我們終將以自然的方式與機(jī)器交流

在2012年圣丹斯獨(dú)立電影節(jié)上，影片《機(jī)器人與弗蘭克》贏得特別獎(jiǎng)，該片講述機(jī)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(jī)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(duì)人的方式與機(jī)器交流，這在人機(jī)交互學(xué)科里定義為“人機(jī)自然交互”。

何為自然交互？簡(jiǎn)而言之就是以日常交流方式與計(jì)算機(jī)進(jìn)行交互，何為日常交流方式？就是人們通過語(yǔ)音、肢體、手勢(shì)、眼神、表情等形式進(jìn)行交流互動(dòng)。

人機(jī)交互正邁上新臺(tái)階

人機(jī)交互（HCI – Human Computer Interaction）的發(fā)展是從人類適應(yīng)計(jì)算機(jī)到計(jì)算機(jī)不斷適應(yīng)人類的過程，劃分四個(gè)階段：代碼指令交互、圖形用戶界面交互、人機(jī)自然交互和人機(jī)情感交互。【引自《人機(jī)情感交互》】

每個(gè)階段的發(fā)展都是以技術(shù)作為基石，以此帶來的人機(jī)交互更為直觀，也更趨近于人與人的自然交互，同時(shí)會(huì)拓寬更多的使用場(chǎng)景，會(huì)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(jì)算機(jī)；鼠標(biāo)鍵盤 – 受過教育的普通人使用PC機(jī)進(jìn)行學(xué)習(xí)工作；觸屏 – 更廣泛的人群使用智能手機(jī)進(jìn)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(dòng)。

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(qiáng)，它能感知人們的語(yǔ)音、肢體語(yǔ)言、手勢(shì)動(dòng)作、表情眼神等，實(shí)現(xiàn)了人機(jī)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(shì)是將擁有情感計(jì)算能力（Affective Computing），通過認(rèn)知人類的語(yǔ)音信息、人臉表情、肢體動(dòng)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(huì)變得越來越容易，它會(huì)更懂你。

智能產(chǎn)品能感知人的自然動(dòng)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(jì)才能達(dá)到“人與人自然交流”的感覺，為此我們將從六個(gè)維度給出設(shè)計(jì)建議，分別是人物設(shè)定、外觀造型、語(yǔ)音、動(dòng)作、界面和光效。正如同人與人交流時(shí)對(duì)方的脾氣性格、外貌印象、聲音特點(diǎn)、肢體語(yǔ)言、表情和眼神。

以語(yǔ)音交互為核心功能的智能產(chǎn)品設(shè)計(jì)建議

1. 人物設(shè)定的設(shè)計(jì)建議

①人設(shè)是要為用戶服務(wù)；

人設(shè)是高級(jí)的虛擬形象設(shè)計(jì)，不由設(shè)計(jì)師的個(gè)人喜好來擬定，要充分考慮產(chǎn)品所服務(wù)的目標(biāo)用戶，譬如病人希望看見的是專家級(jí)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(jì)感，它們?yōu)楦髯缘哪繕?biāo)受眾群體去設(shè)定形象。

②人設(shè)可以通過抽象的方法進(jìn)行傳達(dá)，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(shí)體物品。對(duì)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(dá)上，我們建議可以通過藝術(shù)的手法達(dá)到目的，比方說用音樂、繪畫、文學(xué)、電影等藝術(shù)進(jìn)行包裝抽象成一套視覺來傳達(dá)，達(dá)到“空山不見人，但聞人語(yǔ)響”的境界。

③人設(shè)與產(chǎn)品要融為一體的進(jìn)行考慮；

以語(yǔ)音交互為核心功能的智能產(chǎn)品，其“人聲”會(huì)讓用戶自動(dòng)的聯(lián)想與之對(duì)應(yīng)的形象，同時(shí)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(dòng)作輸出，例如人設(shè)定義為蠢萌的jibo，它的動(dòng)作就要顯得有趣可愛。如果考慮不周全，就會(huì)導(dǎo)致認(rèn)知失調(diào)產(chǎn)生落差，比如小魚在家，當(dāng)用戶問它幾歲時(shí)，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(jì)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(huì)讓用戶“出戲”，所以人設(shè)要與整個(gè)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(jì)建議

