[ 2017 UCAN 論壇分享] 智能時代的語音設計
繼上次與大家分享的 Airbnb 創意總監 Steve Selzer，在 2107 UCAN 主會場分享的 <Design for Friction> 後。本週的分享，將繼續為各位帶來 Nathan 在今年 UCAN 創新分論壇中的演講內容 <智能時代的語音設計>。
2016 的上半年相信大家還記得 AR/VR 的火熱，但到了下半年人工智能（ Artificial Intelligence, A.I.）卻變成了新的科技熱詞，各大互聯網公司紛紛推出各自的 A.I. 產品，開始搶占這個新的市場。
Alphabet 的 CEO Larry Page 在 2016 年的 Google I/O 大會上，正式提出了「We’re Moving from a Mobile-First to an ‘AI-First’ World」，將從無線優先開始進入人工智能優先，其實就揭開了這場白熱化的市場競爭。
Nathan 的設計團隊由於主要是對接阿里人工智能實驗室，有機會嘗試設計比較前沿的語音交互產品。因此也積極在思考隨著人工智能與語音技術的成熟，具備 Artificail Inteeligence(A.I.), Internet of Thing (IOT), 與 Conversational User Interface (CUI) 屬性的產品，設計師該從哪些維度來設計。
所以也趁著今年 UCAN 的論壇機會，總結了業務中的設計經驗，以及對 CUI 設計方法的研究與觀點。與大家分享脫離了設計師所擅長的介面後，該如何解決語音交互產品的體驗問題。
本文會依照當時的演講稿內容，分為四個段落來跟大家分享：
1. 科技型態的改變
2. 設計思維的改變
3. 設計方法的改變
4. 設計角色的改變
由於受限演講時間的原因，每個段落會以概括的方式來說明，細節的部分 Nathan 會再找時間分享給大家。讓大家也有機會一睹，前沿產品在開發過程中會遇到的各種心酸血淚。
那麽本文開始囉！
本文適合（1）對於語音設計有興趣的 Designer（2）嘗試建設 CUI 設計體系的 UX Manager（3）想知道前沿技術產品的 Anybody
科技型態的改變
從 2016 年美國的 Gartner 研究機構，所發佈的新技術成熟度曲線，可以看到「感知機器時代」已慢慢來臨。包含機器學習「Machine Learning」、虛擬個人助理「Virtual Personal Assistant」、用戶對話介面「Conversational User Interface」、智能機器人「Smart Robot」、自然語言問答等。語音人工智能相關的技術，大體已經運過了技術炒作期，開始有相關的技術沈澱與商業應用。
語音交互技術，主要包含自動語音識別 (Automatic Speech Recognition, ASR)、自然語言理解 (Natural Language Understanding, NLU)、自然語言生成 (Natural Language Generation, NLG)與文字轉語音能力 (Text to Speech, TTS)等技術。
簡單的理解，就如同真人在與人進行對話的「聆聽」、「理解」、「回覆」三種能力。也因為是基於人類的聽覺系統所發展出來的交互技術，目前這樣的交互方式也被定義為人機對話介面（Converational User Interface, CUI）。當然也有一說是基於語言聲音系統，所以稱為（Voice User Interface, VUI）。
除了大家耳熟能詳的 Siri 和 目前火紅的 Alexa，另外舉幾個例子來說明，這些與語音交互深度相關的技術，目前具體達到了什麼水平。
如果你常常往中國參加一些互聯網大會或技術論壇，應該對實時語音字幕比較熟悉，以往這樣的場合大多會請速記師來做實時紀錄。但實時語音識別技術 ASR 的成熟，已經讓機器取代這部分的工作變成了可能。雖然會因口音和嘈雜背景環境的影響，目前 ASR 技術在較好的拾音環境中，甚至有高達 97% 準確率。
