一、對話式交互技術(shù)

以智能音箱、智能電視為代表的對話式交互，是時下非?；馃岬?、且能夠走近我們生活的人工智能子領(lǐng)域。

什么是對話式交互呢？我們首先從一個例子開始。賈維斯，電影《鋼鐵俠》中那位鋼鐵俠的 AI 管家，他能獨(dú)立思考、可以實(shí)時幫鋼鐵俠處理各種事情，包括計算海量數(shù)據(jù)。其中最讓觀眾印象深刻的就是，賈維斯可以隨時隨地像人一樣進(jìn)行口語交流，來解決鋼鐵俠的問題。

賈維斯能聽、會說，能實(shí)時理解主人的對話意圖并根據(jù)實(shí)際場景進(jìn)行下一步的對話，如果在對話過程中碰到有歧義的情況，他還會追問鋼鐵俠，讓他提供更多的信息來消除歧義。賈維斯的這些能力就是對話式交互要提供的，其中的核心是 VUI （Voice User Interface，語音用戶界面）的設(shè)計。相對于 GUI（Graphical User Interface，圖形用戶界面），VUI 解放了人的雙手，某些場景下，簡單的一句語音命令就能代替 GUI 下鼠標(biāo) / 遙控器的多次點(diǎn)擊，這帶來的不只是方便，還節(jié)省了時間。一個好的 VUI 系統(tǒng)，能夠讓用戶盡可能通過最少輪次的對話實(shí)現(xiàn)既定意圖的執(zhí)行。賈維斯總能在危機(jī)時刻幫到鋼鐵俠，他是一個具有完美 VUI 的語音助手。

嗯，我們不要入戲過深，賈維斯是一部電影里的虛擬系統(tǒng)。那么，現(xiàn)實(shí)生活中，我們能創(chuàng)造出來一個接近賈維斯的對話式交互系統(tǒng)嗎？我們該怎么做呢？呃，很遺憾，以當(dāng)前的科技發(fā)展水平，我們還做不到電影里那么智能，更不用說讓機(jī)器有意識。但人機(jī)交互并不是昨天才發(fā)明出來的，人類在這個領(lǐng)域已經(jīng)探索了幾十年，我們可以實(shí)現(xiàn)鋼鐵俠與賈維斯的交互方式，并用這種方式來幫我們處理一些數(shù)據(jù)或控制我們身邊的一些硬件設(shè)備（比如讓語音助手根據(jù)天氣提供穿衣建議或者控制廚房和臥室的各個家電），這就是我們要聊的對話式交互技術(shù)。

對話式交互技術(shù)包括了語音識別 / 合成、語義理解和對話管理三個部分。當(dāng)下的對話式交互產(chǎn)品主要分兩類：以微軟小冰為代表的開放域（Open Domain）對話系統(tǒng)和以亞馬遜 Alex 為代表的任務(wù)導(dǎo)向（Task Oriented）對話系統(tǒng)。以現(xiàn)在的技術(shù)能力，在開放域聊天中，準(zhǔn)確理解用戶的話并給出正確答案的難度是很大的，因?yàn)槊鎸τ脩羟姘俟值奶釂?，機(jī)器對意圖的理解很可能出現(xiàn)錯誤，知識庫也可能涵蓋不了那么廣。開放域聊天更像是一個信息檢索系統(tǒng)，基于已有知識庫，為用戶的輸入匹配到一個答案。這樣的對話能力是十分有限的，構(gòu)造一個完善的知識庫更是困難重重。而任務(wù)導(dǎo)向的對話系統(tǒng)旨在幫助用戶完成特定領(lǐng)域的任務(wù)，比如”查詢天氣“、“訂酒店”，這種領(lǐng)域特定的對話系統(tǒng)的最大優(yōu)勢是實(shí)現(xiàn)起來相對有效并且易于產(chǎn)品化。

二、對話式交互流程

回顧一下鋼鐵俠和賈維斯的交互過程，我們以鋼鐵俠詢問賈維斯當(dāng)前裝備的損傷狀況為例，他們的對話可以概括如下：鋼鐵俠向賈維斯詢問，賈維斯接收到鋼鐵俠的話并理解他的意圖，然后去查詢相關(guān)數(shù)據(jù)，最后把數(shù)據(jù)展示在屏幕上或讀出相關(guān)數(shù)據(jù)給鋼鐵俠聽。這個交互的過程可以總結(jié)成下面這張圖：

