“會說話的人，一開口就贏了”——語音交互中的機(jī)器話術(shù)研究

“如果機(jī)器在某些現(xiàn)實的條件下，能夠非常好地模仿人回答問題，讓提問者在相當(dāng)長時間里誤認(rèn)它不是機(jī)器，那么機(jī)器就可以被認(rèn)為是能夠思維的?！?/p>

—— 阿蘭·圖靈

“一個人的成功，約有15%取決于技術(shù)知識，85%取決于口才藝術(shù)?！?/p>

—— 戴爾·卡耐基

“與機(jī)器像和人一樣對話”大概是人類對人工智能最初的設(shè)想，也是人類希望在人工智能領(lǐng)域?qū)崿F(xiàn)的目標(biāo)。

雷鋒網(wǎng)按：在不少科幻電影或小說里，人工智能可以和人自然交流，甚至可以談情說愛（如電影《her》中的薩曼莎）。但我們不得不承認(rèn)，現(xiàn)實和理想差距很大?，F(xiàn)在的人工智能雖然已經(jīng)“可以說話”，但大多數(shù)都“不會說話”，我們經(jīng)?？梢月牭健斑@個問題我還理解不了，如果你想……，可以這樣對我說……”。

為了教會機(jī)器“像人一樣說話”，人們在語音識別、自然語言理解、語音合成等諸多方面進(jìn)行了大量探索，但這些探索主要集中在技術(shù)維度，而對機(jī)器話術(shù)涉獵較少。

在漢語中，“術(shù)”有技藝、方法之意，話術(shù)即指說話的技藝和方法。和技術(shù)相比，話術(shù)更偏藝術(shù)和人性。喬布斯說“只有技術(shù)是不夠的——技術(shù)與人文藝術(shù)結(jié)合、與人性結(jié)合，才能帶來讓我們內(nèi)心喜愛的結(jié)果”。因此，我們本次從用戶視角出發(fā)，嘗試從藝術(shù)和人性的角度對話術(shù)進(jìn)行探索。

研究主要包含以下內(nèi)容：

話術(shù)設(shè)計研究：我們?nèi)绾巫龅脑捫g(shù)設(shè)計原則：用戶關(guān)注什么？哪個更重要 話術(shù)設(shè)計建議：原則如何指導(dǎo)話術(shù)設(shè)計

一、話術(shù)設(shè)計研究：我們?nèi)绾巫龅模?/p>

當(dāng)下的話術(shù)研究多從研究者視角出發(fā)，原則主要源自研究者的日常觀察、哲學(xué)思辯和專業(yè)判斷。本次，我們從用戶視角出發(fā)來探討話術(shù)，研究過程如下：

1. 案頭研究

我們對人與人的對話結(jié)構(gòu)和對話原則進(jìn)行了系統(tǒng)梳理，特別推薦Grice的“合作原則”（出自《邏輯與會話》演講，1967）和索振羽的“得體原則”（出自《語用學(xué)教程》第二版，2014）。這一步至關(guān)重要，它加深了我們對“對話”的理解，這些原則也成為我們設(shè)計實驗話術(shù)時的重要參考依據(jù)。

2. 對話場景設(shè)計

為覆蓋盡可能多的場景，我們系統(tǒng)梳理了語音交互的典型場景，如聽音樂、問天氣、家居控制、生活服務(wù)等。同時，每個場景下也細(xì)分了機(jī)器的不同狀態(tài)，如是否聽清、能否識別、是否有能力滿足等。

3. 具體話術(shù)設(shè)計

對話場景梳理清晰后，我們針對每個場景設(shè)計實驗所需話術(shù)。話術(shù)來源主要有二，一是主流語音交互產(chǎn)品的現(xiàn)有話術(shù)，二是研究者基于人與人的對話原則撰寫而成的話術(shù)。

4. 話術(shù)實驗

上述準(zhǔn)備完成后，進(jìn)入正式實驗階段。在實驗中，我們創(chuàng)設(shè)了各類場景（具體場景見“對話場景設(shè)計”部分），并且模擬了真實的人機(jī)對話過程（所有實驗話術(shù)均轉(zhuǎn)為語音合成音進(jìn)行播報），要求用戶基于真實體驗對不同場景下每類話術(shù)的喜好度進(jìn)行評價。

