淺談 聲音人機(jī)交互技術(shù)

如果你同時(shí)保留著看電視和聽(tīng)廣播這兩個(gè)習(xí)慣——或者，看視頻網(wǎng)站的同時(shí)會(huì)去找些播客節(jié)目聽(tīng)聽(tīng)，那么你一定會(huì)注意到一個(gè)顯著的區(qū)別：視頻節(jié)目的豐富程度和制作上的復(fù)雜度遠(yuǎn)高于音頻節(jié)目。例如，《新聞聯(lián)播》的片頭20多年換了四五次，體現(xiàn)了電視技術(shù)的最新進(jìn)步，但片頭音樂(lè)一直不變，人們也能接受。電視節(jié)目的攝影棚幾年就得來(lái)一次大翻新，但現(xiàn)在的廣播電臺(tái)依然可以使用十幾年前的音頻制作系統(tǒng)來(lái)播出節(jié)目，直播間里的時(shí)光仿佛停滯一般。

人類在同一時(shí)刻用眼睛可以接收的信息量遠(yuǎn)高于用耳朵能接收到的，視覺(jué)可以判別空間位置、形狀和顏色疊加起來(lái)的豐富信息，比聽(tīng)覺(jué)高了不止一個(gè)維度。在看到人說(shuō)話的時(shí)候，我們接收到的不只是話語(yǔ)內(nèi)容，還包括人的面部特征和表情的細(xì)微變動(dòng)，這都對(duì)氛圍和情緒有著潛移默化的影響。相應(yīng)的，聽(tīng)覺(jué)接收到的話語(yǔ)內(nèi)容可以用手語(yǔ)或者字幕替代，但視覺(jué)附加的更多信息卻難以轉(zhuǎn)化回音頻。

歷史上，圖書和報(bào)紙已經(jīng)給了人們?cè)谝曈X(jué)信息接收方面的訓(xùn)練，人們將排版經(jīng)驗(yàn)延伸到電影和電視上。盡管留聲機(jī)和電影技術(shù)幾乎處于同一時(shí)代，但人們卻寧愿忍受很多年沒(méi)有同期聲的無(wú)聲電影時(shí)代，寧愿用隨便什么音樂(lè)放一下做背景了事?？梢?jiàn)，人們習(xí)慣上對(duì)圖像比對(duì)聲音重視得多。

同樣，信息時(shí)代的到來(lái)也毫不例外的優(yōu)先偏愛(ài)圖像。90年代電腦同時(shí)具備獨(dú)立的顯卡和聲卡，技術(shù)進(jìn)步之后，人們對(duì)聲卡抱著無(wú)所謂的態(tài)度，卻追求獨(dú)立顯卡和屏幕的畫質(zhì)，以至于追求手機(jī)攝像頭的精度。在交互方面，大家非常注重GUI(圖形用戶界面)，而對(duì)于聲音的設(shè)計(jì)處理一般比較馬虎，還停留在很多年前的水平。

隨著智能手機(jī)帶來(lái)的趨勢(shì)，一塊巨大的觸屏成為人們交互的全部載體，跑在上面的應(yīng)用也隨著一股奇怪的扁平化風(fēng)潮而變得越來(lái)越樣式單一，設(shè)計(jì)師為了與眾不同又好用的界面而絞盡腦汁。對(duì)于音頻而言，它終于迎來(lái)了走出冷宮的機(jī)會(huì)。人機(jī)交互的下一波趨勢(shì)，將很可能在聲音——而不是圖像——方面迎來(lái)突破。

聲音不重要，還是人們沒(méi)發(fā)現(xiàn)它的重要？

“在汽車出現(xiàn)之前，人們都以為自己想要一臺(tái)更快的馬車?！边@句話大家也許都很熟悉。在iOS 7和微軟Metro界面出現(xiàn)之后，一夜之間各種UI設(shè)計(jì)都趨向于扁平，而流行多年的擬物化設(shè)計(jì)很快就退潮了。這表明，人們的審美態(tài)度是可以因?yàn)橥饨绲膹?qiáng)力驅(qū)動(dòng)而受到很大的改變的，并不是一成不變。所以對(duì)音頻交互也是如此：并不是說(shuō)聲音相對(duì)于圖像而言不重要，而是需求沒(méi)有得到很好的引導(dǎo)。