而如果在 ASR 技術上再加上一些關鍵字理解和歸納的能力後，也已經開始被用到了一些相對較為專業的領域。例如截至 2016 年 8月，浙江省已經有超過32 萬起的案件，是透過智能語音法庭的方式來輔助法官判案。
語音交互雖然在深度垂直領域已經以了一些商業應用，但從橫向面的角度來看，整體還是 Too Young Too Simple，整個產業目前還屬於比較前期的階段。整體來說 ASR 與 TTS 技術相對比較成熟，已經有較多的商業化應用。
但像是 NLP/NLU 技術，甚至基於語音、語調和說話內容，來分析情緒等應用。都還在研發的路上。NLU 目前在比較簡單的垂直領域中，像是天氣查詢這種已經有不錯的表現。但到了交叉領域就還有許多訓練量要處理。必須依賴更精準的算法與大數據，才能慢慢的往鋼鐵人中的 Javis 那樣，能進行更為自然的語音交互。
語音技術真要說目前帶來最大的不同，是越來越多相關的語音產品及應用面市，使用者的行為已經開始慢慢被改變。用戶不在只是透過手機這個媒介來獲取相關服務，更多的是開始透過一個公共入口與設備，來使用不同公司所提供的應用服務。
以 Amazon 和 Google 為首的幾個大型互聯網公司巨頭。已經開始進行很深的市場佈局。從智能語音音箱到語音技術開放平台，甚至相關的開發者應用生態，都已經具備了一定的雛形，中國內部的幾個公司，包含聯想、百度、京東，今年也預計發佈幾個語音產品，宣告正式開啟中國市場的白熱化競爭。
設計思維的改變
每次的科技革新與技術變革，接續而來就是人機交戶方式與設計型式的改變。從最早的打孔機交互、到鍵盤滑鼠的點擊交互、再到目前主流的手機手勢交互。
設計師主要的設計載體，大多還是圍繞在圖像介面 GUI 上。而智能時代的來臨，也讓設計師的設計範疇，從二維的介面設計上升到了三維的無介面設計。我們需要先認知到 GUI 與 CUI 的差異，才能從原有的 GUI 設計思維轉變為 CUI 設計思維。
雖然說 CUI 語音交互產品，已經進入了我們的日常生活中，但大家目前在生活中更常碰到的相關語音產品，大多還是帶點介面的。更多的時候，我們仍是將語音交互能力，作為輔助產品使用的手段。
如目前許多 App 都有的語音搜索，更多是透過 ASR 技術，來取代原有的手動鍵盤輸入，在這個例子中可以發現，語音交互能力在用戶意圖非常明確的情境下，會比 GUI 的使用成本低上許多。使用者只要說出心中的意圖，就能立即到達對應的介面進行操作。
以往我們設計師所熟悉的交互方式，更多是仰賴視覺刺激的輸入。但如前面所提的，語音 ASR、NLU、TTS 等技術的慢慢成熟，讓 CUI 這種脫離視覺的交互方式變成了可能。
如果從所謂的人類對話的角度切入，我們可以大致將語音 A.I. 分為幾個不同的能力。聆聽語音及組織語言是構成對話的基本要素，但如果要產生一來一往的對話時，則還需要對話雙方有理解語意的能力，以及對應的知識底蘊。
簡單的歸納語音 A.I. 技術，其實也是對應的這樣的架構。
與圖像識別領域不同的是，語音 A.I. 的技術模塊都是相對獨立的。像是 ASR 與硬體構造、拾音環境與聲學信號的研究領域較有相關。NLU 意圖理解則需要依賴算法的優化，以及大量數據的訓練。
因此不同於我們在 GUI 設計中所熟悉的技術能力，CUI 的設計過程會遇到很大的技術局限性，很容易因此導致產品體驗非常差。
因此語音體驗設計師（Voice User Experience Designer）會更著重在理解語音技術能力的限制，並在目前的語音技術限制與商業應用場景中，找到一個恰到好處的平衡點。
這點 Amazon Alexa 的語音設計團隊已經做了一個很好的示範。目前 Amazon 在美國西雅圖與紐約，各有一隻專門設計 Alexa 語音交互體驗的設計團隊。相同的 Google Home 也編製了這麼一個團隊，專門來研究如何設計語音交互的體驗。
說到語音體驗設計師的職責，或許大多人會聚焦重點在電子音效與對話內容的設計。在這個思考上，我們團隊內部前後做了許多次的專家工作坊和對應的設計研究，藉由模擬人機交互領域中著名的「恐怖谷理論」。來探索在機器擬人語音對談時，有哪些因子是設計師可以具體著手發力的。
