随着移动智能终端和云计算的快速发展，人工智能的浪潮正在悄然颠覆着我们生活的点点滴滴，VUI（Voice User Interface，语音用户界面）作为一个新的领域也在快速发展，并对用户体验提出了更多关于语言学、情感塑造、逻辑搭建等方面的新要求[1]，本文结合参与的项目，将语音交互设计的发展、特征、流程、设计方法和大家进行分享。

一、VUI的发展

      那么首先来说一下，在原有GUI（Graphical User Interface，图形用户界面）如此丰富的情况下，为什么要新增加一种交互方式呢？它们两者之间最大的差异就是：输入方式不同。最显著特性就是“解放了双手”，在获取我们关注的信息时，可以用最自然的语言进行沟通，眼睛和手可以同时处理其他的事情。

1.1 VUI的第一个时期

       20世纪90年代，诞生了第一个可行的、非特定的（每个人都可以对他说话）的语音识别系统，交互式语音应答（Interactive Voice Response，IVR）系统的出现代表了VUI的第一个重要时期[1]。人通过电话线路进行交互并执行任务，如机票预订、银行转帐、业务查询等。相信大家都用12306电话订票订过火车票，我们通过输入数字命令，与系统进行语音交互，它的主要特点如下：

      (1)优点：擅长识别和播报长字符。

      (2)缺点：用户很少有机会暂停系统，系统占主动地位。

       回想一下那个过程，我们必须不断地与系统进行交互，如果中间出现错误，只能挂断重来，因此整个交互过程会容易让用户处在谨慎、局促的状态下。

1.2 VUI的第二个时期

      我们现在所处第二时期的初期，目前很多像siri、Google这类集成了视觉和语音信息的APP，以及Amazon Echo这类纯语音的设计产品，逐步发展并成为主流。

二、VUI与GUI相比的优势与劣势

       以目前我们TXD团队沉淀的GUI设计原则为检验标准，进行横向切割，纵向对比VUI的优势劣势。

2.1 主要的优势

2.2 主要的劣势

      因此，通过对比我们发现，GUI在清晰、高效、通用方面更具优势，这也恰恰是人们获取信息的关键，能够准确给用户提供帮助，且具有很好的延展性和通用性，相对于“一问一答”点状获取信息的方式，更为高效。VUI则是设计所要追求的一种最自然、最亲切的交互方式，是“带有情感、温度的交互体验”，真正的从用户角度出发。从我个人角度来看，在目前技术发展的阶段，VUI更多是一种辅助，至少短时间内不会完全取代GUI。

三、设计流程

       日常设计工作中，大家都会按照一定的设计流程开展工作，通用的流程一般有：探索调研 > 分析聚焦 > 设计策略 > 测试验证。同样，这个流程可以复用到语音交互设计中，只是设计对象的媒介和我们产出的设计原型发生了改变，但我们发现问题、解决问题的思路应该是类似且可复用的。具体的设计流程与环节如下图：

3.1 探索调研

3.1.1 明确需求

       笔者所参与的项目是“公司机房服务的工业机器人” 的语音设计，这类产品的功能比家用设备的更为强大，除了语音外，它支持：行走、人脸识别、任务解析、数据采集等，同时场景也更为复杂。首先机房环境声音嘈杂、环境复杂；它的性质又决定对人员的安全要求极高，需要准确的识别与判断，这些在了解需求阶段是必须明确的环节。

      机器人的主要功能就是辅助参观人员、维修人员、驻场工程师更好的完成机房工作，实现机房业务管理智能化，提高运维管理效率和准确率。那么作为体验设计方，则是通过各场景、各环节的体验设计，让人与机器人、与系统的交互高效、自然、流畅，让智能化的机房日常运维管理更加完善。

