早在計(jì)算機(jī)發(fā)明之前，自動(dòng)語音識別的設(shè)想就已經(jīng)被提上了議事日程，早期的聲碼器可被視作語音識別及合成的雛形。而1920年代生產(chǎn)的“Radio Rex”玩具狗可能是最早的語音識別器，當(dāng)這只狗的名字被呼喚的時(shí)候，它能夠從底座上彈出來。最早的基于電子計(jì)算機(jī)的語音識別系統(tǒng)是由AT&T貝爾實(shí)驗(yàn)室開發(fā)的Audrey語音識別系統(tǒng)，它能夠識別10個(gè)英文數(shù)字。其識別方法是跟蹤語音中的共振峰。該系統(tǒng)得到了98%的正確率。到1950年代末，倫敦學(xué)院（College of London）的Denes已經(jīng)將語法概率加入語音識別中。1960年代，人工神經(jīng)網(wǎng)絡(luò)被引入了語音識別。這一時(shí)代的兩大突破是線性預(yù)測編碼Linear Predictive Coding （LPC）， 及動(dòng)態(tài)時(shí)間規(guī)整Dynamic Time Warp技術(shù)。

　　互聯(lián)網(wǎng)時(shí)代，科技家居已經(jīng)變得格外普遍。智能語音界面無處不在，或許現(xiàn)在的人們跟智能軟件講話的次數(shù)比鄰居、老同學(xué)甚至家人還要多。我們將Amazon Echo或者Google Home安裝在家里的某個(gè)角落，我們跟Siri調(diào)侃談話，我們搜索資料、發(fā)送信息、控制相連設(shè)備、購物等等，都和語音界面緊密相關(guān)。

　　但事實(shí)上是孩子先一步接觸語音技術(shù)的。2010年iPad第一次亮相后，孩子很快就學(xué)會(huì)如何激發(fā)語音界面。識字尚且不多的孩子希望世界上的一切都和這個(gè)iPad一樣，只要說話就可以控制了。但那時(shí)技術(shù)尚且不成熟，孩子和機(jī)器說話，像“Alexa，打開車窗”或者“谷歌，調(diào)整電視信號”，沮喪的是，這時(shí)什么都沒有發(fā)生。孩子也在等待世界跟上他們的步伐，就像鼠標(biāo)和觸摸控制是大人的，而語音控制卻是孩子的，智能語音界面就是他們最了解也最喜愛的東西。

　　語音用戶界面有個(gè)大舞臺(tái)，隨著科技進(jìn)步，舞臺(tái)會(huì)越變越大。Alexa、Google Home以及Siri的各項(xiàng)功能隨著時(shí)間越來越豐富，越來越完善。我們已經(jīng)可以和它們有良好的互動(dòng)，像“Alexa，今天早上的通勤時(shí)間是多少？”或者“谷歌，告訴我今天的天氣”。我們喜歡和機(jī)器人聊天，但又很快的拋棄它們。根據(jù)Voicelabs統(tǒng)計(jì)顯示，用戶度過了第一周的新鮮期以后，繼續(xù)使用語音用戶界面的幾率只有3%。對于試圖想要和消費(fèi)者建立良好互動(dòng)關(guān)系的營銷人員來講，這并不是一個(gè)好現(xiàn)象。那么想要建立更加復(fù)雜的交互關(guān)系就更加困難了。

　　語言界面現(xiàn)在雖然已經(jīng)興起，但是用戶似乎尚未學(xué)會(huì)物盡其用。因?yàn)樵诖蠖鄶?shù)的情況下，我們并不需要?jiǎng)?chuàng)造對話，我們只是想在語音界面輸入老式單一的命令。像在行程中添加一些東西、播放一首歌曲以及設(shè)置一個(gè)鬧鐘，這些都只需要簡單的命令。這些命令語音界面都可以游刃有余的辦好，但是一旦涉及到更加廣泛的談話空間，語音界面就顯得遲鈍。但是這不單單是用戶界面的問題，智能語音界面和用戶想要建立更加流暢的對話關(guān)系，需要長時(shí)間的信息采集。例如當(dāng)用戶提到“有趣的周末”時(shí)，語音界面的回答建議便是從以前的對話中提取整合信息得來的。

　　語音用戶界面的模塊構(gòu)建需要對話設(shè)計(jì)。保羅·龐加羅（Paul Pangaro），一位權(quán)威的會(huì)話理論家，提出了對話簡單元素和流程的框架。以此為基礎(chǔ)，研發(fā)者設(shè)計(jì)界面時(shí)，設(shè)定談話雙方要共享上下文以及語言環(huán)境，準(zhǔn)確定義談話目標(biāo)，反復(fù)評估和交換信息。

　　現(xiàn)在有很好的工具促進(jìn)語音用戶界面的對話創(chuàng)建。Pullstring和Dexter試圖向用戶呈現(xiàn)一個(gè)友好的界面的同時(shí)保持運(yùn)行靈活順暢。但是為了語音用戶界面的更好發(fā)展，這些工具還是需要改進(jìn)，例如設(shè)計(jì)專業(yè)業(yè)務(wù)邏輯，像針對用戶的職業(yè)身份，語音界面會(huì)具備相應(yīng)的專業(yè)只是系統(tǒng)；以及語音人工智能的個(gè)性化以及品牌化發(fā)展等。

　　上面提出的已經(jīng)有公司在嘗試，但這還需要很多的工作要做。語音人工智能技術(shù)正在興起，無論是對廣大的用戶來講還是營銷人員來講，相信語音用戶界面的發(fā)展會(huì)給人們帶來更多更美好的體驗(yàn)。