作者Khoi Vinh通過采訪Sayspring的創(chuàng)始人，探討關(guān)于語音界面的話題，語音交互逐漸變成了熱門，在應(yīng)用層上也越來越成熟，Alexa和Google Home成為了最大的競爭者，阿里和sony也都于今年入場，這一塊領(lǐng)域的應(yīng)用層有了很大的想象空間，Khoi從工具創(chuàng)造者的角度出發(fā)，分析了語音交互與視覺界面的不同，并列舉了許多例子，來闡述語音交互的場景和局限性。

原文鏈接：Finding a Voice for Design in Voice UIs

原文作者：Khoi Vinh

設(shè)計(jì)師們總是需要為技術(shù)轉(zhuǎn)變做好準(zhǔn)備，語音助手成為了與計(jì)算機(jī)互動(dòng)的新方式，我對這種方式饒有興致，因?yàn)樗杏X是必然趨勢。不論我們是不是很快就能帶上AR眼鏡或者沉浸在VR的虛幻空間中，通過語音與Alexa，Google Assistant或者Siri交流已經(jīng)是實(shí)現(xiàn)了的新體驗(yàn)。然而，即使我們在潮流的開端，在這些平臺(tái)上的創(chuàng)建工具仍然是原始的。

這也是為什么我看到Sayspring之后，就留下了深刻的印象。盡管有很多語音開發(fā)工具，但是Sayspring是第一個(gè)，將語音界面作為設(shè)計(jì)問題來對待，這一點(diǎn)我很認(rèn)同。這款app可以讓那些對語音界面和bot沒有經(jīng)驗(yàn)的人，也可以輕松地創(chuàng)建Alexa的原型，幾分鐘內(nèi)在硬件上運(yùn)行Google Assistant。除了出色的技術(shù)能力，快速追蹤的能力也很優(yōu)秀，語音app的體驗(yàn)需要大量的迭代，謹(jǐn)慎的試錯(cuò)—換句話說，設(shè)計(jì)。從語音界面的角度考慮，會(huì)提出很多的問題，如何將技術(shù)演變成能讓用戶產(chǎn)生共鳴的語言。因此，我采訪了Sayspring的創(chuàng)始人Mark?Webster，關(guān)于Sayspring的展望，以及對語言助手的看法。

Khoi?Vinh：是什么讓Sayspring與眾不同，比Amazon和Google提供更好的開發(fā)kit？

Mark?Webster：正如你所提到的，Amazon和Google都專注于發(fā)布代碼模塊和教程，幫助開發(fā)人員快速構(gòu)建簡單的應(yīng)用，比如測試和事件生成器，這很好的讓人能夠踏上這樣一條船，但是它也導(dǎo)致了一些蹩腳的語言應(yīng)用出現(xiàn)，雖然平臺(tái)是新的，語音API也是新的，產(chǎn)品團(tuán)隊(duì)沒有太多的經(jīng)驗(yàn)。此時(shí)需要的不是在媒體上的承諾，不是如何去構(gòu)建語音，而是我們在構(gòu)建什么，我們?yōu)槭裁匆獦?gòu)建它，它是為了誰？

回答這些問題，就需要將設(shè)計(jì)作為過程中的一部分，我們需要一套工具來消除語音使用的技術(shù)障礙。這就是Sayspring，我們的協(xié)同設(shè)計(jì)應(yīng)用讓設(shè)計(jì)師，體驗(yàn)師和產(chǎn)品人員制作語音驅(qū)動(dòng)的體驗(yàn)，并實(shí)時(shí)的交流，而不需要編碼和部署任何的東西。

我們也相信，偉大的語音體驗(yàn)從專注用戶路徑開始，這就是 Sayspring制作原型和設(shè)計(jì)的過程。你不需要了解復(fù)雜的背后技術(shù)，你只需要專注體驗(yàn)，添加命令和響應(yīng)，然后在任何設(shè)備上與您的項(xiàng)目對話，也可以在開發(fā)之前與其他人共享。

“如果在構(gòu)建產(chǎn)品的初期就用錯(cuò)了方法，之后的事情都是在浪費(fèi)時(shí)間”

