基于語音交互界面的智能音箱發(fā)展現(xiàn)狀研究

（浙江外國語學院藝術學院 310023）

一、研究背景與現(xiàn)狀描述

在人工智能的浪潮下，設計的客體不僅僅局限于電子屏幕內，而是逐漸擴展至真實世界的多維中。個性化的推送方式、智能匹配以及語音逐漸成為新一代用戶的主流交互方式，原先以蘋果為核心的APP生態(tài)將會從移動互聯(lián)轉變至智能物聯(lián)。

語音交互作為一種自然的人機交互方式，至今已由來已久，近年來語音交互更是被應用在各種產品中，智能手機、智能家居、AI以及車載人機交互等。基于對話式用戶界面的智能產品成為引領AI產業(yè)的排頭兵，人工智能的浪潮正顛覆我們生活的一點一滴。作為新一代的功能領域，語音用戶界面（Voice User Interface，VUI）對于用戶體驗闡述了多方位的產品需求，包括語言構建、應用與情感塑造以及邏輯思維搭建等方面，在產品與用戶之間通過“語言溝通”搭建關系橋梁，是最自然的交互方式。智能音箱作為語音交互的功能產品，帶給用戶前所未有的交互體驗。與如今的智能手機相比，智能音箱的語音交互功能可以增加用戶提出需求的效率，并且更自然、更舒適。它所擁有的技術不需要指導用戶如何使用，因為用戶知道：只需要說出來便可以了。智能音箱以更為情感化的交互方式帶給用戶更流暢的產品體驗。

二、語音交互界面簡述

在目前主流的人工智能產品中，主要包含以下三種界面表現(xiàn)形式：圖形用戶界面、對話式界面、語音用戶界面。

其中在圖形用戶界面與對話式界面之間衍生出了界面式聊天機器人（Chatbot），谷歌將聊天機器人定義為：為了模擬與人類對話而設計的計算機程序。它是一種使用自然語言與人類進行對話的軟件機器人，又被稱為對話系統(tǒng)。聊天機器人普遍應用在即時通訊平臺，以娛樂、零售以及客服為目的，便于與消費者及時溝通，增加便利。聊天機器人可以使用語音界面，但大多數(shù)聊天機器人都是基于文本界面。以線上訂餐服務為例，GUI與基于文字的聊天機器人相比，使用圖形界面的APP效率更高，Dan Grover在博客中寫道：機器人不會取代APP，更好的APP才會。

VUI的早期是交互式語音應答系統(tǒng)（Interactive Voice Response，IVR）。如今，IVR系統(tǒng)多數(shù)被使用在電話語音咨詢服務，因為IVR系統(tǒng)能夠有效增加服務效率，將不同的顧客引導至服務端口或不同職能的客服。常見的有電信移動公司的電話咨詢平臺，或是各大銀行的電話自助查詢服務平臺等。

在對話式界面與語音用戶界面之間衍生出了智能語音助理，這也是VUI的第二個時期。我們熟知的有基于蘋果系統(tǒng)的Siri、三星的Bixby以及Google Assistant系列等。與IVR系統(tǒng)不同的是，在智能設備中具有電子顯示屏，允許用戶在使用語音的同時，使用屏幕進行視覺上的交互，這可以傳達給用戶更準確的信息，是一種多模態(tài)的界面。語音交互流程是怎樣的呢？用戶發(fā)出指令后設備被喚醒，設備在語音接收后開始對語音進行識別，自然語言理解后輸入至人工智能系統(tǒng)，人工智能系統(tǒng)運算后產生自然語言理解，進行語音合成后形成語音播報。這就是“小愛同學，今天天氣怎么樣？”“今天上海市多云，氣溫15度。”的語音交互流程。對話式界面交互三個階段分別是輸入語音識別、應答判斷以及自然語言輸出，它是交互界面與智能語音之間的橋梁，從詢問現(xiàn)在幾點鐘到預定今晚出發(fā)的機票，一切都可以成為對話式的。在使用基于蘋果系統(tǒng)的Siri或三星的Bixby時，用戶與設備產生了一系列的對話是一次次的信息交換，用戶可以感受到每一次對話的獨立性。