3.1.2 了解业务场景及目标用户

      不同的场景，意味着用户不同的需求和目的，对语音交互的要求也不相同。下面就针对机房环境进行场景分析与设计难点的介绍。

       通过团队的调研，收集到在整个数据中心有5类用户，其中会进入机房与机器人直接发生交互的主要有三类：访客、厂商、数据中心驻场。

3.1.3 技术水平

          硬件。目前的语音产品包括：纯语音（天猫精灵）和语音及界面结合（iphone的siri）两种配置。在设计之初，我们需要了解语音产品的基本硬件配置，这其中也包括麦克风、摄像头、听筒、设备联网程度等，因为，产品的配置会影响我们后期的设计策略与体验。例如问语音产品：“世界十大旅游胜地都是哪些？、中国56个名族都有什么？”，即便语音助手可以准确的告诉我们答案，但无疑是一个沉重的认知与记忆负担，如果配合屏幕来显示，情况会好很多。最好的人机交互形式是混合型的，即GUI+VUI（图像交互+语音交互）如图echo show，如果你所设计的是纯语音产品，那么在设计时则需要考虑更多的引导、容错、提示等。

      本次项目中所涉及的机器人不带显示屏幕，并且语音不联网，这就意味着所有对话都需要提前预设好，设计师需要根据可能出现的情况，将对话内容完善，并且做必要引导，让用户按照系统期望的流程进行，确保工作顺利、安全的开展。如下图，通过设计去尽量规避机器人硬件的缺陷，减少“答非所问”的错误发生率和用户回答的发散，提高语音交互流程的顺畅。

       算法。算法方面，则需要通过机器“深度学习”，不断完善语音识别、语音理解及语音合成的水平。目前，语音识别方面还面临很多技术挑战，如：

（1） 噪音。恒定噪音（公路上、机房中） 和突发噪音（突然异常大声）。

（2）多人讲话。多人讲话，设备能否识别其中一条信息；同样多设备时，如何辨别自己的主人在说话。

（3）儿童。儿童说话逻辑性较弱，容易出现口吃、长时间停顿等现象。

（4）短句。“是”、“不”这种短句提供的数据信息较少，会造成识别率低。

（5）多音字。比如人名，同样的音会有多种书写文字“清”“轻”，会影响语音识别的准确性。

更多关于机器人“深度学习”的内容大家可以自行了解，这里不展开讨论。

3.2 分析聚焦

      具体在分析聚焦阶段，围绕与机器人相关的机房工作人员，洞察并提升他们在工作中的服务体验，确保顺畅、安全、高效的工作流程。

3.2.1 用户画像

       针对定位的三类用户，我们通过问卷，进⾏用户访谈，旨在了解各个不同角⾊的用户他们工作的内容、需求，以及有哪些痛点可以抽取出来由机器人替代。

       共计访问10位用户，包含各个角色。访问之后，我们对用户访谈的结果进行整理，在此基础上，完成用户角色建模。以驻场工程师为例，具体的用户角色卡如下图所示：

       根据用户画像和调研中收集的问题进行聚类分析，得到用户诉求，即对机器人应用场景下的机房服务的“服务主张”，围绕“安全”“规范”“高效”三个方面。这三个机房服务的体验目标，也是作为后续机器人语音设计所要达到的基本要求。

3.2.2 体验地图

      与机器人交互的环节涉及到线上、线下，从线上任务的提交到线下与机器人真实交互，再到过程中机器人收集信息的回传，整个闭环链路构成机房机器人服务体验的核心。以其中导览场景为例，介绍整体流程，线上的主要触点：任务申请 > 任务生成 > 任务确认 > 任务存档；线下的主要触点：任务下发 > 机器人唤醒及用户身份验证 > 任务执行 > 任务结束，具体的触点详情及语音流程见下图：

       经过体验地图的梳理与流程规划，去构建合理、有序的流程，在任务执行过程中保证人机交互“自然、亲切、可靠”的体验。在语音交互设计中也会利用适当的引导与必要的提示，以更自然的方式消除异常时的尴尬，快速做到工作衔接。

3.3 设计策略

3.3.1 定义角色人格

       VUI产品是一个虚拟的人与用户直接沟通，因此，沟通对象的语气风格、性格等则是用户接触的第一感受，为了提升真实性，定义一个符合自己产品调性的角色至关重要，也是着手真正语音设计的第一步。

