如何提升語(yǔ)音的可發(fā)現(xiàn)性,讓小白用戶(hù)也能輕松使用?

2 評(píng)論 4281 瀏覽 27 收藏 14 分鐘

為什么要提升語(yǔ)音可發(fā)現(xiàn)性呢?因?yàn)楹芏鄷r(shí)候,用戶(hù)不小心說(shuō)錯(cuò)話語(yǔ)音并不懂得糾正,而且語(yǔ)音的自然感知力度也不如視覺(jué)交互。本文為了解決這些問(wèn)題,進(jìn)行了一些思考。

在很早的時(shí)候語(yǔ)音就已經(jīng)深入人們的生活,siri算是比較早的被人們熟知的語(yǔ)音助手,每天早上匆忙要離開(kāi)家之前都會(huì)說(shuō):“Hey Siri,今天天氣”,比起解鎖找到天氣應(yīng)用,點(diǎn)擊打開(kāi),查看天氣情況,路徑縮短很多。

我認(rèn)為這就是語(yǔ)音最大的優(yōu)點(diǎn),縮短使用路徑,直達(dá)用戶(hù)目標(biāo),所以智能化可持續(xù)性學(xué)習(xí)的搜索方式會(huì)是它比較重要的一種手段。那么首先讓用戶(hù)逐步熟悉了解語(yǔ)音的使用方法,才會(huì)真的將這種方便實(shí)用的交互方法融入人們的日常生活。

為什么想從語(yǔ)音的可發(fā)現(xiàn)性角度來(lái)思考方案呢?第一點(diǎn),當(dāng)前的語(yǔ)音錯(cuò)誤后的提示很不友好,用戶(hù)說(shuō)錯(cuò)后也不知道要如何糾正;第二點(diǎn),語(yǔ)音無(wú)法通過(guò)視覺(jué)呈現(xiàn),自然感知力度不如視覺(jué)交互。

那么我們從哪些方面提升語(yǔ)音的可發(fā)現(xiàn)性呢?這就要來(lái)捋一捋出行時(shí),語(yǔ)音、載體、用戶(hù)之間發(fā)生的觸點(diǎn)在哪里,在什么步驟容易出現(xiàn)問(wèn)題。

一、觸點(diǎn):語(yǔ)音的載體

用戶(hù)在什么場(chǎng)景下接觸到語(yǔ)音,這個(gè)語(yǔ)音的載體包含哪些部分,都是非常關(guān)鍵的。

這里不對(duì)用戶(hù)進(jìn)行定位,主要是出于這樣的考慮:現(xiàn)階段為語(yǔ)音起步階段,年齡、性別的區(qū)分僅代表著接受新交互方式的難易程度。所以此階段應(yīng)當(dāng)是不斷探索語(yǔ)音更為方便的場(chǎng)景,讓人們逐步認(rèn)識(shí)到語(yǔ)音的便捷性。

那么現(xiàn)在普遍使用語(yǔ)音的場(chǎng)景有以下幾種:

  • 家中:音箱、電視盒子、電視遙控器、手機(jī)
  • 車(chē)內(nèi):中控、后視鏡、HUD、手機(jī)
  • 公共場(chǎng)合:服務(wù)機(jī)器人

這些場(chǎng)景下的載體有這形式:

  • 有屏幕
  • 無(wú)屏幕

公共場(chǎng)合的服務(wù)機(jī)器人這里我們不討論,他們的業(yè)務(wù)性比較強(qiáng),是強(qiáng)業(yè)務(wù)主導(dǎo)的交互流程,和人們?nèi)粘I钪惺褂谜Z(yǔ)音的場(chǎng)景完全不同。那么就是家中有屏無(wú)屏和車(chē)內(nèi)有屏的語(yǔ)音交互討論。

二、當(dāng)前語(yǔ)音技術(shù)存在的問(wèn)題

不論何種場(chǎng)景,語(yǔ)音的技術(shù)都是類(lèi)似的,實(shí)現(xiàn)的原理也都是一樣的。這里舉例一些語(yǔ)音技術(shù)存在的問(wèn)題:

