随着亚马逊、小米、阿里巴巴等大公司都推出了智能语音产品，如何为这类以语音交互为核心的智能产品做设计也成了一个值得探索的领域。今天这篇总结非常全面，建议收藏哟。

　　我们终将以自然的方式与机器交流

　　在2012年圣丹斯独立电影节上，影片《机器人与弗兰克》赢得特别奖，该片讲述机器人Robot照顾患有老年痴呆症弗兰克的故事。选取影片中两张图，一张是人与人的交流，另一张是人与机器的交流。在2017年AI大热之年，人们能否像电影里的弗兰克那样，以人对人的方式与机器交流，这在人机交互学科里定义为「人机自然交互」。

　　何为自然交互?简而言之就是以日常交流方式与计算机进行交互。何为日常交流方式?就是人们通过语音、肢体、手势、眼神、表情等形式进行交流互动。

　　

 

　　人机交互正迈上新台阶

　　人机交互(HCI – Human Computer Interaction)的发展是从人类适应计算机到计算机不断适应人类的过程，划分四个阶段：代码指令交互、图形用户界面交互、人机自然交互和人机情感交互。——引自《人机情感交互》

　　每个阶段的发展都是以技术作为基石，以此带来的人机交互更为直观，也更趋近于人与人的自然交互，同时会拓宽更多的使用场景，会覆盖全年龄段的所有人。如下图所示，指令 – 专业技术人员操作早期计算机;鼠标键盘 – 受过教育的普通人使用PC机进行学习工作;触屏 – 更广泛的人群使用智能手机进行社交、资讯、娱乐等;自然交互 – 所有人将以自然的行为方式与智能产品互动。

　　

 

　　随着AI技术的发展，智能产品在感知层面的能力正在变强，它能感知人们的语音、肢体语言、手势动作、表情眼神等，实现了人机自然交互的可能性，这是正在发生的事情。

　　未来智能产品的趋势是将拥有情感计算能力(Affective Computing)，通过认知人类的语音信息、人脸表情、肢体动作等，从而调整自身的反馈来适应人们那一刻提出的需求，交互会变得越来越容易，它会更懂你。

　　智能产品能感知人的自然动作和读懂人的情感，都属于信息输入层面。在信息输出层面，智能产品如何设计才能达到「人与人自然交流」的感觉，为此我们将从六个维度给出设计建议，分别是人物设定、外观造型、语音、动作、界面和光效。正如同人与人交流时对方的脾气性格、外貌印象、声音特点、肢体语言、表情和眼神。

　　

 

　　以语音交互为核心功能的智能产品设计建议

　　1. 人物设定的设计建议

　　人设是要为用户服务

　　人设是高级的虚拟形象设计，不由设计师的个人喜好来拟定，要充分考虑产品所服务的目标用户。譬如病人希望看见的是专家级医生，旅客希望能获得空姐甜美的服务，食客希望迎宾的店小二是热情好客的，这些形象在我们的脑海里栩栩如生。比如Amazon Echo是成熟职业女性的形象(类似有Google Home、天猫精灵、京东叮咚等)，Olly给人潮流的设计感，它们为各自的目标受众群体去设定形象。

　　人设可以通过抽象的方法进行传达，并非一定要具象化

　　比如小米智能音箱定义的「小爱同学」是二次元形象，在今年11月底做出限量版手办，把形象落地到成具象的实体物品。对此，仁者见仁智者见智，有人说她不是心目中的「小爱」，所以在人设形象的传达上，我们建议可以通过艺术的手法达到目的。比方说用音乐、绘画、文学、电影等艺术进行包装抽象成一套视觉来传达，达到「空山不见人，但闻人语响」的境界。

　　人设与产品要融为一体的进行考虑

　　以语音交互为核心功能的智能产品，其「人声」会让用户自动的联想与之对应的形象，同时需考虑与外观造型相匹配，才能符合用户预期。有些智能产品有动作输出，例如人设定义为蠢萌的jibo，它的动作就要显得有趣可爱。如果考虑不周全，就会导致认知失调产生落差，比如小鱼在家，当用户问它几岁时，它却用其成熟女性的声音回答「我今年两岁了」，而Amazon Echo的回答是「按照人类的出生年龄计算我今年两岁」，后者更能让人接受与理解，即使是微不足道的一句文本都可能会让用户「出戏」，所以人设要与整个产品的信息输出层面融为一体的去考虑。

