原文作者：Justin Baker
原文地址：https://medium.muz.li/voice-user-interfaces-vui-the-ultimate-designers-guide-8756cb2578a1
筆者結合實際工作中的理解，對文章簡要編譯如下，供參考。
【補充國內的語音交互理解、國內百度、阿里、小米等平臺的相關信息，配合自有資料的部分設計）
“把鬧鐘設置為早上7:15
——“好的，正在呼叫?Selma Martin...”
"不是！把鬧鐘設置為早上7:15.
——“很抱歉。我無法幫助你
sigh（嘆氣），然后手動設置鬧鐘
如果你使用過智能語音產品，應該也會有類似的場景。
我們的聲音是多種多樣的、復雜多變的，語音指令更難以處理 ——真人之間的對話都如此，更何況計算機了。我們的思維方式、文化背景、俚語簡稱和推理形式等等因素，只要有細微差別都會影響到聽著的語意理解。
那么，設計師和工程師要如何應對這一挑戰(zhàn)呢？我們應如何培養(yǎng)用戶與AI之間的信任？這正是VUI的關鍵所在。
VUI是指，使用語音來實現(xiàn)人與設備實現(xiàn)交互的界面（語音可以是唯一的交互方式，也可以是對視覺和觸覺的補充）。VUI可以是任何東西——聽音樂時的氛圍燈光到汽車的娛樂控制中心。VUI完全可以沒有界面，只依靠聽覺、觸覺或運動等方式來實現(xiàn)交互。
VUI是指，使用語音來實現(xiàn)人與設備實現(xiàn)交互的界面（語音可以是唯一的交互方式，也可以是對視覺和觸覺的補充）。
VUI的形式很多、載體豐富，但都具有相同的UX基礎知識。設計師們借助對這些基礎知識的理解，從用戶視角分析日常語音交互的方式，就可以構建更好的語音交互體驗。
語音交互——約束、依賴、用例
當前技術、環(huán)境和社會約束對我們如何與世界相處有極大的影響——它們會影響我們處理信息的速度、將數(shù)據(jù)轉化為行動的準確性、彼此交流信息的方式方法。
在開始語音交互設計之前，我們必須對語音交互的環(huán)境背景有所了解。
確定設備類型
設備類型直接影響語音交互的模式，限制了語音輸入的范圍（深度和廣度）。
手機
手機品牌：iPhones、Pixels、Galaxies、華為、小米……
連接方式：蜂窩數(shù)據(jù)網(wǎng)絡、Wi-Fi、藍牙配對……
使用環(huán)境：環(huán)境背景對語音交互的重大影響
用戶習慣：用戶習慣使用語音交互
支持視覺、聽覺和觸覺反饋的多通道互動模式
各個模式中的交互形式相當標準化
穿戴式設備
特定的用例：如手表、健身手環(huán)或智能鞋
連接方式：蜂窩數(shù)據(jù)網(wǎng)絡、Wi-Fi、藍牙配對……
用戶習慣：用戶可能習慣使用語音交互，但這種交互在設備上是非標準的
穿戴式設備支持視覺、聽覺和觸覺方式進行反饋——盡管某些設備是被動式的、可交互性較弱。
用戶的交互和數(shù)據(jù)消費，通常依賴于所連接的設備。
固定式連接設備
設備示例：臺式電腦、帶屏幕的電器、恒溫器、智能家居控制中心、音響系統(tǒng)和電視等等
連接方式：有線網(wǎng)絡、Wi-Fi、藍牙配對……
用戶習慣于在同樣的位置，保持設備設置不變來進行互動
在不同設備之間使用相似的標準化語音交互方式（如臺式計算機與智能家居，如Google Home ；Amazon Alexa與智能恒溫器，其交互方式就沒明顯區(qū)別）
非固定計算設備（除手機外）
設備示例：筆記本電腦、平板電腦、轉發(fā)器，汽車信息娛樂系統(tǒng)
連接方式： 無線網(wǎng)絡，有線網(wǎng)絡（不常見），Wi-Fi，藍牙配對……
