AAA教育

我們終將以自然的方式與機器交流

在2012年圣丹斯獨立電影節(jié)上，影片《機器人與弗蘭克》贏得特別獎，該片講述機器人Robot照顧患有老年癡呆癥弗蘭克的故事。選取影片中兩張圖，一張是人與人的交流，另一張是人與機器的交流。在2017年AI大熱之年，人們能否像電影里的弗蘭克那樣，以人對人的方式與機器交流，這在人機交互學(xué)科里定義為「人機自然交互」。

何為自然交互？簡而言之就是以日常交流方式與計算機進行交互。何為日常交流方式？就是人們通過語音、肢體、手勢、眼神、表情等形式進行交流互動。

人機交互正邁上新臺階

人機交互（HCI – Human Computer Interaction）的發(fā)展是從人類適應(yīng)計算機到計算機不斷適應(yīng)人類的過程，劃分四個階段：代碼指令交互、圖形用戶界面交互、人機自然交互和人機情感交互。——引自《人機情感交互》

每個階段的發(fā)展都是以技術(shù)作為基石，以此帶來的人機交互更為直觀，也更趨近于人與人的自然交互，同時會拓寬更多的使用場景，會覆蓋全年齡段的所有人。如下圖所示，指令 – 專業(yè)技術(shù)人員操作早期計算機；鼠標鍵盤 – 受過教育的普通人使用PC機進行學(xué)習(xí)工作；觸屏 – 更廣泛的人群使用智能手機進行社交、資訊、娛樂等；自然交互 – 所有人將以自然的行為方式與智能產(chǎn)品互動。

隨著AI技術(shù)的發(fā)展，智能產(chǎn)品在感知層面的能力正在變強，它能感知人們的語音、肢體語言、手勢動作、表情眼神等，實現(xiàn)了人機自然交互的可能性，這是正在發(fā)生的事情。

未來智能產(chǎn)品的趨勢是將擁有情感計算能力（Affective Computing），通過認知人類的語音信息、人臉表情、肢體動作等，從而調(diào)整自身的反饋來適應(yīng)人們那一刻提出的需求，交互會變得越來越容易，它會更懂你。

智能產(chǎn)品能感知人的自然動作和讀懂人的情感，都屬于信息輸入層面。在信息輸出層面，智能產(chǎn)品如何設(shè)計才能達到「人與人自然交流」的感覺，為此我們將從六個維度給出設(shè)計建議，分別是人物設(shè)定、外觀造型、語音、動作、界面和光效。正如同人與人交流時對方的脾氣性格、外貌印象、聲音特點、肢體語言、表情和眼神。

以語音交互為核心功能的智能產(chǎn)品設(shè)計建議

1. 人物設(shè)定的設(shè)計建議

人設(shè)是要為用戶服務(wù)

人設(shè)是高級的虛擬形象設(shè)計，不由設(shè)計師的個人喜好來擬定，要充分考慮產(chǎn)品所服務(wù)的目標用戶。譬如病人希望看見的是專家級醫(yī)生，旅客希望能獲得空姐甜美的服務(wù)，食客希望迎賓的店小二是熱情好客的，這些形象在我們的腦海里栩栩如生。比如Amazon Echo是成熟職業(yè)女性的形象（類似有Google Home、天貓精靈、京東叮咚等），Olly給人潮流的設(shè)計感，它們?yōu)楦髯缘哪繕耸鼙娙后w去設(shè)定形象。

人設(shè)可以通過抽象的方法進行傳達，并非一定要具象化

比如小米智能音箱定義的「小愛同學(xué)」是二次元形象，在今年11月底做出限量版手辦，把形象落地到成具象的實體物品。對此，仁者見仁智者見智，有人說她不是心目中的「小愛」，所以在人設(shè)形象的傳達上，我們建議可以通過藝術(shù)的手法達到目的。比方說用音樂、繪畫、文學(xué)、電影等藝術(shù)進行包裝抽象成一套視覺來傳達，達到「空山不見人，但聞人語響」的境界。

人設(shè)與產(chǎn)品要融為一體的進行考慮

以語音交互為核心功能的智能產(chǎn)品，其「人聲」會讓用戶自動的聯(lián)想與之對應(yīng)的形象，同時需考慮與外觀造型相匹配，才能符合用戶預(yù)期。有些智能產(chǎn)品有動作輸出，例如人設(shè)定義為蠢萌的jibo，它的動作就要顯得有趣可愛。如果考慮不周全，就會導(dǎo)致認知失調(diào)產(chǎn)生落差，比如小魚在家，當(dāng)用戶問它幾歲時，它卻用其成熟女性的聲音回答「我今年兩歲了」，而Amazon Echo的回答是「按照人類的出生年齡計算我今年兩歲」，后者更能讓人接受與理解，即使是微不足道的一句文本都可能會讓用戶「出戲」，所以人設(shè)要與整個產(chǎn)品的信息輸出層面融為一體的去考慮。

