智能家庭場(chǎng)景下語(yǔ)音用戶界面交互設(shè)計(jì)研究

吳宇 吳聞?dòng)?/p>

摘要：科技的發(fā)展不斷豐富了家庭生活體驗(yàn)的可能性，人們對(duì)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(chǎng)并發(fā)展成為主流，國(guó)內(nèi)外各大廠商都在蜂擁擠入智能語(yǔ)音產(chǎn)品領(lǐng)域，而VUI（Voice User Interface，語(yǔ)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(yǔ)音用戶界面交互特點(diǎn)，并對(duì)VUI與GUI在使用場(chǎng)董;及交互方式等方面的優(yōu)劣勢(shì)進(jìn)行對(duì)比。提出智能家庭場(chǎng)瑟;下以語(yǔ)交互為核心功能的界面設(shè)計(jì)方法，并探討語(yǔ)音交互的設(shè)計(jì)難點(diǎn)及挑戰(zhàn)。

關(guān)鍵詞：智能家居;語(yǔ)音用戶界面;語(yǔ)音交互設(shè)計(jì);體驗(yàn)設(shè)計(jì)

中圖分類號(hào)：J524 文獻(xiàn)標(biāo)識(shí)碼：A

文章編碼：1672-7053（2019）01-0140-02

當(dāng)語(yǔ)音交互、智能匹配和個(gè)性化推薦成為新一代的主流交互方式時(shí)，以APP為核心的智能家居生態(tài)將經(jīng)歷從移動(dòng)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(yǔ)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(yǔ)音，這些設(shè)備可幫助用戶控制燈光、定時(shí)、播放音樂(lè)、查詢天氣等。設(shè)備只是載體，決定其產(chǎn)品體驗(yàn)核心的是背后的語(yǔ)音交互體驗(yàn)，也是產(chǎn)品價(jià)值體現(xiàn)的重要環(huán)節(jié)[1]。作為自然人機(jī)交互方式的一種，語(yǔ)音交互是現(xiàn)階段交互形式的創(chuàng)新點(diǎn)[2]，在近年來(lái)越來(lái)越多地被運(yùn)用到了智能家居交互場(chǎng)景之中，而對(duì)于智能家居場(chǎng)景下語(yǔ)音用戶界面交互設(shè)計(jì)方法、流程的研究相對(duì)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(yàn)角度對(duì)語(yǔ)音用戶界面交互設(shè)計(jì)的探討，因此語(yǔ)音交互設(shè)計(jì)需要針對(duì)特定場(chǎng)景，做功能與交互體驗(yàn)的區(qū)別設(shè)計(jì)。

1 語(yǔ)音用戶界面簡(jiǎn)述

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

如今我們已處在VUI的第二個(gè)時(shí)期。各大公司都已推出了自己的語(yǔ)音助手，如微軟的Cortana，谷歌的Google Now，蘋果的Siri，這類集成了視覺(jué)和語(yǔ)音信息的載體，可允許用戶同時(shí)使用語(yǔ)音和屏幕進(jìn)行交互，如圖1。自從2014年亞馬遜發(fā)布Echo，智能音箱市場(chǎng)的序幕便被拉開(kāi)，后續(xù)谷歌推出Google Home，蘋果發(fā)布Home Pod，如圖2。國(guó)內(nèi)相繼推出天貓精靈、若琪、小愛(ài)等。除家居互聯(lián)、天氣查詢、音樂(lè)播放、對(duì)話功能外，各家公司也在不斷深入細(xì)化場(chǎng)景，結(jié)合定位進(jìn)行差異化設(shè)計(jì)，以提升產(chǎn)品附加值，更好地?fù)屨际袌?chǎng)份額。

2 VUI和GUI優(yōu)缺點(diǎn)分析

作為兩種主流用戶界面交互方式，VUI和GUI各有所長(zhǎng)，也有因其交互形式和特點(diǎn)帶來(lái)的劣勢(shì)，以下對(duì)兩種交互方式的優(yōu)缺點(diǎn)進(jìn)行對(duì)比。

