基于情境分析的視障者語音用戶界面設(shè)計方法研究

孫大力 楊柳

關(guān)鍵詞：語音用戶界面 情境理論 視障者 智能語音交互產(chǎn)品 用戶體驗

引言

人機(jī)交互界面出現(xiàn)以來，該領(lǐng)域的許多研究都致力于通過提高計算機(jī)（系統(tǒng)）接口的功能性和可用性來改善人機(jī)交互體驗，并在過去10年間取得了長足發(fā)展。交互方式更加基于多通道而非單通道，提供主動而非被動服務(wù)，并將新興技術(shù)與傳統(tǒng)交互方式進(jìn)行結(jié)合，由此，人機(jī)交互界面變得更加自然和易于使用。

據(jù)統(tǒng)計，2025年全球語音交互市場規(guī)模將達(dá)到69億美元。作為人機(jī)交互的重要領(lǐng)域。語音交互被廣泛應(yīng)用到智能家居、車載語音、智能客服等行業(yè)和場景中。隨著亞馬遜、蘋果等各大公司都推出了智能語音產(chǎn)品，如何對這類以語音交互為核心的產(chǎn)品進(jìn)行設(shè)計也成了一個值得探索的領(lǐng)域。目前，國內(nèi)外針對語音用戶界面的研究更偏向硬件技術(shù)，對軟件層面的交互體驗設(shè)計研究還處于空白階段[1]，業(yè)界也尚未形成相對規(guī)范的設(shè)計流程和方法。其次，設(shè)計研發(fā)階段通常以場景為維度開展，缺乏對用戶人群的細(xì)分研究。

目前我國約有1700萬視力障礙者。語音交互的通道優(yōu)勢和自然性優(yōu)勢，理應(yīng)成為視障者的福音。但縱觀國內(nèi)市場，面向視障者的語音產(chǎn)品還停留在閱讀器、有聲盲杖等傳統(tǒng)設(shè)備上，交互性和智能化程度不足。而現(xiàn)有的智能語音產(chǎn)品在通用性上存在諸多問題，未能真正兼顧視障者使用需求。未來語音用戶界面將會成為鏈接更多智能設(shè)備和更美好生活方式的中心，需要考慮規(guī)模龐大的視障用戶的需求，通過技術(shù)突破和設(shè)計創(chuàng)新，幫助他們填補(bǔ)殘疾造成的空白，生活得更加便利。

一、語音用戶界面概述與研究現(xiàn)狀

（一）語音用戶界面概述

語音用戶界面（voice user interface，簡稱VUI），主要是指為用戶提供語音交流與互動的計算機(jī)平臺，能夠?qū)崿F(xiàn)自動化的服務(wù)并提供完整的相關(guān)流程[2]。簡單來說，VUI允許用戶使用語音與系統(tǒng)進(jìn)行交互。一次完整的語音交互，從用戶輸入指令開始，至少要經(jīng)歷語音識別（ASR）、自然語言處理（NLP）、文本語音合成轉(zhuǎn)化（TTS）三個主要流程。語音識別對識別到用戶輸入的音頻進(jìn)行分析，并得到對應(yīng)的語音文字信息。自然語言處理將用戶指令轉(zhuǎn)化為結(jié)構(gòu)化的、機(jī)器可以理解的語言。在充分理解用戶意思后調(diào)出相應(yīng)的回復(fù)文本，通過語音合成將其轉(zhuǎn)化為聲音反饋。以小愛同學(xué)為例，一條語音請求的處理過程如圖1所示。

（二）語音用戶界面的特點

相比發(fā)展完善的圖形用戶界面，語音用戶界面的出現(xiàn)有其必然性：

特別場景下的高效率。相比圖形用戶界面受操作路徑的限制，VUI可以突破界面層級直達(dá)命令。在居家、出行、會議等場景下，充分解放用戶雙手，顯示出更高的效率。

貼近本能。用語言表達(dá)交流是人類的本能，對于用戶來說，對話比程序操作有著更低的學(xué)習(xí)成本和技術(shù)理解要求。

親切人性化。圖形用戶界面通過視覺圖像、文字去傳達(dá)和接收用戶需求，語音用戶界面的輸入輸出則包含了更多感性信息，如語氣、音調(diào)等，使交互更“有感情”。產(chǎn)品背后的人格化內(nèi)核，也使用戶對科技的想象有了明確的情感載體。