同時，我們使用了“參與式設(shè)計”，以“假如你是機(jī)器，你會如何回答”為起點，引導(dǎo)用戶更深地參與到話術(shù)設(shè)計中，共同探討實驗話術(shù)以及更為理想的表達(dá)方式。這一過程使我們獲得了大量源自用戶的鮮活話術(shù)，也使我們能從更豐富的角度挖掘用戶構(gòu)建話術(shù)的原則、方法與技巧。

5. 設(shè)計原則提煉與驗證

基于案頭研究和實驗發(fā)現(xiàn)，我們提煉了初步的設(shè)計原則。之后，要求用戶對原則的可理解性、全面性、適用性等進(jìn)行評估。經(jīng)過多輪評估，我們不斷調(diào)整原則，最終獲得了現(xiàn)在的話術(shù)設(shè)計原則。

二、話術(shù)設(shè)計原則：用戶關(guān)注什么？哪個更重要？

我們發(fā)現(xiàn)，在用戶心中，好的話術(shù)要兼顧理性和感性原則。理性原則體現(xiàn)在“機(jī)器的話是有用的”，話術(shù)應(yīng)該是以目標(biāo)為中心、準(zhǔn)確、簡潔的；感性原則強(qiáng)調(diào)“對話過程令人愉悅”，話術(shù)應(yīng)該是自然、友好、有個性的。

同時，我們要求用戶基于自身體驗對各原則的重要性進(jìn)行了1-10級評價，其中1分代表非常不重要，10分代表非常重要，分?jǐn)?shù)越高，重要性越高。

結(jié)果發(fā)現(xiàn)，現(xiàn)階段，用戶更看重理性原則，尤其是以目標(biāo)為中心，準(zhǔn)確，而自然、友好等感性原則暫居相對次要的位置。

此外，我們也梳理了不同原則下的具體評估指標(biāo)，這些指標(biāo)代表在該原則下，用戶在對話中具體的關(guān)注點。不同指標(biāo)的重要性有所不同，詳見下表。

三、話術(shù)設(shè)計建議：原則如何指導(dǎo)話術(shù)設(shè)計？

接下來，我們一起看看上述這些原則如何指導(dǎo)具體的機(jī)器話術(shù)設(shè)計。

1. 以目標(biāo)為中心原則

以目標(biāo)為中心是用戶最為看重的原則。用戶非常重視效率（閑聊場景除外），他們希望機(jī)器的回復(fù)與自己的需求高相關(guān)，可以快速達(dá)成心中所想。

同時，用戶表示在語音交互中，需要更多“引導(dǎo)”，尤其需要了解機(jī)器當(dāng)下和未來狀態(tài)。語音看不見摸不著，我們無法像在圖形用戶界面（GUI）中那樣——通過導(dǎo)航條判斷所在的位置，看到按鈕可以判斷是否點擊等。如果缺少必要的引導(dǎo)，用戶在語音交互中很容易迷茫，產(chǎn)生各類負(fù)面情緒。

因此，話術(shù)設(shè)計時，必須遵循以目標(biāo)為中心原則，做好引導(dǎo)，讓用戶可以通過聲音“看到”通往需求的路徑?；诖嗽瓌t，設(shè)計話術(shù)時可考慮以下幾條建議：

建議1：優(yōu)先回應(yīng)用戶的核心意圖

圍繞用戶最關(guān)心的問題優(yōu)先給出適合的回應(yīng)。

建議2：清楚傳達(dá)機(jī)器當(dāng)前的情況

如果因為各種原因無法直接滿足用戶需求時，應(yīng)及時告知，避免用戶困惑。

建議3：澄清目標(biāo)，不輕易終結(jié)對話

對話過程中，引導(dǎo)用戶不斷澄清目標(biāo)，不輕易做話題的終結(jié)者。

建議4：告訴用戶接下來怎么做

不能清晰識別用戶意圖時，可主動詢問用戶有可能的意圖，引導(dǎo)用戶完成目標(biāo)。

建議5：提供相關(guān)替代方案

在無法直接滿足用戶時，可考慮提供相關(guān)度較高的替代方案，間接滿足用戶。

2. 準(zhǔn)確原則

用戶認(rèn)為表達(dá)準(zhǔn)確是最基本的原則。表述不準(zhǔn)確可能導(dǎo)致用戶誤解、無法判斷機(jī)器所要傳達(dá)的真正含義，使對話脫離正軌甚至無法進(jìn)行。

