作者Khoi Vinh通过采访Sayspring的创始人，探讨关于语音界面的话题，语音交互逐渐变成了热门，在应用层上也越来越成熟，Alexa和Google Home成为了最大的竞争者，阿里和sony也都于今年入场，这一块领域的应用层有了很大的想象空间，Khoi从工具创造者的角度出发，分析了语音交互与视觉界面的不同，并列举了许多例子，来阐述语音交互的场景和局限性。

原文链接：Finding a Voice for Design in Voice UIs

原文作者：Khoi Vinh

设计师们总是需要为技术转变做好准备，语音助手成为了与计算机互动的新方式，我对这种方式饶有兴致，因为它感觉是必然趋势。不论我们是不是很快就能带上AR眼镜或者沉浸在VR的虚幻空间中，通过语音与Alexa，Google Assistant或者Siri交流已经是实现了的新体验。然而，即使我们在潮流的开端，在这些平台上的创建工具仍然是原始的。

这也是为什么我看到Sayspring之后，就留下了深刻的印象。尽管有很多语音开发工具，但是Sayspring是第一个，将语音界面作为设计问题来对待，这一点我很认同。这款app可以让那些对语音界面和bot没有经验的人，也可以轻松地创建Alexa的原型，几分钟内在硬件上运行Google Assistant。除了出色的技术能力，快速追踪的能力也很优秀，语音app的体验需要大量的迭代，谨慎的试错—换句话说，设计。从语音界面的角度考虑，会提出很多的问题，如何将技术演变成能让用户产生共鸣的语言。因此，我采访了Sayspring的创始人Mark Webster，关于Sayspring的展望，以及对语言助手的看法。

Khoi Vinh：是什么让Sayspring与众不同，比Amazon和Google提供更好的开发kit？

Mark Webster：正如你所提到的，Amazon和Google都专注于发布代码模块和教程，帮助开发人员快速构建简单的应用，比如测试和事件生成器，这很好的让人能够踏上这样一条船，但是它也导致了一些蹩脚的语言应用出现，虽然平台是新的，语音API也是新的，产品团队没有太多的经验。此时需要的不是在媒体上的承诺，不是如何去构建语音，而是我们在构建什么，我们为什么要构建它，它是为了谁？

回答这些问题，就需要将设计作为过程中的一部分，我们需要一套工具来消除语音使用的技术障碍。这就是Sayspring，我们的协同设计应用让设计师，体验师和产品人员制作语音驱动的体验，并实时的交流，而不需要编码和部署任何的东西。

我们也相信，伟大的语音体验从专注用户路径开始，这就是 Sayspring制作原型和设计的过程。你不需要了解复杂的背后技术，你只需要专注体验，添加命令和响应，然后在任何设备上与您的项目对话，也可以在开发之前与其他人共享。

“如果在构建产品的初期就用错了方法，之后的事情都是在浪费时间”

优秀的公司都明白设计在web和mobile中的价值。Sayspring迁移到了语音当真。随着发展，我们会让每个人都更容易地使用语音应用。当时如果你从一个错误的方法出发，之后的一切都是在浪费时间。

这个原型和设计的方法超过了一般人对工具的期望：它们帮助你构建完整的产品。

让我们来看看语音的发展，在语音应用方面，仅Alexa就拥有超过11000个Alexa skills，产品的完整性也开始丰富，构建的过程也会越来越简单，但是更多的应用会逐渐被抛弃。

每一款颠覆性的媒介都会有一个早期阶段，创造者从早期的媒介中获取信息，然后推移到新的媒介上。第一个电视节目是在摄像机前播放的广播节目，第一个移动应用只是微小版的网站，需要花费一些时间来理解新媒介的能力和细微差别，创造出充分发挥优势的体验。