語音用戶界面在提高交互效率、創(chuàng)造自然交互體驗等方面具有優(yōu)勢，符合設(shè)計所追求的自然、親切目標(biāo)。但由于語音技術(shù)發(fā)展還不夠完善，語音用戶界面仍存在著許多缺點。例如在應(yīng)對背景噪音、方言等問題時識別準(zhǔn)確率不夠高，輸入不受控導(dǎo)致輸出內(nèi)容不確定，語音交互信息展示量有限等，除此之外，輸入輸出操作的私密性和公共性也是語音交互無法逾越的邊界?？偟膩碚f在準(zhǔn)確性、信息輸出展示、適用場景等方面還有待提高，設(shè)計時需要通盤考慮。

（三）語音用戶界面設(shè)計研究現(xiàn)狀

隨著互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、人工智能和大數(shù)據(jù)的發(fā)展，智能家居產(chǎn)品被廣泛應(yīng)用于為用戶提供智能便捷的服務(wù)中。關(guān)于智能產(chǎn)品的語音用戶界面，國內(nèi)學(xué)者開展了一系列的研究探討。廖青林等[3]通過實證研究、問卷調(diào)查和數(shù)據(jù)分析，得出用戶與智能家居產(chǎn)品的情感互動程度決定產(chǎn)品智能化程度的結(jié)論。周文祥等[4]通過分析和探討人際交流與對話特征，提出適用于智能語音情感交互的設(shè)計方法，一感知用戶的情緒狀態(tài)，二是設(shè)備自動替換相應(yīng)狀態(tài)并給出恰當(dāng)響應(yīng)。竇金花等[5]基于情境分析對適老化智能家居產(chǎn)品的語音用戶界面進(jìn)行了研究與改進(jìn)，改善了老年群體在智能家居產(chǎn)品操作中的使用感受與交互體驗。汪海波等[6]同樣針對老年人存在的問題，對電視機(jī)的語音用戶界面設(shè)計進(jìn)行了改良，從老年用戶認(rèn)知逐漸老化、聽覺感知下降、不易讀懂視覺界面等弱點出發(fā)，提出了4個層次的設(shè)計策略。吳宇等[7]通過對VUI與GUI在不同使用場景與交互體驗中的優(yōu)劣勢進(jìn)行對比，提出了以語音交互為中心的界面設(shè)計方法。綜上所述，以語音為核心的用戶界面設(shè)計是符合時代潮流、符合用戶實際需求的，具有廣闊的發(fā)展應(yīng)用前景。

（四）語音用戶界面設(shè)計流程

針對語音用戶界面的設(shè)計過程，與圖形用戶界面完全不同，目前業(yè)內(nèi)還沒有建立統(tǒng)一的方法和流程。以谷歌提供的語音用戶界面設(shè)計規(guī)范為例，流程如圖2所示。

二、視力障礙者使用語音交互產(chǎn)品的情境分析

互聯(lián)網(wǎng)和人工智能時代，設(shè)計更加注重用戶體驗，并嘗試使用新技術(shù)感知用戶需求。需求通常構(gòu)建在一定的情境條件下，將情境作為設(shè)計的重要基礎(chǔ)因素，能夠使設(shè)計人員站在用戶的角度，組織人-機(jī)-環(huán)境系統(tǒng)中的相關(guān)要素，模擬出合理的產(chǎn)品發(fā)展方向，創(chuàng)造出更好的用戶體驗。視障用戶由于自身視覺通道的缺失和外部環(huán)境的復(fù)雜性，更需要設(shè)計人員充分理解使用情境與需求，實現(xiàn)以用戶為中心的設(shè)計。

