AI-WIFI语音交互体验优化
1 前言
本文档旨在提供优化前端设备交互效果的建议，适用于aiwifi接入方式；
目标阅读人群为故事机、早教机等儿童人工智能设备的工程师或者交互设计师。
文档架构如下图：
2 专业名词说明
3 重点推荐建议
3.1 tts输出介绍语句时，音频并行加载
1）优化目的和效果： 在设备朗读tts的同时，通过预加载音频，提高播放音频的整体速度。 2）说明： 音频播放，必须等 TTS 朗读完成后才可以开始，中间不做额外停留。 -如果音频加载完毕，TTS 朗读未完成，音频播放要等待 TTS 朗读完成； -如果 TTS 朗读完后，音频还未加载完成，则等待音频加载完后立即播放。
3）逻辑图：
3.2 ASR、TTS 推荐格式
3.2.1 ASR支持格式
1) pcm_16K_16bit
2) pcm_8K_16bit
3) amr_8K_16bit(不推荐)
4) amr_16K_16bit
5) opus（推荐）
6) speex
注：pcm 是无压缩格式，没有运算，但是占带宽空间大；
amr是压缩格式，需要运算，但是占带宽小；
opus，speex 是压缩格式，但是效果没有 pcm、amr 好。
3.2.2 TTS支持格式
1) pcm_8K_16bit 2) mp3_16（推荐） 3) amr_nb
3.3 ASR拾音设计建议
3.3.1 听觉建议
1）优化目的和效果： 通过提示音，让用户更直观地感受到录音开始和录音结束，给予用户使用反馈，防止录音丢字，提高识别准确度。 2）说明： • 拾音开始提示音：提示拾音开始，一般是在提示音结束后开始收音。因此开始提示音建议短促、清晰、轻快、高音，来表示“开始”。可以用一声“嘀”来提示，推荐时长在100～200ms之间。 • 拾音结束提示音：提示拾音结束，系统开始运算，一般是结束提示音响起，拾音就结束。结束提示音必须和开始提示音有明显不同，不同之处可以是音高、音色、长短等。可以用一声“咻”来提示，推荐时长在500～700ms之间。
3.3.2 视觉建议
1）优化目的和效果： 从视觉上更直观地反馈录音开始和录音结束，给予用户使用反馈，防止录音丢字，提高识别准确度。 2）说明： • 拾音视觉提示，应该在整个拾音时间段内，都持续显示，而不应该使用开头、结尾各显示一次。 • 建议在整个拾音时间段内，用颜色独特的长亮灯、特殊的收音图像来提示。
3.4 联网过程中的提示语
1）未联网监听：程序启动后，当机器人没网时，程序可以监听这个事件； 2）播放提示语：播放类似于”没有联网，请给我联网”的提示 3）进入配网模式：播放类似于”我已经准备好了，可以使用家长端给我配网啦”的提示 4）联网过程中：播放类似于”我正在联网，请稍等”的提示 5）联网成功：播放类似于”联网成功”的提示，并且建议播放有关绍设备推荐功能的新用户引导音频 6）联网失败：播放类似于”联网失败，请重新联网”的提示 7）联网缓慢：当由于网络缓慢等原因造成设备超过XXs 没有成功联网时，设备应播放loading提示音
3.5 依据产品形态，可以关闭不需要的功能
1）优化目的和效果：
AiWifi自带的功能很多，但是有些是只有硬件支持才能使用的；当硬件不支持时，最好关闭该功能，避免误识别。
2）实现方法：
请在图灵开放平台的“机器人技能”中关闭不需要的功能
3.6 开机提示语
1）优化目的和效果：
设备开机之后直接播放的提示语，激发小朋友的互动意愿，使对话体验更有乐趣。
2）全部主动交互的内容，都是按时间随机推送的；
建议时间划分为8个时间段：
7：00-9：00（上午）
9：00-12：30（午饭前）
12：30-14：30（午睡）
14：30-16：00（下午）
16：00-18：00（傍晚）
18：00-21：30（晚上）
21：30-23：00（不说话）
23：00-6：00（深度睡眠，不说话）
3）运营操作：
在图灵AI开放平台可以设置开机提示语
4）参考文档 请见图灵开放平台-文档中心-api接入： http://docs.turingos.cn/api/API.html
3.7 主动交互语
1）优化目的和效果：
在用户沉默的时候主动发起对话，增强设备的互动效果，让小朋友更愿意与设备对话。
2）说明：
机器人活跃中无交互可以采取以下逻辑：
3）实现方法：·
在图灵AI开放平台可以设置主动交互语。
4）参考文档：·
请见图灵AI开放平台-文档中心-api接入：http://docs.turingos.cn/api/API.html
4 可选做的建议
4.1 低电量