我们正在尝试推动，将Sayspring作为语音设计工作中的必要内容。

我们能够发现这样的改变，我们与过去不同，语音的互动让我们更接近自然的交流，应用必须适应现状的人。没有鼠标，键盘或屏幕来学习使用，我们都会交流，语音应用必须满足这一点，这也是我们与数字世界沟通的巨大挑战。

从视觉界面转换到语音界面，能够继承的优势就是，它们都是基于文本的，因此设计和开发的划分会模糊，这意味着一旦你完成了设计工作，会很简单地进入到开发和部署工作去，我们的工作是成为一个，团队可以在多语音平台上设计，构建，管理他们的语音应用的工具。因此，我们计划着端到端的构建过程，我们需要集中精力在设计值得输出的体验。

“语音指令，让互动更接近人类的交流方式”

你相信语音界面会是基于文本的吗？我最近有关注Apple的CarPlay，Google Android Auto，还有Amazon最近发布的Echo Look。这似乎都在表明，语音和屏幕是一个有效的组合。

我的意思是，语音设计过程的输出、话语、实体还有语音，最终都是基于文本的，这会让设计和开发过程间更流畅。许多语音驱动的体验都会包括一块屏幕，但语音仅作为一种传统的gui输入方式。我们为Sayspring提供了演示支持。Alexa和Google Hom的视觉组件目前仅限于文本和图像，因此很容易实现。Sayspring会结合photoshop和sketcj，来做好视觉层的处理。

我们对语音和屏幕的多模态做了很多思考，想象一个助理在你的后面跟着你的电脑，他们会完成你要求的任务。你可以说一段话，让它去完成，并在一些场景下，将成功展示在电脑屏幕上。

所以你可能会告诉它你周末想去看一场演出，并说了些你感兴趣的节目，你看过了什么，期待什么。如果你决定买票，他们会给你提供一个电影院的座位图。你会告诉他们买什么票，如何完成交易。也可以是通过VUI的形式完成。

我想通过这样的心智模型，来帮助理解语音的用户体验是什么。

如果让大多数人对新的媒介感兴趣，是我们的一项目标。我们不仅帮助人们学习语音设计过程，还要告诉他们如何设计体验，太多的语音应用只是开发者创建，大多数的语音产品没有合适的设计过程。我们认为自己是语音对话设计的倡导者。

帮助设计师使用新媒介，也是我们设计产品的一项挑战，人格设计是语音设计中至关重要的一部分，除了选择需要使用的单词外，还可以使用SSML（语音合成标记语言）来添加停顿，改变单词的发音和声调上的变化。

SSML看起来与HTML，我们正在考虑在SSML中添加富文本编辑器。没有设计师反馈需要更好的SSML工具。但是，当我们把它推向世界，它是否也能创造更好的语音体验？我们如何控制语音实践的过程？做出更有机的反应？对于我们来说，这是一个很难回答的问题。

考虑一些事情会发现这是不一样的体验。你对一个好的语音设计师有什么样的概念？对一个好的视觉设计师呢？两者有什么重叠呢？

虽然它可能成为下一个新的设计方向，但仍应该遵循我们熟悉的设计过程，所有的设计工作，包括声音，都应该从定义问题出发，进行研究，集思广益，设计解决方案，收集反馈，迭代。好的语音设计师也会是在工作中思考驱动的人。

Sayspring想要成为画布，设计师通过它来面向新的媒介工作，从他们熟悉的过程，通过工具获得启发。这种新形式的设计是一些学科的交叉，它们有很长的历史可以借鉴。基于手机的交互语音响应（IVR）系统的设计就是语音驱动的。文案与剧本的写作，专注于词语的选择，信息传递，叙事和个性的传递。声音设计和画外音对节奏，音调，听觉氛围有很大的影响。

我们也会有多名设计师，在一个语音平台上共同工作。大多数的Alexa skill和Google Assistant都没有将非口语音频作为体验的一部分。例如“earcons”是一个简短的，独特的声音，用来标记用户在程序中的位置，就像使用不同饿颜色来识别网站的部分，没有人使用这种方法。几乎所有的skill都让你知道你打开了它，通过说“欢迎使用+技能名”，而不是播放一个简短熟悉的音频剪辑，这会随着时间而改变。