　　

 

　　2. 外观造型的设计建议

　　充分考虑目标用户的审美与喜好

　　根据目标客群打造其喜欢的外观造型，比如小朋友会喜欢jibo胜过Echo，追求新潮的人更喜欢raven R，因为能与之载歌载舞。与以屏幕为主的智能手机不同，用户可不能更换主题皮肤找到自己的喜好，而Google Home也只能是通过「换裤子」来迎合用户偏好与家居风格。

　　

 

　　基于使用场景考虑造型设计

　　要考虑用户会在哪种现实环境的场景下使用，目前市面上的智能语音产品多数放置在桌面上，体积大小就要认真思考。比如大了点、重了些，就不方便自由移动随处摆放。如果定义为多个使用场景，那便携上得做到位。比如raven H顶部的「点阵触控屏」盖子，用户能轻松取下进行语音和指触交互，于是不受固定位置的限制。

　　

 

　　避免掉进恐怖谷

　　避免与人全特征的过度相似，建议采用抽象的方法提取拟人元素进行设计表达，这有助于产品向用户传达情感信息，从而有效的提升用户好感度。例如蔚来ES8搭载的人工智能nomi，还有百度的度秘，都是通过此类设计方法打造智能情感的交互，让一个工业产品，升级成一个有生命，有情感的新伙伴。

　　但如果与人的特征过度相似，现阶段的技术能力，造型上做不到写实逼真像人。同时语音、表情、动作也无法达到自然完美的匹配，所以这不伦不类的设计会给用户带来糟心的体验。例如Blue Frog Robotics公司推出的Buddy，很容易让用户掉进「恐怖谷」。

　　

 

　　「恐怖谷理论」是由日本机器人专家森昌弘提出， 他认为，人形玩具或机器人的仿真度越高人们越有好感，但当达到一个临界点时，这种好感度会突然降低，越像人越反感恐惧，直至谷底，称之为恐怖谷。如图所示，谷底处能动的僵尸比静止的尸体更恐怖，虽然尸体已经够恐怖的了。

　　

 

　　3. 语音的设计建议

　　自然感

　　避免单调乏味，做到像人说话一样的自然，语气上听起来积极主动，有意愿的感觉，每一个音素合成的词句清晰可辨，自然流畅。人类语音的信息含有语音声学特征和文本语义，语音声学特征主要是韵律特征(指音素组合成语句的方式)，包括声调、重音、停顿、语速等，汉语是一种有调语言，声调携带非常重要的情感信息。语音属于自然交互的一种，它需要达到「自然」的感觉，才能让用户感知可用。

　　如何让Siri听起来更像人那般自然?

　　iOS11版本关于Siri的升级目标是「让Siri听起来更像人那般自然」，实现方法是通过深度学习。每一种表达都有略微不同的声波，每一句话都包含几十或者几百个音素，Siri为每一次发声找出完美的声音组合。其中音素是由苹果挑选出的候选人进行发音采集，情感语料的获取是苹果以匿名的方式进行收听，然后用于深度学习，进行Siri的训练。

　　一旦确定「人声」不宜随意更改

　　一旦人设的声音已根植在用户的耳朵里，不宜随意更改。如果说手机界面换背景图就像人换一身新衣裳，而以语音交互为核心功能的智能产品更换「人声」，就像重新认识一位陌生人。古语说「如闻其声，如见其人」，人们会很自然的把声音与某个人进行关联，新的声音是谁，就会重新进行「人物建模」。

　　像人和人那样进行对话

　　首先是对话流畅，做到及时反馈，如有停顿，不宜过长。话术简短而有效，不要主动终止对话，尽可能的推动持续交流。当然不能以命令的形式让用户去完成某个任务，这不是一个合适的对话，它或许有点像上下级的关系，会导致用户反感和带来抵制。

　　在感知用户后尝试主动发起对话

　　再过些时日，可能Amazon Echo它能够根据说话者的语音情感进行识别计算，通过韵律学特征(语调、响度、节奏、语音质量等)更懂用户说这句话的此刻心境，就像电影《Her》里的那句台词「你今天听起来有点不开心」，它能感知你，试着主动发起一次对话。

　　

 

　　4. 动作的设计建议

　　使用国际通用的认知动作传达，同时考虑各地方的风俗习惯

　　例如