? ? ? 鋼鐵俠向賈維斯詢問：鋼鐵俠的語音流發(fā)送給賈維斯。
? ? ? 賈維斯接收到鋼鐵俠的話：賈維斯將語音識別為對應(yīng)的文字，并將口語化的文本歸一、糾錯，并書面化。
? ? ? 理解他的意圖：賈維斯進(jìn)行語義理解，并進(jìn)入對話管理。這里省去了多輪對話的示意，當(dāng)意圖相關(guān)信息不明確時，賈維斯會發(fā)起確認(rèn)對話，鋼鐵俠也可以根據(jù)賈維斯的反饋，繼續(xù)問其他相關(guān)內(nèi)容，這些都是語義理解和對話管理服務(wù)的范疇。
? ? ? 然后去查詢相關(guān)數(shù)據(jù)：在對話式交互服務(wù)中，這個流程的提供者我們稱其為內(nèi)容服務(wù)。
? ? ? 最后把數(shù)據(jù)展示在屏幕上：對話結(jié)束，產(chǎn)生執(zhí)行動作。
? ? ? 或讀出相關(guān)數(shù)據(jù)給鋼鐵俠聽：對話結(jié)束，語言生成文本經(jīng)過語音合成服務(wù)，轉(zhuǎn)換為語音流，播報給用戶。

我們一般稱將這樣的對話式交互系統(tǒng)為語音對話系統(tǒng)（Spoken Dialog System）。這里簡單描述下各個組件。

語音識別 ASR

ASR（Automatic Speech Recognition）直譯為自動語音識別，是一種通過聲學(xué)模型和語言模型，將人的語音識別為文本的技術(shù)。近年來，隨著深度學(xué)習(xí)在語音識別中的廣泛使用，識別的準(zhǔn)確率大大提高，讓這項(xiàng)技術(shù)能被廣泛地應(yīng)用于語音輸入、語音搜索、實(shí)時翻譯、智能家居等領(lǐng)域，讓人與機(jī)器的語音交互變?yōu)榭赡堋?/p>

語義理解 NLU

語音識別只是知道我們說了什么，但真正要理解我們說的是什么，就需要依靠 NLU 這項(xiàng)技術(shù)。NLU（Natural Language Understand）直譯為自然語言理解，是 NLP（Natural Language Processing，自然語言處理）的一個子集，專注于“口語表達(dá)和對話”方向的自然語言處理。我們首先快速了解一下 NLP，NLP 研究主要用來解決下面這些問題：

? ? 分詞：中文的書寫詞語之間不會用空格等符號來分割，分詞就是將漢字序列切分成詞序列，因?yàn)樵跐h語中，詞是承載語義的基本單元。比如從北京飛上海這句話的分詞為：從 北京 飛 上海。
? ? ? 詞性標(biāo)注：詞性用來描述一個詞在上下文中的作用，如名詞、動詞、形容詞等，詞性標(biāo)注就是識別這些詞的詞性，來確定其在上下文中的作用。
? ? ? 命名實(shí)體識別：在句子中定位并識別人名、地名、機(jī)構(gòu)名、數(shù)字、日期等實(shí)體。
? ? ? 文本分類：文本分類就是將一篇文檔歸入預(yù)定義類別中的一個或幾個，比如將某一類郵件歸類為垃圾郵件，區(qū)分不同新聞的類型等。
? ? ? 情感分析：情感分析是找出說話者或文本作者對某個話題的兩極性觀點(diǎn)（積極或消極）、情緒（高興、悲傷、喜歡、厭惡等）。

自然語言理解通過使用上述技術(shù)，完成指代消解、否定判斷、語句泛化、口語歸一化、ASR 糾錯等工作，識別人機(jī)對話中的領(lǐng)域和意圖，獲得對話任務(wù)的語義信息。我們可以通過下面幾個例子感受一下：

1. 第 45 任美國總統(tǒng)是誰？
他是哪里出生的？他 = 唐納德·特朗普

2. 感覺怎么樣？
不太好 不要緊 沒問題 有問題 沒有問題 沒沒沒 沒事

3. 我要看溫情的電影 來個柔情的片子 我想看看暖心的影片

語義表示有多種形式，本系列使用的是最常見也是目前為止最成功的 " 框架語義（Frame Semantics）"，即采用領(lǐng)域 ? ? ? （Domain）、意圖（Intent）和詞槽（Slot）來表示語義結(jié)果。
? ? ? 領(lǐng)域（Domain）：領(lǐng)域是指同一類型的數(shù)據(jù)或資源，以及圍繞這些數(shù)據(jù)或資源提供的服務(wù)。比如“天氣”、“音樂”、“酒店”等。
? ? ? 意圖（Intent）：意圖是指對于領(lǐng)域數(shù)據(jù)的操作，一般以動賓短語來命名，比如音樂領(lǐng)域有“查詢歌曲”、“播放音樂”、“暫停音樂”等意圖。
? ? ? 詞槽（Slot）：詞槽用來存放領(lǐng)域的屬性，比如音樂領(lǐng)域有“歌曲名”、“歌手”等詞槽。