1.必須喚醒

喚醒的花樣很多,有喚醒詞、快捷喚醒詞、oneshot,業(yè)界外的人肯定不了解這都是什么東西,更可況我們想要推廣的廣大用戶(hù)呢。

這里解釋下,這些喚醒方式之間的區(qū)別:

喚醒詞:最為基礎(chǔ)的喚醒方式,一般是有固定的2-4個(gè)字作為喚醒詞,比方說(shuō)“你好小度、小愛(ài)同學(xué)”等,機(jī)器收到這樣的語(yǔ)音信號(hào),就開(kāi)啟錄音,這時(shí)候用戶(hù)可以隨意說(shuō)話,機(jī)器將錄音文件拿去識(shí)別,這就是全部的識(shí)別的過(guò)程。

快捷喚醒詞:由于每次操作都需要說(shuō)喚醒詞才可以控制,所以快捷喚醒詞應(yīng)運(yùn)而生,有些又叫他hotwords,實(shí)現(xiàn)方式都是一樣的。選取會(huì)比較常用的幾個(gè)詞匯,比方說(shuō)“上一首、下一首、增大音量、返回主頁(yè)”等,同樣作為喚醒詞,不過(guò)和喚醒詞不同的是,這里只有喚醒,喚醒后識(shí)別到相應(yīng)操作命令,直接執(zhí)行,沒(méi)有后續(xù)的識(shí)別。

oneshot:同樣,設(shè)定幾個(gè)詞作為喚醒詞,比方說(shuō)“導(dǎo)航到、我要聽(tīng)”,機(jī)器收到這樣的語(yǔ)音信號(hào),就開(kāi)啟錄音,這時(shí)候用戶(hù)可以隨意說(shuō)話,不過(guò)相比較喚醒詞增加一步,機(jī)器會(huì)對(duì)錄音進(jìn)行裁剪,裁剪到喚醒詞后那一段就是用戶(hù)自由說(shuō)話的命令,再拿著裁剪后的音頻文件去識(shí)別,就和使用喚醒詞操作一樣的效果。

2.錄音過(guò)程中,雜音、交談的話語(yǔ)可能會(huì)被錄入

喚醒語(yǔ)音后,會(huì)進(jìn)入錄音狀態(tài),識(shí)別是將錄音的音頻拿去識(shí)別到喚醒詞后面的那一段音頻,錄音是無(wú)差別錄音的,雖然現(xiàn)在有各種降噪技術(shù),但是人們對(duì)話的聲音機(jī)器是無(wú)法區(qū)別的。

3.語(yǔ)義不能完全覆蓋全場(chǎng)景

想讓機(jī)器理解這段話,就需要語(yǔ)義理解?,F(xiàn)在的做法還是依靠人工的錄入,無(wú)法靈活理解。

4.對(duì)話系統(tǒng)不夠靈活,很多執(zhí)行完一個(gè)任務(wù)之后就退出,還需重新喚醒

當(dāng)前語(yǔ)音對(duì)話系統(tǒng)雖然有不少多輪對(duì)話的場(chǎng)景,比方說(shuō)在導(dǎo)航選擇地點(diǎn)時(shí),用戶(hù)可以說(shuō)“下一頁(yè)、第二個(gè)”或者某個(gè)地點(diǎn)分詞進(jìn)行選擇,但是看其本質(zhì),依舊是在導(dǎo)航情境下的單輪對(duì)話,選擇某地之后就進(jìn)入導(dǎo)航退出語(yǔ)音。最主要考慮的問(wèn)題點(diǎn)還是第二個(gè)問(wèn)題無(wú)法解決。

三、家中的場(chǎng)景

家中的場(chǎng)景是語(yǔ)音交互的最好場(chǎng)景,網(wǎng)絡(luò)的穩(wěn)定程度、安靜的環(huán)境、自由的使用環(huán)境,都使得語(yǔ)音在這一場(chǎng)景中具有非常大的吸引力。

在這一場(chǎng)景中使用語(yǔ)音的載體除了音響其他都有屏幕,電視盒子、遙控器都可以配合電視屏幕使用。手機(jī)、電視都帶屏幕,但是提示方式不能和車(chē)載設(shè)備類(lèi)比,使用場(chǎng)景不同有很大的不一樣。

