīng)該盡量避免連續(xù)喚醒失敗的情況出現(xiàn)。

智能音箱類(lèi)產(chǎn)品與智能車(chē)載或可穿戴類(lèi)智能語(yǔ)音產(chǎn)品相比，由于交互距離和環(huán)境音量的不確定性，導(dǎo)致被試在不同條件下對(duì)喚醒率體驗(yàn)產(chǎn)生了不同的預(yù)期和要求。然而，用戶(hù)滿(mǎn)意度是用戶(hù)預(yù)期的函數(shù)[19]，后續(xù)需要持續(xù)關(guān)注用戶(hù)預(yù)期的變化，以及不同的用戶(hù)交互意圖差異的影響。此外，需要說(shuō)明的是完全依賴(lài)語(yǔ)音技術(shù)解決喚醒率體驗(yàn)問(wèn)題并不容易，綜合對(duì)用戶(hù)的交互意圖進(jìn)行判斷，可能需要結(jié)合其他技術(shù)手段，例如視覺(jué)技術(shù)和大數(shù)據(jù)技術(shù)等。

5 結(jié)論

在影響語(yǔ)音喚醒體驗(yàn)的諸多因素中，被試對(duì)喚醒率體驗(yàn)的感知重要性最高，其次為喚醒響應(yīng)時(shí)間體驗(yàn)。關(guān)于喚醒率的體驗(yàn)，在低聲壓級(jí)40dB環(huán)境音量條件下，1 m、3 m、5 m距離時(shí)被試滿(mǎn)意的喚醒率下限分別是93.6%、92.9%、90.4%，可接受的喚醒率下限分別是74.6%、72.0%、69.0%；在中聲壓級(jí)60dB環(huán)境音量條件下，1 m、3 m、5 m距離時(shí)被試滿(mǎn)意的喚醒率下限分別是91.3%、89.2%、85.8%，可接受的喚醒率下限分別是69.5%、67.1%、55.4%。