（一）情境理論

B.Schilit教授1994年提出的情境理論來源于普適計算的研究，并將其描述為關(guān)于人與周圍環(huán)境的展示以及這些物理屬性的變化[8]?！冬F(xiàn)代漢語詞典》對情境的解釋是：在一定時間內(nèi)各種情況的相對的或結(jié)合的境況。在設(shè)計學(xué)中情境是人、機(jī)、環(huán)境相聯(lián)系時所呈現(xiàn)的樣貌和所處的狀況，包括產(chǎn)品存在的大環(huán)境以及相互間的動態(tài)交互。根據(jù)研究涉及的不同系統(tǒng)，情境有不同的劃分方法。Schmidt將情境劃分為與人相關(guān)的情境和與物理環(huán)境相關(guān)的情境，Jack Gwizdka則將情境分為最基本的內(nèi)部情境和外部情境，內(nèi)部情境用來描述用戶自身狀態(tài)，如用戶情境；外部情境用來描述外部環(huán)境狀況。本文以居家環(huán)境下的智能語音產(chǎn)品為例，基于Jack Gwizdka的劃分方法，將視障者使用產(chǎn)品時的相關(guān)情境劃分為四種：用戶情境、時間情境、環(huán)境情境、任務(wù)情境，并以此展開情境分析。

（二）視力障礙者使用智能語音產(chǎn)品的情境分析

1.用戶情境：指與用戶特征相關(guān)的信息，主要情境因素如表1。用戶情境復(fù)雜且難以衡量，通常歸納為生理、認(rèn)知心理和情感特征三個方面。（1）生理特征方面：人類大約87%的信息來自視覺[9]。視力受損的人傾向于調(diào)動所有可用的認(rèn)知器官來彌補(bǔ)視覺缺陷，這種機(jī)制叫作感官代償。其中聽覺提供了大腦接受信息比例的11%，是僅次于眼睛的第二大感官，視障者通常會更加善于捕捉聲音信息。（2）認(rèn)知心理方面：結(jié)合認(rèn)知心理學(xué)對視障者的信息處理過程進(jìn)行分析。知覺的產(chǎn)生來自于視障者從外界獲取信息，因此要保證語音輸出的有效性和及時性。注意力的產(chǎn)生受個體信息承載能力和周圍環(huán)境水平影響，設(shè)計時需綜合考慮信息展示通道、視障者信息承載量等。記憶過程的機(jī)制顯示，語言表達(dá)在感覺記憶向短時乃至長時記憶的轉(zhuǎn)化中起到了重要作用[10]，且視障者的記憶以聲音和皮膚觸覺為主，設(shè)計中可以充分利用語音提示和觸覺設(shè)計，幫助提升記憶持久度。（3）情感需求方面：失明重新組合并嚴(yán)重改變了每個視障者的心理活動，影響著他們的情感狀態(tài)[11]。視障者通常表現(xiàn)出更多的孤獨感、依賴性、自卑情緒和不信任感，對于安全感、熟悉感、確定性和自我效能感有著強(qiáng)烈需求。在產(chǎn)品使用時希望對功能具有明確性和掌控感，語音交互更加親切、有溫度。

2.時間情境：指用戶不同時間所發(fā)生的行為，通常包括日常事件時間和特殊事件時間。視障者日常事件時間往往相對固定，如每天起床和休息時間、烹飪就餐時間。在日常生活中，又存在著諸多由不同生活習(xí)性導(dǎo)致的個體差異或特殊活動安排（如購物、就醫(yī)等），具有不確定性和不規(guī)則性。設(shè)計時應(yīng)盡量滿足視障者時間上的通用需求和個性化需求，盡可能針對用戶時間規(guī)律進(jìn)行感知、記錄。