三、智能音箱的發(fā)展進程

1.迎面而來的智能音箱

小屏幕和不帶屏幕的智能設備越來越受人們的歡迎，這種設備無法進行完善的圖形交互。除了觸摸交互以外，語音已成為最主要的交互方式，用戶能自然而然的進行語音對話。

在2014年11月，亞馬遜Echo領先進入智能音箱市場。次年5月，科大訊飛與京東聯(lián)手推出叮咚音箱，成為國內第一款智能音箱。2016年，Amazon不斷豐富Echo家族，推出了Echo Dot+Amazon Tap，繼續(xù)引領智能音箱領域的發(fā)展。現(xiàn)如今，隨著互聯(lián)網巨頭相繼涌入智能音箱領域，語音交互生態(tài)、流媒體內容生態(tài)相繼建立，多達數(shù)十款的智能音箱陸續(xù)推出。根據(jù)瑪麗?米克爾2018年5月在Code大會上發(fā)布的2018年互聯(lián)網趨勢報告顯示，亞馬遜Echo的安裝基數(shù)在2017年第三季度至第四季度上升了1000萬人，達到了3000萬人以上。由此可見，基于VUI的智能音箱等語音控制設備正在蓬勃發(fā)展。

2.有屏與無屏智能音箱的設計原則

常見的智能音箱可以分為有屏幕與無屏幕，有屏幕的智能音箱可以使用語音交互與圖形交互協(xié)同工作，產生多模態(tài)的交互作用，而無屏幕的設備只能依靠單純的語音進行交互。

Amazon Echo是一款不帶屏幕的智能音箱，頂部邊緣帶有光環(huán)。它主要通過語音與Alexa語音服務連接，在對Amazon Echo發(fā)出指令前，用戶需要說出喚醒詞“Alexa”開啟設備。再說出喚醒詞后，設備頂部的光環(huán)會高亮，接著持續(xù)聽取用戶下達的指令。Google Home也是一款語音激活的智能音箱，可以實現(xiàn)日歷、購物清單、快遞查詢等功能，它的喚醒方式是“Hey，Google”，它也是無屏智能音箱，在頂部傾斜可觸控表面有四種顏色的LED燈，接收新消息時會閃爍發(fā)光。無屏智能音箱的初衷是讓用戶解放雙手，以更自然的方式進行交互，尤其是在廚房或是辦公時顯得尤為重要。當然，缺少屏幕的圖文交互會影響用戶的體驗，當智能音箱不能理解用戶某個指令時，用戶很可能是不知情的，很可能會“傻傻”等待設備回應。

目前，有屏智能音箱的市場份額逐漸增大，Google Home Hub、亞馬遜Echo Show、騰訊系的親見M10以及百度Little Fish VS1等都是帶屏幕的智能音箱，無屏的智能音箱是單純對話式的語音交互，而帶有屏幕的智能音箱是語音交互與可視化交互的結合。智能音箱領域將成為一個多融合的生態(tài)圈產物，不單純存在于語音交互領域。

有關于無顯示屏的設備，在實踐或設計中應當遵循以下原則：

（1）簡潔的語音反饋

用戶下達的語音指令應當是簡短、線性的，所以傳遞的信息需要簡潔明了，盡可能降低認知負擔，避免在語義上產生歧義。

（2）常態(tài)語音進行對話

設計師應當盡量讓語音交互更加自然且更加人性化，用戶能夠像與朋友交流那樣以常態(tài)進行對話。

（3）提供反饋

無屏的智能音箱的交互反饋會受限于音頻輸入和音頻通道，因此使用簡潔、自然的對話方式能夠讓用戶需求更快達成。當然，無屏的智能音箱可以通過燈光變化達到一定的反饋。有屏的智能音箱則可以通過顯示屏中的圖文獲得復雜反饋。

（4）指令后能夠修改

用戶發(fā)送錯誤指令非常常見，重新對話發(fā)送指令可能會影響用戶體驗。若智能音箱具有顯示屏，那么用戶便可以通過手指滑動修改錯誤指令。對于無屏設備來說，如果用戶在傳遞指令的過程中產生錯誤，VUI最好能夠支持用戶隨時修改已下達的指令，用戶可以撤銷該條指令的傳遞。并且可以修正用戶因口誤而造成的錯誤，例如，如果問設備“今天天空怎么樣？”系統(tǒng)回答說“今天多云，15至18度”。語音交互常存在歧義，有屏設備可以在屏幕中顯示結果選項，但在VUI中是否可以增加歧義的內容選項，是具有挑戰(zhàn)性的。