優(yōu)秀的公司都明白設(shè)計(jì)在web和mobile中的價(jià)值。Sayspring遷移到了語音當(dāng)真。隨著發(fā)展，我們會(huì)讓每個(gè)人都更容易地使用語音應(yīng)用。當(dāng)時(shí)如果你從一個(gè)錯(cuò)誤的方法出發(fā)，之后的一切都是在浪費(fèi)時(shí)間。

這個(gè)原型和設(shè)計(jì)的方法超過了一般人對工具的期望：它們幫助你構(gòu)建完整的產(chǎn)品。

讓我們來看看語音的發(fā)展，在語音應(yīng)用方面，僅Alexa就擁有超過11000個(gè)Alexa skills，產(chǎn)品的完整性也開始豐富，構(gòu)建的過程也會(huì)越來越簡單，但是更多的應(yīng)用會(huì)逐漸被拋棄。

每一款顛覆性的媒介都會(huì)有一個(gè)早期階段，創(chuàng)造者從早期的媒介中獲取信息，然后推移到新的媒介上。第一個(gè)電視節(jié)目是在攝像機(jī)前播放的廣播節(jié)目，第一個(gè)移動(dòng)應(yīng)用只是微小版的網(wǎng)站，需要花費(fèi)一些時(shí)間來理解新媒介的能力和細(xì)微差別，創(chuàng)造出充分發(fā)揮優(yōu)勢的體驗(yàn)。

我們正在嘗試推動(dòng)，將Sayspring作為語音設(shè)計(jì)工作中的必要內(nèi)容。

我們能夠發(fā)現(xiàn)這樣的改變，我們與過去不同，語音的互動(dòng)讓我們更接近自然的交流，應(yīng)用必須適應(yīng)現(xiàn)狀的人。沒有鼠標(biāo)，鍵盤或屏幕來學(xué)習(xí)使用，我們都會(huì)交流，語音應(yīng)用必須滿足這一點(diǎn)，這也是我們與數(shù)字世界溝通的巨大挑戰(zhàn)。

從視覺界面轉(zhuǎn)換到語音界面，能夠繼承的優(yōu)勢就是，它們都是基于文本的，因此設(shè)計(jì)和開發(fā)的劃分會(huì)模糊，這意味著一旦你完成了設(shè)計(jì)工作，會(huì)很簡單地進(jìn)入到開發(fā)和部署工作去，我們的工作是成為一個(gè)，團(tuán)隊(duì)可以在多語音平臺(tái)上設(shè)計(jì)，構(gòu)建，管理他們的語音應(yīng)用的工具。因此，我們計(jì)劃著端到端的構(gòu)建過程，我們需要集中精力在設(shè)計(jì)值得輸出的體驗(yàn)。

“語音指令，讓互動(dòng)更接近人類的交流方式”

你相信語音界面會(huì)是基于文本的嗎？我最近有關(guān)注Apple的CarPlay，Google Android Auto，還有Amazon最近發(fā)布的Echo Look。這似乎都在表明，語音和屏幕是一個(gè)有效的組合。

我的意思是，語音設(shè)計(jì)過程的輸出、話語、實(shí)體還有語音，最終都是基于文本的，這會(huì)讓設(shè)計(jì)和開發(fā)過程間更流暢。許多語音驅(qū)動(dòng)的體驗(yàn)都會(huì)包括一塊屏幕，但語音僅作為一種傳統(tǒng)的gui輸入方式。我們?yōu)镾ayspring提供了演示支持。Alexa和Google Hom的視覺組件目前僅限于文本和圖像，因此很容易實(shí)現(xiàn)。Sayspring會(huì)結(jié)合photoshop和sketcj，來做好視覺層的處理。

我們對語音和屏幕的多模態(tài)做了很多思考，想象一個(gè)助理在你的后面跟著你的電腦，他們會(huì)完成你要求的任務(wù)。你可以說一段話，讓它去完成，并在一些場景下，將成功展示在電腦屏幕上。

所以你可能會(huì)告訴它你周末想去看一場演出，并說了些你感興趣的節(jié)目，你看過了什么，期待什么。如果你決定買票，他們會(huì)給你提供一個(gè)電影院的座位圖。你會(huì)告訴他們買什么票，如何完成交易。也可以是通過VUI的形式完成。

