banner.jpg)
四十多年前，專家們曾宣稱，語音識別將在“五到十年內(nèi)”發(fā)展為一項成熟的技術�？啥嗄赀^后，他們依然重復著一模一樣的說辭。
語音識別的發(fā)展確實費了不少工夫——好在，時隔多年以后，我們總算開發(fā)出了一套質(zhì)量過硬的識別技術。不僅如此，我們還把這玩意應用到了移動設備上(盡管還得靠服務器提供一大堆技術支持)。
然后問題就來了——有了這樣的技術，我們?yōu)槭裁催�是得整天瞅著自己的手機屏幕鼓搗來鼓搗去，卻無法直接開口跟自己的手機對話交談?
回答這個問題的關鍵，在于提供一個語音交互界面，遠比理解一打單詞來得復雜——尤其是對手機而言。我們還必須得理解用戶的“意圖”。要知道，除了語音技術本身以外，人機語音交流中還有其他因素在作怪——輸出方式，互動形式還有語境。
多元化的輸出：既能秀，也能說
如今投入使用的語音系統(tǒng)，識別的效果一般都過于極端化——要么一字不差，要么謬以千里。事實上，當我們查詢一條去某大街的路線時，要是系統(tǒng)能精確無誤地從數(shù)據(jù)庫的上千個條目中識別出我們想要的那一條，還是挺令人稱奇的。不幸的是，如果識別有誤或者街名不準，我們的搜索就只能乖乖從頭再來。
要想在現(xiàn)有的語音技術上有所突破，我們必須得認識到一點：我們現(xiàn)有的系統(tǒng)，不過就是最原始的識別技術而已——識別技術本身沒啥問題;但除了這套技術以外，我們的系統(tǒng)只是一個空殼罷了。而我們需要的，其實是創(chuàng)造一個語音交互界面——說白了，就是一整套基于語音的互動模式。
理解用戶的“意圖”，意味著系統(tǒng)要判斷出用戶真正需要的事物，而這通常得依靠交談來實現(xiàn)。這就是說，系統(tǒng)要了解用戶為什么問這個問題——一般來說，這就要求系統(tǒng)去知曉對方在做什么;與此同時，這也要求系統(tǒng)根據(jù)用戶所處的情形合理應答。這可決不是一項輕松的任務——畢竟，用戶只是把移動設備握在手中而已，他們可能有著大把的事情，要忙著分神去處理。
互動是一種雙向的溝通，意味著我們在提供輸入的同時還得留意輸出;而這些能發(fā)聲的應用是怎么回答我們的呢?最常見的方式，是直接向用戶回復他們所想要的信息。那些提供實時駕駛指南的“殺手級應用”就是個典型的例子：用戶雙眼注視路況，雙手把好方向盤，然后嚴格按照語音提示說的做就行——這種情況下，這樣的應答方式也確實管用。
但另一些時候，這招就不那么靈了。比如，當我們詢問下班公交什么時候到站時，讓系統(tǒng)自顧自地把整張時刻表背下來就是個不折不扣的餿主意。即使它只是回復一句“下班車9點12分到站”，效果也好不到哪去——這時候，說“下班車12分鐘內(nèi)到站”才是王道。