基于準(zhǔn)確原則，設(shè)計話術(shù)時可考慮以下建議：

建議1： 避免表述有歧義

表述的含義要確定，不要說讓用戶“這樣理解可以，那樣理解也可以”的話?？谡Z中最常見的歧義是同音歧義，即語音相同帶來的歧義。以下兩類同音歧義，話術(shù)設(shè)計時需要注意：

同音異形詞歧義，如播放菜譜時提到“切ji放糖”，是“記”還是“忌”？同音同形詞歧義，如閑聊時提到“我最喜歡杜鵑啦”，是杜鵑這種花還是杜鵑這種鳥？

建議2：避免表述過于籠統(tǒng)模糊

表述要盡可能具體明確，避免過于籠統(tǒng)模糊。

我們來看下面一個案例，研究中，面對第一種話術(shù)，大多數(shù)用戶表示“有點懵”，“是給音箱起名字，還是告訴音箱自己的名字？不知道該怎么回答”。而第二種話術(shù)則明確指出是“音箱對自己的稱呼”。

3. 簡潔原則

在研究中，用戶多次提到“不喜歡這個話術(shù)，太啰嗦了，能不能揀重點說”，“說太多了，壓根沒記住啊”，這些抱怨體現(xiàn)了用戶對簡潔的重視。

用戶如此重視簡潔是必然的。語音是一維線性的，只能一個字一個字的聽完，無法快進(jìn)，不能后退。哪怕信息不相關(guān)、無意義，用戶都無法略過。這些冗余信息既浪費用戶時間，也會增加用戶的煩躁情緒。

更重要的是，大腦能處理的語音信息量有限，一旦超出會給人的工作記憶造成負(fù)擔(dān)。長期以來，神奇數(shù)字7±2被認(rèn)為是工作記憶的容量，但近期這一標(biāo)準(zhǔn)遭到質(zhì)疑，普遍認(rèn)為這一估計偏高。有研究者（Mastin，2010）認(rèn)為這一數(shù)字可能是4±1。

基于此原則，設(shè)計話術(shù)時可考慮以下幾條建議：

建議1：表述簡單明了，不啰嗦

傳遞必要信息前提下，保持話術(shù)簡潔。

建議2：避免信息量過大，一次提供的選項不超過三個

單次交互提供的信息量不要過大，以免給用戶造成認(rèn)知和記憶負(fù)擔(dān)。

4. 自然原則

在研究中，聽到某些話術(shù)，用戶紛紛表示“這太生硬了，一點都不自然”，“這明顯就是機(jī)器說的話，人怎么可能這么說呢”。用戶希望話術(shù)可以貼近生活，盡可能自然。

這是非常好理解的。在人機(jī)語音交互中，人類最想使用的肯定是自然語言?？陬^語言是人類最擅長，使用門檻最低的自然語言，人類使用口頭語言進(jìn)行交流的歷史已跨越十萬年。與之相比，書面語言的發(fā)展不過五千年，計算機(jī)語言更是剛剛萌芽。因此，設(shè)計話術(shù)時，可參考漢語口頭語言的特點，營造“自然感”。

基于此原則，設(shè)計話術(shù)時可考慮以下幾條建議：

建議1：措辭口語化

日常對話中，我們會使用豐富多彩的重疊詞（如看看、馬上馬上）、語氣詞（如吧、呢、哈）、感嘆詞（如哎！天?。?、惟妙惟肖的象聲詞（如噗通、呼啦）、填補詞（如嗯，呃），也會妙用各種副語言，如“哼哼”之類的鼻化音、笑聲、顫音等等。話術(shù)設(shè)計中，可以參考這些口語化的表達(dá)。

尤其注意，話術(shù)設(shè)計時要盡可能避免專業(yè)術(shù)語、技術(shù)名詞、晦澀用語等。

建議2：句式自然，可使用話語標(biāo)記

口語中句子多短小，結(jié)構(gòu)簡單。語言學(xué)研究發(fā)現(xiàn)，口語中長句占比僅19%，短句占比達(dá)到81%（超過7個實詞的單句為長句，反之為短句。實詞指具有實際含義且能單獨充當(dāng)句子成分的詞）。話術(shù)設(shè)計時可考慮這一特點，盡可能使用短句。