我想通過這樣的心智模型，來幫助理解語音的用戶體驗(yàn)是什么。

如果讓大多數(shù)人對新的媒介感興趣，是我們的一項(xiàng)目標(biāo)。我們不僅幫助人們學(xué)習(xí)語音設(shè)計(jì)過程，還要告訴他們?nèi)绾卧O(shè)計(jì)體驗(yàn)，太多的語音應(yīng)用只是開發(fā)者創(chuàng)建，大多數(shù)的語音產(chǎn)品沒有合適的設(shè)計(jì)過程。我們認(rèn)為自己是語音對話設(shè)計(jì)的倡導(dǎo)者。

幫助設(shè)計(jì)師使用新媒介，也是我們設(shè)計(jì)產(chǎn)品的一項(xiàng)挑戰(zhàn)，人格設(shè)計(jì)是語音設(shè)計(jì)中至關(guān)重要的一部分，除了選擇需要使用的單詞外，還可以使用SSML（語音合成標(biāo)記語言）來添加停頓，改變單詞的發(fā)音和聲調(diào)上的變化。

SSML看起來與HTML，我們正在考慮在SSML中添加富文本編輯器。沒有設(shè)計(jì)師反饋需要更好的SSML工具。但是，當(dāng)我們把它推向世界，它是否也能創(chuàng)造更好的語音體驗(yàn)？我們?nèi)绾慰刂普Z音實(shí)踐的過程？做出更有機(jī)的反應(yīng)？對于我們來說，這是一個(gè)很難回答的問題。

考慮一些事情會(huì)發(fā)現(xiàn)這是不一樣的體驗(yàn)。你對一個(gè)好的語音設(shè)計(jì)師有什么樣的概念？對一個(gè)好的視覺設(shè)計(jì)師呢？兩者有什么重疊呢？

雖然它可能成為下一個(gè)新的設(shè)計(jì)方向，但仍應(yīng)該遵循我們熟悉的設(shè)計(jì)過程，所有的設(shè)計(jì)工作，包括聲音，都應(yīng)該從定義問題出發(fā)，進(jìn)行研究，集思廣益，設(shè)計(jì)解決方案，收集反饋，迭代。好的語音設(shè)計(jì)師也會(huì)是在工作中思考驅(qū)動(dòng)的人。

Sayspring想要成為畫布，設(shè)計(jì)師通過它來面向新的媒介工作，從他們熟悉的過程，通過工具獲得啟發(fā)。這種新形式的設(shè)計(jì)是一些學(xué)科的交叉，它們有很長的歷史可以借鑒。基于手機(jī)的交互語音響應(yīng)（IVR）系統(tǒng)的設(shè)計(jì)就是語音驅(qū)動(dòng)的。文案與劇本的寫作，專注于詞語的選擇，信息傳遞，敘事和個(gè)性的傳遞。聲音設(shè)計(jì)和畫外音對節(jié)奏，音調(diào)，聽覺氛圍有很大的影響。

我們也會(huì)有多名設(shè)計(jì)師，在一個(gè)語音平臺(tái)上共同工作。大多數(shù)的Alexa skill和Google Assistant都沒有將非口語音頻作為體驗(yàn)的一部分。例如“earcons”是一個(gè)簡短的，獨(dú)特的聲音，用來標(biāo)記用戶在程序中的位置，就像使用不同餓顏色來識(shí)別網(wǎng)站的部分，沒有人使用這種方法。幾乎所有的skill都讓你知道你打開了它，通過說“歡迎使用+技能名”，而不是播放一個(gè)簡短熟悉的音頻剪輯，這會(huì)隨著時(shí)間而改變。

我們很快就會(huì)看到語音應(yīng)用的設(shè)計(jì)團(tuán)隊(duì)，會(huì)包括交互設(shè)計(jì)師，具體語音劇本文案的策劃，聲音設(shè)計(jì)師添加增強(qiáng)，提示，氛圍音效。我們希望Sayspring能做到。

你認(rèn)為有更豐富的技能和場景化的工作流程能干幫助Alexa skill和Google Assistant發(fā)展到下一個(gè)階段嗎？絕大多數(shù)的應(yīng)用都很難找到新的用戶，即使用戶安裝了，也很少會(huì)繼續(xù)使用，除了Spotify，我不知道還有哪款應(yīng)用可以這樣做。

我認(rèn)為聰明的團(tuán)隊(duì)?wèi)?yīng)該能夠更深入的了解如何使用新的媒介，以及在現(xiàn)有平臺(tái)上的改變，都會(huì)推動(dòng)語音的變化。

