编辑导读：随着智能音箱、智能家居等智能硬件的普及，语音交互热度也不断飙升。本文从交互模式的发展出发，梳理分析了语音交互的优势、存在的问题和设计要点，并展望了语音交互的未来发展，希望通过此文能够加深你对语音交互的认识。

随着人工智能技术的发展，语音交互逐渐成为我们主流的交互方式之一，一方面是因为语音交互更加自然，一方面也得益于技术的发展。从智能音箱到智能手机，语音交互正在被大众所接受。

一、交互模式的发展

自从工业革命以来，人机交互就逐渐进入人们的视野。

• 开始是传统的按压交互，一个机械按键，按下去以后机器会有相应的反馈，就像现在手机的开机键。
• 然后就是鼠键交互，通过鼠标+键盘这个组合，映射到可视的显示器上，点击来进行交互。
• 紧接着是触控交互，触摸屏的普及，人们开始习惯在屏幕上戳戳点点，这就是我们每天都在使用的触摸交互。
• 一直到现在，在以上两种交互的基础之上，又衍生出了语音交互和手势交互，这都是得益于大数据和人工智能的发展，这就是我们常用的智能音箱和手机助手。
• 未来最有可能被普及的就是意识交互，计算机可以识别人脑的想法，从而直接进行反馈，之前看的Facebook有一个输入法就可以通过脑电波输入，最近又有埃隆·马斯克的脑机接口演示，感觉这一天离我们越来越近。

现在语音交互在技术上也越来越成熟，识别的准确率和处理的效率越来越高，也已经有了很多落地的产品，足以证明语音交互在现在的可行性。随着5G和物联网的普及，语音交互会有更大的应用场景，让所有的物体都会说话，真是一件不能再酷的事情了。

二、语音交互的优缺点

从最开始的按压交互，到现在的语音交互，中间经历了几百年的时间，但是按压交互依然没有被完全替代，像手机上的音量按键，电脑上的键盘等，在我们身边随处可见。语音识别和自然语言处理技术这么成熟，为什么我们不能完全由语音控制呢？

这就要说到交互的基本原则，也就是什么样子的交互设计用着爽：

• 简单：尽可能的降低用户的学习成本
• 精准：能够准确的完成我们想做的事情
• 自然：符合人体工程设计，看起来像一个正常人

我们先看鼠键交互和触控交互，鼠键交互相比触摸交互，最大的优势是精准，而简单和自然就不如触控交互了。触摸是人类的天性，相比于鼠标的映射更加简单，学习成本低，操作起来也更自然，不用正襟危坐的在电脑前，随时随地都可以操作。这也是为什么手机的交互方式碾压电脑的原因，但是电脑因为有更精准的特点，也会一直存在。

没有什么方式能够比直接说话来的更简单，更自然，更不需要学习成本，但是语音交互最大的问题是不够精准。首先是受环境的影响，导致语音识别的准确率较低；再者就是表达一个意图的说法千变万化，更本无法覆盖全；最后就是语音交互是一个开放域的事情，需要处理很多意外的情况。这里还没有考虑有些场景不适合语音交互，比如会议场景，家人睡觉的时候等。

语音交互的优点和他的缺点一样突出，这也就导致语音交互最终无法取代其他的交互模式，多种交互模式会长期并存。所以我们需要结合实际场景，充分发挥语音交互的优势，而不是一味的追求语音交互。

三、如何设计语音交互？

由于技术的限制，语音交互的精确性不高，这也导致语音交互在未来很长一段时间里，不会成为唯一的交互方式，而是和多种交互模式并存，可能会处于一种辅助的状态。

在设计语音交互的时候，可以按照三步进行梳理。

1. 确定交互场景

先要考虑当前场景是否适合语音交互。适合语音交互的场景有以下几个特点：

• 环境噪音少，或者噪音处于一个稳定可控的状态；
• 使用环境私密，或者当前环境交互没有心理负担；
• 对指令下发失败容忍度高，或者有补救的方案；
• 使用对象双手被占用，或者距离操作按钮很远；
• 触发的指令意图简短且明确。

