摘要：本文內容一部分來源於阿里設計師王一行翻譯的《語音用戶界面設計》一書，一部分為工作中所學習的。感興趣的可以去買書看看。VUI的第一個時期20世紀50年代，貝爾實驗室建立了一個單人語音...
本文內容一部分來源於阿里設計師王一行翻譯的《語音用戶界面設計》一書，一部分為工作中所學習的。感興趣的可以去買書看看。
VUI的第一個時期
20世紀50年代，貝爾實驗室建立了一個單人語音數字識別系統。這些早期系統的詞彙量非常少，在實驗室之外並沒有什麼用戶。20世紀六七十年代，關於語音數字系統的這項研究仍在不斷拓展可識別的詞彙，並且至力於實現“連續語音”的識別（不需要在詞與詞之間暫停）。
20世紀90年代，IVR交互式語音應答系統出現（我們打10086客服出現的語音服務系統）。它可以通過電話線路理解人們的話，並執行相應任務。在21世紀初期，IVR系統成為了主流，任何人都可以通過一個普通的電話和語音進行股票的詢價、機票預定、銀行轉賬、處方藥品預定、本地電影排片查詢以及收聽交通信息等。
VUI的第二個時期
我們現在所處的時期被稱為VUI的第二個時期。像Siri、Google new、和Cortana這類集成了視覺和語音信息的app，以及Amazon Echo、Google Home這類純語音的設備逐漸成為主流。Google報告稱其搜索請求中有20%是通過語音完成。
當下百度退出新的產品簡單搜索，乾脆將語音作為搜索入口，有興趣的同學可以去試試。
下面會給大家介紹一些VUI的基本術語
喚醒詞設定
國內的四大音箱品牌，如小愛同學（小米）、小度小度（百度）、天貓精靈（阿里）、小藝小藝（華為）
那麼為什麼要設定喚醒詞呢？
一個原因是遵從現實的人際交往關係，比如在學校宿舍，我讓你幫我帶東西，我會說小明，回來時幫我帶桶泡麵。而小明同學識別到“小明”，就知道你在呼喚他，是對他在說話。也會針對性地進行回答。
第二個原因你的設備在工作中是一直處於傾聽狀態的，如果音箱在用戶非使用時間記錄用戶的話，還將聽到的語音傳到雲端，這樣就侵犯了用戶的隱私。所以音箱需要一個喚醒詞來喚醒音箱。（音箱在通電狀態下，喚醒詞是做本地處理的，不管是否連接網絡都能響應，響應速度也更及時。）
至於怎麼命名喚醒詞，此處不做說明。
超時
一般喚醒音箱後，音箱的傾聽時間為7～10秒，各個廠家的都不同。當用戶的輸入超出限定世界，一般採取的做法是識別時限內的內容，進行相應的回答。
延遲
延遲發生的場景很難去預估，通常由以下幾個原因產生的，但實際上未知的更多
1. 糟糕的連接性能
2. 系統處理進程
3. 數據庫訪問
當你去查詢一個球隊的比賽時，並且想知道他現在的積分，下一輪的對手是誰，你應該就會知道這需要進行雲端數據查詢，需要一定的時間，這個時候音箱上的呼吸燈就會告訴你他正在為你工作中。
但有時候，延遲會比較長（一般在0～10秒內），如果延遲會達到一個節點，比如說7秒，這個時候音箱如果給一個響應，說：請稍等，正在為您查詢，那麼用戶的耐心是否會變長，消除焦慮呢？
消歧
很多時候用戶只會提供執行命令所需要的部分信息，而沒有提供所有細節。比如對音箱說，“打電話”，但這個時候音箱並不知道打給誰。但如果你說打電話給張三丰，這個時候音箱會發起呼叫來執行當前指令。
再舉個例子，比如說查詢天氣，這個時候音箱是不知道你查詢的是什麼地方的天氣，但可以根據當前的地理位置來判斷，告訴你當地的天氣。
消歧就是明確各種指令，然後讓音箱能順利的理解並執行命令。一般消歧會涉及到多輪對話，此處不做具體說明。
下面從一段對話來說明顯性確認、置信度、N-Best列表、多輪對話
1. 你問：Hey google 勇⼠隊獲勝了嗎？
2. 助手：是的 上週⽇對陣鵜鶘，勇⼠隊贏了118:92
3. 你問：很好，他們下⼀場⽐賽是什麼時候
4. 助手：勇⼠的下⼀場⽐賽是今天下午7:30，他們將再打鵜鶘隊
5. 你問：當我回家時 提醒我找到我的凱⽂杜蘭特球⾐
6. 助手：當然 當你回家時我會提醒你
隱性確認
