一个日益数字化的世界意味着，我们在设备上花费的时间可能比在彼此上花费的时间要多。而语音交互是否会成为我们与世界互动的主要方式呢？
“设置早上7:15的闹钟”
——“好的，呼叫Selma Martin 中”
“不是不是！是设置早上 7:15 的闹钟”
——“很抱歉。我不懂您在说什么。”
“哎～”（开始手动设置闹钟）
我们的声音形形色色，并且复杂多变。语音命令甚至更难处理——在人与人之间尤其如此，更不用说计算机了。我们构思、进行文化交流，以及我们使用俚语和推断意义的方式……所有这些细微差别都会影响我们语言的理解和表达。
那么，设计师和开发如何应对这一挑战呢？怎么才能建立人和AI（人工智能）之间的信任？
这时候语音用户界面（VUI）就有了用武之地。语音用户界面（VUI）主要是辅助用户的视觉、听觉和触觉，完成用户与设备之间的语音交互。
简而言之，语音用户界面（VUI）可以是任何事物，从听到您的声音时闪烁的灯光到汽车娱乐控制台。
请记住，语音用户界面（VUI）无需可视化界面，它完全可以是听觉的或触觉控制的（例如：振动）。语音用户界面（VUI）主要是辅助用户的视觉、听觉和触觉，完成用户与设备之间的语音交互。
虽然VUI种类繁多，但是可共享同一套设计规范，这套设计规范影响可用性。我们可以一起探讨这套规范，因此作为用户，可以分析日常的VUI交互；作为设计师，可以创造更好的体验。
一、发现——约束条件、依赖关系以及用例
我们与世界的的互动方式受到技术、环境以及社会限制的极大影响，例如：我们处理信息的速度。
将信息转化为行动的准确性，用来传达信息的语言/方言，以及该行动的接收者（不管是我们自己还是其他人）都会影响我们处理信息的数据。
在我们深入研究交互设计之前，首先我们必须要定义语音交互环境背景的构成。
1. 确定设备类型
移动设备：
苹果、Pixels、Galaxies
连接——蜂窝网络、Wi-Fi、设备配对
允许通过视觉、听觉和触觉反馈进行交互
在各种模型中建立标准化的交互方法
可穿戴设备：
特定于用例，通常面向特定用例，如手表、健身带，或智能鞋
连接——蜂窝网络、Wi-Fi、设备配对
用户可能习惯于使用语音交互，但这种交互在设备之间是非标准化的
一些可穿戴设备允许用户通过视觉、听觉和触觉反馈进行交互——但有一部分没有明确的交互，比较被动
通常用户交互和数据消费都依赖于连接的设备
固定连接设备：
台式机、带屏幕的设备、恒温器、智能家居、音响系统、电视
连接——蜂窝网络、Wi-Fi、设备配对
用户习惯于在相同的位置使用这些设备并在习惯的基础上进行设置
类似设备类型之间的准标准化语音交互方式（台式机 VS 连接集线器，就像Google Home / Amazon Alexa VS 智能恒温器）
非固定计算设备（非电话）：
笔记本、平板电脑、转发器、汽车信息娱乐系统
连接——无线、有线（不常见）、Wi-Fi、设备配对
通常主要输入方式不是语音
2. 创建用例矩阵
语音交互的三个主要用例是什么？该设备是否有一个主要用例（如健身追踪器）？或者是否有组合用例（如智能手机）？
创建一个用例矩阵是非常重要的，它将帮助你确定：
为何用户与设备交互？
交互的主要方式是什么？
什么是次要的？
什么是好的交互模式？
什么是必不可少的？
你可以为每种交互模式创建用例矩阵。当应用于语音交互时，矩阵将帮助你了解用户当前使用或想要使用语音与产品交互的方式，包括他们将使用的语音助手的位置。
3. 按顺序排列交互模式
如果实施用户研究去验证用例（抑或是可用性或定性/定量分析），那么通过给交互模式排列次序等级就变得十分有必要了。
如果有人告诉你：“如果我能跟电视交流让它换频道，这真的是太酷了！”
那么你真的需要深入了解：他们真的会用么？他们了解这些限制吗？他们真的知道自己使用这些功能的倾向吗？
作为设计师，必须了解用户胜过他们自己。你必须质疑他们交互的方式，因为有替代方案可选。例如：假设我们正在研究用户是否会与电视互动。在这种情况下，可以大胆的假设语音交互只是诸多交互手段之一。
