作者从事自然语言处理工作一年半以上，对语音交互有自己的理解。本文中关闭五官的极端状态会给读者带来一种特殊的体验，让大家熟悉并掌握它的特点和优势，让大家在以后的产品设计中应用到自己的产品中。

为了讨论方便，我们先做个定义。市面上有几个关于互动的常用词，比如GUI，VUI，DUI。

一个或三个基本概念

1.图像使用者界面

图形用户界面是市场上最常见的交互模式。触摸和滑动是主要的输入方式。图像显示是主要的输出模式。

2.快乐

VUI(语音用户界面)是一种常见的无屏幕智能扬声器/耳机，它依赖于音轨输入和音轨输出。

VUI也有一个前身，IVR(Interactive Voice Response)Interactive Voice Response，类似于我们打电话给营业厅，通过选择号码来选择进入某个业务。

3.酒后驾车

DUI(对话用户界面)对话界面当然还有一个名字叫Cui(会话用户界面)，比如苹果的SIRI，或者某种对话机器人，以会话窗口为主要功能界面。这个方法是混合方案，所以不在讨论范围内。

二、互动形式

为了便于理解、替代角色和理解交互模式，我们需要在有限的条件下体验它们。

只有关闭自己的功能，才能达到一种物理情境，进而理解两种不同交互形式的区别。把自己想象成一个听力正常，发音标准的盲人，一个视力正常，四肢健全的聋哑人。

图形用户界面

特点:以鼠标、键盘、手指触摸为主输入模式，图形显示为输出模式。一般来说，你可以通过移动眼睛来与硬件进行交互。目前市场上最常见的互动模式。

VUI(语音用户界面)语音界面

特点:以语音为输入，语音为输出。如果你会听和发，你可以用VUI。一般来说，可以聊，可以用硬件聊。未来一定会进入我们生活的互动方式。

日常生活中有很多场景，两手都很忙。如果有好的VUI解决方案，就会有交互空。

解放双手是一个特点，不足以成为优势，而是特定情况下的解决方案。

VUI的缺点只能在安静和私密的环境中表现出来。在公共场合使用，必然会引起别人观看，进而引起自己的心理压力。GUI没有输入压力的问题，只靠光。

输入速度是VUI的一大优势。只需说出你需要的，然后通过ASR翻译成文字，计算机就能理解并执行命令。

GUI界面显示的信息太多。如果不熟悉，需要判断在哪里(如果教老人使用智能手机，可以理解其中的痛苦)。有时候需要调用键盘，输入速度很慢。

玩周杰伦的《烟花易寒》如果触摸会花很多钱(打开APP，搜索搜索框，输入指定信息，搜索，选择其中一个列表播放)。有了VUI，成本非常低。

VUI可以无视等级制度，一句话就达到目的。比如玩2020 NBA全明星赛第四节或者打开APP的签到功能/活动页面就可以直接到达熟悉的位置。

GUI是一种人机交互模式，强制用户沿着单一路径完成操作。操作的每一步是对是错，都会给出反馈，通过信息结构层展示指定的内容，非常方便人们学习和探索规律，所以不是缺点，而是特点。

VUI的缺点，因为人类的输入是不可控的，使得计算机很难理解——

用户本身发音模糊；依赖ASR（语音识别：Automatic Speech Recognition）技术的表现。人类表述差异化较大，无逻辑，上下文表述会使用指代关系，会歧义或者双关。而计算机推理较难，此处考验NLP（自然语言处理：Natural Language Processing）的能力。

图形用户界面的优点是输入精确，对任何操作都有边界约束，过程可控，选择清晰，易于计算机理解。

交互是双向的过程，语音作为输入的动作真的很快，而纯语音输出效率很低。很少有人愿意做太多的等待行为。而且语音输出携带的信息量很小。

比如展示2020年福布斯前10名的成绩，语音输出的效率就是个悲剧。但是视觉层面显示的内容可以是无限的，可以以表格图形的形式显示，眼睛接受效率也很高。

在电脑输出的过程中，语音输出要求人不要走神，不要消耗注意力，而视觉显示则不是，即使走神也没有压力。

在语音交互的过程中，如果是多轮的话，电脑讲完后会马上留给人做决定，势必会给人压力。GUI没有这个流程。

比如一个简单的机票业务查询结果，可以帮助你找到[航空公司空公司][飞机位置][机票价格]从[城市]到[城市]，[月日][时间和小时]。你需要预定这张票吗？

声音播放时，我是否应该思考和比较？如果要更新查询条件，语音怎么办？而且这个交给GUI的时候非常好处理。

基于此，我们从整体上来看两种交互形式的优缺点:

由于图形用户界面的特点是大家所熟悉的，所以本文着重对纯VUI的特点进行总结和提炼。

三，VUI的特点

1.基本特征

VUI语音交互的特点是解放双手，移动嘴巴。在一些业务场景中，需要用双手通过语音指令来实现目标。(作者吐槽:GUI交互写不出来，不用动嘴靠光就能解决问题，很奇怪)

VUI语音交互依赖于安静私密的环境，在公共场合使用有压力。声音输入和声音输出都可以通过空的媒介传播。即使耳机可以管理电脑的输出行为，但是人的输入行为会引起别人的观看。这限制了VUI的使用场景。

掌握了【基本特征】之后，我们有了一个寻找VUI使用场景的方向，即

光线不太好，不方便点触操作双手被占用，不方便点触操作隐私，安全，的无场景使用语音无压力的场景

因此，目前卧室、客厅、车内相对私密的空房间是VUI的主要互动场合。

开车的时候，双手被占用，VUI有发挥空间骑车或者跑步锻炼的时候，VUI有发挥空间晚上都关灯了，不想睁眼睛，VUI有发挥空间快递员/外卖小哥在送东西的时候，VUI有发挥空间

2.进入表演

GUI是一种预设路径的交互方式，而VUI关注的是如何发挥语言和表达的强大力量，用人们的日常语言进行交流。

GUI需要人类的适应工具。VUI通过工具来适应人。

语音输入的门槛很低，只要会说话就能模仿，输入速度快，比GUI有很大的优势。图形界面有相当大的学习门槛。难点在于利用老人了解手机的委屈状态:“这一个上那么多字，上面那么多按钮，不知道从哪里点击”“这个太多记不住了”。

VUI的另一个特色优势是没有UI级别，一句话就能直接到达，对于熟悉的东西优势很大。不需要像GUI一样按照等级关系一路点。GUI的特点是流程清晰，对于复杂的流程，层次关系解释清楚。

VUI的最大缺点是用户输入的表情不可控，这是自然语言处理的核心，也就是如何让计算机理解人类的各种表情。图形界面非常可控，计算机很容易理解。

3.互动表演

VUI的语音输出效率很低，并且依赖于注意力。这是一个巨大的劣势。对于GUI来说，是一个很大的优势，不需要人类过多的关注。

VUI反馈设计注定无法输出大量内容，性能最好的是GUI。在多轮对话中，要尽量控制用户的表情范围，才能获得更好的体验。

基于输入表示和交互表示，我们有一个处理VUI交互的方向，即

一句话能搞定的用户熟悉的任务决策压力低的的任务管理用户输出，让其做选择题或填空题语音输出的内容不应该太长不让用户做挑挑拣拣的任务

综上所述，只有了解其优缺点，才能方便创业。

附一张目前智能音箱技能清单，作者总结了自己的理解，是目前市场上比较成熟的语音交互技能。

我们还是回归正常，未来一定是多模态交互的场景。

随着科技的发展，从最早的命令行、鼠标、键盘，到最主流的点击触摸，再到未来的语音交互、手势交互。

想要做好交互设计，只有了解各种交互形式的优缺点，硬件相关知识，技术相关知识，然后叠加多模态交互方案，才能做出好的选择。

生活中，带屏幕的音箱越来越多，耳机也和各种屏幕硬件一起使用，未来就像科幻电影里一样，几乎每个屏幕都可以用来操作。

从实际发展趋势来看，未来注定是万物互联的世界。几乎任何硬件都可以搭配三套麦克风、扬声器和WIFI模块。由于硬件成本低，非常容易推广。各方数据表明，可穿戴智能硬件的出货量是巨大的……语音是最自然的交互形式，它一定会在我们的生活中占据一席之地。

语音交互将为我们的产品设计带来巨大的变化，提供更丰富的三维交互乐趣。在即将到来的万物互联时代，对交互设计师/产品经理来说也是一个进步和挑战。

在不掌握任何绘画技巧的情况下，做好语音交互。语境对话就是UI本身。如何管理用户输入取决于内容结构。

本文旨在探讨图形用户界面与VUI的区别。相关的设计就不展开了，相关的VUI设计经验会在后面的文章里介绍给你。