在家中,人處于一種相對(duì)比較舒適、靜止的狀態(tài),他有精力或者時(shí)間去仔細(xì)看屏幕上的文字提示,那么這樣的有屏載體需要有比較多的比重出現(xiàn)說(shuō)法提示,或者下一步的引導(dǎo),用戶(hù)數(shù)據(jù)收集的比較齊全的時(shí)候,也可以做新老手不同的操作引導(dǎo)。

智能音箱雖說(shuō)不帶屏幕,但是需要通過(guò)手機(jī)設(shè)置連接家中wifi,這樣才可以獲取云端資源,這里做交互引導(dǎo)的時(shí)候需要注意,用戶(hù)喚醒是通過(guò)智能音箱操作的,那么在手機(jī)上可以做按鈕點(diǎn)擊喚醒音箱語(yǔ)音,但不能給用戶(hù)一種幻覺(jué):可以通過(guò)手機(jī)對(duì)話。

四、車(chē)內(nèi)的場(chǎng)景

車(chē)內(nèi)的載體不論中控、后視鏡、HUD還是手機(jī)都是有屏幕的,這就意味著可以依靠屏幕傳達(dá)部分信息給到用戶(hù),那么這里就涉及到多模交互。何時(shí)看屏幕、何時(shí)聽(tīng)語(yǔ)音是比較好的。這全看用戶(hù)心情,當(dāng)然我們也要做到良性引導(dǎo)。

根據(jù)后臺(tái)用戶(hù)使用語(yǔ)音的數(shù)據(jù)來(lái)看,導(dǎo)航是使用頻次最高的一個(gè)領(lǐng)域,其次是音樂(lè)、電臺(tái)、天氣。所以從導(dǎo)航、音樂(lè)入手讓用戶(hù)先了解語(yǔ)音的基本使用方法。

上篇《語(yǔ)音交互中重要的引導(dǎo)設(shè)計(jì)》已經(jīng)展示了幾種引導(dǎo)方法,不過(guò)還是有不足,比方說(shuō)在首頁(yè)的位置放說(shuō)法引導(dǎo),其實(shí)經(jīng)過(guò)一些用戶(hù)測(cè)試,發(fā)現(xiàn)那種方法并不是萬(wàn)能的,很多用戶(hù)都不會(huì)去看有什么說(shuō)法。

所以我們應(yīng)該按照使用語(yǔ)音的先后順序進(jìn)行引導(dǎo):?jiǎn)拘?、識(shí)別。那么如果跳過(guò)新手引導(dǎo)的用戶(hù),至少要先告訴用戶(hù)如何喚醒使用:

如果忽略這句TTS,也沒(méi)關(guān)系。在首頁(yè)的語(yǔ)音卡片上,常駐這樣一句話,提示用戶(hù)如何喚醒語(yǔ)音。

不過(guò)這種方法其實(shí)都是比較被動(dòng)的,等待用戶(hù)去發(fā)現(xiàn),去探索,如果語(yǔ)音自己開(kāi)始對(duì)話,又會(huì)被吐槽智障,或者受到驚嚇。所以最初的產(chǎn)品策略應(yīng)該比較保守一點(diǎn),畢竟在智能車(chē)機(jī)上語(yǔ)音只是一個(gè)很小的一部分,過(guò)多的打擾到用戶(hù)真的會(huì)有困擾。

這是我列的如何循序漸進(jìn)的教會(huì)用戶(hù)使用這樣的喚醒方式:

  • 第一步:基本操作:導(dǎo)航去哪里,聽(tīng)什么,給誰(shuí)打電話
  • 第二步:?jiǎn)拘堰M(jìn)行音樂(lè)操作,提示她“下一首”可以不喚醒使用
  • 第三步:當(dāng)用戶(hù)發(fā)現(xiàn)有些可以不需要喚醒使用的,但是不知道在哪種情況下使用,那么就設(shè)置一個(gè)對(duì)話:

U:你有什么不需要我喚醒就可以說(shuō)的?

天:全部喚醒詞羅列,同時(shí)安利免喚醒的概念

升級(jí)方案:用戶(hù)肯定記不住,當(dāng)他有疑問(wèn)詢(xún)問(wèn)

U:快速導(dǎo)航是免喚醒嗎?

