對話是人與人之間交換信息的普遍方式。人可以在交流時通過判別對方的語氣、眼神和表情判斷對方表達(dá)的情感，以及根據(jù)自身的語言、文化、經(jīng)驗和能力理解對方所發(fā)出的信息，但對于只有0（false）和1（true）的計算機(jī)來講，理解人的對話是一件非常困難的事情，因為計算機(jī)不具備以上能力，所以目前的語音交互主要由人來設(shè)計。有人覺得語音交互設(shè)計就是設(shè)計怎么問怎么答，看似很簡單也很無聊，但其實語音交互設(shè)計涉及系統(tǒng)學(xué)、語言學(xué)和心理學(xué)，因此它比 GUI 的交互設(shè)計復(fù)雜很多。

要做好一個好的語音交互設(shè)計，首先要知道自己的產(chǎn)品主要服務(wù)對象是誰？單人還是多人使用？第二，要對你即將使用的語音智能平臺非常了解；第三是考慮清楚你設(shè)計的產(chǎn)品使用在哪，純語音音箱還是帶屏幕的語音設(shè)備？了解完以上三點你才能更好地去設(shè)計一款語音產(chǎn)品?？紤]到目前市場上 Alexa、Google Assistant、DuerOS、AliGenie 等語音智能平臺都有各自的優(yōu)缺點，以下講述的語音交互設(shè)計將是通用、抽象型的，以及不會針對任意一款語音智能平臺進(jìn)行設(shè)計。

一、語音交互相關(guān)術(shù)語

在設(shè)計語言交互之前，我們先了解一下與語音交互相關(guān)的術(shù)語。

1. 技能（Skill）

技能可以簡單理解為一個應(yīng)用。當(dāng)用戶說「Alexa，我要看新聞」或者說「Alexa，我要在京東上買東西」時，用戶將分別打開新聞和京東購物兩項技能，而「新聞」和「京東」兩個詞都屬于觸發(fā)該技能的關(guān)鍵詞，也就是打開該應(yīng)用的入口，后面用戶說的話都會優(yōu)先匹配該項技能里面的意圖。由于用戶呼喊觸發(fā)詞會加深用戶對該品牌的記憶，因此觸發(fā)詞具有很高的商業(yè)價值。

「Alexa」是喚醒語音設(shè)備的喚醒詞，相當(dāng)于手機(jī)的解鎖頁面，同時也是便捷回到首頁的 home 鍵。目前的語音設(shè)備需要被喚醒才能執(zhí)行相關(guān)操作，例如「Alexa，現(xiàn)在幾點？」、「Alexa，幫我設(shè)置一個鬧鐘」。這樣設(shè)計的好處是省電以及保護(hù)用戶隱私，避免設(shè)備長時間錄音。

2. 意圖（Intent）

意圖可以簡單理解為某個應(yīng)用的功能或者流程，主要滿足用戶的請求或目的。意圖是多句表達(dá)形式的集合，例如「我要看電影」和「我想看2001年劉德華拍攝的動作電影」都可以屬于同一個視頻播放的意圖。意圖要隸屬于某項技能，例如「京東，我要買巧克力」這個案例，「我要買巧克力」這個意圖是屬于京東這個技能的。當(dāng)用戶說「Alexa，我要買巧克力」，如果系統(tǒng)不知道這項意圖屬于哪個技能時，系統(tǒng)是無法理解并且執(zhí)行的。但是，有些意圖不一定依賴于技能，例如「Alexa，今天深圳天氣怎么樣」這種意圖就可以忽略技能而直接執(zhí)行，因為它們默認(rèn)屬于系統(tǒng)技能。當(dāng)語音設(shè)備上存在第三方天氣技能時，如果用戶直接喊「Alexa，今天深圳天氣怎么樣」，系統(tǒng)還是會直接執(zhí)行默認(rèn)的意圖。我們做語音交互更多是在設(shè)計意圖，也就是設(shè)計意圖要怎么理解以及執(zhí)行相關(guān)操作。