用户有多种手段可选：遥控器、配对的智能手机、游戏手柄或连接的物联网设备。因此，语音交互不一定是默认的交互方式，它只是众多方式之一。
因此问题就变成了：语音交互变为主流交互手段的可能性有多大？如果不是主要的手段，那会是次要的吗？或者第三？这将向前推进你的推断和交互假设。
4. 技术限制实例
把我们的语言转化为行动是一项极其困难的技术挑战。通过时间、连接和训练，调优的计算引擎可以听懂我们的话并作出适当的动作。
不幸的是，我们生活的世界无线连接并没有想象中的广泛（如：互联网），也没有无限的时间。我们希望语音交互能与其他习惯的交互一样直接：视觉上的和触觉上的——即便语音引擎需要复杂的处理和预测建模。
以下是一些实例流程，展示了我们在演讲过程中识别的过程：
正如我们所看到的，许多的模型都需要使用的词语、音调、音色来进行不断的训练。
每种语音识别引擎都有一些技术限制，在构建语音交互体验时，必须考虑到这些限制。
分析以下分类：
连接水平——设备是否始终连接网络？
处理速度——用户是否需要实时处理语音？
处理精度——如何权衡准确度与处理速度？
语音模型——当前模型的效率怎么样？能准确的处理整句还是简短的单词？
备选方案——如果无法进行语音识别，备选方案是什么？用户有其他的交互模式选择吗？
结果误差——处理过程中一个错误的命令会不会导致不可逆的结果？语音识别引擎是否能够避免这种不可逆的错误？
环境测试——语音引擎是否在复杂环境下进行过测试？例如：如果我构建汽车的信息娱乐系统，相比智能恒温器我会设想更多的干扰环境。
5. 非线性
此外，我们还应该考虑用户能够以非线性的方式与设备交互。例如：如果我要预订网站上的机票，然后不得不按照网站的步骤进行——选择目的地、选择日期、选择座位、看选项等等。
但是，VUI 有更大的挑战，用户可以说：“我们想乘坐商务舱飞往旧金山”。现在，VUI 必须从用户那里提取所有相关信息，以便利用所有的航班预订数据。但最后排序的结果可能是有倾向（某一种排序方式）的，因此 VUI 有责任从用户那里提取相关信息（或通过语音或视觉进行补充）。
以上，我们研究了约束条件、依赖关系、用户案例，那么，现在可以开始深入一些研究语音交互相关的用户体验了。
首先来研究设备如何知道何时该收接收我们的语音。
表现为……
1. 触发器
语音输入触发器有四种类型：
语音触发——用户说出一个短语，提示设备开始处理语音（如：“Ok Google”）；
触觉触发——按下按钮（某个键或键盘输入）或切换控制（例如：麦克风）；
动作触发——在传感器前挥挥手；
设备自触发——预定设置触发设备（汽车提醒司机确认某个任务）。
作为设计师，你必须了解哪些触发器与设计相关，并且讲这些触发器从相关到不相关进行排序。
2. 引导提示
通常，当触发设备时，会有一个听觉、视觉或触觉提示。
这些提示应该遵循以下可用性原则：
实时性——被触发后，提示应该实时展示，即使这会中断当前的流程（只要这个中断不是破坏性动作）。
简洁短暂——提示应该几乎是瞬间的，特别对于老用户。例如：两声哔哔声比“好吧，贾斯汀，你想让我做什么？”更有效。引导提示越长，用户的话越可能与设备提示冲突。这一原则也适用于界面提示，屏幕应立即转换为监听状态。
清晰——用户应该知道他们的声音什么时候开始被监听。
一致——提示始终相同，声音或视觉反馈的差异会让用户觉得困惑。
区别——提示应该与设备的常规的声音和视觉效果有所不同，并且不应在其他环境中使用或重复。
补充提示——如果可能的话，利用多种交互方式来表示提示（例如：两遍哔哔声，一次灯光变化或一个界面提示）。
初始提示——对于初次使用的用户，或者当用户不知所措时，你可以显示提示或建议，方便继续进行语音交互。
3. 反馈用户体验
反馈用户体验对于成功的语音界面是至关重要的，它允许用户将他们认为一致且立即确认的语音，被设备摄入和处理；反馈还允许用户纠正或者肯定他的行为。
以下是一些有助于提供 VUI 有效反馈的交互原则：
