智能音箱语音交互的五种情景模式

小时候，街上有一种店铺，专门教人如何用电脑，如何用鼠标键盘操作WINDOWS。会电脑是门手艺，想要学会是要花钱的。而我的外甥还不会说话的时候，就已经会在手机的触摸屏上点点按按，乐此不疲。

计算机在不足百年的发展历史里，交互方式发生了翻天覆地的变化。从最原始的实物开关，打孔带，到千禧年前的键鼠一代，和千禧年后的触控一代。

第一台电子计算机，ABC，维基百科配图

打孔卡，IBM卡，维基百科配图

施乐公司开发的全球首款图形用户界面，TechWeb配图

iPhone第一代，完全放弃了实体键盘，苹果官网配图

每一次改变，都为用户提供了更轻松更直观的交互体验。随着简便的操作，计算机的巨大威力耶不断得到释放。

前两年被给予厚望的下一代交互主流，虚拟现实VR/增强现实AR火了一段时间之后，后续发展远没有赶上资本界对它们的期待。

相反，以Alexa，Siri、微软小娜、Google Now等产品为代表的基于对话的交互方式（Conversation User Interface，CUI）势头凶猛。美帝巨头苹果、谷歌、亚马逊都纷纷推出了自己的智能音箱抢夺市场。国内，一年之内，就有淘宝的天猫精灵、京东的叮咚音箱、小米的小爱同学和一大批知名、不知名的音箱，混战其中。

这里梳理基于对话交互的五种产品类型

1. 闲聊模型

小黄鸡，最早由韩国ISmaker于02年建立，博客园配图

这类聊天机器人出现时间非常早，最为国内用户所熟知的就是小黄鸡，现在干脆被用来泛指在论坛或者聊天室里自动跟帖回复的小程序。

小黄鸡们背后是一套基于统计的关联算法。简单来说，你和小黄鸡说了一句话后，他会在自己一个旁的语料库里，找到最合适的那句台词回复给你。

机器学习的发展让闲聊机器人能够达到非常不错的匹配率。但是，就算匹配率能够达到百分之百，它依旧不明白你在说什么，也不明白自己在说什么，仅仅知道，这么表达好像最常见而已。

这里面就埋下了很大的风险，16年微软曾经推出过微软小冰的姐妹版-Tay。上线一天，Tay就被调教成一个热衷纳粹、讥讽女权的种族主义者，随后就被紧急下线。

Tay是个很典型的例子，如果一个系统不能理解他们所做的事情，是非常可怕的。它就好像是家里养的八哥，每天逗一逗，它可以说很多话。但八哥再有趣，你也不能指望它能帮你去菜市场买根葱。

这类聊天机器人也有它的用途，针对儿童和老人的陪伴机器人。唠嗑嘛，又不会干啥坏事，只要有电，能说上一天一夜。

2. 触发模型

Siri提供的功能，作者配图

Siri等一批语音助手的核心就是关键字响应系统。它们首先通过语音识别（Speech To Text，STT）辨别你说的每一个字，根据特定识别规则，按照漏斗模型去匹配所能提供的服务。它能听懂“打开”音乐，“关闭”台灯、“打电话”给妈妈等，只要使用能被它们理解的话，这种服务还是挺好用的。

但是这种服务的局限性非常的大，它们的记忆仿佛就和金鱼一样。一位腾讯的产品经理曾经和我吐槽他使用天猫精灵冲话费的经历。

用户：“我要充话费”
精灵：“你的电话号码是？”
用户：“176XXXXXXXX”
精灵：“正打给176XXXXXXXX，电话接通中”
用户：“喵喵喵？”

为了能够完成一个业务，它们不仅需要把所有可能的分支进行覆盖，有时候还需要一些技巧，稍有不慎有时候就会非常地啰嗦。

麦兜：麻烦你，鱼丸粗面
校长：没有粗面
麦兜：是吗？来碗鱼丸河粉吧
校长：没有鱼丸
麦兜：是吗？那牛肚粗面把
校长：没有粗面
麦兜：那要鱼丸油面吧
校长：没有鱼丸
麦兜：怎么什么都没有啊？那要墨鱼丸粗面吧
校长：没有粗面
麦兜：又卖完了？麻烦你来碗鱼丸米线
校长：没有鱼丸
旁：麦兜啊，他们的鱼丸跟粗面卖光了，就是所有跟鱼丸和粗面的配搭都没了
麦兜：哦~~！没有内些搭配啊……麻烦你只要鱼丸
校长：没有鱼丸
麦兜：那粗面呢？
校长：没有粗面

3. 搜索模式

Siri在不能响应你的请求的时候，就会返回一个搜索列表。日常中大家习惯使用百度一下自己不知道的内容，所以这种处理方式看上去还算不错。

从另外一个角度考虑，如果对话的程序不能理解我们想要做的事情，通过搜索知识库返还能找到相关内容，也是正常的降级策略。

这一种模式通常会和知识图谱相联系，IBM的沃森系统便是其中翘楚。利用庞大的知识库，它能够成为某个行业的专家，虽然这个专家偶尔会显得刻板没那么有趣。

4. 任务模式

Alexa和微软小娜等现在主流的智能助理，打出来的口号是，它懂你，能够帮你处理复杂的任务。除了按照吩咐去定闹钟、开灯，还能发现你做这些事的规律，找出你的作息习惯，甚至和其他智能设备结合，统计你的身体数据和习惯设定一个完美的作息表。

想要进化到这种程度，首先需要理解它们所提供的服务，其次要记录之前已经聊天中提到的信息，能够根据存储的信息进行新的对话。它们可以用来做旅行助手规划旅行，投资顾问管理你的资产。

以旅行助手为例，它能记住你之前告诉过它，要去什么地方，住什么规格的酒店，之后他就会帮你规划行程，找到最合适的酒店，还提醒你需要带哪些东西。

迄今为止，这种模式非常依赖高度结构化的对话过程，就好像被人指使着一步步填写调查问卷。不过，一些聪明的公司（比如我们），对这种模型进行了改造，根据当前情况下，所需要的信息动态生成对话内容，而不是像剧本一样走到哪步就说哪句。

5. 学习模式

对话本身就是人们用来分传递信息的一种方式。它可以用来反馈他人的请求，也可以向他人表达建议等等。

谈恋爱时通过对话表达爱意和关心，上课时通过对话传递知识，工作中通过对话同步进度。这些有的并没有一个最终需要完成并达到的状态，而是通过对话不断完善我们对一个事情的理解。

这种模式是我们最终期待的，它能想人一样，不断地对周围进行学习，了解我们的工作、业务、健康、家庭甚至整个社会的状态。这些是无穷无尽的。

这些远远超过了搜索的范围，需要结合结构化数据和非结构化的数据，最终用自然语言表达，达到更加拟人化的状态。与前面提到的模式不同，它还能知道你在问什么，它在说什么。

学习模式虽然比任务和搜索模式更具挑战性，但是它们的根基都是结构化的数据基础。随着自然语言生成能力的提高，它们能够将意图和数据映射到真实的对话上，让它们看上去就像一个循循善诱的智者。

不同模型都有各自的优缺点，和实现复杂度，在对话交互系统里面扮演不同的角色。想要在产品中应用，需要多加考虑。除此之外，对话交互的表现形式也值得斟酌，是想亚马逊的echo音箱一样完全使用语音，还是基于聊天软件使用文本对话，亦或是Cortana、Siri等各种个人助理，富文本交互。这个问题在之后的文章会进一步讨论。

作者：言午　来源：知乎

谢谢阅读，欢迎分享给您的朋友：『优雅派』 » 智能音箱语音交互的五种情景模式