2.1 VUI的主要優(yōu)勢(shì)

1）自然直覺(jué)性。用語(yǔ)言表達(dá)想法是人類的一種本能反應(yīng)，無(wú)論對(duì)技術(shù)是否了解，絕大多數(shù)人都知道自然地進(jìn)行語(yǔ)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(chǎng)景下，如駕車、做飯、或設(shè)備暫時(shí)不在手邊時(shí)，通過(guò)語(yǔ)音輸入可以更加快捷方便地獲取想要的信息，在這種場(chǎng)景下使用VUI比手動(dòng)輸入圖形化輸出更加合適。

3）無(wú)邊界感。GUI是一種預(yù)設(shè)路徑的交互方式，在相對(duì)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(duì)信息進(jìn)行分層，在無(wú)形中提高了用戶的理解成本。而VUI允許人們使用更加真實(shí)自然的表達(dá)來(lái)獲取反饋，交互流程更加直接，突破了界面層級(jí)的限制。

2.2 VUI的主要劣勢(shì)

1）輸入輸出和理解的不確定性。 GUI對(duì)輸入行為進(jìn)行了統(tǒng)一，用戶輸入文字呈現(xiàn)在界面上，執(zhí)行動(dòng)作與返回信息比較確定。而語(yǔ)音交互流程涉及到語(yǔ)音識(shí)別（ASR）、自然語(yǔ)言理解（NLU）、對(duì)話管理（DM）、自然語(yǔ)言生成（NLG）、語(yǔ)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(huì)導(dǎo)致輸出反饋的不確定性，從而影響用戶體驗(yàn)。圖3為語(yǔ)音交互技術(shù)流程。

2）使用場(chǎng)景有限。VUI在使用時(shí)易受環(huán)境、使用場(chǎng)景的限制。在遠(yuǎn)場(chǎng)或噪音干擾下語(yǔ)音識(shí)別準(zhǔn)確率會(huì)有所下降。而在一些公共場(chǎng)所中，使用GUI的文字信息模式會(huì)更加合適，也會(huì)更好地保護(hù)用戶隱私。

通過(guò)對(duì)比發(fā)現(xiàn)，GUI在信息層級(jí)清晰性和場(chǎng)景通用性方面更具優(yōu)勢(shì)，相較于VUI點(diǎn)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(yàn)更具情感和溫度。兩種方式需互相協(xié)作。

3 智能家庭語(yǔ)音交互界面設(shè)計(jì)建議

智能家庭場(chǎng)景具有語(yǔ)音信號(hào)相對(duì)穩(wěn)定、環(huán)境相對(duì)安全、用戶各異、需求多樣等特點(diǎn)。雖然目前一些通用的用戶界面設(shè)計(jì)原則仍適用于VUI系統(tǒng)，但語(yǔ)音交互用戶的輸入是沒(méi)有邊界的，從“無(wú)形”到“有形”的設(shè)計(jì)，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(jì)規(guī)范，下面主要針對(duì)智能家庭場(chǎng)景提出設(shè)計(jì)建議。

3.1 人物模型設(shè)定

VUI中的人物模型類似小說(shuō)電影中的“人設(shè)”，作為用戶與之溝通的對(duì)象，其語(yǔ)氣、音量、語(yǔ)調(diào)、語(yǔ)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(shí)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(ài)同學(xué)進(jìn)行了實(shí)體化，無(wú)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(gè)人物模型。在定義人物模型日寸需考慮以下幾點(diǎn)。

1）保持人物模型的一致性。在設(shè)計(jì)人物模型時(shí)，需避免人格特征的過(guò)度設(shè)計(jì)。對(duì)于一些相對(duì)通用的產(chǎn)品或使用場(chǎng)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(jué)，導(dǎo)致用戶對(duì)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(cè)接下來(lái)會(huì)發(fā)生什么[4]。

2）虛擬形象抽象化。虛擬助理是最常見(jiàn)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(ài)同學(xué)等。但虛擬角色并不是提供視覺(jué)反饋的唯一方式，許多成功的VUI助理并沒(méi)有具象化的虛擬形象，如Google、Siri、Cortanao抽象的視覺(jué)反饋同樣能夠有效傳達(dá)VUI何時(shí)在傾聽(tīng)、思考、或無(wú)法理解用戶輸入的信息。如圖4，微軟Cortana的視覺(jué)化“情緒”，在不同情感狀態(tài)下，通過(guò)不同形態(tài)的藍(lán)色圓圈來(lái)對(duì)不同的問(wèn)題進(jìn)行回復(fù)[5]。