3.環(huán)境情境：指用戶周圍的物理和社會環(huán)境信息，包含時間、溫度濕度、光線強(qiáng)度、社會風(fēng)俗等。視障用戶所處環(huán)境信息復(fù)雜多變，且難以憑借其他感官或經(jīng)驗判斷，一定程度上影響了產(chǎn)品使用體驗。設(shè)計時應(yīng)對環(huán)境中必要接觸因素和非必要接觸因素進(jìn)行劃分，保留有益于經(jīng)驗養(yǎng)成的必要接觸因素并鼓勵嘗試，對會形成感知偏差或危險的非必要接觸因素的信息獲取方式進(jìn)行替換，使用傳感器技術(shù)提高產(chǎn)品主動感知和反饋的能力，給予視障用戶及時提醒。

4.任務(wù)情境：指對用戶完成當(dāng)前任務(wù)或相關(guān)事件、行為有影響的設(shè)備與服務(wù)的描述，包括用戶為完成這項任務(wù)表現(xiàn)出的動機(jī)、行為、具體操作、遇到的阻礙、與系統(tǒng)的交互方式和交互質(zhì)量、設(shè)備類型和狀態(tài)等。視障者使用產(chǎn)品的動機(jī)，來自于用戶對自身需求和產(chǎn)品功能的明確，智能語音產(chǎn)品的產(chǎn)品定位和功能大多建立在為視障者日常生活提供便捷有效的服務(wù)如智能控制、陪伴、娛樂等，在使用初期就需要使視障者足夠了解，并產(chǎn)生使用需求。交互方式是否簡單自然，語音輸出是否符合對話慣例，反饋是否及時有效，是否預(yù)設(shè)了所有可能出現(xiàn)的需求和異常情況，都將影響到視障者本次的交互質(zhì)量和任務(wù)體驗。

三、面向視障用戶情境的智能語音產(chǎn)品VUI設(shè)計策略

用戶需求通常建立在一定的情境條件下，各情境下的語音用戶界面設(shè)計策略也同樣要滿足用戶需求。通過情境分析，梳理出視障用戶使用智能語音產(chǎn)品時的各類需求如圖3所示，并提出不同情境下的視障者語音產(chǎn)品設(shè)計策略，幫助指導(dǎo)相關(guān)設(shè)計研究實踐。

（一）用戶情境下的設(shè)計策略：在于充分理解視障者的特征及偏好，提供相關(guān)度高的智能化、人性化服務(wù)。

1.多用戶體驗。每個用戶都有不同的使用習(xí)慣和偏好，用戶也希望智能語音產(chǎn)品能夠真正“認(rèn)得”自己。面對視障者和家人差異化的需求，通過聲紋識別等技術(shù)，既可以非常自然的實現(xiàn)用戶身份切換，又能夠記錄不同用戶生活習(xí)慣，從而提供有針對性的服務(wù)，如不同響應(yīng)方式，“定制化”答案等，使每個成員都能通過同一終端設(shè)備獲得截然不同的使用體驗。例如，當(dāng)視障用戶提出查閱文本信息的請求時，產(chǎn)品通過識別用戶特征，從而采取更恰當(dāng)?shù)摹耙纛l”播放而非“視覺”展示形式。

2.多模態(tài)交互。語音用戶界面?zhèn)鬟_(dá)的信息是線性且不易記憶的，多模態(tài)交互融合了視覺、聽覺、觸覺等多種交互方式，使信息表達(dá)的效率和完整度更高。例如，手機(jī)語音助手通常采用可視化的GUI，如動態(tài)的圓圈氣泡、聲波線，使反饋更加直觀；無屏音箱語音助手通常利外置按鍵和氛圍燈的閃爍變化來提高感知準(zhǔn)確度。視障者使用的智能語音產(chǎn)品應(yīng)當(dāng)以語音作為主要交互方式，結(jié)合視障用戶群體特征和行為偏好，在喚醒、輸入、理解、反饋等環(huán)節(jié)的交互過程中，融入物理按鍵、燈光、震動、短音效等多模態(tài)交互方式，為視障用戶提供更容易感知的輸入輸出選項，并使通道間做到真正的協(xié)同，實現(xiàn)融合自然的交互體驗。