主要的輸入方式不是語音
環(huán)境背景對語音交互行有重大影響
不同設備間的交互方式通常是非標準化的
創(chuàng)建用例矩陣
語音交互的主要、次要和第三用例是什么？該設備是否有主要用例（如健身追蹤器）？或者它有多個用例組合（如智能手機）？
創(chuàng)建用例矩陣非常重要，它將幫助你確定用戶與設備發(fā)生交互的原因。他們的主要交互模式是什么？什么是次要的？什么樣的交互模式是好的，什么是必不可少的？
您可以為每種交互模式創(chuàng)建用例矩陣。應用于語音交互時，矩陣將幫助您了解用戶當前使用或想要使用的語音交互方式——包括他們使用語音助手的位置：
對交互模式排序
如果想要使用用戶研究來豐富你對用例的理解（使用情況或原始量子/質量研究），那么借助你的研究來對各語音交互模式進行排序就非常重要了。
如果有人告訴你：“如果我可以和電視對話，并讓它切換頻道，那簡直太酷了！” 那么你真的需要深入挖掘：他們真的會用嗎？他們已經(jīng)知道設備的限制嗎？他們真的了解自己傾向于使用的功能嗎？
作為設計師，你必須比你的用戶更懂他們。
你必須質疑用戶使用特定交互模式的可能性，因為他們有其他的替代方案。
舉個例子，假設我們正在評估用戶是否會使用語音命令與電視進行交互。這種情況下，最安全的假設是用戶有很多選擇——而語音交互只是其中一種。
用戶可以有很多的備選方案：遠程控制、配對的智能手機，游戲控制器或已連接的物聯(lián)網(wǎng)設備。所以說，語音交互未必會是默認的交互方式，而只是眾多方式的一種。
此時我們的問題就變成了：用戶將語音交互作為最主要交互方式的可能性有多大？如果不是主要交互方式，它會是次要方式嗎？抑或者是第三次藥方式？這會讓你的假設得到更深入的驗證。
列舉技術限制
將我們的語言轉化為行動是一項極其困難的技術挑戰(zhàn)。通過無數(shù)的時間、連接和訓練，調整良好的計算引擎模型能夠很好地識別我們地語音并觸發(fā)相應的操作。
不幸的是，我們還無法實現(xiàn)完全無縫的連接、時間也是有限的。我們希望語音交互與傳統(tǒng)視覺或觸覺這樣的替代方案一樣直接——即使語音引擎的處理和預測模型需要更為復雜。
下圖展示了語音識別的流程：
如圖可見，許多模型都需要不斷訓練才能完成對我們的詞匯、口音、聲調等等要素的識別。
每個語音識別平臺都有其獨特的技術特征和限制。我們在設計語音交互產品時，必須接受這些約束。
主要的約束有以下幾類：
連接級別：設備是否能始終聯(lián)網(wǎng)
加工速度：用戶的語音是否被實時處理？
加工進度：在精準度和速度上，如何平衡才好？
語音模型：我們目前模型訓練得有多好？我們能夠處理整段的長句、還是智能識別簡短的單詞？
后備選擇：如果語音無法識別，有什么后備方案？用戶是否可以使用其他交互方式？
錯誤代價：用戶指令被錯誤處理時會導致不可逆轉的后果嗎？我們的語音識別引擎是否足夠成熟，能夠有效避免嚴重錯誤的發(fā)生？
環(huán)境測試：語音引擎是否在多種不同的環(huán)境中測試過？例如，做汽車信息娛樂系統(tǒng)所處的環(huán)境，就比家里的智能恒溫器有更多的干擾因素。
非線性
我們還應考慮用戶能夠以非線性的方式與設備交互。例如，如果我要在網(wǎng)站上預定機票，就必須遵循網(wǎng)站設定好的預定流程，選擇或者輸入網(wǎng)站要求的信息：選擇目的地、選擇日期、選擇門票數(shù)量、查看選項……
