近几年来，智能音箱的普及度非常高，不少人都会选择购置智能音箱并通过语音进行简单的交互。然而，也有很多人在使用过程中，发现智能音箱存在着一些“听不懂人话”的缺点……

作为小度音箱（无屏基础版）的用户，本文针对使用中的一个体验细节进行分析，并尝试给出语音交互的解决方案。

一、CASE示例

场景1

用户：小度小度，播放金玟岐的《十三》/播放SHE的《十七》

小度：好的，播放金玟岐的《岁月神偷》/好的，播放SHE的《super star》

用户：小度小度，播放金玟岐的《十三》/播放SHE的《十七》

小度：好的，播放金玟岐的《岁月神偷》/好的，播放刘德华的《十七岁》

……

无限循环

场景2

用户：小度小度，播放邓紫棋、艾热的《光年之外》/播放邓紫棋的《光年之外》热爱版

小度：好的，播放邓紫棋的的《光年之外》

用户：小度小度，播放艾热的《光年之外》/播放邓紫棋的《光年之外》热爱版

小度：好的，播放邓紫棋的的《光年之外》

……

无限循环

二、问题抽象

• 问题1：当播放音乐的语音指令有2到3个甚至多个约束条件的时候，DuerOS有时会回应错误
• 问题2：即使用户”字正腔圆、咬牙切齿“的反复重复同一条指令，DuerOS仍会在多个错误回应之间循环切换，反复给出错误的回应

三、问题可能原因分析

1. ASR（自动语音识别）识别错误或NLU（自然语言处理）分词、忽略关键条件等错误

也就是说，在系统看来，它所收到的指令，前者可能类似于”播放SHE的’时期‘“，后者则类似于”播放SHE的十/七“或者“播放SHE”（忽略了“《十七》”之类，理解的错误造成了小度无法正确播放。

2. 版权问题

经验证小度的音乐版权服务方，百度音乐和QQ音乐都没有金玟岐的《十三》的版权，但有其他几首歌的版权，因此版权理应也不是这个体验洼地的主要原因。

3. 策略问题：小度的语音交互什么时候应该进入“对话模式”？

相比问题1，问题2才是造成这个体验洼地的关键。这是因为，在小度已经无法正确识别用户意图的同时，没有通过进入对话模式给用户提供更多解决问题的方案，而是机械的重复系统里置信度最高的操作，这无疑会使得用户火冒三丈。

所谓“对话模式”通常有多轮的语音交互，并且AI能够理解用户的上下文含义，从而更“聪明”地做出回应，举个经典的例子：

• 用户：谁是美国的第16任总统
• AI：林肯
• 用户：他去世时多大？
• AI：林肯享年65岁

对话模式中，AI承接了上文的“他”指的是“林肯”；而如果是非对话模式，AI则会对用户的第二句“他”不知所措。

目前的策略，一般情况下小度与用户之间的交互是单轮命令式的，即用户“小度小度”唤醒后给予小度指令，小度会做出单次回应。

但有以下两种情况（记忆中观察到的，因为疫情影响手边没有产品，应该会有情况遗漏）小度会切换到对话模式：

1. 当用户主动说出“进入极客模式”或者“来聊聊天吧”之类的指令
2. 当小度“不自信”的时候。比如给予的指令小度理解不清楚、小度为了消除指令的歧义、或者出现打断对话等异常情况时，小度会采用各种确认策略，反复确认用户的指令，这样也就进入了多轮对话

所以在现有常规的交互策略下，当小度“自信”的时候，比如他自信地忽略掉了一些限定词（例如艾热、热爱版），从而自信地认为用户就是想听邓紫棋原版的《光年之外》，这时它一般不会进入对话模式。

尽管用户火冒三丈地多次重复同样的“播放《光年之外》艾热版”的指令，小度依然会我行我素地播放邓紫棋原版的《光年之外》。

我不清楚这种策略设置的决策依据是什么，可能是这种case比较极端没有被注意到，可能是技术限制，也可能是出于成本考虑，在此不做判断，但不影响从体验优化的角度给出建议。

四、尝试给出解决方案

问题1的解决

结论：出于可能的成本考虑，“版权问题”的情况自动进入对话模式，其他由于AI能力问题造成的错误，交由问题2的解决方案一并解决。

示例对话：

用户：小度小度，播放金玟岐的《十三》

小度：对不起，暂时没有相关歌曲的播放版权，是否为您播放金玟岐的《岁月神偷》

用户：好的

GUI原型：无

VUI交互流程：

问题2的解决

• 结论：当用户反复唤醒小度重复相同指令时（先为“播放下一曲”之类的命令加白，不在此讨论之列），自动进入对话模式。
• 功能逻辑：

这里有几个概念需要解释：

1）确认策略

AI在回应用户指令时，会有一系列备选答案，按置信度高到低排列，形成N-Best列表。在使用列表中不同置信度的答案回应用户时，AI需要使用不同的确认策略。高置信度的答案采用隐性确认，低置信度的答案采用显性确认（举例见下方示例对话）。

2）消除歧义策略

当用户给出模糊不清的指令或冗余的指令时，AI向用户反复确认、拆解或补充，以形成确定的指令。

示例对话：

//进入对话模式//

• 用户：小度小度，播放邓紫棋和艾热的《光年之外》
• 小度：（置信度大于80%，隐性确认）好的，为您播放邓紫棋的《光年之外》
• ……（若循环上述对话，则进入对话模式，触发确认策略） 

 //进入确认策略//

• 小度：（置信度大于65%小于80%，显性确认）您是希望播放邓紫棋的歌曲《光年之外》现场版吗？
• 用户：不是
• 小度：（置信度大于50%小于65%，显性确认）您是希望播放邓紫棋、华晨宇的歌曲《光年之外》吗？

……（置信度递减）//进入消除歧义策略//

• 小度：（置信度小于45%）对不起，请问您想听哪谁的歌？
• 用户：邓紫棋和艾热
• 小度：能说一下主要是哪位歌手吗？
• 用户：艾热
• 小度：好的，在艾热的歌曲中找到了23首歌曲，请问歌曲的名字是？
• 用户：《光年之外》
• 小度：好的，为您播放，邓紫棋、艾热《光年之外》

GUI原型：无

VUI交互流程：略

五、结论

新的问题：

短期来看，这个解决方案有肉眼可见的需要改变的代码量，因为第一步执行判断“是否用户重复了m次相同指令”应该是要在整个代码架构上加一次判断，有一定的工程量。

但是长期来看，对用户体验的提升是值得的。站在用户的角度，无疑希望体验能够优化的更好。是否要为了优化这个体验细节而付出这个开发成本（用户有其他临时替代方案，比如打开小度app手动搜寻歌曲，比如有屏音箱），需要更多的数据论证相关收益和优先级，作为非内部人士，缺乏相应的决策依据，这里不做判断。

在重新看这个体验问题中，由于场景的复杂和AI能力的不足，用户扮演了一个“帮助系统修正错误”的反馈角色。

因为我的水平有限，相关思考多来自于工作的语音项目和学术论文设计，但没有完整实操过复杂的语音助手项目落地，理解有误的地方请不吝指正和批评。

本文由 @eason 原创发布于人人都是产品经理。未经许可，禁止转载

题图来自Unsplash，基于CC0协议