3. 詞典（Dictionary）

詞典可以理解為某個領(lǐng)域內(nèi)詞匯的集合，是用戶與技能交互過程中的一個重要概念。例如「北京」、「廣州」、「深圳」都屬于「中國城市」這項詞典，同時屬于「地點」這項范圍更大的詞典；「下雨」、「臺風(fēng)」、「天晴」都屬于「天氣」這項詞典。有些詞語會存在于不同詞典中，不同詞典的調(diào)用也會影響意圖的識別。例如「劉德華」、「張學(xué)友」、「陳奕迅」都屬于「男歌星」這項詞典，同時他們也屬于「電影男演員」這項詞典。當(dāng)用戶說「我要看劉德華電影」的時候，系統(tǒng)更多是匹配到電影男演員的「劉德華」；如果用戶說「我想聽劉德華的歌」，系統(tǒng)更多是匹配到男歌星詞典里的「劉德華」。如果用戶說出「打開劉德華」模棱兩可的話術(shù)時，那么這句話究竟是匹配視頻意圖還是歌曲意圖呢？這時候就需要人為設(shè)計相關(guān)的策略來匹配意圖。

4. 詞槽（Slot）

詞槽可以理解為一句話中所包含的參數(shù)是什么，而槽位是指這句話里有多少個參數(shù)，它們直接決定系統(tǒng)能否匹配到正確的意圖。舉個例子，「今天深圳天氣怎么樣」這項天氣意圖可以拆分成「今天」、「深圳」、「天氣」、「怎么樣」四個詞語，那么天氣意圖就包含了「時間」、「地點」、「觸發(fā)關(guān)鍵詞」、「無義詞」四個詞槽。詞槽和詞典是有強(qiáng)關(guān)系的，同時詞槽和槽位跟語言的語法也是強(qiáng)相關(guān)的。例如「聲音大一點」這句話里就包括了主語、謂語和狀語，如果缺乏主語，那么語音智能平臺是不知道哪個東西該「大一點」。在設(shè)計前，我們要先了解清楚語音智能平臺是否支持詞槽狀態(tài)選擇（可選、必選）、是否具備泛化能力以及槽位是否支持通配符。詞槽和槽位是設(shè)計意圖中最重要的環(huán)節(jié)，它們能直接影響你未來的工作量。

5. 泛化（Generalize）

一個語音智能平臺的泛化能力能直接影響系統(tǒng)能否聽懂用戶在說什么以及設(shè)計師的工作量大小，同時也能反映出該平臺的人工智能水平到底怎么樣。究竟什么是泛化？泛化是指同一個意圖有不同表達(dá)方式，例如「聲音幫我大一點」、「聲音大一點」、「聲音再大一點點」都屬于調(diào)節(jié)音量的意圖，但是表達(dá)的差異可能會直接導(dǎo)致槽位的設(shè)計失效，從而無法識別出這句話究竟是什么意思。目前所有語音智能平臺的泛化能力較弱，需要設(shè)計師源源不斷地將不同的表達(dá)方式寫入系統(tǒng)里。詞槽和槽位的設(shè)計也會影響泛化能力，如果設(shè)計不當(dāng)，設(shè)計人員的工作可能會翻好幾倍。

6. 通配符（Wildcard Character）

通配符主要用來進(jìn)行模糊搜索和匹配。當(dāng)用戶查找文字時不知道真正的字符或者懶得輸入完整名字時，常常使用通配符來代替字符。通配符在意圖設(shè)計中非常有用，尤其是數(shù)據(jù)缺乏導(dǎo)致某些詞典數(shù)據(jù)不全的時候，它能直接簡化制作詞典的工作量。例如「XXX」為一個通配符，當(dāng)我為「視頻播放」這項意圖增加「我想看XXX電影」這項表達(dá)后，無論XXX是什么，只要系統(tǒng)命中「看」和「電影」兩個關(guān)鍵詞，系統(tǒng)都能打開視頻應(yīng)用搜索XXX的電影。但是，通配符對語音交互來說其實是一把雙刃劍。假設(shè)我們設(shè)計了一個「打開XXX」的意圖，當(dāng)用戶說「打開電燈」其實是要開啟物聯(lián)網(wǎng)中的電燈設(shè)備，而「打開哈利波特」是要觀看哈利波特的系列電影或者小說。當(dāng)我們設(shè)計一個「我要看XXX」和「我要看XXX電影」兩個意圖時，很明顯前者包含了后者。通配符用得越多會影響詞槽和槽位的設(shè)計，導(dǎo)致系統(tǒng)識別意圖時不知道如何對眾多符合的意圖進(jìn)行排序，所以通配符一定要合理使用。