       这里的角色，是通过应用程序的语音及语言选择，塑造一个符合品牌服务特征，并且具有人格或心理的形象[1]。角色人格包含：

- 公司所传达的态度

- 产品的个性特征

- 期望别人如何看待它

      在设计时，我们可以用“真实的人物”来定义声音特征与沟通基调，分析、了解真实人物模型的个性特征。例如儿童早教类语音产品，可以以大家熟知的“金龟子”为人格原型进行定义，沟通中模仿她的语气、用词，让儿童感到亲切并符合服务对象的特征喜好。但这里值得注意的是，现在很多语音助手支持语音选择，如男声、女声、少年等。我们要知道，“改变声音的同时，就意味着换了不同的人格”，他们的语音交互特征、形式等应该发生相应变化。

3.3.2 语音交互设计

       语音设计的原型更像是“剧本设计”，需要考虑在哪个场景下，包含什么角色、他们如何对话、如何过度衔接、具体的语言如何等，如下图就是在此次项目中输出的语音设计原型，具体内容涉及到信息隐私，这里就不展开了，但是整个语音交互脚本中，对场景、角色、对话脚本备注图例、脚本正文等都做了明确定义与设计。

3.3.3 语音交互引导

      在设计语音脚本内容时，需要特别考虑VUI与人对话过程的语言衔接、对话内容的顺畅，并且能够自然的完成设想的任务。例如当询问用户信息时，最好给出一些示例，而不是说明。以下两句话大家可以明显感受到体验的差异，对于用户来说，参照示例填写信息，比理解一个通用指令更加容易。

“请告诉我你的出生日期，如2017年12月12日”

“请告诉我你的出生日期，包括年月日”

3.3.4 语音交互反馈

       在GUI界面中，“确认反馈”随处可见，点击一个按钮、进行一个编辑操作，设计师会设计不同重要程度的交互反馈；在VUI中，同样有不同程度的“确认反馈”，本文主要将他们分为三种：显性确认、隐形确认、视觉确认。

3.3.5 语音交互异常处理

    语音可能存在的异常情况主要有以下四种：

1、未检测到语音 （明确告诉用户“我没听清”）

2、检测到语音，但没有识别（“我不明白你的意思”）

3、语音被正确识别，但系统无法处理（“出现异常”）

4、部分语音识别错误（答非所问）

      在设计中，我们可以按照不同的异常情况，设计多种播报脚本，提高产品容错性，缓解异常时候的尴尬，在此例举些常见的用户语音输入错误的回答，如下图。

3.4 测试验证

3.4.1 语音原型测试

       以项目中团队采用的两种脚本测试方式为例，分别是：剧本朗读和语音转换工具。通过剧本朗读，体验对话的流畅程度，确认是否存在对话呆板、重复、不自然的情况；通过文字转语音工具，如QQ语音转化，可以较真实的感受机器将对话说出来的效果。

3.4.2 设备测试调优

     设计交付后，功能开发完成，进入语音设备可运行阶段，这时系统具备测试功能。测试调优的方法同样给大家列举两个：一是可以通过开发、设计人员，进行实际人机测试，了解语音功能是否稳定、任务完成率如何、整个体验流程是否自然顺畅；二是可以通过用户观察的方法进行调研，找到符合特征的目标测试用户，利用机房的监控摄像头，观察“自然状态下”的用户如何工作，这样不会干扰用户，更贴近真实的使用情景。

四、总结

       语音交互设计仅靠书本上的知识是不够的，需要设计师在实际项目中不断的探索与学习，除了要像GUI了解需求、业务场景、目标用户以外，还要了解语音设备的技术水平、设备配置等，从而有的放矢的展开设计。

       以上是笔者首次接触语音交互设计的设计经过，对VUI设计中的知识点、流程、方法进行的总结，仍有很多不全面之处，后续随着项目的迭代和设计的深入，逐步去完善体验，总结沉淀。

欢迎关注阿里巴巴体验技术团队（TXD）公众号，第一时间了解更多精彩内容，还有设计职位期待你的加入！