「恐怖谷理論」是指機器人與人類，在外表、動作上的相似程度到達一定水準時，人類會對機器人產生極為負面的情感。
我們嘗試透過指定劇本、以及無劇本的方式，讓一人扮演真人一人扮演機器人來重現這樣的場景，並在過程中觀察和會後訪談，來找出虛擬角色的扮演中，有哪些因子會影響最終的體驗。這樣的對話模擬方式，其實也是語音設計中的使用性測試方式之一。
從總結的設計維度中，可以發現透過模擬對談的行為模式，以及相關知識結構、人格情緒設計的方式，來塑造出一個虛擬人格。熟悉過程的設計，其實就相當於我們在 CUI 中常說的大數據或個性化，透過語音交互的使用過程，了解用戶的習慣並進而幫助達到更好的使用體驗。
其實也就像是我們的現實生活中，與人剛認識到熟悉的這麼一個過程，幫然在這樣的時間點上，這樣的設計可能還稍微早了些，但其實借鑒 GUI 發展，我們可以知道 CUI 設計必然會走上相同的道路。
擬人設計因子上，包含了較為概括的聲音、談吐、知識、行為、性格這些維度，這些因子都是幫助我們在所謂的擬人化設計上，設計師可以思考該從哪些維度來切入。當然這些因子與模式，必須得根據不同的產品、不同的業務、不同的用戶群做設定。
從專家工作坊、設計資料調研與研究中可以發現，商業環境中的語音體驗設計師，具體的設計內容可以分為「聲音形象」、「對話交互」、「對話內容」等三個部分。
聲音形象的設計，其實相當於我們在 GUI 中所說的品牌設計。但更大的挑戰是設計師要去思考賦予人性的邊界點在什麼地方？以目前的技術和可實現的場景，一昧的賦予人性可能會帶來過度設計的問題。
對話交互包含了 Chatbot 和語音交互，在脫離的 GUI 圖像輔助的設計載體後，語音交互會需要有更明確的設計目標，包含對話場景的觸發、語音交互的引導等。更重要的是語音體驗設計師，要去了解使用者在使用過程中，對語音產品的期待，並根據實際的場景與用戶期待，來設計相對應的對話 Scenario。
設計方法的改變
前面所提到的科技引領交互形式的改變，以及與 GUI 十分不同的 CUI 設計思維。其實只是粗略的幫我們分了幾個設計可以從中發力的角度。在實際的設計過程中，我們結合了這樣的思考，嘗試進行語音 A.I. 的 IOT 產品設計時，遇到了許多以前無法想像的問題。
我們對於個人智能管家這件事情一直都有個憧憬，近幾年的 Amazon Echo 和 Google Home 的大肆廣告，似乎讓人覺得這個時代已經來臨。從 Robin Willians 主演的「變人」，到史蒂芬史匹柏的「A.I.」，近期的「Her」，甚至鋼鐵人中的 JAVIS，給觀眾傳達的都是無所不能的家庭語音 A.I. 管家。
所以當一款「A.I.」、「語音交互」、「個人助手」等標籤的產品、進到使用者的家庭環境時，用戶就會對他有過高且不實際的期待。
這種過高的期待很容易就會讓使用者有「Easy Anything to Anything」的使用心智。但在目前的語音技術限制下，讓用戶進行無受限的操作時，帶來的就是產品體驗上的惡夢。
Alexa 在去年開始火紅的其中一個重要原因，是他結合了目前的語音交互限制，在商業場景中找到了可行的方案。Apple Siri 想變成鋼鐵人裡的 Javis，試圖回應使用者所有的問題。Alexa 比較簡單，他僅僅是做到聽懂你正確表述的命令，並做出對應的回饋。
“ 簡單一點反而讓用戶有更相符的產品使用心智 ”
因此語音體驗設計師，就是在目前的技術限制下，結合對話交互來幫助用戶進行預期管理，在語音產品設計核心目標，應該更傾向去做「Let User ASK, not TALK」。
透過一張濃縮簡圖將語音交互的幾個重要節點歸納出來。
用戶使用語音產品的過程中，可以大致分為「聆聽」、「處理」、「回饋」三個階段。考慮到設備產品在家庭環境、或固定空間的拾音環境。如果設備隨時隨地的回應用戶的對話時，會造成使用者日常生活中的混亂。
因此在設計這類產品時，通常都會加入「喚醒設備」的關鍵字設計，避免用戶過於輕易或誤用的喚醒設備。