3.2 擅用多通道交互

在場(chǎng)景豐富的家庭環(huán)境中，用戶多種感官通道易被同時(shí)占用，此時(shí)可通過(guò)視覺(jué)和語(yǔ)音的強(qiáng)關(guān)聯(lián)性來(lái)強(qiáng)化語(yǔ)音交互。對(duì)于一些較為復(fù)雜的信息（例如長(zhǎng)列表、地圖），可利用視覺(jué)通道信息的優(yōu)勢(shì)，通過(guò)可視化媒介進(jìn)行語(yǔ)音確認(rèn)。以智能音箱的喚醒反饋方式為例，分別對(duì)比小愛(ài)同學(xué)、叮咚、天貓精靈的喚醒反饋方式，結(jié)果評(píng)價(jià)顯示用戶最傾向于小愛(ài)同學(xué)“簡(jiǎn)明燈光+簡(jiǎn)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(yùn)轉(zhuǎn)良好，但在家庭場(chǎng)景中，很可能用戶在低頭、看向其他方向時(shí)沒(méi)有注意到提示燈亮起而錯(cuò)過(guò)喚醒時(shí)間，因此需要兩者結(jié)合。

3.3 預(yù)防錯(cuò)誤和及時(shí)更正

雖然語(yǔ)音識(shí)別技術(shù)現(xiàn)已有大幅提升，但由于語(yǔ)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(huì)收到用戶大量無(wú)用的語(yǔ)音輸入信息，因此應(yīng)尺量設(shè)計(jì)能避免用戶輸入錯(cuò)誤語(yǔ)音的流程，以及預(yù)測(cè)用戶可能出現(xiàn)的錯(cuò)誤并及時(shí)提示用戶糾正。

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

2）增強(qiáng)錯(cuò)誤提示。使用錯(cuò)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(méi)聽(tīng)清，請(qǐng)?jiān)僬f(shuō)一遍您所在的城市”而不是“抱歉，我沒(méi)聽(tīng)清，請(qǐng)?jiān)僬f(shuō)一遍”。進(jìn)階錯(cuò)誤行為提示可為用戶提供更為詳細(xì)的幫助。

3.4 關(guān)注不同場(chǎng)景下的差異化需求

不同的家居場(chǎng)景下用戶對(duì)語(yǔ)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(chǎng)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(xiàng)上時(shí)，需求就變?yōu)樽⒁馊蝿?wù)的轉(zhuǎn)換，兩類應(yīng)用場(chǎng)景下，提醒響起到提醒關(guān)閉的流程便有所不同。

4 結(jié)語(yǔ)

綜上所述，可以看到語(yǔ)音用戶界面交互設(shè)計(jì)在智能家庭領(lǐng)域有廣闊的研究前景，但語(yǔ)音交互發(fā)展至今，還有許多技術(shù)邊界導(dǎo)致其仍未達(dá)到成熟應(yīng)用的水平，遇到的挑戰(zhàn)貫穿整個(gè)設(shè)計(jì)流程：如噪音干擾下的語(yǔ)音識(shí)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(shí)，無(wú)法準(zhǔn)確識(shí)別用戶意圖來(lái)進(jìn)行持續(xù)交談。這些問(wèn)題都需技術(shù)層面的不斷完善。而從用戶對(duì)智能語(yǔ)音產(chǎn)品的評(píng)價(jià)中發(fā)現(xiàn)，用戶對(duì)智能語(yǔ)音產(chǎn)品的認(rèn)知仍信心不高，因此市場(chǎng)和用戶也需要一段時(shí)間去教育。在形成系統(tǒng)規(guī)范的語(yǔ)音交互設(shè)計(jì)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(xiàng)目（5202007110）。

參考文獻(xiàn)

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

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

[3]Cathy Pearl.語(yǔ)音用戶界面設(shè)計(jì)：對(duì)話式體驗(yàn)設(shè)計(jì)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.