（5）語音的停頓時長

有屏智能音箱可以將一個問題的停留在屏幕上，長時間的等待用戶下達指令，而VUI則需要遵循一般的對話停頓時長。一般人們對話時，停頓通常小于400毫秒，若停頓時間過長則會破壞對話的關聯(lián)度，VUI需要以更自然的方式與用戶對話，在停頓的時間上需要適用于人類常態(tài)對話原則。

（6）復雜數(shù)據(jù)反饋

若用戶需要得到復雜數(shù)據(jù)的反饋，有屏智能音箱可直接顯示在屏幕上。通過屏幕將圖文清楚的展現(xiàn)，用戶可以進行操作。如果在VUI中展現(xiàn)復雜數(shù)據(jù)或是結構化的數(shù)據(jù)，那就必須考慮對話的可行性以及對話中傳遞的內容、語速以及如何在傳遞中有效停頓。由于這一類的功能障礙，無屏智能音箱的設計重點可能會避開需要大量圖標數(shù)據(jù)反饋的情況。

（7）情感化的語音輸出

VUI系統(tǒng)中，都需要塑造一個人物模型。在語音用戶界面領域，人物模型是用戶通過智能設備的語音及語言，推斷出的人格或擬人化的形象。用戶常常認為設備具有某種人格特質的前提是VUI具有情感化的語音輸出。近年來語音交互發(fā)展迅猛，語音合成的技術大有提高，但相較于真實人類或GUI仍有一定的局限。在人類常態(tài)對話中，語音、語調、語氣的變化，都具有意義，GUI中可以把重要的句子高亮，但在VUI中如何著重強調某一段話是更具有挑戰(zhàn)性的。

四、具有人格化的智能音箱

1.基于真實生活場景

當智能音箱成為一個真正的虛擬助手時，應當具備符合真實生活場景的相關語境。語境意味著智能音箱知曉對話之前的相關信息，并且清楚與用戶之前的對話內容。理想的互動情景包含了三種模態(tài)：情境模態(tài)、用戶模態(tài)以及設備模態(tài)。情境模態(tài)包括時間、物理環(huán)境、所在區(qū)域。用戶模態(tài)包括用戶認知、情緒及心理狀態(tài)、感知能力、感官及機體。設備模塊包括設備類型、信息的輸入與輸出以及軟、硬件設備。智能音箱在進行對話時，應當結合用戶的行為導向，根據(jù)真實生活場景逐步引導用戶以語音說出需求。

2.新技術帶來多模態(tài)的交互體驗

人工智能的發(fā)展分為三個階段：感知智能、認知智能及通用人工智能。感知有對語音、語言、圖像等方面，這是人機交互最重要的部分。隨著人工智能技術的蓬勃發(fā)展，交互模式從單一模態(tài)轉變成多模態(tài)協(xié)同工作，智能音箱從語音模態(tài)延伸至語音與可視化協(xié)同模態(tài)并發(fā)展成更高級的多模態(tài)交互，多模態(tài)的交互技術基于傳感器技術，包含視覺、聽覺、觸覺等多種交互方式，使設備擁有人類一樣的情感與思維以及更復雜的運算能力，是智能交互的發(fā)展趨勢。如果再結合一些用戶習以為常的其他交互方式呢？如果智能音箱可以捕捉到用戶的眼動焦點，用戶可以盯住場景中的某樣產品直接問“這個多少錢？”。一個多模態(tài)的設備能夠通過語音及眼動檢測等功能結合語音輸入內容給用戶答案。AliGenie是一款中文人機交互系統(tǒng)，在第一代的基礎上引入了聽覺、視覺、觸覺及情感反饋的多模態(tài)交互能力。

五、結語

現(xiàn)今市場上已出現(xiàn)了很多具備語音交互的智能音箱，Strategy Analytics的最新季度研究報告指出，2018年第三季度全球智能音箱出貨量同比增長197%，在2018年最后一個季度使用量有望超過1億臺，智能音箱正在成為許多家庭的標配。基于語音交互的智能音箱將會不斷完善，隨著對話式AI平臺、深度神經網絡、虛擬助手等相關技術領域的不斷發(fā)展，語音交互產品將引來爆發(fā)性的發(fā)展。當有一天，人工智能能夠像人類一樣進行自然對話，那必將是一個嶄新的時代。