四十多年前，專家們曾宣稱，語音識別將在“五到十年內(nèi)”發(fā)展為一項成熟的技術(shù)?？啥嗄赀^后，他們依然重復(fù)著一模一樣的說辭。

語音識別的發(fā)展確實費了不少工夫好在，時隔多年以后，我們總算開發(fā)出了一套質(zhì)量過硬的識別技術(shù)。不僅如此，我們還把這玩意應(yīng)用到了移動設(shè)備上(盡管還得靠服務(wù)器提供一大堆技術(shù)支持)。

然后問題就來了有了這樣的技術(shù)，我們?yōu)槭裁催€是得整天瞅著自己的手機屏幕鼓搗來鼓搗去，卻無法直接開口跟自己的手機對話交談？

回答這個問題的關(guān)鍵，在于提供一個語音交互界面，遠(yuǎn)比理解一打單詞來得復(fù)雜尤其是對手機而言。我們還必須得理解用戶的“意圖”。要知道，除了語音技術(shù)本身以外，人機語音交流中還有其他因素在作怪輸出方式，互動形式還有語境。

　　多元化的輸出：既能秀，也能說

如今投入使用的語音系統(tǒng)，識別的效果一般都過于極端化要么一字不差，要么謬以千里。事實上，當(dāng)我們查詢一條去某大街的路線時，要是系統(tǒng)能精確無誤地從數(shù)據(jù)庫的上千個條目中識別出我們想要的那一條，還是挺令人稱奇的。不幸的是，如果識別有誤或者街名不準(zhǔn)，我們的搜索就只能乖乖從頭再來。

要想在現(xiàn)有的語音技術(shù)上有所突破，我們必須得認(rèn)識到一點：我們現(xiàn)有的系統(tǒng)，不過就是最原始的識別技術(shù)而已識別技術(shù)本身沒啥問題；但除了這套技術(shù)以外，我們的系統(tǒng)只是一個空殼罷了。而我們需要的，其實是創(chuàng)造一個語音交互界面說白了，就是一整套基于語音的互動模式。

理解用戶的“意圖”，意味著系統(tǒng)要判斷出用戶真正需要的事物，而這通常得依靠交談來實現(xiàn)。這就是說，系統(tǒng)要了解用戶為什么問這個問題一般來說，這就要求系統(tǒng)去知曉對方在做什么；與此同時，這也要求系統(tǒng)根據(jù)用戶所處的情形合理應(yīng)答。這可決不是一項輕松的任務(wù)畢竟，用戶只是把移動設(shè)備握在手中而已，他們可能有著大把的事情，要忙著分神去處理。

互動是一種雙向的溝通，意味著我們在提供輸入的同時還得留意輸出；而這些能發(fā)聲的應(yīng)用是怎么回答我們的呢？最常見的方式，是直接向用戶回復(fù)他們所想要的信息。那些提供實時駕駛指南的“殺手級應(yīng)用”就是個典型的例子：用戶雙眼注視路況，雙手把好方向盤，然后嚴(yán)格按照語音提示說的做就行這種情況下，這樣的應(yīng)答方式也確實管用。

但另一些時候，這招就不那么靈了。比如，當(dāng)我們詢問下班公交什么時候到站時，讓系統(tǒng)自顧自地把整張時刻表背下來就是個不折不扣的餿主意。即使它只是回復(fù)一句“下班車9點12分到站”，效果也好不到哪去這時候，說“下班車12分鐘內(nèi)到站”才是王道。

這其中的關(guān)鍵在于，語音只是瞬時性的一句話，說完就完了。要是我們一時不小心分神了，或者一下子沒來得及把消息印到腦子里，我們就得再問一遍。說不定還得問上一遍又一遍。

這就是我們不應(yīng)該拋棄用戶界面的原因：它好歹能幫我們少占用一些記憶容量。未來的語音技術(shù)所迫切需要的，是多元化的輸出：既能秀，也能說。舉個例子，如果我正忙著趕路的話，何不讓移動設(shè)備既在屏幕上給我秀一下時刻表，也在耳邊跟我說一聲“下班車12分鐘后到站”？

理解背后的“意圖”

這也引出了未來的語音技術(shù)所需的第三個，也是最重要的一個因素：語境。人們的對話里包含著豐富的語境信息：詞匯表達的意思，代詞指代的對象，還有那些被重讀的單詞。這其中牽涉到一系列細(xì)微的語言模式(心理語言學(xué)家赫伯·克拉克稱其為“定位”)，使得一句像“你懂了沒？”這樣的短問句，就足以暗示一段微妙、共有的經(jīng)歷因為對話中的另一方清楚你所暗指的是什么。

而這些語境，正是手機可以大展身手的場合，尤其是考慮到語音技術(shù)發(fā)展的現(xiàn)狀與未來的話：手機知道它自己身處何處；它能夠識記我在不在上班、在哪里上班；它清楚我都跟誰打過電話，誰是對我更重要的人。

如果我用的是清一色的安卓或者iOS應(yīng)用的話，手機還能掌握我的郵件信息、日程安排，還有我的興趣愛好。于是，當(dāng)我問“公交是幾點來著？”的時候，手機就會聽懂我說的是哪趟車、哪一站、哪個方向，甚至還包括我要將花多久才能趕到車站。事實上，說不定在我發(fā)問之前，手機里的鬧鐘就會自動響起，提醒我該起身出門趕車去了，還能順帶一句“別忘帶雨傘哦”就像一個稱職的管家一樣。

對語境的分析，不僅有助于我們理解一詞一句，更能幫我們理解其背后的“意圖”。盡管在一些手機應(yīng)用中，我們多多少少已經(jīng)體驗到了這些功能；但就語音而言，相關(guān)技術(shù)還遠(yuǎn)未成熟。至少目前看來還言之尚早。畢竟，我們不能忽視社會因素的影響：在公共場合，我們未必會和手機“交談”，可能是因為我們不想打擾他人，也可能是因為我們不愿暴露隱私。

但事情總是在變化的。我是美國最早用上第一代手機(摩托羅拉MicroTac)的人之一。當(dāng)年我打著大哥大走在馬路上的時候，周圍的人看我就像看個瘋子一樣即使是在MIT這樣遍地技術(shù)狂的校園里也毫不例外。而現(xiàn)在，看到那些戴著藍牙耳機自顧自聊天的路人，我們都已經(jīng)見怪不怪了要知道，從前這可都是瘋子的標(biāo)志呢。