天:不是哦,導(dǎo)航中能免喚醒操作的有這些,您可以到哪里查看…

高級(jí)用戶(hù):找到自己習(xí)慣的操作方式,只記住那幾個(gè)免喚醒詞,有了固定的使用操作模式

之所以想要對(duì)快捷喚醒詞作那么多的引導(dǎo),主要是出于當(dāng)前技術(shù)限制,喚醒是無(wú)法避免的,但是高頻操作如果不采用快捷喚醒詞實(shí)現(xiàn)的話,對(duì)用戶(hù)來(lái)說(shuō)更為麻煩,每次必須喚醒,就只說(shuō)那么一個(gè)指令,語(yǔ)音的存在是為了滿(mǎn)足用戶(hù)懶惰的心理,用戶(hù)但凡覺(jué)得有點(diǎn)麻煩的時(shí)候就會(huì)逐漸減少語(yǔ)音的使用,而這個(gè)節(jié)點(diǎn)就是我們需要花功夫去細(xì)化方案的地方。

五、一些感想

關(guān)于第二個(gè)問(wèn)題點(diǎn),開(kāi)了個(gè)腦洞,在車(chē)內(nèi),如果搭配人臉識(shí)別、上下文理解,是不是可以去判斷用戶(hù)何時(shí)對(duì)機(jī)器說(shuō)話呢?

首先,人們?nèi)粘?duì)話時(shí),我要和誰(shuí)說(shuō)話基本都會(huì)面朝誰(shuí),哪怕眼神不會(huì)轉(zhuǎn)移,但是面部還是會(huì)配合對(duì)話者轉(zhuǎn)過(guò)去,這里就可以通過(guò)人臉識(shí)別看用戶(hù)喚醒后是否將面部轉(zhuǎn)過(guò)來(lái)。

第二點(diǎn),因?yàn)樵陂_(kāi)車(chē)時(shí),注意力肯定是高度集中的,有時(shí)候可能是不會(huì)轉(zhuǎn)動(dòng)面部,但是人們?nèi)粘5膶?duì)話遵隨的這幾個(gè)準(zhǔn)則:所說(shuō)的話是自己相信的真實(shí)信息、所說(shuō)的話滿(mǎn)足交際中所需的信息量、所說(shuō)的話和當(dāng)前對(duì)話相關(guān)、說(shuō)話清晰明了。

所以我們可以根據(jù)錄入的人們說(shuō)話的內(nèi)容判斷上下文聯(lián)系,進(jìn)而判斷是否在和機(jī)器對(duì)話。

如果是不相關(guān)的內(nèi)容其實(shí)是對(duì)機(jī)器說(shuō)的,那么此時(shí)喊下喚醒詞也是符合常理的,可以對(duì)比兩人對(duì)話,一人突然說(shuō)了其他的話題,另外一個(gè)人沒(méi)有意識(shí)到是對(duì)自己說(shuō)話的,那么說(shuō)話者肯定會(huì)要喊那人名字。所以一個(gè)豐富且符合常理的語(yǔ)音狀態(tài)反饋非常重要。

以上是我對(duì)于當(dāng)前如何提升語(yǔ)音可發(fā)現(xiàn)性以及未來(lái)可用技術(shù)解決的問(wèn)題一些探討。

語(yǔ)音其實(shí)不能只限制在車(chē)載或者是家居場(chǎng)景,因?yàn)殡S著人工智能的發(fā)展,想讓一個(gè)機(jī)器智能,肯定會(huì)有越來(lái)越多感知外界的技術(shù):語(yǔ)音、圖像等,但是機(jī)器想要陳述或是表達(dá),必須要用到語(yǔ)音,所以語(yǔ)音是將來(lái)人工智能的一種輸入感知的入口。所以如何更好理解人們說(shuō)的話是非常值得研究的。

 

作者:青絳,微信公眾號(hào):慕七和大胖

本文由 @青絳 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可,禁止轉(zhuǎn)載。

題圖來(lái)自 Unsplash ,基于 CC0 協(xié)議

更多精彩內(nèi)容,請(qǐng)關(guān)注人人都是產(chǎn)品經(jīng)理微信公眾號(hào)或下載App
評(píng)論
評(píng)論請(qǐng)登錄
  1. 11

    來(lái)自浙江 回復(fù)