編輯導讀：隨著智能音箱、智能家居等智能硬體的普及，語音交互熱度也不斷飆升。本文從交互模式的發展出發，梳理分析了語音交互的優勢、存在的問題和設計要點，並展望了語音交互的未來發展，希望通過此文能夠加深你對語音交互的認識。
隨著人工智慧技術的發展，語音交互逐漸成為我們主流的交互方式之一，一方面是因為語音交互更加自然，一方面也得益於技術的發展。從智能音箱到智能手機，語音交互正在被大眾所接受。
一、交互模式的發展
自從工業革命以來，人機交互就逐漸進入人們的視野。
- 開始是傳統的按壓交互，一個機械按鍵，按下去以後機器會有相應的反饋，就像現在手機的開機鍵。
- 然後就是鼠鍵交互，通過滑鼠+鍵盤這個組合，映射到可視的顯示器上，點擊來進行交互。
- 緊接著是觸控交互，觸摸屏的普及，人們開始習慣在屏幕上戳戳點點，這就是我們每天都在使用的觸摸交互。
- 一直到現在，在以上兩種交互的基礎之上，又衍生出了語音交互和手勢交互，這都是得益於大數據和人工智慧的發展，這就是我們常用的智能音箱和手機助手。
- 未來最有可能被普及的就是意識交互，計算機可以識別人腦的想法，從而直接進行反饋，之前看的Facebook有一個輸入法就可以通過腦電波輸入，最近又有埃隆·馬斯克的腦機介面演示，感覺這一天離我們越來越近。
現在語音交互在技術上也越來越成熟，識別的準確率和處理的效率越來越高，也已經有了很多落地的產品，足以證明語音交互在現在的可行性。隨著5G和物聯網的普及，語音交互會有更大的應用場景，讓所有的物體都會說話，真是一件不能再酷的事情了。
二、語音交互的優缺點
從最開始的按壓交互，到現在的語音交互，中間經歷了幾百年的時間，但是按壓交互依然沒有被完全替代，像手機上的音量按鍵，電腦上的鍵盤等，在我們身邊隨處可見。語音識別和自然語言處理技術這麼成熟，為什麼我們不能完全由語音控制呢？
這就要說到交互的基本原則，也就是什麼樣子的交互設計用著爽：
- 簡單：儘可能的降低用戶的學習成本
- 精準：能夠準確的完成我們想做的事情
- 自然：符合人體工程設計，看起來像一個正常人
我們先看鼠鍵交互和觸控交互，鼠鍵交互相比觸摸交互，最大的優勢是精準，而簡單和自然就不如觸控交互了。觸摸是人類的天性，相比於滑鼠的映射更加簡單，學習成本低，操作起來也更自然，不用正襟危坐的在電腦前，隨時隨地都可以操作。這也是為什麼手機的交互方式碾壓電腦的原因，但是電腦因為有更精準的特點，也會一直存在。
沒有什麼方式能夠比直接說話來的更簡單，更自然，更不需要學習成本，但是語音交互最大的問題是不夠精準。首先是受環境的影響，導致語音識別的準確率較低；再者就是表達一個意圖的說法千變萬化，更本無法覆蓋全；最後就是語音交互是一個開放域的事情，需要處理很多意外的情況。這裡還沒有考慮有些場景不適合語音交互，比如會議場景，家人睡覺的時候等。
語音交互的優點和他的缺點一樣突出，這也就導致語音交互最終無法取代其他的交互模式，多種交互模式會長期並存。所以我們需要結合實際場景，充分發揮語音交互的優勢，而不是一味的追求語音交互。
三、如何設計語音交互？
由於技術的限制，語音交互的精確性不高，這也導致語音交互在未來很長一段時間裡，不會成為唯一的交互方式，而是和多種交互模式並存，可能會處於一種輔助的狀態。
在設計語音交互的時候，可以按照三步進行梳理。
1. 確定交互場景
先要考慮當前場景是否適合語音交互。適合語音交互的場景有以下幾個特點：
- 環境噪音少，或者噪音處於一個穩定可控的狀態；
- 使用環境私密，或者當前環境交互沒有心理負擔；