舉個例子，從“北京明天天氣怎么樣”這句話中，NLU 可以得到以下語義結(jié)果

? ? 領(lǐng)域（Domain）：天氣
? ? ? 意圖（Intent）：查詢天氣
? ? ? 詞槽（Slot）：
? ? ? ? ○ 城市（city） = 北京
? ? ? ? ○ 時間（date） = 明天

對話管理 DM

DM（Dialog Management）直譯為對話管理，是對話式交互系統(tǒng)的核心，負(fù)責(zé)控制整個對話過程。主要包括對話上下文（Dialog Context）、對話狀態(tài)跟蹤（Dialog State Tracking）和對話策略（Dialog Policy）幾部分。

? ? 對話上下文：記錄對話的領(lǐng)域、意圖和詞槽數(shù)據(jù)，每個領(lǐng)域可能包含多個意圖的數(shù)據(jù), 一般以隊列的形式存儲。
? ? ? 對話狀態(tài)跟蹤：每輪對話開始后，會結(jié)合本輪對話提供的語義信息和上下文數(shù)據(jù)，確定當(dāng)前對話狀態(tài)，同時會補(bǔ)全或替換詞槽。
? ? ? 對話策略：根據(jù)對話狀態(tài)和具體任務(wù)決定要執(zhí)行什么動作，比如進(jìn)一步詢問用戶以獲得更多的信息、調(diào)用內(nèi)容服務(wù)等。

同樣以天氣場景的對話舉例說明：
Q：明天天氣怎么樣？（intent=query_weather，date= 明天，city=null） A：您要查詢哪個城市的天氣？（action= 詢問查詢哪個城市）
Q：北京的 （intent=query_weather，date= 明天，city= 北京） A：北京明天晴（action= 調(diào)用天氣服務(wù)）
Q：那杭州呢？（intent=query_weather，date= 明天，city= 杭州） A：杭州明天小雨（action= 調(diào)用天氣服務(wù)）
Q：后天天氣（intent=query_weather，date= 后天，city= 杭州） A：杭州后天小雪（action= 調(diào)用天氣服務(wù)）

假設(shè)我們要查詢天氣信息。查詢天氣這個意圖需要兩個必選詞槽，城市和日期。也就是說，只有當(dāng)這兩個詞槽都有數(shù)據(jù)時才能查詢天氣服務(wù)，得到天氣數(shù)據(jù)。從上面對話場景中可以看到，對話管理模塊會維護(hù)多輪對話上下文數(shù)據(jù)（包含意圖和詞槽等），跟蹤對話狀態(tài)，填補(bǔ)或替換詞槽數(shù)據(jù)，并決定如何與用戶交互或執(zhí)行什么樣的動作。比如缺少必選詞槽時，對話系統(tǒng)會追問用戶，以補(bǔ)全詞槽。

對話生成 NLG

NLG（Natural Language Generation）直譯為自然語言生成，即對話生成的技術(shù)。對于任務(wù)導(dǎo)向的對話來說，NLG 基本以模板形式來實(shí)現(xiàn)。模板中的回復(fù)信息可由詞槽或通過內(nèi)容服務(wù)得到的數(shù)據(jù)來替換。對話生成的原則是符合自然語言交互的習(xí)慣，易于用戶理解，最快完成對話。此外，NLG 還可以用于引導(dǎo)用戶的交流習(xí)慣，比如 NLG 的內(nèi)容為 " 已經(jīng)為你開啟導(dǎo)航 "，可以引導(dǎo)用戶在希望導(dǎo)航時，說 " 開啟導(dǎo)航 "。

語音合成 TTS

TTS（Text To Speech）是指語音合成技術(shù)。對話系統(tǒng)的輸出是文本形式的 NLG 或者指令，當(dāng)對話返回的內(nèi)容是 NLG 時，通過 TTS 技術(shù)能將這些文本轉(zhuǎn)換成流暢的語音，播放給用戶。TTS 技術(shù)提供語速、音調(diào)、音量、音頻碼率上的控制，打破 GUI 中傳統(tǒng)的文字式人機(jī)交互方式，讓人機(jī)溝通更自然。