7. 自動語音識別技術(shù)（ASR，Automatic Speech Recognition）

將語音直接轉(zhuǎn)換成文字，有些時候由于語句里某些詞可能聽不清楚或者出現(xiàn)二義性會導(dǎo)致文字出錯。

△ 圖源：Ani

二、語音智能平臺如何聽懂用戶說的話

語音交互主要分為兩部分，第一部分是「聽懂」，第二部分才是與人進(jìn)行交互。如果連用戶說的是什么都聽不懂，那么就不用考慮后面的流程了。這就好比如打開的所有網(wǎng)頁鏈接全是404一樣，用戶使用你的產(chǎn)品會經(jīng)常感受到挫敗感。因此能否「聽懂」用戶說的話是最能體現(xiàn)語音產(chǎn)品人工智能能力的前提。

決定你的產(chǎn)品是否能聽懂用戶說的大部分內(nèi)容，主要由語音智能平臺決定，我們在做產(chǎn)品設(shè)計前需要先了解清楚語音智能平臺的以下六個方面：

當(dāng)前使用的語音智能平臺 NLU（Natural Language Understanding，自然語言理解）能力如何，尤其是否具備較好的泛化能力。NLU 是每個語音智能平臺的核心。

了解系統(tǒng)的意圖匹配規(guī)則是完全匹配還是模糊匹配？以聲音調(diào)整作為例子。假設(shè)聲音調(diào)整這個意圖由「操作對象」、「調(diào)整」和「狀態(tài)」三個詞槽決定，「聲音提高一點」這句話里的「聲音」、「提高」和「一點」分別對應(yīng)「操作對象」、「調(diào)整」和「狀態(tài)」三個詞槽。如果這時候用戶說「請幫我聲音提高一點」，這時候因為增加了「請幫我」三個字導(dǎo)致意圖匹配不了，那么該系統(tǒng)的意圖匹配規(guī)則是完全匹配，如果能匹配成功說明意圖匹配規(guī)則支持模糊匹配。只支持詞槽完全匹配的語音智能平臺幾乎沒有任何泛化能力，這時候設(shè)計師需要考慮通過構(gòu)建詞典、詞槽和槽位的方式實現(xiàn)意圖泛化，這非常考驗設(shè)計師的語言理解水平、邏輯能力以及對整體詞典、詞槽、槽位的全局設(shè)計能力，我們可以認(rèn)為這項任務(wù)極其艱巨。如果語音智能平臺支持詞槽模糊匹配，說明系統(tǒng)采用了識別關(guān)鍵詞的做法，以剛剛的「請幫我聲音提高一點」作為例子，系統(tǒng)能識別出「聲音提高一點」分別屬于「操作對象」、「調(diào)整」和「狀態(tài)」三個詞槽，然后匹配對應(yīng)的意圖，而其他文字「請幫我」或者「請幫幫我吧」將會被忽略。模糊匹配能力對意圖的泛化能力有明顯的提升，能極大減少設(shè)計師的工作量，因為我們盡可能選擇具備模糊匹配能力的語音智能平臺。

當(dāng)前使用的語音智能平臺對語言的支持程度如何。每種語言都有自己的語法和特點，這導(dǎo)致了目前的 NLU 不能很好地支持各種語言，例如 Alexa、Google Assistant 和 Siri 都在深耕英語英文的識別和理解，但對漢語中文的理解會相對差很多，而國內(nèi)的 DuerOS、AliGenie 等語音智能平臺則相反。

有些詞典我們很難通過手動的方式收集完整，例如具有時效性的名人詞典還有熱詞詞典。如果收集不完整最終結(jié)果就是系統(tǒng)很有可能不知道你說的語句是什么意思。這時候我們需要官方提供的系統(tǒng)詞典，它能直接幫助我們減輕大量的工作。系統(tǒng)詞典一般是對一些通用領(lǐng)域的詞匯進(jìn)行整理的詞典，例如城市詞典、計量單位詞典、數(shù)字詞典、名人詞典還有音樂詞典等等。因此我們需要了解當(dāng)前使用的語音智能平臺的系統(tǒng)詞典數(shù)量是否夠多，每個詞典擁有的詞匯量是否齊全。

