读书笔记-Designing voice user interfaces——第四章

第四章、Speech Recognition Technology 语音识别技术

Choosing an Engine 选型

两个关键的点：数据库的稳健度、准确度；用户说话结束的识别表现

Barge-In 打断

“打断”常常会被一些IVR系统采用，系统经常会提供一长串的选项，对用户来说这是非常枯燥的去等待全部听完，这时“打断”就很有意义。

当允许用户“打断”时，你需要注意系统发言时的停顿，还有问题的顺序，举例：

VUI system

What would you like to do ? [ 1-second silence ] You...

User

I would...

VUI system

[ system continues ] Can. [ Then stops because user has barged in ]

User

[ stops ]

在这个例子中，系统在第一个问题后简短的停顿了下，用户在这个间隙开始说话，就在这时，系统又开始继续刚才的话题。这个例子还有另外一个问题，当系统向用户问了一个问题后，用户很自然的进行回答，要避免在提问后设计更多的信息，因为比较容易被用户的回答打断。

不同于传统的IVR系统，在听到用户说话时 Alexa 不会停止讲话，除非唤醒词被识别到。

对于VUI系统来说，“打断”不经常被推荐使用，因为VUI不止有语音，还有图像等。如果你的系统没有开启”打断“，在设计时需要避免让用户听到一长串信息，可以分步骤进行或是通过视觉形式展示给用户。

Timeouts 说话结束

知道用户什么时候停止讲话是很重要的。

End-of-speech timeout 语音结束延时

部分语音识别系统可以设置一些参数来定义，1.5秒是个很好的经验值，太短的话可能用户的部分说话没有被系统收集到，太长的话用户会怀疑系统是否听懂了自己讲话。

有些设计很好的系统可以在不同场景下设置不同的超时值。需要长一点超时时间的例子：用户在读一些被分组的数字时，如信用卡号，会在读完一组数时自然的停顿，这时不希望被打断。

最好的方式是根据用户的真实数据来调整。

No speech timeout （NSP）未接收到语音的时间

1、No speech timeout 比 end-of-speech timeout 时间长，通常会在10秒

2、No speech timeout 会导致不同的操作 

3、可以用来帮助分析系统问题

这种情况下，一些系统不会做什么，如果你说“Alexa”后没有再说话，大约8秒后顶部的设备蓝光会消失，Alexa 保持沉默。OK Google 等待大约5秒，如果用户什么都没有说，它会在手机界面上展示一些用户可以询问的问题。

当发生 NSP 时，给予用户一个解决方案也是很重要的，设计应该围绕怎么让用户进行下一步，大多数情况下是让用户重复，在多次发生NSP后，应该给予用户另外的方式输入。

ISP VUI

What's your account number?

User

[ silence ]

ISP VUI

Sorry, I didn't get that. Your account number can be found at the top of your statement. Please say or type it in, or say, "I don't know it"

User

I don't know

ISP VUI

No problem. We can look it up with your phone number and address instead...

Too much speech (TMS)

N-Best Lists

当用户说完，系统并不是返回一个结果，而是返回一个列表包含用户可能说的情况。

The Challenges of Speech Recognition 语音识别的挑战

Noise

Multiple Speakers

Children

Name，Spelling，and Alphanumerica

Data Privacy