筆者從事自然語言處理已經(jīng)超過了一年半的時間，對語音交互有了自己的理解，本文以封閉五官的極端狀態(tài)為各位讀者帶來一種特別的體驗，以便大家熟悉和掌握其特點和優(yōu)勢，以便將來大家應(yīng)用到自己的產(chǎn)品設(shè)計中。

為方便討論，先做一下定義。市面上關(guān)于交互的常見的幾個詞匯，GUI、VUI、DUI。

一、三種基本概念

1. GUI

GUI（Graphical UserInterface）圖形界面，市面上最常見的交互方式。點觸，滑動，作為主要輸入方式。圖像顯示作為主要輸出方式。

2. VUI

VUI（Voice User Interface）語音界面，常見沒有屏幕的智能音箱/耳機(jī)，靠音軌輸入，音軌輸出。

VUI還有一個前身，即IVR（Interactive Voice Response）交互式語音應(yīng)答，類似我們撥打營業(yè)廳電話，通過選擇數(shù)字，來選擇進(jìn)入某某業(yè)務(wù)。

3.?DUI

DUI（Dialogue User Interface）對話界面，當(dāng)然還有另外一種說法叫做CUI（Conversational User Interface），舉例子就是蘋果的SIRI，或者某種對話機(jī)器人，以對話式窗口作為主要功能界面。這種方式是混合式方案，故而不在討論范圍之內(nèi)。

二、交互形態(tài)

為方便理解，更容易代入角色，理解交互形態(tài)，大家需要在限制的條件下體會。

只有封閉了自己的功能，如此才能做到設(shè)身處境，繼而理解兩種不同交互形態(tài)的差異。不妨把自己想象成：聽力正常且發(fā)音標(biāo)準(zhǔn)的盲人，以及視力正常且四肢健全的聾啞人。

GUI（Graphical UserInterface）圖形界面

特性：使用鼠標(biāo)鍵盤、手指點觸，作為主要輸入方式，以圖形展示作為輸出方式。通俗來說：動眼動手與硬件進(jìn)行交互。當(dāng)前市面上最為常見的交互方式。

VUI（Voice User Interface）語音界面

特性：使用語音作為輸入，語音作為輸出。能聽見，能發(fā)音，那么就能使用VUI。通俗來說：動耳動嘴與硬件進(jìn)行交互。未來一定會走入我們生活的交互方式。

日常生活中有很多場景，雙手是被占用的，如果有好的VUI的解決方案，那么就存在交互空間。

解放雙手是一個特性，不足以成為優(yōu)點，是一種特定情況下的解決方案。

VUI的缺點，只能在安靜和隱私的環(huán)境下進(jìn)行，在公共場合使用，必然引起他人的圍觀，繼而造成自己的心里壓力。GUI則不存在輸入壓力問題，僅依賴光線。

輸入速度，是VUI的一個巨大優(yōu)勢，需要什么說就好了，然后通過ASR轉(zhuǎn)化為文字，由計算機(jī)理解，并執(zhí)行命令。

GUI的界面上顯示了太多的信息，如果不熟悉的話，需要判斷點哪里（如果你教老人使用智能手機(jī)就能懂得其痛苦）有些時候還需要調(diào)用鍵盤，輸入速度就很慢。

播放周杰倫的《煙花易冷》如果用點觸的話，操作成本非常高（打開APP，尋找搜索框，輸入指定信息，搜尋，選擇列表中的一個播放）。而使用VUI，成本就非常低。

VUI可以無視層級，一句話直達(dá)目標(biāo)。例如：播放2020年NBA全明星正賽第4節(jié)，或者是打開APP的簽到功能/活動頁面這類話術(shù)，可以直達(dá)熟悉的位置。

而GUI則是預(yù)設(shè)路徑的交互方式，強(qiáng)迫用戶沿著單一路徑去完成操作的人機(jī)交互方式。每一步操作正確或者錯誤都會給予反饋，通過信息結(jié)構(gòu)層級去展示指定內(nèi)容，這非常方便人們學(xué)習(xí)和摸索規(guī)律，故而不是缺點而是特點。

