语音内容与可用性
对话不是新界面。它是最古老的界面。——Erika Hall，《对话式设计》
数千年来，我们一直在进行对话。无论是传递信息、进行交易，还是简单地互相问候，人们通过口语对话喋喋不休地交谈和比划着无数代。直到过去几千年，我们才开始将对话付诸文字，而直到过去几十年，我们才开始将它们外包给计算机——这种机器对书面通信的亲和力远大于对口语随意性的适应。
计算机面临的挑战
计算机之所以遇到困难，是因为在口语和书面语之间，言语更为原始。为了与我们成功对话，机器必须应对人类言语的混乱：不流利和停顿、手势和肢体语言，以及词语选择和口语方言的变化，这些甚至可能阻碍最精心设计的人机交互。在人对人的场景中，口语还享有面对面接触的特权，我们可以轻松解读非语言社交线索。
相比之下，书面语言一旦被记录就立即具体化，并在口语交流中早已过时后仍保留用法（例如称呼语“敬启者”），生成自己过时术语和短语的化石记录。因为它往往更加一致、精炼和正式，书面文本从根本上更容易被机器解析和理解。
口语则没有这种便利。除了用强调和情感语境装饰对话的非语言线索外，还有语言线索和发声行为以细微的方式调节对话：如何说，而不是说什么。无论是连珠炮似的、低音的，还是高分贝的，无论是讽刺的、生硬的，还是叹息的，我们的口语传达的内容远非书面文字所能及。因此，当涉及到语音界面——我们进行口语对话的机器时，作为设计师和内容策略师，我们面临着激动人心的挑战。
语音交互
我们与语音界面交互有多种原因，但根据Michael McTear、Zoraida Callejas和David Griol在《对话式界面》中的说法，这些动机在很大程度上也反映了我们与他人发起对话的原因（http://bkaprt.com/vcu36/01-01）。通常，我们开始对话是因为：
- 我们需要完成某事（例如交易）
- 我们想知道某事（某种信息）
- 我们是社交生物，想找人交谈（为对话而对话）
这三个类别——我称之为交易性、信息性和亲社会性——也基本上描述了每一个语音交互：从开始到结束的单个对话，为用户实现某种结果，从语音界面的第一次问候开始，到用户退出界面结束。请注意，这里我们人类意义上的对话——导致某种结果并持续任意长度的人与人之间的聊天——可能连续包含多个交易性、信息性和亲社会性的语音交互。换句话说，语音交互是对话，但对话不一定是单个语音交互。
在大多数语音界面中，纯粹亲社会性的对话更像是噱头而非吸引人，因为机器尚不具备真正想知道我们过得如何以及进行人类渴望的那种热情问候的能力。关于用户是否实际上更喜欢从亲社会性语音交互开始并无缝切换到其他类型的有机人类对话，也一直存在争论。事实上，在《语音用户界面设计》中，Michael Cohen、James Giangola和Jennifer Balogh建议通过模仿用户与其他语音界面的交互方式来坚持用户的期望，而不是过于努力地模仿人类——在此过程中可能疏远用户（http://bkaprt.com/vcu36/01-01）。
这就留下了我们可以彼此进行的两种类型的对话，语音界面也可以轻松地与我们进行：实现某种结果的交易性语音交互（“购买冰茶”）和教我们新事物的信息性语音交互（“讨论音乐剧”）。
交易性语音交互
除非你在外卖应用上点击按钮，否则当你点一份额外加菠萝的夏威夷披萨时，你通常是在进行对话——因此也是语音交互。即使我们走到柜台点餐，对话也会从最初几句友好的寒暄迅速转向手头的真正任务：点一份披萨（慷慨地加上菠萝，本该如此）。
Alison: 嘿，最近怎么样？
Burhan: 嗨，欢迎来到Crust Deluxe！外面很冷。有什么可以帮您的？
Alison: 我能要一份夏威夷披萨，额外加菠萝吗？
Burhan: 当然，什么尺寸？
