打造优秀语音交互体验的设计建议

AI给人机交互带来根本改变

AI的核心能力

回顾人机交互发展是“技术进步”与“载体创新”交替螺旋促进在推动着人获取信息的效率不断提升，成本不断降低。

AlphaGo先后打败李世石和柯洁，发布自动驾驶系统“阿波罗”…..这一次由AI引领的技术进步正在发生。基于大量纯净数据的深度学习给将人工智能带来的了巨大的进步，这种进步主要体现在三个维度。

A. 认知能力– 基于用户行为的画像，将人机交互从“单向”关系带入“双向关系”
B.感知能力– 由触摸输入到以语音输入、图像识别为核心的全自然交互
C.自然语音输出能力– 带来新的”语音“设计材料

语音对于体验设计师来说是新的设计材料，它有哪些设计挑战？语音设计有框架可寻吗？有哪些设计方法？我们将在下面的文章与你分享。

设计挑战

一. 从“有边界”设计到“无边界”设计

当我们设计App界面，交互设计师会穷举用户在固定像素界面内所有可能的操作，一一设计恰到好处的用户反馈。但是对于语音交互用户的输入是没有边界的，用户可能的输入将远远超出你可能的穷举的范围。从”有形“的设计到”无形“的设计，视觉的设计规范在语音设计过程中将完全失效。

二. 从“近场”交互到“多距离空间”交互

语音交互可主要分为近场交互（例如：度秘/siri）和中场交互（车载）、远场交互（智能音箱）。

多距离场景的有以下几个维度的不同：

A.场景特征：在非近场交互的场景下用户可能在其他事情上，而非专注在其他任务，这给如何让用户最小成本的获取当前系统的状态带来挑战，“我唤醒了设备吗”“我可以说了吗” 每一个节点需求都需要多维度的定义。

B. 输入方式：常用的输入方式有实体操作（按钮/旋钮等等），触摸，语音，动作，在近场交互时实体与触控是第一选择，而当中远场交互时语音成为输入方式的第一选择。伴随各种智能音箱、或者Iphone X等采用深度摄像头应用的普及，中远场景的动作输入将逐渐成为重要的输入方式之一。

设计建议

一. 用“语音交互框架”匹配“使用场景”

语音交互带来人机交互向更自然的方向提升，人机交互更趋近于“人人交互”，怎样理解语音交互框架，我们可以从人人交互一探究竟。

现在回想你让别人帮你把水杯拿过来，你与这个人的交互节点是什么样子的？

首先你要叫他的名字，如果他听到了会回答你“干嘛呀”或给你个眼神儿，这时候你知道他在听你说话，你可以继续说了-“给水杯拿来”。他可能需要想想水杯在哪或者问你，当他去拿水杯你会看到他正在行动。将与人的语音交互节点提炼出来，进行总结就是语音的交互框架：

如上图所示语音的交互框架由以下四个节点构成，每个节点用户有相应需求：

A. 唤醒：用户有得到“是否唤醒语音“反馈的需求
B. 输入：用户有得到设备正在“听说话吗”的需求（相当于loading）
C. 理解：用户有得到“在帮我说事情吗？“ 的需求
D. 回答/行动：用户有查看任务是否完成的需求

语音的交互框架解释了语音交互流程，等同于触屏设备定义的”点击屏幕“”双指pinch“ ”摇一摇“。但是仅仅了解交互框架是远远不够的，比框架更重要的是语音交互场景，在不同场景下以上”唤醒、输入、理解、回答/行动“四个节点有不同设计方式。

举个例子：在语音交互的第二个节点 – 输入中需要用”波形高低“与”语音响度高度“相匹配来给用户正在聆听的反馈，在不同场景下波形要采取不同的设计策略：

车载场景：驾车时用户的视觉注意力被路况占据，这时候一方面需要引入”叮“的一声语音反馈，另一方面需要设计采取更强的视觉波形确保一瞥既得。

语音音箱：语音音箱的场景虽然不像驾车场景注意力被强占据，但是它是没有屏幕的，这时候一般会采取带强弱有呼吸感的灯效解决反馈的问题。

”无形“的语音能”附着“在各种设备上，场景也是千变万化的。在设计时要时刻记住”唤醒-输入-理解-回答/行动“的语音交互框架和每个节点的用户需求，用户的使用环境，和视觉/听觉注意力的占据情况，不要局限只用声音做反馈。

二. “唤醒”设计

唤醒是语音交互的第一步，听说刚发布的某国产品牌的AI音箱选了十多个唤醒词，最后才用了“小爱同学”，rokid的唤醒词”若琪“也经过了精心的设计。这充分说明了唤醒设计重要性。