VUI的缺點，由于人類的輸入不可控，導(dǎo)致計算機(jī)難以理解——

• 用戶本身發(fā)音模糊；依賴ASR（語音識別：Automatic Speech Recognition）技術(shù)的表現(xiàn)。
• 人類表述差異化較大，無邏輯，上下文表述會使用指代關(guān)系，會歧義或者雙關(guān)。而計算機(jī)推理較難，此處考驗NLP（自然語言處理：Natural Language Processing）的能力。

GUI的優(yōu)點就是輸入精準(zhǔn)，任何操作都有著邊界約束，流程可控，選擇明確，計算機(jī)容易理解。

交互是一個雙向的過程，語音作為輸入動作確實很快，而純語音輸出的話，效率非常低。幾乎沒有人愿意做太多的等待行為。且語音輸出攜帶的信息量非常少。

比如展示2020福布斯前10名的結(jié)果，語音輸出的效率就是悲劇。而視覺層面展示的內(nèi)容可以無限多，可以使用表格圖形的方式進(jìn)行展示，眼睛接受效率也非常高。

在計算機(jī)輸出的過程中，語音輸出要求人不可分心，需消耗注意力，視覺展示則沒有，即使走神，也無壓力。

在語音交互的過程，如果是多輪交互，當(dāng)計算機(jī)說完之后，立刻留給人決策，注定會給人壓力。GUI則不存在這個過程。

比如一個簡單的機(jī)票業(yè)務(wù)查詢結(jié)果，為你找到從[城市]到[城市]，[幾月幾日][幾點幾時幾分]出發(fā)[航空公司][飛機(jī)倉位][機(jī)票價格]，是否需要定這張票？

當(dāng)語音播放完畢后，我是不是要思考和比較一下？如果我想更新下查詢條件，語音應(yīng)該如何處理？而這交給GUI，就非常容易處理。

基于此，我們整體來看一下兩種交互形式的優(yōu)劣表現(xiàn)：

由于GUI的特性大家非常熟悉，所以本文偏重于總結(jié)提煉純VUI的特性。

三、VUI的特性

1. 基本特性

VUI語音交互的特性是解放雙手，動嘴就可以搞定。在某些業(yè)務(wù)場景下，是存在于雙手被占用，通過語音指令完成目標(biāo)的需求。（作者吐槽：GUI交互總不能寫，不用動嘴且不依賴光線就能解決問題吧，這很奇怪）

VUI語音交互依賴安靜、隱私環(huán)境，公共場合有使用壓力。聲音輸入，和聲音輸出都可以通過空氣這個介質(zhì)傳播。即使是耳機(jī)可以管理計算機(jī)的輸出行為，但是人類的輸入行為也會引起他人的圍觀。這一點就局限了VUI的使用場景。

當(dāng)【基本特性】掌握后，對尋找VUI的使用場景有了方向，即

• 光線不太好，不方便點觸操作
• 雙手被占用，不方便點觸操作
• 隱私，安全，的無場景
• 使用語音無壓力的場景

所以目前看來，臥室、客廳和車內(nèi)這種相對隱私的空間是VUI的主要交互場合。

• 開車的時候，雙手被占用，VUI有發(fā)揮空間
• 騎車或者跑步鍛煉的時候，VUI有發(fā)揮空間
• 晚上都關(guān)燈了，不想睜眼睛，VUI有發(fā)揮空間
• 快遞員/外賣小哥在送東西的時候，VUI有發(fā)揮空間

2. 輸入表現(xiàn)

GUI是一種預(yù)設(shè)路徑的交互方式，VUI則聚焦于如何發(fā)揮語言和表意的強(qiáng)大力量，采用人們?nèi)粘５恼Z言來交流。

GUI需要人類適應(yīng)工具。VUI則是由工具適應(yīng)人。

語音輸入門檻非常低，只要會說話，就能模仿，輸入速度快捷，相比GUI擁有巨大的優(yōu)勢。而圖形界面則具備相當(dāng)?shù)膶W(xué)習(xí)門檻，難點就是在于，用老年人學(xué)習(xí)手機(jī)的委屈狀態(tài)“這個上面字那么多，按鈕那么多，我不知道點哪里”以及“這個太多了記不住”。