講完了對話式交互的流程和關(guān)鍵技術(shù)，接下來來我們再深入思考下對話式交互的產(chǎn)品化。

三、VUI 語音用戶界面

GUI（Graphical User Interface），即圖形用戶界面，是我們最熟悉的人機(jī)交互方式。我們每天面對的 PC 和手機(jī)，無論是使用鼠標(biāo)點(diǎn)擊還是手指操作觸摸屏，我們早已習(xí)慣了這種無聲的圖形界面交流方式。隨著 AI 技術(shù)的發(fā)展，對話式交互逐漸走近我們的生活，我們和機(jī)器之間的交互從 GUI 邁向了 VUI（Voice User Interface），即語音用戶界面。VUI 是語音應(yīng)用 / 設(shè)備的入口，當(dāng)你說 "Hey Google" 的時候，Google Home 的音箱就會被喚醒，進(jìn)而與你交流。語音成為了 VUI 世界的連接者，就像 GUI 時代的鼠標(biāo)和手指。

相比 GUI 需要用戶動手觸發(fā)某個動作后結(jié)果只能以視覺形式展現(xiàn)給用戶，VUI 有自己獨(dú)特的優(yōu)點(diǎn)，它可以解放用戶的雙手和雙眼，無需手持或者緊盯著設(shè)備，用說話這種更自然的方式去觸發(fā)動作，而返回結(jié)果則以語音方式播放給用戶聽。這在一些像駕駛、做飯、跑步等無法動手操作的場景下特別有用。設(shè)計良好的 VUI，會以最少的交互完成用戶的意圖，能極大地提升用戶體驗(yàn)。比如，通過學(xué)習(xí)用戶習(xí)慣從而為用戶提供 " 條件反射式 " 的服務(wù)、更口語化的交流、引導(dǎo)用戶收斂話題，通過詢問糾正異常情況（當(dāng)用戶不按套路出牌時）等。

在 GUI 中，用戶的行為流程是預(yù)先設(shè)計好的，比如在某個界面能觸發(fā)什么動作都是固定的，或者有個一級一級的引導(dǎo)關(guān)系，用戶只能按照設(shè)定好的流程去做。而在 VUI 中，用戶的行為則是無法預(yù)測的，不同用戶在不同的場景下的行為可能完全不一樣，而且語音交互需要用戶高度集中注意力去聽系統(tǒng)說了什么。在一些場景下反而會帶來不便，比如在電視上想看一個節(jié)目列表，用圖形界面展示的方式會更直觀一點(diǎn)，用戶可以慢慢看，但用語音播報的話，數(shù)據(jù)量大的時候，用戶很可能聽了后面的忘記前面的，效果反而不如 GUI 好。所以設(shè)計 VUI 時千萬不要讓用戶有認(rèn)知負(fù)荷，不要挑戰(zhàn)人類短暫的記憶力。

聲音是自然的交互方式，但卻不能完全取代 GUI，它們是一個互補(bǔ)協(xié)作的關(guān)系。所以在設(shè)計語音交互界面時，可以把 VUI 和 GUI 結(jié)合起來，以實(shí)現(xiàn)多模態(tài)的智能交互。通過上面的描述，我們對 VUI 有了大致的了解，趁熱打鐵，我們來設(shè)計一個對話式交互產(chǎn)品。一起體會下對話平臺要注意哪些問題。

四、對話式交互產(chǎn)品的設(shè)計

設(shè)計一個好的對話式交互產(chǎn)品首先要突破 GUI 的設(shè)計思維。我們設(shè)計一個對話任務(wù)的目標(biāo)是最快速地解決用戶的問題。對話式交互產(chǎn)品重點(diǎn)是交互，因此一定要結(jié)合場景來設(shè)計，要把自己代入對話場景中，想象如果自己使用這個語音界面，會在什么情況下使用、以怎樣的方式跟它對話、希望它怎么回復(fù)我們。

下面我總結(jié)出了一些設(shè)計步驟和原則，可以作為參考：

設(shè)計步驟

1. 選擇正確的用戶場景，提供優(yōu)質(zhì)對話體驗(yàn)

