智能語音產品要怎麼做？

問：你覺得智能語音未來會對交互有著怎樣的影響，會不會取代 UI 交互嗎？

答：智能語音是未來的趨勢，我們現在已經開始使用語音交互。

在一次機器人交流會上，我向一位來自優必選的演講人提了上面的問題，但我並沒有得到想要的答案。智能語音的未來會是什麼樣子，怎麼用智能語音做出好的產品呢？我一直在不斷地嘗試各種產品，不斷地思考。

試驗

我找到所有涉及智能語音的相關產品，都挨個體驗了遍。智能手錶，智能音箱，智能機器人。還有手機上的各種助手，像蘋果的Siri，Google的 Allo，微軟的 Cortanna，助理來也。這些產品有硬體的，也有軟體的。終端有 PC，手機，手錶。系統平台又有 mac，android，iOS等等。

第一次使用上面的產品並不自然。就像第一次使用觸摸屏手機，沒有鍵盤，很不適應，特別是打字。缺少按下去的實體感覺，會讓人覺得觸摸是個很生硬的操作。還好，手機提供按下震動反饋功能。慢慢適用後，不需要震動也可以的。而相對觸摸操作，智能語音是一種更前沿的交互方式。

觸摸操作縮短了按鍵操作交互路徑。在手機沒有觸摸功能之前，想要點擊某個按鍵時，得先把焦點移動到目標位置。有了觸摸功能，一個手指頭戳過去就行了。那智能語音相較於觸摸操作會不會也有同樣的意義呢？觸摸操作是基於 UI 的，將屏幕作為載體。智能語音則不需要界面，沒有邊界。

換句話說，智能語音突破 UI 交互的層級，直達目標功能。好比說，以前你去政府機關辦個證件，你得按流程路徑走，先去 A 部門蓋個章，再拿這個章去 B 部門蓋個章，等你集完所有章，就可能兌換最後的卡片了。每個部門都得跑，跑錯了就辦理不下來，不熟悉的人跑下來暈頭轉向的。現在呢，下個 App，按要求上傳幾張電子證件，等個幾天，證件就辦好了。嗯，還包郵。中間，你不用跑一個部門，也不需要知道先跑哪個部門，再跑哪個部門，一個操作就搞定了。語音就類似這樣，以前要幾個界面點擊，現在就是一句話的事兒。

體驗

上面是我對智能語音意義的理解。但目前真正在應用階段，並不理想。這裡面有諸多原因，我認為主要是兩方面的限制：

語音識別可靠性。16 年 11 月份的時候，科大訊飛開了個發布會，宣稱語音識別的準確率達到 97%。而同一時間，百度，搜狗也開了發布會，準確率也達到 97%。這個準確率對於商用的意義有多大呢？我做的有個機器人的項目，機器人可以跟用戶聊天對話。機器人語音識別的技術就是採用科大訊飛的。我們在公司測試的時候，搞個簡單的一問一答對話都沒問題。你問機器人，今天天氣怎麼樣？結果很快就能出來。當我們拿到房地產售樓處，效果不理想，並且跟預期的差距是沒有預料到的。

在公司測試的時候，會有雜音，整理環境不算安靜，時而有人說話。當時，覺得這種測試環境不算理想，雖然偶爾有錯誤但也能接受。售樓處環境不一樣，因為營銷需要，一直有電視播放營銷視頻。就算沒有人說話時，機器人也會識別這些聲音。這時候要是有人跟機器人對話，機器人根本無法準備識別說話的內容。人多的時候，售樓大廳里時刻都有人說話，一喚醒機器人，機器人就在那裡嗚哩哇啦了，說一些莫名奇妙的話。因為它識別出的內容都是亂七八糟的。

當然，你也可能說這是場景的原因。在家時或者車裡就沒這麼糟糕了，這是應用層面的問題。如果語音識別不能在技術上解決可靠性的根本問題，那它的應用領域和範圍也大大受限制了。這裡面需要解決的問題也很多，多個人同時跟機器人說話時，要區分好不同人說的話。張三說了哪些話，李四說了哪些話？如果有背景噪音，甚至是人說話的噪音，都要能夠去掉。

語義理解。如果只是單純地解決語音識別可靠性問題，也就是聽得清的問題，並不能稱得上智能語音，智能語音還要解決聽得懂的問題。只有聽得清，聽得懂，才能知道要做什麼事情。

你對機器說，我要吃蘋果。蘋果是什麼，它不知道。所以你得告訴它，讓它學習，有明白蘋果的能力。蘋果可以是一種水果，可以是一部電影，還可以是一個品牌。那蘋果到底是什麼呢？如果你告訴機器，只有代表水果的那個蘋果才能被吃。那機器就能準確理解你說話的意思，知道你的意圖了。做到這一點，就能讓機器明白聽得懂你說話的內容。