隱性確認策略就是將答案連同原始問題的一部分一同回覆給用戶，讓用戶知道知道他的話接收到了，但不需要他們確認。
示例：
1. 你問：他們的下一場比賽是什麼時候嗎？
2. 助手：勇⼠的下⼀場⽐賽是今天下午7:30，他們將再打鵜鶘隊 。
從這，可以看出它知道“他們”指的是勇⼠，能根據上下⽂理解這些代詞的意思。且在答覆中從將勇士反饋給用戶，讓用戶知道“他”知道“他們”指的是勇士。
置信度低的顯現確認
如果置信度不高，Google可能這樣回覆：你是問勇士的下一場比賽是什麼時候嗎？
1. 你問：他們的下一場比賽是什麼時候嗎？
2. 助手：你是問勇士的下一場比賽是什麼時候嗎？
置信度高
1. 你問：他們的下一場比賽是什麼時候嗎？
2. 助手：他們下⼀場⽐賽是今天下午7:30，將再打鵜鶘隊 。
這種對話更加自然沒有痕跡，但對置信度的要求也更高，當前只能對簡單的對話進行這種回答。對於場景的要求較高，最好是單一的，變量小的。
多輪對話
很顯然，當前對話示例是多輪對話。多輪對話很明顯的一個特徵就是無須重複喚醒助手，能夠持續的對話。助手也能根據上下文來理解並給出相應的回答，就像人一樣，更加自然的對話。（當前各大廠商的助手只能在某單一場景進行多輪對話）
N-Best列表
其實助手每一次回覆都會從用戶說的話返回個N-Best列表，然後從中選取一個置信度最高的進行回覆，而持續性對話，在於N-Best列表關聯著向下文而生成，形成了一個對話場景。（VUI設計師在設計的時候，每個對話都會提供多個TTS對助手進行訓練）
對話式標識（對話禮儀，如：謝謝、好的、⼲得好等）
當⽤戶在對話中使⽤了⼀些基本的禮儀後，系統也會給予相應的回覆，顯的更加人性化，⽤戶的參與度也會更⾼。
比如你對助手說謝謝，助手會回答不客氣。很有意思的對話。
TTS
TTS簡單的來說就是語音播報，即助手說出來的話。
聲紋識別
現在一些廠商已經加入了聲紋識別技術，根據聲音來識別用戶，從而根據用戶的習慣進行不同的回答，而不是千篇一律的回答。
ASR
ASR（自動語音識別引擎），ASR就是能將用戶語音轉換成文本的技術。
語音打斷
和字面的意思一樣，就是在助手播報過程中，用戶可以打斷，根據自己的意願進行選擇。可以想象一下我們在打10086客服是，是不是經常打斷，提前選擇自己需要的服務。
語料泛化
語料泛化指，設計師提供一些語料後（3-5個），再進行細化。直到覆蓋到全部場景。比如查詢天氣就有多種預料，可以是查看天氣、看看天氣、天氣咋樣，進一步還可以指定時間與地點。
垂類
垂類可以理解為類別，舉例說明：比如鬧鐘和天氣就是兩個垂類，用戶在設定鬧鐘的路徑中，突然對助手說查詢天氣。這個就是跨垂類的場景，需要設計師考慮讓不讓跨垂類。
意圖
意圖一樣是字面上的意思，簡單點來說就是給助手一個明確的指令。意圖可以往下拆分成多個子意圖。比如查詢天氣就是主意圖，查詢深圳的天氣就是子意圖。很多主意圖助手是無法直接回答，需要進行進一步的確認才能回答。當然天氣不在此列，畢竟我們可以根據地理位置，來回答你。
中文環境下的特殊要求，多音字、同音字
在語音設計中，我們不得不考慮多音字、同音字的設計，比如說打電話給王行，如果只有一個叫“王行”的，不管“一行”還是“行走”，我們都指定同一個路徑就行了，但是如果有兩個、三個的同音字呢？而且可能同音不同字，比如說“張”與“章”。這個時候音箱該怎麼處理？音箱沒有屏幕來呈現一個列表，讓你進行區分，音箱只能通過語音來告訴你。可能已經有人想到這麼處理了，此處就不做具體討論，歡迎大家的發言。
小結
關於音箱還有非常多的細節可以寫，比如在語音識別下，可以分為識別到聲音但沒有語義（無效的聲音）；沒有識別到任何聲音；識別到了聲音有語義但沒有理解。此類還可以繼續去拆分距離等因素。
當前音箱產品對於大部分指令都能及時且正確的響應，但距離與人相似的交流還有很長的路要走。我們需要更快的響應速度，更貼近自然的聲音，更豐富的多輪對話場景，以及更鮮明的“人格”，更加聰明的“ta”。
閱讀更多 AI先鋒週刊 的文章