例如智能音箱Google Home的語音交互方式，如圖4所示，頂部觸控面板上四種顏色的LED燈，根據(jù)任務(wù)不同階段呈現(xiàn)不同的樣式，揚(yáng)聲器格柵底部可以依據(jù)用戶喜好更換不同的材質(zhì)顏色。Google Home從用戶行為習(xí)慣與偏好出發(fā)，高效率捕捉用戶特征，提供個性化、便捷性、易感知的服務(wù)，為智能語音產(chǎn)品交互設(shè)計提供了重要參考。

3.人性化感知。聲音的自然感是語音交互被用戶感知的基礎(chǔ)條件，音色通常為成熟或可愛的女聲，并與產(chǎn)品定位相吻合。在視障者語音產(chǎn)品設(shè)計中，需要明確產(chǎn)品的工具和情感屬性，表達(dá)科技的人文關(guān)懷，例如活潑語調(diào)更能迎合視障者的心理期望，積極且富有變化的語氣詞在幫助視障用戶理解交互進(jìn)度的同時還能傳遞情感。除了聲音以外，人格化的 VUI 能夠使用戶感知和情感傳遞更具真實性[12]。通過設(shè)計產(chǎn)品人格化內(nèi)核和視覺化形象，一定程度上能夠弱化產(chǎn)品的科技感，提高視障用戶對新技術(shù)新事物的接受程度。例如小度使用了機(jī)器人卡通形象作為AI的概念表達(dá)，小愛同學(xué)的形象則是一個極具科技感又像個鄰家女孩的紅色短發(fā)機(jī)甲少女，如圖5，包含的4種音色也分別擁有自己獨特的聲音的人設(shè)性格。

（二）時間情境下的設(shè)計策略：在于針對用戶時間特征，提高系統(tǒng)的適應(yīng)性和靈活性。

1.適應(yīng)性。適應(yīng)性意味著語音用戶界面設(shè)計必須適合一系列工作模式，包括用戶日常事件時間。它面向一類用戶，并負(fù)責(zé)滿足80%的用戶需求。在設(shè)計中要考慮多數(shù)視障用戶的時間特征和一般條件。例如大部分視障用戶具有相對規(guī)律的起床時間和鬧鐘喚醒需求。

2.靈活性。靈活性允許用戶根據(jù)特定目的調(diào)整界面。當(dāng)一些情況無法被考慮到時，大約20%的空間應(yīng)當(dāng)保留在語音用戶界面設(shè)計中，允許單個用戶自定義其語音用戶界面以適應(yīng)其個性化時間需求。

（三）環(huán)境情境下的設(shè)計策略：在于理解特定環(huán)境信息需求，構(gòu)建舒適的物理環(huán)境和智能化體驗。

1.主被動服務(wù)相結(jié)合。環(huán)境情境下，一些物理環(huán)境參數(shù)如室溫、位置等影響產(chǎn)品使用體驗，且較難憑借感官或經(jīng)驗直接判斷。通過傳感器對環(huán)境信息進(jìn)行度量、監(jiān)測，基于用戶指令，弱化用戶輸入，強(qiáng)化信息主動輸出，提升視障者與產(chǎn)品的互動頻率和智能化體驗，滿足在環(huán)境下的生理需求和信息需求。例如當(dāng)用戶提出“幫我把熱水器設(shè)定到45攝氏度”，產(chǎn)品在達(dá)到預(yù)設(shè)條件后主動發(fā)起對話提醒，免除用戶再次詢問，既降低視障者的記憶負(fù)荷，又能主動引導(dǎo)其進(jìn)行交互。

2.自適應(yīng)功能。聽覺感知是視障用戶獲取信息的重要途徑，也是理解和反饋從而產(chǎn)生交互行為的前提，被視障者捕捉到聲音不總是那么容易，這受到周圍噪聲和人機(jī)距離的影響。在語音交互設(shè)計時需要賦予產(chǎn)品根據(jù)環(huán)境自適應(yīng)調(diào)整的能力，以保持穩(wěn)定的自身性能和使用體驗。例如烹飪時一般伴隨較大噪音（如火焰聲、沸騰聲、抽油煙機(jī)聲），導(dǎo)致視障者對產(chǎn)品提示的聽覺感知受到影響。如果語音輸出音量能夠自動升高，以保證聲音始終被聽到，將大大降低廚房危險。