不要嘗試直接把現(xiàn)有的手機(jī)或桌面應(yīng)用的交互方式轉(zhuǎn)變成語音交互，這樣可能會讓語音交互變得更加復(fù)雜。我們應(yīng)該結(jié)合用戶使用語音交互時的狀態(tài)，比如在戶外不方便看網(wǎng)頁或屏幕，或者雙手被占用無法操作別的東西。

這里有以下幾點(diǎn)建議來幫忙選擇適合轉(zhuǎn)換成語音交互的場景：
? ? ?需要用戶輸入的特別熟悉的信息，比如個人信息、位置、時間等。
? ? ?能快速提供有用信息的場景，用戶說幾句話就能節(jié)省很多操作，比如訂餐、叫車。
? ? ?天生適合語音交互的場景，比如做飯時聽菜譜、開車時做筆記。

2. 創(chuàng)建符合當(dāng)前場景的對話風(fēng)格和形象

開始設(shè)計語音交互之前，先考慮你希望它聽起來怎么樣，能帶給人怎樣的感受。比如要設(shè)計個趣味游戲，你可能想要一種搞笑風(fēng)格；而設(shè)計個新聞閱讀器，就需要嚴(yán)肅認(rèn)真的語氣，給人靠譜的感覺。

3. 編寫對話

選好場景、確定形象后，你可能想要馬上投入開發(fā)，但是一定要拒絕沖動。相反，我們要用紙和筆先構(gòu)思一下對話。寫下用戶可能參與的獨(dú)立或多輪對話，下面是一些對話類型和可能需要考慮的問題：
? ? ?完成對話任務(wù)最簡單的方式，不要太復(fù)雜。
? ? ?完成對話任務(wù)的其他方式，這可能是多樣化的，因?yàn)橛械挠脩粢淮沃徽f一部分信息，這就需要多次交互才能完成任務(wù)，而有的用戶則一次把所有信息說完。
? ? ?需要修正的對話場景，比如系統(tǒng)不支持，或不理解用戶的意圖。
? ? ?用戶中途結(jié)束對話，或完成對話任務(wù)后，怎么確認(rèn)結(jié)束對話場景。
? ? ?問候語，以及怎么引出對話場景。
? ? ?語音交互部分搞定后，需要考慮怎么在設(shè)備屏幕上展示對話內(nèi)容。比如對話通過語音方式說出了一部分內(nèi)容，而還有一些數(shù)據(jù)需要展示在屏幕上。

4. 進(jìn)行測試

測試沒有想象中的麻煩，你需要做的就是找一些開發(fā)團(tuán)隊之外的人，在沒有提示的情況下，讓他們用平時正常說話的方式使用你的產(chǎn)品，從各個角度測試對話。多試幾次可能就會發(fā)現(xiàn)哪些對話任務(wù)完成有困難，或者交互給人的感受怎么樣。

設(shè)計對話的目標(biāo)是滿足用戶的意圖，而不僅僅是完成一個功能。

設(shè)計原則

? ?給語音交互界面賦予一個擬人化的形象，不要讓用戶覺得太生硬，是在跟機(jī)器對話。
? ? ?保持簡潔，節(jié)省用戶的時間，提供有效的信息。
? ? ?信任用戶，用戶知道怎么講話，所以不要試圖教用戶怎么說，我們只需要提供最自然的方式，推進(jìn)對話進(jìn)展就可以。
? ? ?可以增加個性化能力，使用戶聽起來感到愉悅，但不要分散用戶注意力。
? ? ?使新用戶感興趣，也要吸引專家用戶，設(shè)計要面向海量用戶，而不是只滿足低端需求。
? ? ?輪流說話，當(dāng)輪到用戶說話時，不要貿(mào)然打斷。如果是問用戶問題，那就不要在他們回答問題的時候又突然插入其他指令。
? ? ?不要猜測用戶的意圖，給用戶展現(xiàn)事實(shí)，讓他們自己決定。
? ? ?結(jié)合上下文語境，追蹤對話的來龍去脈，保證準(zhǔn)確理解用戶的話。

綜上，我們對對話式交互有了比較全面的認(rèn)識，本系列接下來的三篇文章將以本篇講述的對話式交互知識為背景，深度講述亞馬遜、谷歌和微軟的語音交互平臺，和大家一起分享如何在這三大平臺上，實(shí)現(xiàn)我們自己的對話式交互技能。這里對技能的定義是特定領(lǐng)域的對話能力，包括語義理解、對話邏輯控制和相關(guān)的內(nèi)容服務(wù)。