而VUI面臨著更大的挑戰(zhàn)。用戶可以說“我想訂飛往舊金山的商務艙”，然后VUI就必須從用戶的這句話中提取相關信息，以便利用現(xiàn)有的API完成航班預定。整個邏輯的順序是被打亂的，VUI有責任從用戶這里提取到更多的相關信息——方式可能是語音的、視覺的、或者自動獲取設備位置信息、個人賬戶等等。
語音輸入體驗設計
現(xiàn)在我們已經(jīng)了解了VUI設計所面臨的約束、依賴和用例?，F(xiàn)在讓我們開始深入探討實際的VUI設計吧。
我們首先要探討的是，設備是如何知道，應該在什么時候去傾聽用戶？
下圖展示了語音交互體驗的基本流程：
在界面上的展現(xiàn)示例如下：
觸發(fā)器
有四種語音輸入的觸發(fā)器：
語音觸發(fā)器：?用戶將發(fā)出特定的短語，提示設備開始處理語音（“Ok Google”）
觸覺觸發(fā)器：按下按鈕（物理或數(shù)字）或切換控件（例如麥克風圖標）
動作觸發(fā)器：在傳感器前揮舞手臂等
設備自觸發(fā)：通過預先設定的條件（指定時間、地點，任務提醒或其他觸發(fā)條件）來觸發(fā)設備的響應
設計師必須了解，哪些觸發(fā)器與你的用例相關；并對各類觸發(fā)器與你用例的相關性進行排序。
引導線索
通常，在觸發(fā)設備偵聽之時，會有聽覺、視覺或觸覺提示。這些提示應遵循以下可用性原則：
即時反饋：觸發(fā)后，應該盡快呈現(xiàn)引導線索，即使這可能會中斷當前的操作（只要這種中斷不具有破壞性）。
精確簡短：引導提示應該是瞬間完成的，特別是常見的設備。例如，兩個肯定的嗶嗶聲比“OK Justin，需要我給你做什么？”要好。引導提示越長，用戶的話就越可能與設備提示相沖突。這個原則也適用于視覺線索，屏幕應立即轉變?yōu)轳雎牋顟B(tài)。
清晰的開始：用戶應確切地知道他們的聲音是什么時候開始被錄制的。
一致性：引導線索應始終相同。聲音或視覺反饋的不一致，會讓用戶感到困惑。
可識別：引導線索應該與設備正常的聲音和視覺效果有所不同，絕不應該在任何其他環(huán)境中使用或重復出現(xiàn)。
補充提示：如有可能，請利用多種方式來呈現(xiàn)提示（如同時出現(xiàn)：兩聲嗶嗶聲，一次燈光閃爍、一次屏幕對話）。
首用提示：對于第一次使用的用戶、或用戶似乎遇到卡住了，你可以提供首用提示/建議來引導對話繼續(xù)下去。
反饋體驗
反饋對于成功的VUI至關重要，它讓用戶明確知道自己的話被設備提取和處理，還允許用戶采取糾正措施或繼續(xù)對話。
以下是提供良好VUI反饋體驗的可用性原則：
實時響應式的視覺反饋：視覺反饋在手機這樣的原生的語音設備最為常見。視覺上都可以實時地改變顏色或模式來傳達出聲音的認知反饋——音高、音色、音強和持續(xù)時間。
聲音反饋：以簡短的音頻播放來給予反饋
實時文本：跟隨用戶的說話，在屏幕上實時顯示出來
輸出文本：用戶說完后呈現(xiàn)文本，供用戶轉換和修改。這可以在執(zhí)行用戶指令之前提供一道糾正機會。
燈光等非屏幕視覺提示：前面提到的響應式視覺效果不僅限于設備屏幕，也可以有LED燈或燈光模式。
結束提示
結束提示告知用戶，設備此時已經(jīng)不再偵聽用戶的聲音了。很多主要提示的原則同樣適用（如即時性、簡短、清晰、一致性和差異性），但依然有一些額外的設計原則：
充足的時間：確保用戶有足夠的時間下達指令
自適應時間?：分配的響應時間要與用例和用戶預期相適應。例如，當用戶被問到“是否式”的問題時，就應在問題最后一個音節(jié)播放后，提供合理的暫停。
合理的暫停：自上次錄音完成之后，經(jīng)過了合理的時間了嗎？這涉及到比較復雜的計算，但也受上下文的用例影響。
會話用戶體驗