Alison: 大的。
Burhan: 还要别的吗？
Alison: 不用了，就这些。
Burhan: 喝点什么？
Alison: 我要一瓶可乐。
Burhan: 好的。一共13.55美元，大约需要十五分钟。
在这个交易性对话中，每一个渐进式披露都越来越多地揭示了交易的期望结果：提供的服务或交付的产品。交易性对话具有某些关键特征：它们直接、切中要点且经济高效。它们迅速省去了客套话。
信息性语音交互
与此同时，有些对话主要是为了获取信息。虽然Alison光顾Crust Deluxe的唯一目的可能是点餐，但她可能实际上根本不想带着披萨离开。她可能同样感兴趣的是他们是否提供清真或犹太洁食菜肴、无麸质选项或其他东西。在这里，虽然我们再次在开头有一个亲社会性的迷你对话以建立礼貌，但我们追求的是更多。
Alison: 嘿，最近怎么样？
Burhan: 嗨，欢迎来到Crust Deluxe！外面很冷。有什么可以帮您的？
Alison: 我能问几个问题吗？
Burhan: 当然！请讲。
Alison: 你们菜单上有清真选项吗？
Burhan: 绝对有！我们可以根据要求制作任何清真披萨。我们还有很多素食、蛋奶素和纯素选项。您还在考虑其他饮食限制吗？
Alison: 那无麸质披萨呢？
Burhan: 我们绝对可以为您做无麸质饼皮，没问题，无论是我们的深盘披萨还是薄脆披萨都可以。还有什么我可以为您解答的吗？
Alison: 暂时就这些。很高兴知道。谢谢！
Burhan: 随时欢迎，尽快再来！
这是一个非常不同的对话。这里的目标是获取一组特定的事实。信息性对话是对真相的调查探索——收集数据、新闻或事实的研究考察。信息性的语音交互可能必然比交易性对话更冗长。回答往往更冗长、信息量更大，并且经过仔细沟通，以便客户理解关键要点。
语音界面
语音界面的核心是使用语音来支持用户实现其目标。但仅仅因为界面具有语音组件，并不意味着每个用户与它的交互都是通过语音介导的。由于多模态语音界面可以依赖屏幕等视觉组件作为拐杖，我们在本书中最关心的是纯语音界面，它完全依赖于口语对话，没有任何视觉组件，因此处理起来更加细致和具有挑战性。
尽管语音界面长期以来一直是科幻小说中人类想象未来的组成部分，但直到最近，这些崇高的愿景才在真正的语音界面中完全实现。
交互式语音应答系统
尽管书面对话界面几十年来一直是计算的固定功能，但语音界面最早出现在1990年代初，包括将书面文本大声朗读出来的文本转语音听写程序，以及为用户提供的地址提供方向的语音启用车载系统。随着交互式语音应答系统的出现，旨在替代负担过重的客户服务代表，我们熟悉了第一个进行真实对话的真正语音界面。
IVR系统允许组织减少对呼叫中心的依赖，但很快就因其笨拙而声名狼藉。这些系统在企业界很常见，主要设计为隐喻性的交换机，引导客户找到真正的电话代理（“说‘预订’来预订航班或检查行程”）；当你致电航空公司或酒店集团时，你很可能会与其中一个系统进行对话。尽管存在功能性问题以及用户因无法立即与真人交谈而感到沮丧，IVR系统在1990年代初 across 各种行业激增（http://bkaprt.com/vcu36/01-02, PDF）。
虽然IVR系统非常适合高度重复、单调且通常不会偏离单一格式的对话，但它们在对话方面的声誉不如我们在现实生活中（甚至科幻小说中）习惯的那样令人兴奋。
屏幕阅读器
与IVR系统演进并行的是屏幕阅读器的发明，这是一种将视觉内容转录成合成语音的工具。对于盲人或视障网站用户来说，它是与文本、多媒体或表单元素交互的主要方法。屏幕阅读器可能代表了我们今天拥有的最接近开箱即用的通过语音交付内容的实现。