我们很快就会看到语音应用的设计团队，会包括交互设计师，具体语音剧本文案的策划，声音设计师添加增强，提示，氛围音效。我们希望Sayspring能做到。

你认为有更丰富的技能和场景化的工作流程能干帮助Alexa skill和Google Assistant发展到下一个阶段吗？绝大多数的应用都很难找到新的用户，即使用户安装了，也很少会继续使用，除了Spotify，我不知道还有哪款应用可以这样做。

我认为聪明的团队应该能够更深入的了解如何使用新的媒介，以及在现有平台上的改变，都会推动语音的变化。

Alexa了解你的越多，能够修复的问题也越多，音乐是语音界面的理想应用，但连接到Spotify之后，就再也不用寻求Spotify了。我们看到越来越多这样的情况。Alexa刚刚发布了一个新的视频API来链接机顶盒和流媒体服务，不需要特定的技能和程序调用。Alexa启动了这类技能，现在说“Alexa，切换到ESPN。”就能马上改变电视频道。

许多早期技能都是起点，达美乐披萨推出了一项Alexa skill，科研让你重新订购之前的披萨。达美乐的CEO Patrick Doyle说，越来越多的人使用这种技能，已经让公司投入更多的资源来优化订购体验了。他们正努力重新构建订单。不同的尺寸，品类，交易额，反馈，都是困难的设计，需要更深思熟虑的设计。

但同时，转换到语音比单纯的skill和action更重要。Google Analytics宣布支持了语音，在移动端和桌面，你可以问“我们上周有多少访客”，而不是一个单纯的界面。win10种25%的cortana请求都是通过语音完成的，每月有一亿的cortana活跃用户，人们已经习惯在电脑前与它交谈，设计语音界面很快会成为一个团队的新任务。

我认为披萨预定是一个不错的前奏，但我想知道语音界面在实际应用上，在复杂任务的局限性。在我个人的经验中，即使是播放音乐也超过了我的认知。除非我有一个明确的想法，知道我要听什么，我必须保留我喜欢的音乐和歌手收藏。而当我看到iTunes，就像我看到厨房里各种各样的东西，我不会知道站在厨房里去呼唤Alexa或者Google Home。这些语音界面是否有实际的限制？缺少具像化的视觉界面？

每种媒介都有自己的优劣，设计师就是要推动这种媒介的感知极限，以找到最有价值的解决方案。很多Alexa处理音乐的时候会发现问题，所以它通过“适合下厨的流行音乐”和“适合睡眠的古典音乐”来解决。我想说的是，问题不是单单添加屏幕就可以解决的。

我不认为语音界面有实际的限制，而是回到它的优点和缺点，不是所有的事情都适合语音操作。如果浏览Pinterest，没有屏幕是不可能的。想要重新设计厨房，然后坐在沙发上，看着电视屏幕，通过语音操作征求意见，提出建议，浏览厨房照片，手持酒杯，这听起来不错。但可能是因为一杯惬意的酒，你可能认为语音代表了一种更随意的方法，我们不应该用语音来表达主要的目的吗？

它可以是一种全新的响应方式，以用户为中心的设计，提供了全新的机会，我走进了我的房子，想要打开灯光和音乐，语音是很不错的方法。在会议前，开车路上我可以更新我的salesforce记录，而不是到了办公室再做，语音也是不错的场景。Alexa是一个不错的起点。

最后一个问题：你觉得谁会是最后的赢家，Alexa，Siri，Google Assistant，Cortana，还是别的？

我认为不同的企业会获得不同领域的胜出，Alexa会赢得家庭市场，Cortana会赢得企业市场，Google Assistant和Siri会在车载上取胜，如果你直接与Amazon竞争，可能不太明智。