唤醒方式可以是任务的触发动作，比如点击，按压，动作，语音，表情。目前主流的唤醒方式有以下3三种 –实体按钮、虚拟按钮、语音唤醒，每种唤醒方式各有特点，适用于不同场景，下面我们来逐一分析一下：

1. 实体按钮：优点是能提供触觉反馈，使用场景有两种
A.当用户的视觉通道被占据时。
B.近场交互且设备没有屏幕或屏幕处于熄灭状态时，例如在熄屏状态下通过长按Home唤醒

2.虚拟按钮：唤醒方式有两种操作方式 – 点击和长按。两种方式的本质差别有三个：与面部距离、操作成本长按大于点击、微信养成的语音输入习惯使得长按更符合用户习惯。
A. 点击：面部与屏幕距离远，波形反馈可见，能更好的确认设备是否在收音，且成本较小。大多数的近场交互都可以使用。同时车载场景特别适用，试想在驾车情况下让用户长按输入语音简直就是灾难。
B. 长按：离麦克距离比较近，能带来更好的收音效果。可以作为一种辅助的唤醒方式兼容。

3. 语音唤醒：在双手被占据和远距离场景下语音唤醒都是最佳的方式，在设计语音唤醒是要注意以下三个方面：唤醒词的形象设计、注意唤醒后的声音反馈、防止误触发。

A. 唤醒词的形象设计：唤醒词的设计是机器人格的一部分。在平常的社会交往中，高雅、深邃的名字，往往会给人留下美好的印象。庸名俗字则给人一种不愉快的厌恶心理或排斥感。比如”静静”给人”文静，秀气”的感觉。“糖糖”给人“甜蜜”的感觉。

初期的人工智能的能力是有限的，有时会给出不尽如人意的回答。一个萌萌的有亲和力的名字能让用户有更高的宽容度。

同时唤醒词意象要与声音特色相一致，听觉情感是非常敏感的，想象一下如果一个萌妹子说话的声音很粗犷，或者一个壮汉声音很细你是不是觉得很不舒服。去定义唤醒词对应的感知意向，在语音合成训练时匹配这种意向。

B. 使用反馈音：语音唤醒一般使用在远场交互场景，这时候用户很难能通过视觉确认是否唤醒了设备，就需要给出语音反馈—- 比如“叮” 或“我在呢”等等。

C. 防止误触发：在日常交流中我们每天会说很多重复的字或词，比如”你“”诶“哦”等等，在设计唤醒词时要避开这些词汇。

三. 对话的体验设计

唤醒之后的对话环节是语音体验设计的核心，我们如何打造优秀的设计体验呢？首先需要了解语音交互类产品对话的基本特点，包括：轮流说话的方式、合作式的对话、语言的蕴意及语境、具有线索引导、对话具有可修复性。

在具体对话的编写上，给大家推荐通用的Grice表达准则，可以有效提升语音对话的效果。准则包括以下4方面：

表达质量：陈述的是有效的事物
信息量：不多不少，恰到好处的语言信息含量
关联性：陈述与话题相关的信息
习惯性：简明扼要，直奔主题，避免模糊晦涩的表达

根据不同的使用场景对话编写也有较大差别，主要从以下两个维度入手：

1.区分“任务式设计”与“闲聊式设计”。对话式设计主要分为两种场景：任务式对话和闲聊式对话。

任务式对话：如理财顾问，医生，购房助手，用户使用这类对话的型产品是为了尽快得到答案，而不是向人们“调戏”siri一样。这类的产品应遵循如下原则：

A. 引导用户用户如何输入
语音是无形没有边界的，不要让用户进来不知道说什么。用户可能采用各种无法预知的句子输入。为了避免发生错误，应在界面上引导用户怎样输入或主动开启一个对话。

B.设置边界
不要试图去做闲聊型“机器人”，当入用户的输入你的产品无法理解或与你产品的主任务无关时，不要装聪明，给用户选项提醒用户他能用的表达方式。

闲聊式对话：如微软小冰，度秘等。用户使用这类对话式产品的目的是“娱乐”，效率不在是第一需求，怎样让对话有趣避免冷场是新的设计目标：

A. 双向沟通，主动联想
避免对话一直是”one shot” 式的一问一答。双向的沟通才能让对话变得有趣，当用户打开你的产品时根据天气，时间等因素做主动的交谈，比如当用户深夜打开你的产品时，设置一段问候的对话会让你的产品变得富有人文关怀。

B. 迎合用户情绪
当用户表达出悲伤或开心等情绪时，用户会很期待你的产品具有同理心，用图像或对话与用户建立情感连接，将使得对话变得富有人情味，增加产品的粘性。

C .鼓励输入
闲聊式对话产品的体验依赖于对用户数据的收集，你的产品积累的对话数据越多，通过深度学习就越能给出用户满意的反馈。在设计时通过奖励机制和可视化的鼓励引导用户来丰富你的数据库。