已知最早以该名称命名的屏幕阅读器之一是1986年伯明翰大学视障教育研究中心开发的BBC Micro和NEEC Portable屏幕阅读器（http://bkaprt.com/vcu36/01-03）。同年，Jim Thatcher为基于文本的计算机创建了第一个IBM屏幕阅读器，后来为具有图形用户界面的计算机重新创建（http://bkaprt.com/vcu36/01-04）。
随着1990年代网络的快速发展，对网站无障碍工具的需求激增。得益于语义HTML的引入，尤其是从2008年开始的ARIA角色，屏幕阅读器开始促进与网页的快速交互，这些交互表面上允许残疾用户将页面作为听觉和时间空间来遍历，而不是视觉和物理空间。换句话说，用于网络的屏幕阅读器“提供了将视觉设计结构——邻近性、比例等——转化为有用信息的机制，”Aaron Gustafson在A List Apart中写道。“至少当文档经过深思熟虑地编写时是这样”（http://bkaprt.com/vcu36/01-05）。
尽管对语音界面设计师具有深刻的指导意义，但屏幕阅读器存在一个显著问题：它们难以使用且无休止地冗长。网站和网络导航的视觉结构不能很好地转化为屏幕阅读器，有时会导致笨拙的发音，命名每个可操作的HTML元素并宣布每个格式更改。对于许多屏幕阅读器用户来说，使用基于网络的界面需要付出认知代价。
在《连线》杂志中，无障碍倡导者和语音工程师Chris Maury思考了为什么屏幕阅读器体验不适合依赖语音的用户：
从一开始，我就讨厌屏幕阅读器的工作方式。为什么它们被设计成那样？先呈现视觉信息，然后，并且只有那时，才将其翻译成音频，这毫无意义。所有为应用程序创造完美用户体验投入的时间和精力都浪费了，或者更糟，对盲人用户的体验产生了不利影响。（http://bkaprt.com/vcu36/01-06）
在许多情况下，设计良好的语音界面可以比冗长的屏幕阅读器独白更快地将用户引导至目的地。毕竟，视觉界面用户拥有在视口中自由穿梭以查找信息的好处，忽略与他们无关的区域。与此同时，盲人用户有义务聆听每一个合成为语音的发音，因此珍视简洁和高效。长期以来除了使用笨拙的屏幕阅读器别无选择的残疾用户可能会发现，语音界面，特别是更现代的语音助手，提供了更简化的体验。
语音助手
当我们想到语音助手（现在在客厅、智能家居和办公室中常见的语音界面子集）时，我们许多人会立即想到《2001：太空漫游》中的HAL，或者听到Majel Barrett在《星际迷航》中作为无所不知的计算机的声音。语音助手类似于私人礼宾员，可以回答问题、安排约会、进行搜索和执行其他常见的日常任务。而且，由于其辅助潜力，它们正迅速获得无障碍倡导者的更多关注。
在最早的IVR系统在企业界取得成功之前，苹果公司在1987年发布了一个演示视频，描绘了Knowledge Navigator，这是一个能够转录口语单词并在很大程度上准确识别人类语音的语音助手。然后，在2001年，Tim Berners-Lee和其他人 formulated 了他们对于语义网“代理”的愿景，该代理将执行典型的差事，如“检查日历、安排约会和查找位置”（http://bkaprt.com/vcu36/01-07, 付费墙后）。直到2011年，苹果的Siri才最终出现，使语音助手成为消费者触手可及的现实。
由于当今有大量语音助手可用，某些语音助手相对于其他语音助手的可编程性和可定制性存在显著差异（图1.1）。在一个极端，除了供应商提供的功能外，其他一切都被锁定；例如，在发布时，苹果的Siri和微软的Cortana的核心功能无法扩展到其现有能力之外。即使在今天，也不可能对Siri进行编程以执行任意功能，因为除了预定义的任务类别（如发送消息、叫车、预订餐厅和其他某些任务）之外，开发人员无法在低级别与Siri交互。