了解清楚語音智能平臺是否支持客戶端和服務(wù)端自定義參數(shù)的傳輸，這一項非常重要，尤其是對帶屏幕的語音設(shè)備來說。我們做設(shè)計最注重的是用戶在哪個場景下做了什么，簡單點就是 5W1H，What（什么事情）、Where（什么地點）、When（什么時候）、Who（用戶是誰）、Why（原因）和 How（如何），這些都可以理解為場景化的多個參數(shù)。據(jù)我了解，有些語音智能平臺在將語音轉(zhuǎn)換為文字時是不支持傳輸自定義參數(shù)的，這可能會導(dǎo)致你在設(shè)計時只能考慮多輪對話中的上下文，無法結(jié)合用戶的地理位置、時間等參數(shù)進(jìn)行設(shè)計。為什么說自定義參數(shù)對帶屏語音設(shè)備非常重要？因為用戶有可能說完一句話就直接操作屏幕，然后繼續(xù)語音對話，如果語音設(shè)備不知道用戶在屏幕上進(jìn)行什么樣的操作，可以認(rèn)為語音智能平臺是不知道用戶整個使用流程是怎么樣的。在不同場景下，用戶說的話都可能會有不同的意圖，例如用戶在愛奇藝?yán)镎f「周杰倫」，是想看與周杰倫相關(guān)的視頻；如果在 QQ音樂里說「周杰倫」，用戶是想聽周杰倫唱的歌曲。因此，Where 除了是用戶在哪座城市，還有就是用戶目前在哪個應(yīng)用里。

當(dāng)前使用的語音智能平臺是否支持意圖的自定義排序。其實，意圖匹配并不是只匹配到一條意圖，它很有可能匹配到多個意圖，只是每個意圖都有不同的匹配概率，最后系統(tǒng)只會召回概率最大的意圖。在第五點已提到，在不同場景下用戶說的語句可能會有不同的意圖，所以意圖應(yīng)該根據(jù)當(dāng)前場景進(jìn)行匹配，而不只是根據(jù)詞槽來識別。因此語音智能平臺支持意圖的自定義排序非常重要，它能根據(jù)特定參數(shù)匹配某些低概率的意圖，實現(xiàn)場景化的理解。當(dāng)然，只有在第五點可實現(xiàn)的情況下，意圖自定義排序才有意義。

當(dāng)前使用的語音智能平臺是否支持聲紋識別。一臺語音設(shè)備很有可能被多個人使用，而聲紋識別可以區(qū)分當(dāng)前正在使用設(shè)備的用戶到底是誰，有助于針對不同用戶給出個性化的回答。

△ 圖源：Ani

三、設(shè)計「能聽懂用戶說什么」的智能語音產(chǎn)品

當(dāng)我們對整個語音智能平臺有較深入的理解后，我們開始設(shè)計一套「能聽懂用戶說什么」的智能語音產(chǎn)品。為了讓大家對語音交互設(shè)計有深入淺出的理解，以下內(nèi)容將是為帶屏設(shè)備設(shè)計一款智能語音系統(tǒng)，使用的語音智能平臺不具備泛化能力，但是它可以自定義參數(shù)傳輸和意圖自定義排序。以下內(nèi)容分為系統(tǒng)全局設(shè)計和意圖設(shè)計。

全局設(shè)計主要分為以下步驟：

如果跟我們對話的「人」性格和風(fēng)格經(jīng)常變化，那么我們可能會覺得這「人」可能有點問題，所以我們要對產(chǎn)品賦予一個固定的人物形象。首先，我們需要明確我們的用戶群體是誰？再根據(jù)我們用戶群體的畫像設(shè)計一個虛擬角色，并對這個角色進(jìn)行畫像描述，包括性別、年齡、性格、愛好等等，還有采用哪種音色，如果還要在屏幕上顯示虛擬角色，那么我們要考慮設(shè)計整套虛擬角色的形象和動作。完整的案例我們可以參考微軟小冰，微軟把小冰定義成一位話嘮的17歲高中女生，并且為小冰賦予了年輕女性的音色以及一整套少女形象。

