四十多年前，专家们曾宣称，语音识别将在“五到十年内”发展为一项成熟的技术。可多年过后，他们依然重复着一模一样的说辞。语音识别的发展确实费了不少工夫好在，时隔多年以后，我们总算开发出了一套质量过硬的识别技术。不仅如此，我们还把这玩意应用到了移动设备上(尽管还得靠服务器提供一大堆技术支持)。
然后问题就来了有了这样的技术，我们为什么还是得整天瞅着自己的手机屏幕鼓捣来鼓捣去，却无法直接开口跟自己的手机对话交谈？
回答这个问题的关键，在于提供一个语音交互界面，远比理解一打单词来得复杂尤其是对手机而言。我们还必须得理解用户的“意图”。要知道，除了语音技术本身以外，人机语音交流中还有其他因素在作怪输出方式，互动形式还有语境。
多元化的输出：既能秀，也能说
如今投入使用的语音系统，识别的效果一般都过于极端化要么一字不差，要么谬以千里。事实上，当我们查询一条去某大街的路线时，要是系统能精确无误地从数 据库的上千个条目中识别出我们想要的那一条，还是挺令人称奇的。不幸的是，如果识别有误或者街名不准，我们的搜索就只能乖乖从头再来。
要想在现有的语音技术上有所突破，我们必须得认识到一点：我们现有的系统，不过就是最原始的识别技术而已识别技术本身没啥问题；但除了这套技术以外，我们的系统只是一个空壳罢了。而我们需要的，其实是创造一个语音交互界面说白了，就是一整套基于语音的互动模式。
理解用户的“意图”，意味着系统要判断出用户真正需要的事物，而这通常得依靠交谈来实现。这就是说，系统要了解用户为什么问这个问题一般来说，这就要求 系统去知晓对方在做什么；与此同时，这也要求系统根据用户所处的情形合理应答。这可决不是一项轻松的任务毕竟，用户只是把移动设备握在手中而已，他们可能 有着大把的事情，要忙着分神去处理。
互动是一种双向的沟通，意味着我们在提供输入的同时还得留意输出；而这些能发声的应用是怎么回答我 们的呢？最常见的方式，是直接向用户回复他们所想要的信息。那些提供实时驾驶指南的“杀手级应用”就是个典型的例子：用户双眼注视路况，双手把好方向盘， 然后严格按照语音提示说的做就行这种情况下，这样的应答方式也确实管用。
但另一些时候，这招就不那么灵了。比如，当我们询问下班公交什么时候到站时，让系统自顾自地把整张时刻表背下来就是个不折不扣的馊主意。即使它只是回复一句“下班车9点12分到站”，效果也好不到哪去这时候，说“下班车12分钟内到站”才是王道。
这其中的关键在于，语音只是瞬时性的一句话，说完就完了。要是我们一时不小心分神了，或者一下子没来得及把消息印到脑子里，我们就得再问一遍。说不定还得问上一遍又一遍。
这就是我们不应该抛弃用户界面的原因：它好歹能帮我们少占用一些记忆容量。未来的语音技术所迫切需要的，是多元化的输出：既能秀，也能说。举个例子，如果我正忙着赶路的话，何不让移动设备既在屏幕上给我秀一下时刻表，也在耳边跟我说一声“下班车12分钟后到站”？
理解背后的“意图”
这也引出了未来的语音技术所需的第三个，也是最重要的一个因素：语境。人们的对话里包含着丰富的语境信息：词汇表达的意思，代词指代的对象，还有那些被 重读的单词。这其中牵涉到一系列细微的语言模式(心理语言学家赫伯·克拉克称其为“定位”)，使得一句像“你懂了没？”这样的短问句，就足以暗示一段微 妙、共有的经历因为对话中的另一方清楚你所暗指的是什么。
而这些语境，正是手机可以大展身手的场合，尤其是考虑到语音技术发展的现状与未来的话：手机知道它自己身处何处；它能够识记我在不在上班、在哪里上班；它清楚我都跟谁打过电话，谁是对我更重要的人。
如果我用的是清一色的安卓或者iOS应用的话，手机还能掌握我的邮件信息、日程安排，还有我的兴趣爱好。于是，当我问“公交是几点来着？”的时候，手机 就会听懂我说的是哪趟车、哪一站、哪个方向，甚至还包括我要将花多久才能赶到车站。事实上，说不定在我发问之前，手机里的闹钟就会自动响起，提醒我该起身 出门赶车去了，还能顺带一句“别忘带雨伞哦”就像一个称职的管家一样。
对语境的分析，不仅有助于我们理解一词一句，更能帮我们理解其背 后的“意图”。尽管在一些手机应用中，我们多多少少已经体验到了这些功能；但就语音而言，相关技术还远未成熟。至少目前看来还言之尚早。毕竟，我们不能忽 视社会因素的影响：在公共场合，我们未必会和手机“交谈”，可能是因为我们不想打扰他人，也可能是因为我们不愿暴露隐私。
但事情总是在 变化的。我是美国最早用上第一代手机(摩托罗拉MicroTac)的人之一。当年我打着大哥大走在马路上的时候，周围的人看我就像看个疯子一样即使是在 MIT这样遍地技术狂的校园里也毫不例外。而现在，看到那些戴着蓝牙耳机自顾自聊天的路人，我们都已经见怪不怪了要知道，从前这可都是疯子的标志呢。
网友评论