根据以上特点，我们发现手机的智能助手满足以上条件，因为手机的使用场景足够丰富，几乎覆盖生活的方方面面，那么总会有场景完全适合语音交互，所以大家都在尝试做自己的语音助手。我们常见智能音箱和车载助手，也完全符合。

2. 确定交互反馈

其次要考虑语音交互后的反馈，要能够保证信息的准确传达。简单可以把语音交互夫人反馈分为三种：

1. 听懂了的反馈；
2. 没听懂的反馈；
3. 异常状态的反馈。

（1）听懂了的反馈：这个比较好理解，相对比较容易设计。只要知道用户所表达的意图，我们就可以给出一个明确的反馈，一般会结合视觉和听觉同时反馈给用户，并执行对应的指令。

（2）没听懂的反馈：没听懂需要分层次，是完全没听懂，还是听懂了一点，还是感觉听懂了，但是不确认，这都算在没有听懂里面。如果是完全没有听懂，一般反馈内容分为两部分，一是表示没听懂，另外需要引导用户说机器人会的内容。比如“XXXXXXX”，没有对应的处理方案，对于机器人就是没有听懂，可以回复“这个我没听懂，您可以对我说’打开空调’。”

如果是听懂了一点，只听出一个关键词，或者是说话的语气，也可以做一些回复。比如“打开XX”，没有听清后面的设备，那么就可以回复“您想要打开什么设备呢？”，然后根据反馈再做多轮回复。

如果是听懂了，但是不确认，就可以直接进行反问，让用户进行二次确认。比如“打开空条”，感觉用户是想要说“打开空调”，就可以直接反问“您是要打开空调吗？”，然后根据反馈再做多轮回复。

（3）异常状态的情况也有很多，但是我们全都需要有反馈。比如噪音、断网等情况，要提示用户当前状态，避免用户频繁交互而没有结果。

3. 确定交互关系

最后还要设定语音交互和其他交互方式的关系。往往一个设备不会只搭载一种交互方式，而是多种交互方式相结合。手机就是一个典型的多种交互方式结合的产物，所以要考虑语音和触控之间的关系，比如是否要语音支持手机关机，语音指令是否支持打断当前任务等等。

做语音交互的产品，首先要明确是否适合语音交互，其次再分层次的解决语音交互中的反馈，最后设计清楚语音和其他交互的关系。

四、语音交互的未来

说到语音交互，很多人会说这是最符合人类的交互方式，因为我们感觉人和人之间都是语音交互。其实并不是这样的，我们说话的时候，是带有表情和动作的，我们把这种丰富的交互模式叫做多模态交互。

多模态交互才是语音交互的未来。现在我们传统的语音交互，只是简单的获取了用户的文本信息，基于字面意识去做处理，高级一点的会利用上文聊过的信息，再往前一步，会根据用户画像做反馈。多模态交互不仅仅需要文本信息，同样需要视觉，音频等信息，然后根据不同的权重，作出合理的反馈。

其实在人与人对话的时候，除了字面意思外，还有很多隐藏的的信息，面对不同身份，不同关系的人，可能反馈的内容都不一样。所以需要给机器设定人设，还要对用户进行分类，有时候甚至需要做到千人千面。

语音交互相比于传统的交互模式，更依赖于算法和数据，所以语音交互的未来是需要技术突破的。

五、总结

我们生活中有多种多样的交互方式，每一种交互方式都有它的优缺点，所以很多传统的交互方式会一直存在。而语音交互是最简单，最自然的交互方式，但同样也是精准度最低的交互方式。这也就注定了语音交互将长期处于一个协助触控交互的状态，不过有些精准度要求不高的场景，也可以实现纯语音交互。

未来语音交互继续发展，将会进一步对人群进行分类，并结合多模态信息反馈。

本文由 @我叫人人 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。