考慮我們的產(chǎn)品目的是什么，將會為用戶提供哪些技能（應(yīng)用），這些技能的目的是什么？用戶為什么要使用它？用戶通過技能能做什么和不能做什么？用戶可以用哪些方式調(diào)用該技能？還有我們的產(chǎn)品將會深耕哪個垂直領(lǐng)域，智能家居控制？音樂？視頻？體育？信息查詢？閑聊？由于有些意圖是通用而且用戶經(jīng)常用到的，例如「打開XXX」這個意圖，「打開電燈」屬于智能家居控制意圖，而「打開QQ音樂」屬于設(shè)備內(nèi)控制意圖，「打開哈利波特」有可能屬于電子書或者視頻意圖，所以每個領(lǐng)域都會有意圖重疊，因此我們要對自己提供的技能進(jìn)行先后排序，哪些是最重要的，哪些是次要的。在這里我建議把信息查詢和閑聊最好放在排序的最后面，理由請看第三點。

建立合適的兜底策略。兜底方案是指語音完全匹配不上意圖時提供的最后解決方案，可以這樣認(rèn)為：當(dāng)智能語音平臺技術(shù)不成熟，自己設(shè)計的語音技能較少，整個產(chǎn)品基本聽不懂人在說什么的時候，兜底策略是整套語音交互設(shè)計中最重要的設(shè)計。兜底方案主要有以下三種：

A. 以多種形式告知用戶系統(tǒng)暫時無法理解用戶的意思，例如「抱歉，目前還不能理解你的意思」、「我還在學(xué)習(xí)該技能中」等等。這種做法參考了人類交流過程中多變的表達(dá)方式，使整個對話不會那么無聊生硬。這種兜底策略成本是最低的，并且需要結(jié)合虛擬角色一起考慮。如果這種兜底方案出現(xiàn)的頻率過高，用戶很有可能覺得你的產(chǎn)品什么都不懂，很不智能。

B. 將聽不懂的語句傳給第三方搜索功能?；旧虾芏鄦栴}都能在搜索網(wǎng)站上找到答案，只是答案過多導(dǎo)致用戶的操作成本有點高。為了有個更好的體驗，我建議產(chǎn)品提供百科、視頻、音樂等多種搜索入口。以「我想看哈利波特的視頻」這句話為例子，我們可以通過正則表達(dá)式的技術(shù)手段技能挖掘出「視頻」一詞，同時將「我想看」、「的」詞語過濾掉，最后獲取「哈利波特」一詞，直接放到視頻搜索里，有效降低用戶的操作步驟。這種兜底策略能簡單有效地解決大部分常用的查詢說法，但用在指令意圖上會非常怪，例如「打開客廳的燈」結(jié)果跳去了百度進(jìn)行搜索，這時候會讓用戶覺得你的產(chǎn)品非常傻；還有，如果在設(shè)計整個兜底策略時沒有全局考慮清楚，很有可能導(dǎo)致截取出來的關(guān)鍵詞有問題，導(dǎo)致用戶覺得很難理解。

C. 將聽不懂的語句傳給第三方閑聊機(jī)器人。有些積累較深的第三方閑聊機(jī)器人說不定能理解用戶問的是什么，而且提供多輪對話的閑聊機(jī)器人可以使整個產(chǎn)品看起來「人性化」一點。由于閑聊機(jī)器人本身就有自己的角色定位，所以這種兜底策略一定要結(jié)合虛擬角色并行考慮。而且第三方閑聊機(jī)器人需要第三方 API 支持，是三個兜底策略中成本最高的，但效果也有可能是最好的。

由于是聽不懂才需要兜底策略，所以以上三種兜底方案是互斥的。為了讓整個產(chǎn)品有更好的體驗，我們不能完全依賴最后的兜底策略，還是需要設(shè)計更多技能和意圖匹配更多的用戶需求。人與機(jī)器的對話可以概括為發(fā)送指令、信息查詢和閑聊三種形式，以上三種兜底方案在實際應(yīng)用時都會有所優(yōu)缺點，設(shè)計師可以根據(jù)實際需求選擇最合適產(chǎn)品的兜底策略。