像“打開我的鬧鐘”這樣的簡單命令不一定需要冗長的對話，但更復雜的命令卻需要。與傳統(tǒng)的人-人對話不同，人-智能設備之間需要額外的確認、冗余和糾正（嚴格來講，這些在人-人對話中依然存在，只是幾率小、不會有明確的設定）。
更復雜的命令、或多輪對話通常需要多論的語音/選項驗證來確保對話的準確性。當用戶并不確定應該如何發(fā)出指令時，問句會變得更為復雜。解密用戶消息并引導用戶提供更多的上下文信息就成為VUI的重要任務。
肯定性：當AI理解了用戶的語音時，就應該給出肯定性的回復和確認音。例如，人工智能不是說“當然”而是“當然，我會把燈關掉”或“你確定要關燈嗎？”
糾正：當AI無法理解用戶意圖時，就應使用糾正選項來回應——這允許用戶作出選擇或者完全重新開始。
移情：當AI無法滿足用戶請求時，它就應坦誠自己無法滿足用戶、并提供備選項。移情對我們向用戶提供個性化的服務非常重要。
擬人化的用戶體驗
為語音交互賦予擬人化的特征，使我們建立起人-設備的關系。這種擬人化特征可以以燈光、彈跳的球形、抽樣圖案，機器聲音等等。
擬人化特征是指在非人類實體上模擬出的人類特征、情感或意圖。
擬人化特征讓用戶和機器之間建立了更緊密的聯(lián)系，也可以在不同平臺的不同智能產品上建立類似的聯(lián)系（如Google Assistant、亞馬遜的Alexa和Apple的Siri）。
個性：為交互帶來額外維度，虛擬個性幫助我們與用戶建立聯(lián)系和移情。有助于減輕語音處理錯誤帶來的負面影響。
積極性：通常使用積極性鼓勵反復互動，使用肯定的語調。
信心和信任：鼓勵額外的互動和復雜的對話，讓用戶有信心獲得積極和更有價值的結果。
跨平臺跨設備的體驗
語音交互應該是流動和動態(tài)的。在我們的真實對話中，通常會伴隨著無數(shù)的面部表情、語氣語調、肢體語言和身體運動。要將真實對話中的這么豐富的信心轉換到數(shù)字世界中，是很大的挑戰(zhàn)。
如果可能，整個語音交互體驗應該感覺像是一種有益的互動。當然，簡短互動（如“關燈”）并不一定需要有完整的關系。然而，任何類型的更復雜的互動（如借助智能助手完成烹飪）卻需要很長時間的對話。
有效的語音交互體驗將受益于以下原則：
無縫切換：無縫實現(xiàn)不同狀態(tài)之間的轉換。用戶應該感知到他們永遠不許等待，智能助手正在為他工作。
鮮艷：鮮艷的色彩傳達了喜悅和未來主義。它為互動增添了優(yōu)雅的未來主義元素 - 鼓勵反復的互動。
響應：響應用戶輸入和手勢。提示出當前正在處理的指令、允許用戶查看他們的語音/意圖是否被準確地理解。
結論和資源
VUI是非常復雜、多維度的，通常是多模態(tài)的交互。事實上它還沒有一個全面的定義。最重要的是，日益數(shù)字化的世界意味著我們將在各類設備上花越來越多的時間、比我們彼此之間的交流要多得多。VUI會是我們與世界互動的主要手段嗎？讓我們拭目以待。
與此同時，您是否想要打算構建世界級的VUI？以下是一些有用的資源：
How to Design Voice User Interfaces?| Interaction Design Foundation
What Is a Voice User Interface (VUI)? An Introduction?| Amazon Developers
Voice Actions?| Google Developers
SiriKit?| Apple Developers
Designing a VUI?by Frederik Goossens
A Guide to Voice User Interfaces?by Fjord