①充分考慮目標(biāo)用戶的審美與喜好；

根據(jù)目標(biāo)客群打造其喜歡的外觀造型，比如小朋友會(huì)喜歡jibo勝過Echo，追求新潮的人更喜歡raven R，因?yàn)槟芘c之載歌載舞。與以屏幕為主的智能手機(jī)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。

②基于使用場(chǎng)景考慮造型設(shè)計(jì)；

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

③避免掉進(jìn)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(jìn)行設(shè)計(jì)表達(dá)，這有助于產(chǎn)品向用戶傳達(dá)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(jì)方法打造智能情感的交互，讓一個(gè)工業(yè)產(chǎn)品，升級(jí)成一個(gè)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(shí)逼真像人，同時(shí)語(yǔ)音、表情、動(dòng)作也無法達(dá)到自然完美的匹配，所以這不倫不類的設(shè)計(jì)會(huì)給用戶帶來糟心的體驗(yàn)，例如Blue Frog Robotics公司推出的Buddy，很容易讓用戶掉進(jìn)“恐怖谷”。

“恐怖谷理論”是由日本機(jī)器人專家森昌弘提出， 他認(rèn)為，人形玩具或機(jī)器人的仿真度越高人們?cè)接泻酶?，但?dāng)達(dá)到一個(gè)臨界點(diǎn)時(shí)，這種好感度會(huì)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(dòng)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(yǔ)音的設(shè)計(jì)建議

①自然感；

避免單調(diào)乏味，做到像人說話一樣的自然，語(yǔ)氣上聽起來積極主動(dòng)，有意愿的感覺，每一個(gè)音素合成的詞句清晰可辨，自然流暢。人類語(yǔ)音的信息含有語(yǔ)音聲學(xué)特征和文本語(yǔ)義，語(yǔ)音聲學(xué)特征主要是韻律特征（指音素組合成語(yǔ)句的方式），包括聲調(diào)、重音、停頓、語(yǔ)速等，漢語(yǔ)是一種有調(diào)語(yǔ)言，聲調(diào)攜帶非常重要的情感信息。語(yǔ)音屬于自然交互的一種，它需要達(dá)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(jí)目標(biāo)是“讓Siri聽起來更像人那般自然”，實(shí)現(xiàn)方法是通過深度學(xué)習(xí)，每一種表達(dá)都有略微不同的聲波，每一句話都包含幾十或者幾百個(gè)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(jìn)行發(fā)音采集，情感語(yǔ)料的獲取是蘋果以匿名的方式進(jìn)行收聽，然后用于深度學(xué)習(xí)進(jìn)行Siri的訓(xùn)練。

②一旦確定“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(jī)界面換背景圖就像人換一身新衣裳，而以語(yǔ)音交互為核心功能的智能產(chǎn)品更換“人聲”，就像重新認(rèn)識(shí)一位陌生人，古語(yǔ)說“如聞其聲，如見其人”，人們會(huì)很自然的把聲音與某個(gè)人進(jìn)行關(guān)聯(lián)，新的聲音是誰，就會(huì)重新進(jìn)行“人物建模”。

③像人和人那樣進(jìn)行對(duì)話；

首先是對(duì)話流暢，做到及時(shí)反饋，如有停頓，不宜過長(zhǎng)。話術(shù)簡(jiǎn)短而有效，不要主動(dòng)終止對(duì)話，盡可能的推動(dòng)持續(xù)交流，當(dāng)然不能以命令的形式讓用戶去完成某個(gè)任務(wù)，這不是一個(gè)合適的對(duì)話，它或許有點(diǎn)像上下級(jí)的關(guān)系，會(huì)導(dǎo)致用戶帶來反感和抵制。

④在感知用戶后嘗試主動(dòng)發(fā)起對(duì)話；

再過些時(shí)日，可能Amazon Echo它能夠根據(jù)說話者的語(yǔ)音情感進(jìn)行識(shí)別計(jì)算，通過韻律學(xué)特征（語(yǔ)調(diào)、響度、節(jié)奏、語(yǔ)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(tái)詞“你今天聽起來有點(diǎn)不開心”，它能感知你，試著主動(dòng)發(fā)起一次對(duì)話。

4. 動(dòng)作的設(shè)計(jì)建議

①使用國(guó)際通用的認(rèn)知?jiǎng)幼鱾鬟_(dá)，同時(shí)考慮個(gè)地方的風(fēng)俗習(xí)慣；

例如