查看語音智能平臺是否提供了與技能相關(guān)的垂直領(lǐng)域官方詞典，如果沒有就需要考慮手動建立自己的詞典。手動建立的詞典質(zhì)量決定了你的意圖識別準(zhǔn)確率，因此建立詞典時需要注意以下幾點：

• 詞匯的覆蓋面決定了詞典質(zhì)量，所以詞匯量是越多越好。
• 該詞典是否需要考慮動態(tài)更新，例如名人、視頻、音樂等詞典都應(yīng)該支持動態(tài)更新。
• 該詞匯是否有同義詞，例如醫(yī)院、學(xué)校等詞匯都應(yīng)該考慮其他的常用叫法。
• 如果想精益求精，還需要考慮詞匯是否是多音字，還有是否有常見的錯誤叫法。有時 ASR（Automatic Speech Recognition，自動語音識別）會將語音識別錯誤，因此還需要考慮是否需要手動糾正錯誤。

在場景的幫助下，我們可以更好地理解用戶的意圖。由于我們的大部分設(shè)備都是使用開源的安卓系統(tǒng)，而且語音應(yīng)用和其他應(yīng)用都相互獨立，信息幾乎不能傳輸，所以我們可以通過安卓官方的 API 獲取棧頂應(yīng)用信息了解用戶當(dāng)前處于哪個應(yīng)用。如果用戶當(dāng)前使用的應(yīng)用是由我們設(shè)計開發(fā)的，我們就可以將用戶的一系列操作流程以及相關(guān)參數(shù)傳輸給服務(wù)器進(jìn)行分析，這樣有助于我們更好地判斷用戶的想法是什么，并前置最相關(guān)的意圖。

撰寫腳本就像電影或戲劇里一樣，它是確定對話如何互動的好方法?？梢允褂媚_本來幫助確認(rèn)你可能沒考慮到的情況。撰寫腳本需要考慮以下幾點：

• 保持互動簡短，避免重復(fù)的短語。
• 寫出人們是如何交談的，而不是如何閱讀和寫作的。
• 當(dāng)用戶需要提供信息給出相應(yīng)的指示。
• 不要假設(shè)用戶知道該做什么。
• 問問題時一次只問一個信息。
• 讓用戶做選擇時，一次提供不超過三個選擇。
• 學(xué)會使用話輪轉(zhuǎn)換（Turn-taking）。話輪轉(zhuǎn)換是一個不是特別明顯但是很重要的談話工具，它涉及了對話中我們習(xí)以為常的微妙信號。 人們利用這些信號保持對話的往復(fù)過程。缺少有效的輪回，可能會出現(xiàn)談話的雙方同時說話、或者對話內(nèi)容不同步并且難以被理解的情況。
• 對話中的所有元素應(yīng)該可以綁定一起成為簡單的一句話，這些元素將是我們意圖設(shè)計中最重要的參數(shù)，因此我們要留意對話中的線索。

最后我們要將腳本轉(zhuǎn)化為決策樹。決策樹跟我們理解的信息架構(gòu)非常相似，也是整個技能、意圖、對話流程設(shè)計的關(guān)鍵。這時候我們可以通過決策樹發(fā)現(xiàn)我們整個技能設(shè)計是否有邏輯不嚴(yán)密的地方，從而優(yōu)化我們整個設(shè)計。

以上是全局設(shè)計的相關(guān)內(nèi)容，以下開始講述意圖設(shè)計。意圖設(shè)計主要包括以下內(nèi)容：

在前面提到，意圖識別是由詞槽（參數(shù)）和槽位（參數(shù)數(shù)量）決定的。當(dāng)一個意圖的槽位越多，它的能力還有復(fù)用程度就越高；但是槽位越多也會導(dǎo)致整個意圖變得更復(fù)雜，出錯的概率就會越高，所以意圖設(shè)計并不是槽位越多就越好，最終還是要根據(jù)實際情況而決定。當(dāng)我們設(shè)計詞槽和槽位時，請結(jié)合當(dāng)前語言的語法和詞性一起考慮，例如每一句話需要考慮主謂賓結(jié)構(gòu)，還有各種的名詞、動詞、副詞、量詞和形容詞。