1） 优化目的和效果： 在未充电、正在充电以及插上充电器三种状态，给予用户提示，让用户了解电池状态，及时获知电池使用情况。 2） 听觉和视觉提示： 听觉提示： 电池状态—未充电 • 大于80%，提示语，电池电量充足 • 50%和80%之间，提示语，我的电池电量还剩下一大半 • 20%和50%之间，提示语，我的电池电量还剩下一小半 • 小于20%，提示语，我的电池电量已经不多了，快给我充电吧 电池状态—正在充电 • 等于100，电池 电量已经充满，请拔掉充电器 • 大于80%，提示，电池电量充足，即将充满 • 20%和80%之间，提示，我正在充电 • 小于20%，提示，电池电量不足 插上充电器 • 提示，”开始充电” 视觉提示： 电池状态—未充电 • 大于80%，绿灯闪烁 • 20%和80%之间，黄灯闪烁 • 小于20%，红灯闪烁 电池状态—正在充电 • 等于100，绿灯长亮 • 大于80%，绿灯闪烁 • 20%和80%之间，黄灯闪烁 • 小于20%，红灯闪烁
4.2 音量控制
1）优化目的和效果： 本建议推荐不带音量控制按钮的智能设备使用，在语音控制音量的情况下，设备能有即时的反馈，避免用户因不知设备是否收到指令而重复控制。
2） 增大音量： • 听觉提示： 当用户说“增大音量，声音大一点”，则系统提示，“好的，已经增大音量，我刚才说XXX”，xxx为用户刚说的话，若上一句内容为空，则直接提示“好的，已经增大音量“ 当音量调节到最大，则直接提示“我已经使用最大的声音和你说话，如果你还是听不清，建议你靠近我或者找个安静 的地方和我说话”
• 视觉提示： 灯光亮度逐渐提高。
3）减小音量： • 听觉提示： 当用户说“减小音量，声音小一点“，则系统提示：“好的，已经减小音量” 当音量调节到最小音量，则直接提示“我已经使用最小的声音和你说话，再小你就听不到了”
• 视觉提示： 灯光亮度逐渐降低。
4.3 图灵资源库无结果，通过第三方资源库检索内容
1）优化目的和效果：
增加了第三方资源库，可以检索更多音频内容，增加点播成功率。
2）说明：
有的资源在图灵资源库中没有，需要去第三方资源库中检索，会造成等候时间较长。
因此如果在图灵资源库没有找到内容的话，图灵会返回给设备一个结果，并随机返回一个歌曲url；设备再去第三方资源库检索，如果有准确的资源，就播放该资源；如果没有的话，就播放从图灵获取到的资源。
3）逻辑图：
4.4 通过模拟请求，在前端实现连续播放
1）优化目的和效果：
可以实现自动播放下一首的功能，中间播放换歌的语音提示，缓解用户的等待焦虑，填补等待空白时间。
2）说明：
唱首歌->正常播放->播放结束->再次用唱首歌指令模拟请求我们的服务器，同时播放一个TTS内容或音频提示语（例如：播放完啦，下面我给你换首歌）->播放返回的音频
3）逻辑图：
4.5 表情 & 动作
1）优化目的和效果：
自定义更加丰富的交互效果，使人机互动更有趣。
2）说明：
客户在前端定义表情列表和动作列表，比如1对应左转，2对应右转，smile代表微笑；在此基础上，来到图灵AI开放平台编辑参数；
图灵服务器解析参数并传给前端，前端就会据此执行相应的动作或表情。
5 各种错误情况的提示语
6 语音交互原则
语音交互设计需要遵循以下几个原则：简单明确、强引导性、高效以及可随时中断。
6.1 简单明确
6.1.1 回答语句尽量精简
用户：今天天气怎么样
较好的回答：小朋友，你在哪里呢？
不好的回答：我可以回答全国任何城市的天气哦，但是我不知道小朋友在哪里呢？
说明：回答语句不要过于冗余，造成用户信息负载太大，理解不了。
6.1.2 使用户了解对话进程
用户：狮子怎么叫
较好的回答：小朋友听好了哦~狮子的叫声是…
不好的回答：直接播放狮子的声音
说明：让用户明确回答是针对的问题是什么，避免用户迷失在众多功能当中。
6.2 强引导性
用户对于设备的了解程度，会依据使用的深入而增加。按照使用频率，我们可以把用户分成新用户、中度用户、活跃用户。 对于新用户，也就是刚刚使用设备的用户，应该在开机后有对于功能的说明，引导用户去尝试提问； 对于已经使用过几次的用户，可以介绍一些高阶使用方法，或者推荐新的内容，并进行相关引导。
6.3 高效
6.3.1 记住：用户并不熟悉功能
用户：能给我播放首歌吗？
较好的回答：好的，小朋友，我要开始唱啦+播放音频
不好的回答：我会唱歌呀
说明：当用户提问很泛泛时，设备应精准理解用户意图，而不是反复交互。
6.3.2 对用户问的问题要广泛支持
用户：能给我来首歌吗？
说明：当用户提问中有多义字，或者同义词时，应在后台对词汇进行关联，使设备可以正常播放。
6.4 可随时中断
人与人之间的交流，经常因为各种问题而中断；设备在和人互动的过程中，也应该支持随时打断，比如随时都可以中断或切换到下一条。播放音乐也是如此，在播放A曲目时，随时可以被要求“切歌”或者“暂停播放”。