用戶觸發設備後，所輸入的語音內容會經過語音拾別、語意解析、知識理解等不同過程。在語意解析中甚至還會需要有多輪追問關鍵字的交互行為，來獲取完成用戶意圖所需要的關鍵信息。
「響應狀態的設計」以及「語音內容的設計」相對容易理解。而前面所提的設計用戶的操作心智，並做好預期管理，主要是透過「交互行為的設計」來實現。
在 GUI 中我們會因不同的任務場景、內容導向來做不同的設計。CUI 中也是一樣的，為了避免用戶在使用過程中，變成 Anything to Anthing 的使用心智。將用戶所進行的輸入，分類成不同的任務類型，並設計出對應的使用過程與反饋，就能幫助用戶對他所準備進行的操作有相符的預期。
問答操作型：
問答類以及命令類的操作都屬於這個類型，用戶在進行這類型的語音輸入時，大多是具有較為明確的目的性。
比如用戶問「杭州今天天氣怎麼樣？」的問題時，更多的期望是「講出一句話」後，就能獲得對應得反饋。
這種類型也是我們在產品設計中，更傾向讓用戶進行的操作。因為這類型的語料在語句上，自然的會擁有比較結構化、帶有指向性的關鍵詞。因此在設計中，我們也需要以「效率」、「明確」等設計目標，來盡量縮減這個類型的整體交互過程，提操用戶的操作效率。
內容播報型：
新聞類的、音頻音樂類的操作都歸類在這麼類型上，這類型的共通點是 TTS 上的回覆內容會相對較多。
比如用戶問「讀一下忘廬山瀑布」，語音 A.I. 會回覆「好的，『望廬山瀑布』，作者李白，日照香爐生紫煙，遙看瀑布掛前川，飛流直下三千尺，疑是銀河落九天」
在這個類型中，我們考慮的是「清晰」、「簡潔」。因為在使用者接收信息的過程中，只有 30 % 是透過聲音的刺激。短時間的聆聽注意力也就大約 11~13 秒左右。當 TTS 內容超出一定訊息接收成本時，很容易就會影響用戶的使用體驗。
引導同步型：
這個類型是語音交互任務中，最重要也最難實現的類型。前面更多的任務是比較明確且帶結構化關鍵字的。語音 A.I. 的算法模型還算能理解用戶所表達的意圖。但「引導同步」類型的問題，大多是用戶所說的語音命令不夠明確，或許需要更為複雜的交互過程。
也如同真實世界的對話場景，比較不結構化、較為泛話口語的表達方式，才更符合一般使用者的對話情境。因此這種類型上，我們嘗試使用了「對話框架」的設計方式，在判斷用戶的意圖過程中，逐步的縣縮對話走向直到用戶完成意圖的輸入。
語音對話框架包含了「引導」、「限縮」、「回覆」、「轉化」四個過程。如果用戶所表達的意圖內容，帶有一些關鍵訊息但仍不足時，可以透過引導以及有侷限性的追問句，來快速限縮用戶的對話走向。並在回覆內容中，讓用戶知道如果他要完成意圖，還需要輸入什麼關鍵訊息。
總體而言，每次的語音交互其實都有「引導」、「限縮」、「回覆」、「轉化」四個過程。設計師要幫助語音 A.I. 據用戶當前輸入的訊息完整度，來判斷屬於什麼樣的階段。
在語音體驗設計中，設計師一定要先分析當前的場景，用戶可能會進行的輸入是什麼樣的類型，並透過不同類型所對應的回饋結果，讓用戶可能在家居場景中所會輸入的 Anything，轉成相對應的對話結構。使用者自然就會在使用產品的過程中，有相符的預期。
情感化設計
GUI 中有所謂的情感化設計，當然 CUI 中也是一樣的。但在無界面可以著力的情形下。用戶在表達相同的意圖時，可能會使用很多種表達方式。如前面所說的，用戶在真實場景中，更多時候是使用較為口語化的方式來進行語音交互。
例如用戶想設計一個提醒時，可能會說「幫我設一個提醒下午開會」、「提醒我下午開會」、「設個提醒下午開會」等不同的表達方式。甚至當語音確認「是否間呀一個提醒『下午開會』」時，用戶可能也會說出「是的」、「好的」、「Yes」 等差異極大的確認方式。
這個問題上其實設計師能做的事情非常有限。我們除了透過挖掘場景，來盡量收集用戶對相同意圖，可能產生的不同表達方式。我們還需要透過設計非正常流程的對話交互，來幫助用戶離開錯誤的場景，也就是所謂的 CUI 情感化設計。
比如像前面的用戶使用語音產品的交互流程，幾個可能發生錯誤的節點，都需要設計師事先設計錯誤發生時，該如何引導用戶脫離當前的使用場景。