當(dāng)語音智能平臺泛化能力較弱時，我們可以考慮手動提升整體的泛化能力。主要的做法是將常用的表達(dá)方式抽離出來成為獨立的詞典，然后每個意圖都匹配該詞典。

如果設(shè)計的是系統(tǒng)產(chǎn)品，我們應(yīng)該考慮全局意圖的設(shè)計。例如像帶屏智能音箱、投影儀都是有實體按鍵的，我們可以考慮通過語音命令的方式模擬按鍵操作從而達(dá)到全局操作，例如「上一條」、「下一個」、「打開xxx」這些語音命令在很多應(yīng)用內(nèi)都能用到。

以下通過簡單的案例學(xué)習(xí)一下整個意圖是怎么設(shè)計的，我們先從「開啟關(guān)閉設(shè)備」意圖入手：

首先我們設(shè)計「執(zhí)行詞典」和「設(shè)備詞典」，詞典如下：

設(shè)計「執(zhí)行設(shè)備」的詞槽為「執(zhí)行」+「設(shè)備」。無論用戶說「開燈」或者「打開光管」時都能順利匹配到「Turn_on」+「Light」；而用戶說「關(guān)掉彩電」或者「關(guān)電視」都能順利匹配到「Turn_off」+「Television」，從而執(zhí)行不同的命令。

為了增加泛化能力，我們需要設(shè)計一個「語氣詞典」，詞典如下：

增加意圖槽位。這時候把「執(zhí)行」和「設(shè)備」兩個槽位設(shè)置為必選槽位，意思是這句話這兩個詞槽缺一不可，如果缺少其中之一需要多輪對話詢問，或者系統(tǒng)直接無法識別。接著增加兩個可選槽位，同時為「語氣」，可選槽位的意思是這句話可以不需要這個詞都能順利識別。這時候用戶說「請開燈」、「能不能幫我開燈」都能順利匹配到「Please」+「Turn_on」+「Light」以及「Please」+「Turn_on」+「Light」+「Suffix」，由于「Please」和「Suffix」都屬于「語氣」可選詞槽的內(nèi)容，所以兩句話最后識別都是「Turn_on」+「Light」。通過參數(shù)相乘的方式，我們可以將整個「開啟關(guān)閉設(shè)備」意圖分別執(zhí)行4種命令，并泛化數(shù)十種常用表達(dá)出來。

剛剛也提到，對輪對話的目的是為了補(bǔ)全意圖中全部必選詞槽的內(nèi)容。當(dāng)用戶家里存在數(shù)盞燈時，系統(tǒng)應(yīng)該將剛才的常用表達(dá)升級為「Please」+「Turn_on」+「Which」+「Light」+「Suffix」。當(dāng)用戶說「打開燈」的時候，系統(tǒng)應(yīng)該詢問「您需要打開的哪一盞燈」，再根據(jù)用戶的反饋結(jié)果執(zhí)行相關(guān)命令。

以上的案例只是整個意圖設(shè)計中的一小部分，還有很多細(xì)節(jié)需要根據(jù)實際情況進(jìn)行設(shè)計。完成整個全局設(shè)計和意圖設(shè)計后，我們應(yīng)該邀請用戶進(jìn)行實踐與測試，這時候們很有可能發(fā)現(xiàn)用戶會用我們沒想到的話術(shù)進(jìn)行語音交互，我們要盡可能地完善意圖以及對話設(shè)計，避免產(chǎn)品上線后出現(xiàn)問題。最后，關(guān)于創(chuàng)建用戶故事、撰寫腳本和對話流程設(shè)計，請閱讀 Google 的《Actions on Google Design》和Amazon的《Amazon Alexa Voice Design Guide》兩份文檔以及相關(guān)的語音智能平臺的官方使用文檔，里面會更詳細(xì)地介紹相關(guān)細(xì)節(jié)。

歡迎關(guān)注作者的微信公眾號：「薛志榮」

圖片素材作者：Hooman Hatefi

「如何設(shè)計出優(yōu)秀的語音交互」

• 《語音交互智能產(chǎn)品該如何做設(shè)計？這篇可能是最全面的總結(jié)了！》
• 《阿里設(shè)計師：語音交互設(shè)計的流程及方法全面總結(jié)》
• 《語音交互設(shè)計中，如何創(chuàng)建角色畫像？》