2. 外觀造型的設(shè)計建議

充分考慮目標用戶的審美與喜好

根據(jù)目標客群打造其喜歡的外觀造型，比如小朋友會喜歡jibo勝過Echo，追求新潮的人更喜歡raven R，因為能與之載歌載舞。與以屏幕為主的智能手機不同，用戶可不能更換主題皮膚找到自己的喜好，而Google Home也只能是通過「換褲子」來迎合用戶偏好與家居風(fēng)格。

基于使用場景考慮造型設(shè)計

要考慮用戶會在哪種現(xiàn)實環(huán)境的場景下使用，目前市面上的智能語音產(chǎn)品多數(shù)放置在桌面上，體積大小就要認真思考。比如大了點、重了些，就不方便自由移動隨處擺放。如果定義為多個使用場景，那便攜上得做到位。比如raven H頂部的「點陣觸控屏」蓋子，用戶能輕松取下進行語音和指觸交互，于是不受固定位置的限制。

避免掉進恐怖谷

避免與人全特征的過度相似，建議采用抽象的方法提取擬人元素進行設(shè)計表達，這有助于產(chǎn)品向用戶傳達情感信息，從而有效的提升用戶好感度。例如蔚來ES8搭載的人工智能nomi，還有百度的度秘，都是通過此類設(shè)計方法打造智能情感的交互，讓一個工業(yè)產(chǎn)品，升級成一個有生命，有情感的新伙伴。

但如果與人的特征過度相似，現(xiàn)階段的技術(shù)能力，造型上做不到寫實逼真像人。同時語音、表情、動作也無法達到自然完美的匹配，所以這不倫不類的設(shè)計會給用戶帶來糟心的體驗。例如Blue Frog Robotics公司推出的Buddy，很容易讓用戶掉進「恐怖谷」。

「恐怖谷理論」是由日本機器人專家森昌弘提出， 他認為，人形玩具或機器人的仿真度越高人們越有好感，但當(dāng)達到一個臨界點時，這種好感度會突然降低，越像人越反感恐懼，直至谷底，稱之為恐怖谷。如圖所示，谷底處能動的僵尸比靜止的尸體更恐怖，雖然尸體已經(jīng)夠恐怖的了。

3. 語音的設(shè)計建議

自然感

避免單調(diào)乏味，做到像人說話一樣的自然，語氣上聽起來積極主動，有意愿的感覺，每一個音素合成的詞句清晰可辨，自然流暢。人類語音的信息含有語音聲學(xué)特征和文本語義，語音聲學(xué)特征主要是韻律特征（指音素組合成語句的方式），包括聲調(diào)、重音、停頓、語速等，漢語是一種有調(diào)語言，聲調(diào)攜帶非常重要的情感信息。語音屬于自然交互的一種，它需要達到「自然」的感覺，才能讓用戶感知可用。

如何讓Siri聽起來更像人那般自然？

iOS11版本關(guān)于Siri的升級目標是「讓Siri聽起來更像人那般自然」，實現(xiàn)方法是通過深度學(xué)習(xí)。每一種表達都有略微不同的聲波，每一句話都包含幾十或者幾百個音素，Siri為每一次發(fā)聲找出完美的聲音組合。其中音素是由蘋果挑選出的候選人進行發(fā)音采集，情感語料的獲取是蘋果以匿名的方式進行收聽，然后用于深度學(xué)習(xí)，進行Siri的訓(xùn)練。

一旦確定「人聲」不宜隨意更改

一旦人設(shè)的聲音已根植在用戶的耳朵里，不宜隨意更改。如果說手機界面換背景圖就像人換一身新衣裳，而以語音交互為核心功能的智能產(chǎn)品更換「人聲」，就像重新認識一位陌生人。古語說「如聞其聲，如見其人」，人們會很自然的把聲音與某個人進行關(guān)聯(lián)，新的聲音是誰，就會重新進行「人物建?！?。

像人和人那樣進行對話

首先是對話流暢，做到及時反饋，如有停頓，不宜過長。話術(shù)簡短而有效，不要主動終止對話，盡可能的推動持續(xù)交流。當(dāng)然不能以命令的形式讓用戶去完成某個任務(wù)，這不是一個合適的對話，它或許有點像上下級的關(guān)系，會導(dǎo)致用戶反感和帶來抵制。

在感知用戶后嘗試主動發(fā)起對話

再過些時日，可能Amazon Echo它能夠根據(jù)說話者的語音情感進行識別計算，通過韻律學(xué)特征（語調(diào)、響度、節(jié)奏、語音質(zhì)量等）更懂用戶說這句話的此刻心境，就像電影《Her》里的那句臺詞「你今天聽起來有點不開心」，它能感知你，試著主動發(fā)起一次對話。

4. 動作的設(shè)計建議

使用國際通用的認知動作傳達，同時考慮各地方的風(fēng)俗習(xí)慣