在光谱的另一端，像Amazon Alexa和Google Home这样的语音助手提供了一个核心基础，开发人员可以在其上构建自定义语音界面。因此，对于感到受Siri和Cortana限制束缚的开发人员来说，易于定制和扩展的可编程语音助手正变得越来越受欢迎。亚马逊提供Alexa Skills Kit，这是一个为Amazon Alexa构建自定义语音界面的开发框架，而Google Home提供了编程任意Google Assistant技能的能力。今天，用户可以在Amazon Alexa和Google Assistant生态系统中的数千个自定义构建的技能中进行选择。
图1.1：像Amazon Alexa和Google Home这样的语音助手往往比对应的Apple Siri更具可编程性，因此也更灵活。
随着亚马逊、苹果、微软和谷歌等公司继续划定自己的领地，它们也在销售和开源前所未有的工具和框架阵列，旨在使构建语音界面尽可能容易，即使没有代码也是如此。
通常出于必要，像Amazon Alexa这样的语音助手往往是单渠道的——它们与设备紧密耦合，不能改在计算机或智能手机上访问。相比之下，像Google的Dialogflow这样的许多开发平台已经引入了全渠道功能，因此用户可以构建一个对话界面，然后在部署时表现为语音界面、文本聊天机器人和IVR系统。在这本以设计为重点的书中，我不规定任何具体的实现方法，但在第4章中，我们将探讨这些变量可能对你构建设计工件的方式产生的一些影响。
语音内容
简单来说，语音内容是通过语音传递的内容。为了保留最初使人类对话如此引人入胜的原因，语音内容需要自由流动和有机、无上下文且简洁——书面内容所不具备的一切。
我们的世界充满了各种形式的语音内容：屏幕阅读器朗读网站内容，语音助手快速读出天气预报，以及由IVR系统控制的自动电话热线响应。在本书中，我们最关心的是以听觉方式传递的内容——不是作为一种选项，而是作为一种必需。
对于我们中的许多人来说，首次涉足信息性语音界面将是为用户传递内容。只有一个问题：我们已有的任何内容都没有为这个新环境做好准备。那么，我们如何使困在我们网站上的内容更具对话性？我们如何编写适合语音交互的新副本？
最近，我们开始以前所未有的方式切片和切块我们的内容。网站在许多方面是我称之为宏内容的巨大宝库：冗长的散文，可以在浏览器窗口中无限滚动数英里，就像报纸档案的缩微胶片查看器。早在2002年，远在语音助手普及之前，技术专家Anil Dash将微内容定义为永久链接的内容片段，无论环境如何（如电子邮件或短信）都能保持可读性：
一天的天气预报、飞机航班的到达和离开时间、长篇出版物的摘要或单个即时消息都可以是微内容的例子。（http://bkaprt.com/vcu36/01-08）
我会更新Dash对微内容的定义，以包括所有超越书面通讯的碎片化内容的例子。毕竟，今天我们在界面中遇到微内容，其中一小段副本单独显示，脱离浏览器，就像餐厅预订的文本机器人确认。微内容提供了最好的机会来评估你的内容如何被拉伸到其能力的边缘，为既有的和新的交付渠道提供信息。
作为微内容，语音内容是独特的，因为它是内容如何在时间而非空间中体验的一个例子。我们可以瞬间瞥一眼地下的数字标志，知道下一班火车何时到达，但语音界面会在一段时间内吸引我们的注意力，我们无法轻易逃脱或跳过，这是屏幕阅读器用户再熟悉不过的。
因为微内容基本上由孤立的片段组成，与它们最终将到达的渠道没有关系，我们需要确保我们的微内容真正作为语音内容表现良好——这意味着要专注于健壮语音内容的两个最重要特征：语音内容可读性和语音内容可发现性。
从根本上说，我们语音内容的可读性和可发现性都与语音内容在感知时间和空间中的表现方式有关。