（四）任務(wù)情境下的設(shè)計策略：在于根據(jù)任務(wù)情境信息構(gòu)建連續(xù)自然的服務(wù)體驗。如圖6所示。

1.有效的交互引導(dǎo)。語音交互輸入的不確定性會導(dǎo)致輸出結(jié)果的不確定性。有效的交互引導(dǎo)可以幫助視障用戶快速了解產(chǎn)品使用方式，愉悅地完成任務(wù)目標(biāo)，從而滿足其尊重需求和自我實現(xiàn)需求。常規(guī)設(shè)計中會根據(jù)場景不同使用紅點引導(dǎo)、氣泡引導(dǎo)、蒙層引導(dǎo)、互動式引導(dǎo)等多種方式，在視障者語音產(chǎn)品中更適合使用教學(xué)式引導(dǎo)，進(jìn)行新手教學(xué)和對應(yīng)業(yè)務(wù)教學(xué)。新手教學(xué)重視產(chǎn)品的易學(xué)性、引導(dǎo)的有效性，同時還需考慮愉悅性，多給予正向反饋，使視障用戶獲得成就感。業(yè)務(wù)教學(xué)則需要結(jié)合使用場景，具體問題具體設(shè)計，通過將教學(xué)融入自然對話的沉浸式引導(dǎo)方案，啟發(fā)用戶快速學(xué)習(xí)。例如指令教學(xué)時給出示例而非簡單說明，使用“可以告訴我你的生日嗎？比如1980年10月10日”，而非“可以告訴我你的生日嗎”。

2.明確邊界感。語音用戶界面不受層級和預(yù)設(shè)路徑限制的特點，意味著交互過程中用戶需要探索其功能邊界，這種模糊性給視障用戶造成極大的不安感。基于視障用戶使用時的安全需求，控制上，通過交互引導(dǎo)使視障用戶清楚可控制的范圍及方式，強(qiáng)化輸入規(guī)范性。反饋上設(shè)計視障者易于感知理解的反饋方式，使其充分捕捉任務(wù)狀況，如設(shè)計不同語調(diào)的系統(tǒng)提示音指代不同任務(wù)結(jié)果。語音或音效反饋盡可能及時，避免產(chǎn)生緊張心理。輸入確認(rèn)策略要基于視障群體特征進(jìn)行設(shè)計，幫助其明確產(chǎn)品如何理解自己。盡可能使用時間線（如“首先”）、接收回執(zhí)（如“知道了”）和積極反饋（如“做得好”）等對話式標(biāo)識，使其了解交談進(jìn)程和任務(wù)情況[13]?；謴?fù)：支持設(shè)定的同時也支持暫停、取消，最好設(shè)置對應(yīng)物理按鍵，提高視障者使用產(chǎn)品時的可控感和容錯性。

結(jié)語

人類最早的交互方式之一就是語言，隨著人工智能時代的到來，在追求自然交互方式的驅(qū)使下，我們又再次回到了語音交互。未來人們生活中的語音用戶界面將更加具備去中心化、多模態(tài)融合、服務(wù)場景化的特點，極大地改善了視障用戶和其他殘障群體的生活質(zhì)量?；谇榫撤治龅恼Z音用戶界面設(shè)計更加以用戶為中心，使設(shè)計要素與使用情境、用戶需求相對照，保證了產(chǎn)品的使用體驗。面向視障群體的語音用戶界面設(shè)計充滿復(fù)雜性和挑戰(zhàn)性，借助人工智能技術(shù)和交互設(shè)計的發(fā)展，一定會更高程度地滿足視障者在不同情境中的需求，提供更加便捷的人機(jī)交互和令人愉悅的用戶體驗，成為視障者的生活伙伴。