聲音有什么好處？它是否有足夠潛力成為不可替代的載體呢(為什么我們獲得的是相反的信號(hào)，比如交通廣播電臺(tái)即將被打車軟件的搶單聲埋葬)？

首先，習(xí)慣聲音交互可以讓我們的感覺(jué)器官均衡利用，換句話說(shuō)就是保護(hù)眼睛。長(zhǎng)期使用手機(jī)，比如在地鐵盯著屏幕或者睡覺(jué)之前刷屏，會(huì)出現(xiàn)很多健康問(wèn)題，其實(shí)不僅限于眼睛，手持閱讀介質(zhì)的姿勢(shì)不同，全身都可能受影響。

而且，作為必須全神貫注進(jìn)行的活動(dòng)，閱讀(包括觀看視頻)需要完全沉浸進(jìn)去，和外界隔離，引發(fā)的心理問(wèn)題也不容忽視。不管是閱讀長(zhǎng)文還是碎片化消息，眼睛接受的信息量通常過(guò)大，人們接受了過(guò)量的信息，以至于形成信息過(guò)載而不自覺(jué)。

使用聲音可以讓人們強(qiáng)制減少信息攝入量，并更自如的利用碎片時(shí)間。對(duì)孩子而言，聲音(不使用耳機(jī))也是一種親切自然的交互方式，有助于讓孩子早期就接觸電腦，而不用擔(dān)心用眼，孤獨(dú)等副作用。

此外，隨著我們使用智能設(shè)備的“戶外場(chǎng)景”增多，就像這個(gè)年頭智能手表終于迎來(lái)了春天一樣，為短信息和免提式交互量身定制的聲音也會(huì)派上更大用場(chǎng)。戶外場(chǎng)景其實(shí)主要就是開(kāi)車或者是提著東西走路。在這種情況下，顯然眼睛就只是拿來(lái)看路才更合適。

一個(gè)例子是，交通電臺(tái)提交路況信息，從原來(lái)的短信平臺(tái)改為用微信公眾號(hào)發(fā)送語(yǔ)音，電臺(tái)會(huì)直接播出上傳的語(yǔ)音。這樣，司機(jī)可以不停車，用藍(lán)牙耳機(jī)播報(bào)路況，讓整個(gè)交流過(guò)程更像是真正的無(wú)線電臺(tái)一樣。

最后，聲音可以極大的幫助視障人士走入信息化。如果不是親身接觸，你根本無(wú)法想象視覺(jué)在如今的交互中占有如何舉足輕重的地位。完全不用眼睛的網(wǎng)頁(yè)瀏覽，必須忍受讀屏軟件以飛快到基本聽(tīng)不清的速度給你播報(bào)每一個(gè)文字和圖片信息，而很多圖片都沒(méi)有妥當(dāng)?shù)奈谋?a target="_blank">標(biāo)簽，在沒(méi)有充分無(wú)障礙化的頁(yè)面，比如淘寶店鋪，使用者就會(huì)完全陷入迷茫。

在幫助文本信息轉(zhuǎn)語(yǔ)音，方便視障人士方面，騰訊可能是國(guó)內(nèi)公司中嘗試時(shí)間最長(zhǎng)的公司，QQ2010正式支持讀屏軟件并延續(xù)至今，其他應(yīng)用如QQ音樂(lè)也增加了支持。隨著語(yǔ)音命令可用范圍進(jìn)一步擴(kuò)大，電腦之門將會(huì)更廣闊地對(duì)盲人朋友敞開(kāi)。

讓基于聲音的人機(jī)交互變得更自然

擬人的聲音交互現(xiàn)在來(lái)到一個(gè)艱難的瓶頸期。著名的“恐怖谷理論”認(rèn)為，當(dāng)機(jī)器人與人類相像超過(guò)一定程度的時(shí)候，哪怕與人類有一點(diǎn)點(diǎn)的差別，都會(huì)顯得非常顯眼刺目，讓整個(gè)機(jī)器人顯得非常僵硬恐怖，讓人有面對(duì)行尸走肉的感覺(jué)。

在廠商跟風(fēng)推進(jìn)語(yǔ)音助手成為所有手機(jī)、手表的標(biāo)準(zhǔn)配置之后，它正逐步降低人們的心理障礙，培養(yǎng)使用習(xí)慣。如上所述，對(duì)待機(jī)器我們很自然的操作方式是“動(dòng)手不動(dòng)口”，對(duì)著機(jī)器說(shuō)話會(huì)感覺(jué)很奇怪。但是調(diào)戲Siri或者小娜，已經(jīng)一定程度上在幫我們克服這種障礙。