2. “听觉形象”的体验设计

通过“色彩、材质、形状、版式、动效、字体”塑造视觉形象，用视觉形象反映产品气质、品牌理念是GUI设计师工作之一。人工智能赋予了机器拟人化声音输出的能力，带来的语音设计材料。不同的声音带给用户的感受是不大相同的，低沉的声音给人“稳重，成熟的”的感觉，尾音语调向上的声音给人“愉悦，被尊重”的感觉。

如何用“音色、节奏、音调、响度”的语音设计要素设计恰如其分的听觉形象？

下面我结合项目和一些研究与你分享一些流程的方法。

A.从“先设计后开发”到“先开发后设计”一个全新的实现流程
语音是不可见的，设计师没有“语音的PS” ，在语音形象的设计中必须先有“语音基础形象”设计师基于语音基础形象进行再设计。对feed读新闻的体验重新设计时，先进行的是不同新闻情感特色的定义，基于新闻情感收集当量的”语料“数据，通过深度学习来提取每类语料数据的声音特色形成”基础形象“，在对基础形象进行”语调，速度，节奏”的微调进行升级形象设计。

以上流程可抽象出“听觉形象”的设计流程 ：“定义 – 挑选 – 训练 – 调整”

定义：根据内容/产品气质/品牌愿景定义产品的“听觉形象”，八卦的情感要用“戏谑的”，历史的听觉相应要有“沧桑感”
挑选：去语音库里挑选具有定义的听觉形象的语音片段。比如如果要产生的听觉形象是“沧桑感”时，可以挑选一些单田芳老师语音片段

训练：将大量语音片段交由技术人员进行语音合成训练
微调：通过调整“语调、速度、节奏”使之给用户的感觉更接近于先前定义的“听觉形象”

B. 保持“听觉形象”与“品牌情感”的一致性
在进行视觉设计时设计师要通过“色彩，形状”等设计元素支撑品牌情感，对与大型公司会要求他们的每一个产品遵循一致性的设计规范。进入“听觉形象”设计时代，当你的产品要使用语音交互时，确保产品的“听觉形象”与品牌情感保持一致，这将能够强化品牌给用户的印象。

C. 保持”听觉形象“与“用户场景”的一致性:
现在回想一下机场内的语音“尊敬的旅客飞往北京的T343航班….”，这种语音形象给用户“被服务的、受到尊敬“的感觉，与用户在机场的场景相一致。而在医院，起码在中国的医院，医疗资源与患者数量极不匹配，患者与医生更像是”求助关系“而非“服务关系”, 使用过于“服务化”的语音形象反而会给用户带来强烈的落差感。

D. 保持“听觉形象”与“内容“一致性
“内容”本身是具有形象属性的，比如二次元的新闻如果用粗犷的男生读出来一定会很违和。因此在进行内容消费型设计时要充分考量语音所说的内容与“听觉形象”相匹配，避免出现违和感。但是在设计工具型产品时，不要频繁更换语音形象，这会分散用户注意力使效率下降。

四.利用视觉

语音交互的最大优势是更加直觉化，可以大大降低用户学习成本。但是语音输出的是线性的，因此它无法同时输出很多内容。这是语音最大的劣势。

2015年在设计语音管家时有人提出要做个语音点外卖功能。这其实是违背语音场景的，当语音输出到第十道菜时用户已经忘了第一道菜是什么了。 所以当时在设计时当用户发起需要当量信息交互的任务时，会通过PUSH引导用户查看视觉信息。

在设计时充分利用视觉与听觉的互补性，听觉记忆时间短暂的，不要用语音输出大量信息，尤其输出的信息是需要用户记忆时。

AI时代的变与不变

AI带来机器的认知能力和感知能力的提升，给人机交互带来的改变是根本的，传统的人机“输入 – 反馈”循环，将逐步过渡到“推荐 – 选择”循环。人机交互也将由单向从属关系，向双向训练关系过渡。这种改变将重写“设计思维、方法、流程、规范”。

然而每个时代都会有属于它的符号和偶像，对于设计师来说，赋予产品以灵魂的精神是始终不变的。

用户体验中心