在語義理解領域，相關技術成熟度是遠不如語音識別的。要等到語義理解足夠成熟還是需要很長的時間。現在有第三方開放的自然語言理解介面，像 Google 收購的 api.ai、百度的 UNIT。你可以利用它們開放的 API 來讓你的產品有一定的理解能力，改善你產品的交互體驗。接入的過程就像教一個小朋友不斷地學習新的知識，不停地寫各種表達式，餵給機器，停不下來。你能積累多大的知識庫，就看你能寫多少。想寫得多，那就堆人力唄。有多少人工就有多少智能，所以人工智慧。傅盛講做小雅智能音箱時說了，像「上一首」、「再來一首」的指令泛化都是靠人工的。

業務落地

Siri 剛出來那會，用戶期待很大，媒體說這是喬布斯劃的一道光，是未來的趨勢。以後想要做什麼事情，對著手機講一聲就好了。後面很多公司也出了類似的語音產品：出門問問，蟲洞，搜狗語音助手，百度語音助手。 大部分產品做了一兩年後都停了。現在只剩下大公司在玩了，蘋果的 Siri， Google 的 Allo，微軟的 Cortana，百度的度秘。

從 2012 年算起，Siri 出來有 5 年多，身邊沒見有一個人用。前幾天，跟一個做智能語音的朋友交流，他問了兩個問題。

你覺得 Siri 做得怎麼樣？怎樣做得更好？

Siri 必須要做得更好，12 年出來的產品，到現在，並沒有太大的進步。而 Amazon 智能音箱作為後起之秀，卻開拓了新的領域。正好有新聞說，Siri 也要換新掌門人了，以前一直都是 Eddy Cue 負責，現在改為 Craig Federighi 負責。蘋果肯定也是想將 Siri 與 iOS 和 macOS 做一步融合，突然對 Siri 也有了很大的期待。

Siri 要想做好，先得從入口著手。蘋果給了 Siri 快捷入口，但知道的人不多，長按本身就是一個較深的操作。知道的人呢，體驗兩三次就不用了。與同類產品相比，Siri 在很多方面都需要做改進。

適時的引導。Siri 是新產品，學習新的東西就有成本。不像一般類型的產品，有明確的功能，用戶很容易在短時間內建立起產品的認知。用戶對 Siri 的理解是，它很厲害，什麼都知道。但你稍微問一個偏門的問題，Siri 就傻傻不知道了。要讓用戶理解智能助手幹什麼，你需要在合適時間告訴它。

明確的功能界線。Siri 需要給用戶划出明確的界線，讓用戶知道它可以做什麼，哪些事情做得比較好，哪些是不擅長的。但不要簡單給出提示：「你可以這樣問我：xxxx」。

友好的互動。做智能助手，肯定不能一直沉默在後面，不然就淪為工具，只能等到我需要的時候才想起你。而實際上，Siri 沒有一個聚焦的功能，用戶很少會想得到如何使用它。像Google Now，Cortana 就比 Siri 好得多，這種互動是雙向的。即時的互動提醒，根據詢問內容給出多種樣式回復：有圖片，有文字，甚至猜測你的意向來給出相關問題。另外還有待處理事務的卡片式提示。

如果讓你來做語音，怎樣做好智能這個點？

智能的本質是做好兩件事情：預測和建議。

從用戶角度來講，智能就是我做完第1步，你知道我第2步想做什麼。而不是說我讓你做1件事情，你就按照命令去做這件事，這叫功能。比如說，你對 Siri 說，明天早上 7 點鐘叫我起床。Siri 就幫你定好了鬧鐘，但這沒有什麼智能可言。

就目前技術，我們不可能做得很智能，預測某支股票是漲還是跌。在一定範圍內是可以做一些事情的，已經有些產品做得比較好。你對 Cortana 說到沃爾瑪附近的時候，提醒我買牙膏。Cortana 會問你哪個沃爾瑪？你說哪個沃爾瑪都可以。等你到沃爾瑪的時候他就會提醒你買牙膏。Google Now 也是一樣，你到了上班的時間沒有走，它會提醒你不要遲到了。下班時間到了，它會告訴交通狀況怎麼樣，開車回去需要多長時間。這中間我並不需要標記上班的地點，住的地點。Google 會收集我的軌跡，然後自動標記出來。

上面的的預測和建議都是建立在數據源基礎之上。通過收集用戶的行為數據來判斷你的生活習慣，意圖，情緒等。這些數據可以來自：Email，網頁瀏覽歷史，日曆，位置，簡訊，其它第三方的App。但不是所有人都願意把自己的隱私開放出來。