這就給語(yǔ)音助手進(jìn)一步提升智能程度贏得了寶貴的時(shí)間。等到一個(gè)真正如人類一般智能的聲音出現(xiàn)時(shí)，人們對(duì)于對(duì)著電腦傾訴，侃侃而談，就不會(huì)太排斥，電影《Her》當(dāng)中出現(xiàn)的戀上機(jī)器聲音的情節(jié)，也會(huì)獲得更多用戶的共鳴。

如果一個(gè)虛擬的人類聲音始終會(huì)讓人心生抗拒，那最理想的辦法是機(jī)器直接執(zhí)行人類短促簡(jiǎn)單的語(yǔ)音命令。比如說(shuō)你走到家門說(shuō)開(kāi)門，那么就只是把門打開(kāi)，不會(huì)有什么多余的回應(yīng)說(shuō)“好的，我這就把門打開(kāi)”。

另一種可行的辦法是讓機(jī)器用“顯然不是普通人類”的聲音與人交互，比如現(xiàn)在還有點(diǎn)“單字蹦”的Siri和谷歌娘，或者故意用萌化的聲音說(shuō)“主人回家了喵”，類似這樣的方法其實(shí)就是在智能不到位的時(shí)候用裝傻賣萌來(lái)補(bǔ)充。既然不像真人，也就沒(méi)有必要感到不舒服了。

技術(shù)進(jìn)步和概念創(chuàng)新可以互相驅(qū)動(dòng)

當(dāng)我們站在現(xiàn)在回顧iPhone出現(xiàn)之前的手機(jī)市場(chǎng)，我們會(huì)發(fā)現(xiàn)，現(xiàn)在的應(yīng)用形態(tài)有很多是當(dāng)年不可想象的。這當(dāng)中很多更新都基于硬件交互方式的改進(jìn)，比如多點(diǎn)觸摸，GPS、NFC/RFID和各種感應(yīng)器的協(xié)同作用。所以我們有同樣的信心認(rèn)為，只要用心去開(kāi)發(fā)語(yǔ)音的交互功能，就會(huì)出現(xiàn)更多我們現(xiàn)在無(wú)法想象的新的交互方式。

有時(shí)候，當(dāng)新的交互到來(lái)的時(shí)候，我們才會(huì)驚奇的發(fā)現(xiàn)為其鋪墊的技術(shù)因素已經(jīng)成熟；而只要出現(xiàn)一個(gè)合理的產(chǎn)品，它起到的標(biāo)志性作用就會(huì)引導(dǎo)業(yè)界進(jìn)行自主革新，提升性能和降低成本。

在聲音交互方面，Siri就是一個(gè)很好的例子。它需要輸入和輸出技術(shù)——語(yǔ)音識(shí)別和文字轉(zhuǎn)語(yǔ)音共同配合。而Siri出現(xiàn)的時(shí)候，這兩種技術(shù)都已經(jīng)到了接近能用的程度——就中文而言，語(yǔ)音播報(bào)不再那么“單字蹦”了，而多種第三方語(yǔ)音引擎的識(shí)別率更可以在安靜環(huán)境下達(dá)到90%以上，并順理成章成為眾多山寨Siri的選擇。它的結(jié)果就是廠商跟風(fēng)推進(jìn)語(yǔ)音助手成為所有手機(jī)、手表的標(biāo)準(zhǔn)配置。

不管是可穿戴設(shè)備，還是普通的電腦，是家庭游戲機(jī)或客廳的機(jī)頂盒，以至于智能家居和汽車，聲音交互都是非常有用的。但是截至目前，人們對(duì)于它的探索還是非常被動(dòng)。比如說(shuō)，只有當(dāng)智能手表在輸入上出現(xiàn)障礙的時(shí)候才想到用語(yǔ)音輸入，而并非主動(dòng)的探索用語(yǔ)音作為屏幕顯示的替代方案。所以，如果進(jìn)一步整合現(xiàn)有技術(shù)，能夠給我們帶來(lái)一個(gè)具有示范作用的應(yīng)用，就會(huì)顯著加速業(yè)界對(duì)聲音交互場(chǎng)景的研究。

編輯：jq