实时、响应式视觉效果——这种视觉反馈在本机语音设备交互中最常见（例如：手机），它可以在多个声音维度上创建即时的认知反馈：音调、音色、强度和持续时间——这些都可以改变实时响应的方案。
音频播放——确认语音的解释。
实时文本——文本反馈将在用户说话时逐渐显示。
输出文本——在用户完成语音后，转换和修改文本反馈，在将音频确认或转换为行为动作之前，将这视为第一层的纠正处理。
非屏幕视觉提示（灯光，灯光模式）——上面提到的响应式视觉效果，不仅限于数字屏幕，这些响应模式也可以以简单的LED灯或灯光模式体现。
4. 结束提示
该提示意味着设备停止接收用户语音，并且开始处理命令。许多相同的“引导提示”原则，也适用于最终提示（即时、简短、清晰、一致和区分）。
不过，还有一些其他原则也需要注意：
充足的时间——确保用户有足够的时间完成命令；
适应时间——被分配的时间应该适应用例的预期响应，例如：如果用户被问到“是”或“否”的问题，则结尾提示应该在一个音节之后期望合理的暂停；
合理的暂停——上一刻接收的语音有合理的停顿时间吗？计算这个时间非常复杂，但也取决于交互用例本身。
三、会话式交互
像“打开我的闹钟”这样的简单命令，不一定需要冗长的对话，但更复杂的命令却需要。与传统的人与人交互不同，人与 AI 的交互需要额外的确认、冗余和纠正。
更复杂的命令或迭代对话通常需要更多次语音交互、选项验证，以确保准确。更为复杂的是，用户常常不知道该问什么，也不知道该怎么问。因此，VUI 的工作就是理解消息，并允许用户提供上下文。
肯定性——当 AI 确实理解语音时，它回复肯定消息，同时这条消息也确认了对语音的理解。例如：人工智能不是说“当然”，而是说“当然，我会把灯关掉”——或者“你确定要我关灯吗？”
修正性——当 AI 无法解读用户意图时，应使用修正选项进行响应，允许用户选择另一个或重新对话。
善解人意——当 AI 无法满足用户的请求时，它应该因缺乏理解而获得所有权，然后为用户提供纠正措施，同理心对于建立一种更和蔼可亲的关系非常重要。
四、拟人化交互
将类人特征赋予语音交互，会在人与设备之间建立一种关系。这种拟人化以各种方式展现：灯光模式、反弹形状、抽象球形图案、计算机生成的语音和声音。
拟人化是指给事物（非人类实体）赋予人类特征、情感或意图。
拟人化在用户和机器之间建立了一种更紧密的联系，这也可以跨越具有类似操作平台的产品（例如：谷歌的助手、亚马逊的 Alexa 和苹果的 Siri）。
个性化——为交互带来额外的维度，允许事物的虚拟人格与用户建立联系和共鸣，有助于减轻语音处理错误的负面影响；
积极性——积极鼓励重复性的互动和肯定的语调；
信心和信任——鼓励更多的互动和复杂的对话，因为用户更有信心结果是积极的，从而增加了价值。
五、端到端的交互
语音交互应该是流动的和动态的（彼此一言一语的对话）。当我们面对面交谈时，我们常会使用大量的面部表情、音调变化、肢体语言和动作。语音交互的挑战在于，在数字化环境中捕捉这种不固定的交互变化是很困难的。
如果可能，整个语音交互体验感觉应该像是一种有益的互动。当然，更多短暂的互动，如：“关灯”并不一定需要一个完整的关系。但是，任何一种更强大的互动，如与语音助理一起烹饪，确需要长时间的对话。
短暂的——无缝处理不同状态之间的转换，用户应该感觉到他们没有等待时间，且助理在为他们工作。
生动的——鲜艳的色彩传达喜悦和未来主义，它为互动增添了一种未来主义优雅的元素，鼓励重复性互动。
响应式——回应用户输入语音和手势，给出关于正在处理信息的提示，并允许用户查看语音、意图是否被准确的解析。
六、结论和资源
VUI 非常复杂，且有多个方面，通常是复杂的混合（多种交互手段）交互。
事实上，它还没有一个全面的定义。不过要记住重要的一点——一个日益数字化的世界意味着，我们在设备上花费的时间，可能比在彼此上花费的时间要多。VUI 是否会成为我们与世界互动的主要方式吗？让我们拭目以待。
与此同时，你是否打算构建一个世界级的 VUI？
作者：Justin Baker