Alexa了解你的越多，能夠修復(fù)的問題也越多，音樂是語音界面的理想應(yīng)用，但連接到Spotify之后，就再也不用尋求Spotify了。我們看到越來越多這樣的情況。Alexa剛剛發(fā)布了一個(gè)新的視頻API來鏈接機(jī)頂盒和流媒體服務(wù)，不需要特定的技能和程序調(diào)用。Alexa啟動(dòng)了這類技能，現(xiàn)在說“Alexa，切換到ESPN?！本湍荞R上改變電視頻道。

許多早期技能都是起點(diǎn)，達(dá)美樂披薩推出了一項(xiàng)Alexa skill，科研讓你重新訂購之前的披薩。達(dá)美樂的CEO Patrick?Doyle說，越來越多的人使用這種技能，已經(jīng)讓公司投入更多的資源來優(yōu)化訂購體驗(yàn)了。他們正努力重新構(gòu)建訂單。不同的尺寸，品類，交易額，反饋，都是困難的設(shè)計(jì)，需要更深思熟慮的設(shè)計(jì)。

但同時(shí)，轉(zhuǎn)換到語音比單純的skill和action更重要。Google Analytics宣布支持了語音，在移動(dòng)端和桌面，你可以問“我們上周有多少訪客”，而不是一個(gè)單純的界面。win10種25%的cortana請求都是通過語音完成的，每月有一億的cortana活躍用戶，人們已經(jīng)習(xí)慣在電腦前與它交談，設(shè)計(jì)語音界面很快會(huì)成為一個(gè)團(tuán)隊(duì)的新任務(wù)。

我認(rèn)為披薩預(yù)定是一個(gè)不錯(cuò)的前奏，但我想知道語音界面在實(shí)際應(yīng)用上，在復(fù)雜任務(wù)的局限性。在我個(gè)人的經(jīng)驗(yàn)中，即使是播放音樂也超過了我的認(rèn)知。除非我有一個(gè)明確的想法，知道我要聽什么，我必須保留我喜歡的音樂和歌手收藏。而當(dāng)我看到iTunes，就像我看到廚房里各種各樣的東西，我不會(huì)知道站在廚房里去呼喚Alexa或者Google Home。這些語音界面是否有實(shí)際的限制？缺少具像化的視覺界面？

每種媒介都有自己的優(yōu)劣，設(shè)計(jì)師就是要推動(dòng)這種媒介的感知極限，以找到最有價(jià)值的解決方案。很多Alexa處理音樂的時(shí)候會(huì)發(fā)現(xiàn)問題，所以它通過“適合下廚的流行音樂”和“適合睡眠的古典音樂”來解決。我想說的是，問題不是單單添加屏幕就可以解決的。

我不認(rèn)為語音界面有實(shí)際的限制，而是回到它的優(yōu)點(diǎn)和缺點(diǎn)，不是所有的事情都適合語音操作。如果瀏覽Pinterest，沒有屏幕是不可能的。想要重新設(shè)計(jì)廚房，然后坐在沙發(fā)上，看著電視屏幕，通過語音操作征求意見，提出建議，瀏覽廚房照片，手持酒杯，這聽起來不錯(cuò)。但可能是因?yàn)橐槐瓙芤獾木疲憧赡苷J(rèn)為語音代表了一種更隨意的方法，我們不應(yīng)該用語音來表達(dá)主要的目的嗎？

它可以是一種全新的響應(yīng)方式，以用戶為中心的設(shè)計(jì)，提供了全新的機(jī)會(huì)，我走進(jìn)了我的房子，想要打開燈光和音樂，語音是很不錯(cuò)的方法。在會(huì)議前，開車路上我可以更新我的salesforce記錄，而不是到了辦公室再做，語音也是不錯(cuò)的場景。Alexa是一個(gè)不錯(cuò)的起點(diǎn)。

最后一個(gè)問題：你覺得誰會(huì)是最后的贏家，Alexa，Siri，Google Assistant，Cortana，還是別的？

我認(rèn)為不同的企業(yè)會(huì)獲得不同領(lǐng)域的勝出，Alexa會(huì)贏得家庭市場，Cortana會(huì)贏得企業(yè)市場，Google Assistant和Siri會(huì)在車載上取勝，如果你直接與Amazon競爭，可能不太明智。