對於設計師和工程師來說，語音設計中最為困難的就是要面對大量無用的輸入訊息，整個語音交互過程，用戶可能的輸入是無法像 GUI 那樣相對規範化的。甚至用戶在交互過程中，只能依靠有限的提示以及短期記憶來完成操作。
所以語音設計的方法中，最重要的一條原則，或者說是最好的方式。就是快速的去利用一些工具，來模擬整個語音交互的過程。利用語音交互行為來管理用戶預期的方式，是需要設計師親身體驗所設計的交互過程，才能有更為清楚的認知。
設計角色的改變
從「科技型態的改變」、「設計思維的改變」到「設計方法的改變」，與大家分享了，我們在業務中所總結出的「語音體驗設計師」的設計角色。包含透過對話交互行為、對話內容結構、對話框架限縮走向等方式，來進行「語音交互的預期管理」。
接下來跟大家分享的是，在實際的設計過程中，這樣的設計角色是如何在產品開發過程中與團隊協作的。
在 CUI 開發過程中有個比較致命的問題，也是所謂的「無界面設計」所導致的。以往產品定義釐清後，設計師介入的工作形式，在 CUI 的開發流程中，可能是不存在的。
因此「語音體驗設計師」這個角色，在 CUI 的開發過程應該更往用戶體驗的人本設計的方向來著力。
在 CUI 的開發過程中，最容易遇到的問題就是相同的意圖，用戶可能會在不同的時間點、不同的地點、不同的環境中，都會有不同的表達方式。所以設計師要更進入到用戶具體使用產品的環境中，去挖掘用戶可能會產生的意圖，以及對應可能的表達方式。
甚至要依不同的地域、不同的人群來看會有多少種的表達方式。
CUI 與 GUI 在處理錯誤的設計上，最大的不同點在于由於沒有界面來限定用戶的操作，CUI 更需要提前考慮用戶可能的使用方式。需求、意圖、表達方式挖掘的越多，用戶在進行語音交互時可能遇到的錯誤情境遇越少。
挖掘出用戶的意圖以及可能的表達方式後，語音設計師的主要工作，會在設計用戶進行語音交互的對話流程，設計方式中所提到的「對話框架設計」以及其他的預期管理的方式，都是在這個階段來使用。
設計師需要將用戶可能輸入的意圖，疏理出幾種可能的操作路徑，並依邏輯對應關係來判斷用戶最終需要的反饋。這部份的設計，就需要仰賴設計師根據不同的任務屬性，來訂定不同的設計目標，並且編寫最終用戶所接收到的語音內容。
最後，也是最重要的事情是，所有語音設計師所設計出的成果，都需要放到真實的環境中來測試使用。真實的使用過程往往會超乎一開始所設定的交互流程，因此需要透過真實情境的用戶可用性測試，才能知道設計出來的結果，是否符合真實的使用情境。
最後想跟大家分享幾點 Nathan 在語音設計上的思考。Amazon Echo 的成功讓語音交互技術，在今年有爆炸性的資金與能量投入，有了很大的成長。但其實整個產業圈都還屬於在前期布局和探索階段，甚至連市場中的營利模式都還未明朗。
現階段而言語音設計的最大挑戰，更多還是屬於我們到底用語音交互這個能力，來幫助用戶完成什麼事情。
Amazon、Google 等幾家公司，正在利用優勢的資源以及大量的數據作入口平台。但如面所提的中間的垂直語音應用，還需要不同領域的開發者以及服務商來完成，原先的產業生態其也只是換了另外一種形式來展現。要達倒向鋼鐵人中的 Javis 那樣，其實需要平台以及垂直服務應用的相輔相成。
設計師在智能時代除了原先的 GUI、服務設計以外，隨著語音技術的越來越成熟，開發成本越來越低。CUI 設計將會是越來越容易涉及到的領域，因此大家可以及早做好準備，迎接智能時代的新設計挑戰。
如果你看到這裡，真心要謝謝你看完落落長的一篇內容 XD
相信大家一定可以感覺到，這個內容分享更多是針對趨勢以及方向，和設計方法、角色的改變，具體的產品設計過程基本比較少。
原因除了本次的設計論壇分享時間有限外，Nathan 目前支持的產品是簽了保密協定的，許多內部的設計資料和文檔都還無法分享給大家。
但隨著產品發佈過後，Nathan 會慢慢將這部分的內容開放出來，讓大家也能在沒有機會支持語音設計的條件下，了解未來人工智能時代可能會興起的新設計領域。
如果你對於 CUI, Voice A.I. 設計有想法或問題的話，非常歡迎留言給我們。
謝謝大家看完，如果你覺得你喜歡這篇文章的話，也請給我們贊喔！～
-Nathan