- 對指令下發失敗容忍度高，或者有補救的方案；
- 使用對象雙手被佔用，或者距離操作按鈕很遠；
- 觸發的指令意圖簡短且明確。
根據以上特點，我們發現手機的智能助手滿足以上條件，因為手機的使用場景足夠豐富，幾乎覆蓋生活的方方面面，那麼總會有場景完全適合語音交互，所以大家都在嘗試做自己的語音助手。我們常見智能音箱和車載助手，也完全符合。
2. 確定交互反饋
其次要考慮語音交互后的反饋，要能夠保證信息的準確傳達。簡單可以把語音交互夫人反饋分為三種：
- 聽懂了的反饋；
- 沒聽懂的反饋；
- 異常狀態的反饋。
（1）聽懂了的反饋：這個比較好理解，相對比較容易設計。只要知道用戶所表達的意圖，我們就可以給出一個明確的反饋，一般會結合視覺和聽覺同時反饋給用戶，並執行對應的指令。
（2）沒聽懂的反饋：沒聽懂需要分層次，是完全沒聽懂，還是聽懂了一點，還是感覺聽懂了，但是不確認，這都算在沒有聽懂裡面。如果是完全沒有聽懂，一般反饋內容分為兩部分，一是表示沒聽懂，另外需要引導用戶說機器人會的內容。比如「XXXXXXX」，沒有對應的處理方案，對於機器人就是沒有聽懂，可以回復「這個我沒聽懂，您可以對我說’打開空調’。」
如果是聽懂了一點，只聽出一個關鍵詞，或者是說話的語氣，也可以做一些回復。比如「打開XX」，沒有聽清後面的設備，那麼就可以回復「您想要打開什麼設備呢？」，然後根據反饋再做多輪迴復。
如果是聽懂了，但是不確認，就可以直接進行反問，讓用戶進行二次確認。比如「打開空條」，感覺用戶是想要說「打開空調」，就可以直接反問「您是要打開空調嗎？」，然後根據反饋再做多輪迴復。
（3）異常狀態的情況也有很多，但是我們全都需要有反饋。比如噪音、斷網等情況，要提示用戶當前狀態，避免用戶頻繁交互而沒有結果。
3. 確定交互關係
最後還要設定語音交互和其他交互方式的關係。往往一個設備不會只搭載一種交互方式，而是多種交互方式相結合。手機就是一個典型的多種交互方式結合的產物，所以要考慮語音和觸控之間的關係，比如是否要語音支持手機關機，語音指令是否支持打斷當前任務等等。
做語音交互的產品，首先要明確是否適合語音交互，其次再分層次的解決語音交互中的反饋，最後設計清楚語音和其他交互的關係。
四、語音交互的未來
說到語音交互，很多人會說這是最符合人類的交互方式，因為我們感覺人和人之間都是語音交互。其實並不是這樣的，我們說話的時候，是帶有表情和動作的，我們把這種豐富的交互模式叫做多模態交互。
多模態交互才是語音交互的未來。現在我們傳統的語音交互，只是簡單的獲取了用戶的文本信息，基於字面意識去做處理，高級一點的會利用上文聊過的信息，再往前一步，會根據用戶畫像做反饋。多模態交互不僅僅需要文本信息，同樣需要視覺，音頻等信息，然後根據不同的權重，作出合理的反饋。
其實在人與人對話的時候，除了字面意思外，還有很多隱藏的的信息，面對不同身份，不同關係的人，可能反饋的內容都不一樣。所以需要給機器設定人設，還要對用戶進行分類，有時候甚至需要做到千人千面。
語音交互相比於傳統的交互模式，更依賴於演算法和數據，所以語音交互的未來是需要技術突破的。
五、總結
我們生活中有多種多樣的交互方式，每一種交互方式都有它的優缺點，所以很多傳統的交互方式會一直存在。而語音交互是最簡單，最自然的交互方式，但同樣也是精準度最低的交互方式。這也就註定了語音交互將長期處於一個協助觸控交互的狀態，不過有些精準度要求不高的場景，也可以實現純語音交互。
未來語音交互繼續發展，將會進一步對人群進行分類，並結合多模態信息反饋。