VUI另外一個特性優(yōu)勢是沒有UI層級，可以一句話直達(dá)，這點對于熟悉的事物具備巨大的優(yōu)勢。不需要像GUI依照層級關(guān)系一路點過去。而GUI的特性是流程明確，對于復(fù)雜的流程，明確交代了層級關(guān)系。

VUI的巨大劣勢是，用戶的輸入表述不可控，這是自然語言處理的核心，即，如何讓計算機(jī)理解人類的各種表述。而圖形界面則輸入非?？煽兀嬎銠C(jī)易于理解。

3. 交互表現(xiàn)

VUI語音輸出的效率非常低，且依賴注意力。這是巨大的劣勢。而對GUI而言，則是巨大的優(yōu)勢，不要求人類過于集中注意力。

VUI反饋設(shè)計，注定無法輸出大量內(nèi)容，最好的表現(xiàn)還是GUI。多輪對話中，盡量控制用戶的表述范圍，才能夠得到更好的體驗。

基于輸入表現(xiàn)和交互表現(xiàn)，我們對處理VUI交互有了方向，即

• 一句話能搞定的用戶熟悉的任務(wù)
• 決策壓力低的的任務(wù)
• 管理用戶輸出，讓其做選擇題或填空題
• 語音輸出的內(nèi)容不應(yīng)該太長
• 不讓用戶做挑挑揀揀的任務(wù)

綜上，只有理解其優(yōu)勢和劣勢，才方便展開業(yè)務(wù)。

附一張當(dāng)前智能音箱的技能列表，筆者已經(jīng)就自己的理解做了歸納，這是當(dāng)前市面上，相對比較成熟的語音交互技能。

我們還是回歸正常，未來一定是多模態(tài)交互的場景。

人類與計算機(jī)打交道的方式不斷演變，隨著科學(xué)技術(shù)的發(fā)展，從最早的命令行，鼠標(biāo)鍵盤，到如今最為主流的點擊和觸摸，到未來的語音交互以及手勢交互。

想做好交互設(shè)計，只有了解各種交互形式的優(yōu)缺點，硬件相關(guān)知識，技術(shù)相關(guān)知識，才能夠做好選擇，然后疊加出多模態(tài)交互方案。

生活中，帶屏幕的音箱越來越多，而且耳機(jī)也是搭配各種屏幕的硬件使用的，而且在未來，就跟科幻電影里面一樣，幾乎每一塊屏幕都可以用來操作。

從實際的發(fā)展趨勢上來看，未來注定是萬物互聯(lián)的世界，幾乎任何硬件都可以搭配麥克風(fēng)、揚(yáng)聲器和WIFI模塊三件套，由于其硬件成本低，普及極其容易。各方數(shù)據(jù)表現(xiàn)，可穿戴智能硬件出貨量巨大……語音又是最為自然的交互形態(tài)，一定會在我們生活中占據(jù)一席之地。

語音交互，將會給我們的產(chǎn)品設(shè)計帶來極大的改變，提供更為豐富立體的交互樂趣。在即將到來的萬物互聯(lián)時代，對各位交互設(shè)計師/產(chǎn)品經(jīng)理而言，也是一種進(jìn)步和挑戰(zhàn)。

做好語音交互，不需要掌握任何畫圖技巧，上下文對話，就是UI本身，如何管理用戶輸入，全憑內(nèi)容結(jié)構(gòu)。

本文旨在討論，GUI和VUI的區(qū)別，相關(guān)設(shè)計不做展開，相關(guān)的VUI設(shè)計心得，會在后續(xù)文章中，為大家介紹。

作者：飯大官人，不折騰會死星人，微信公眾號：fanfan19860403《游戲運(yùn)營：高手進(jìn)階之路》作者。熟悉游戲領(lǐng)域、人工智能-自然語言處理領(lǐng)域。

本文由 @飯大官人 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

題圖來自?Unsplash，基于 CC0 協(xié)議