另外，口語對話中會使用“話語標(biāo)記語”做句子之間的過渡，話術(shù)設(shè)計時也可參考。常見的話語標(biāo)記有：“首先…然后…最后”之類的序列標(biāo)記；“開始”、“以后”之類的時間標(biāo)記；“這”、“那”之類的指示詞等。

建議3：增加措辭多樣性

使用同義詞為固定的答案增加多樣性，比如表示確認(rèn)的時候，可以隨機(jī)呈現(xiàn)“ok”、“收到”、“好的”、“沒問題”等等。這些同義詞可以增加對話活力，讓對話更自然。

5. 友好原則

研究中，我們發(fā)現(xiàn)，用戶很反感機(jī)器以“高人一等”的姿態(tài)說話，尤其反感被機(jī)器指責(zé)。高人一等的話語和指責(zé)會讓用戶覺得“不忿”、“挫敗”，甚至?xí)适C(jī)器的“信任”。

人是社會性動物。日常交往中，我們更喜歡對我們友好、喜歡我們的人，而傾向遠(yuǎn)離那些不夠友善的人。判斷對方是否友善，語音是最直觀的線索。在人機(jī)語音交互中，我們同樣能根據(jù)機(jī)器的應(yīng)答判斷其是否友好。因此，話術(shù)設(shè)計時要重視友好。

基于此原則，話術(shù)設(shè)計時可考慮以下幾條建議：

建議1：錯誤歸為機(jī)器，而非人

錯誤發(fā)生時，從機(jī)器的角度說明出錯原因。

建議2：避免要求用戶按照特定的方式表達(dá)

尊重用戶的說話方式，不要試圖教給用戶怎么說話

建議3：體現(xiàn)“關(guān)注用戶需求”的服務(wù)態(tài)度

即使不能滿足用戶需求，也要體現(xiàn)出努力幫助用戶的態(tài)度。

6. 有個性原則

必須強(qiáng)調(diào)，話術(shù)體現(xiàn)的個性必須與產(chǎn)品人設(shè)保持一致，比如冷靜成熟的產(chǎn)品人設(shè)就不太適合嗲嗲說話撒嬌賣萌的話術(shù)。

本次我們發(fā)現(xiàn)，用戶對“幽默”的話術(shù)接受度較高。在人際交往中，幽默能提升他人對自己的印象，讓人感覺親密并能幫助人們緩解壓力。語用學(xué)研究也發(fā)現(xiàn)，只要適合特定場景，幽默話語的交際效果是最佳的。

不過，幽默具有明顯的文化和群體差異，“甲之蜜糖，乙之砒霜”，設(shè)計話術(shù)時需特別注意。

建議1：遇到難題時，可考慮使用幽默話術(shù)回應(yīng)

遇到無法實現(xiàn)的功能時，通過幽默話術(shù)回應(yīng)用戶，調(diào)節(jié)氛圍。

建議2：娛樂話題的表述可以更加活潑有趣

討論一些娛樂話題或閑聊時，話術(shù)可以考慮增添更多趣味元素。

四、小結(jié)

本文從用戶視角出發(fā)，闡述了機(jī)器話術(shù)設(shè)計的6大普適性原則，以及如何基于這些原則設(shè)計話術(shù)。我們定義的設(shè)計原則及提供的設(shè)計建議如下：

雷鋒網(wǎng)注：圖片來自百度研究院

話術(shù)研究具有挑戰(zhàn)性。話術(shù)與對話場景、對象，產(chǎn)品本身的人設(shè)、特性，系統(tǒng)語音識別、語義理解能力等均具有密切關(guān)系。但這不妨礙我們通過參與式的用戶研究探索話術(shù)設(shè)計的普適性原則。所謂“深根固柢”，這些原則是機(jī)器話術(shù)設(shè)計時的基礎(chǔ)與根基，有助于我們打造更自然和極致的語音對話體驗。

我們也以此研究為契機(jī)，開始探索在AI時代，在機(jī)器話術(shù)這個領(lǐng)域，如何將技術(shù)和藝術(shù)、人性結(jié)合，希望能帶來讓用戶內(nèi)心真正喜歡的體驗。

雷鋒網(wǎng)認(rèn)為機(jī)器話術(shù)作為一個充滿藝術(shù)特色又與人性密不可分的主題，還有著許多未知且充滿魅力的方面值得探索。