منبع: بنیاد طراحی تعامل (IxDF) · بازنویسی آزاد: سپنتا پویا · مرداد ۱۴۰۵ · زمان مطالعه: حدود ۱۴ دقیقه

رابط کاربری صوتی (Voice User Interface) چیست؟

💡 این متن «بازنویسی آزاد» است: ایده‌ها و مفاهیم مطلب اصلی با نگارش کاملاً مستقل فارسی و مثال‌های تازه بازگو شده‌اند و ترجمهٔ کلمه‌به‌کلمه نیست. بخش‌های افزودهٔ مترجم در جعبهٔ منبع مشخص شده‌اند.

در این مجموعه تازه دربارهٔ فضا نوشته‌ایم: شبکه، فاصله، خالی‌بودن. حالا سراغ رابطی می‌رویم که هیچ فضایی ندارد. نه ستونی، نه حاشیه‌ای، نه چیدمانی. رابط صوتی جایی است که همهٔ ابزارهای همیشگی طراح بی‌استفاده می‌مانند و باید از صفر فکر کرد.

و درست همین‌جا، بیشترِ آنچه دربارهٔ طراحی می‌دانیم به‌شکل غافلگیرکننده‌ای بی‌خاصیت می‌شود. نمی‌شود چیزی را «جای بهتری» گذاشت. نمی‌شود با رنگ برجسته‌اش کرد. تنها ابزارتان زمان است و ترتیب — و کاربری که هر لحظه ممکن است حرفی بزند که در هیچ سناریویی پیش‌بینی نکرده‌اید.

در این مقاله اول ببینیم رابط صوتی چیست و مسئلهٔ بنیادی‌اش کجاست، بعد قاعده‌های عملی گفت‌وگو، و در پایان سه بحثی که منبع اصلی نداشته است: تشریح پنج مرحله‌ای که یک نوبت صوتی در آن می‌شکند، دشواری‌های خاص فارسی، و جاهایی که پاسخ درست «صدا نه» است.

رابط صوتی چیست؟

رابط کاربری صوتی سیستمی است که در آن گفتار، راه اصلی یا مکمل تعامل است: سیری، دستیار گوگل، الکسا، منوهای صوتی مراکز تماس، و دستیار صوتی داخل خودرو. دو صفت مهم دارد — بی‌دست و بی‌چشم: می‌شود در حال رانندگی، آشپزی یا وقتی دست‌ها مشغول‌اند از آن استفاده کرد.

اما یک نکتهٔ مهم که در تبلیغات گم می‌شود: بیشتر رابط‌های صوتیِ موفق، تنها صوتی نیستند. سیری روی گوشی‌ای زندگی می‌کند که صفحه دارد؛ الکسا حلقه‌ای نورانی دارد و اغلب یک اپلیکیشن همراه. صدا در عمل معمولاً یک لایهٔ اضافه روی محصول است، نه جانشین آن — و طراحی‌های موفق همان‌هایی‌اند که این را از اول قبول کرده‌اند.

مسئلهٔ بنیادی: افوردنس دیدنی وجود ندارد

در رابط گرافیکی، دکمه با ظاهرش می‌گوید که می‌شود فشارش داد. این همان افوردنس است، و کل کار راهنمایی کاربر را تقریباً مجانی انجام می‌دهد. در رابط صوتی چنین چیزی وجود ندارد: کاربر روبه‌روی یک بلندگو ایستاده و هیچ نشانه‌ای ندارد که چه چیزهایی ممکن است. پرسش همیشگی‌اش این است: «خب حالا چی بگم؟»

ولی مسئله عمیق‌تر از «نبودن نشانه» است. تفاوت واقعی در هزینهٔ آشکارکردن گزینه‌ها است:

• - دیدن، موازی است. چشم می‌تواند شش گزینه را در نیم‌ثانیه و به هر ترتیبی که بخواهد بردارد، و هر وقت لازم شد برگردد. اضافه‌کردن گزینهٔ هفتم تقریباً هیچ هزینه‌ای برای کاربر ندارد.
• - شنیدن، ترتیبی است. گفتار در یک ترتیب می‌آید، یک بار، و بعد تمام. خواندن همان شش گزینه با صدای بلند حدود بیست ثانیه طول می‌کشد — و کاربر تا به گزینهٔ ششم برسد، اولی را فراموش کرده است.

از همین تفاوت، معروف‌ترین قاعدهٔ طراحی صوتی بیرون می‌آید: بیش از سه گزینه نگویید. این قاعده سلیقه نیست؛ نتیجهٔ محدودیت حافظهٔ کاری است، همان بحثی که در بار شناختی داشتیم. فهرست بلندتر را گروه‌بندی کنید و بگویید «گزینه‌های دیگری هم هست». و همین‌جاست که فرق طراحی صوتی با چیدمان بصری روشن می‌شود: در رابط گرافیکی کار شما چیدن است، در رابط صوتی کار شما غربال‌کردن.

انتظاری که صدا برمی‌انگیزد

یک مشکل دیگر هم هست که فنی نیست، روانی است. گفتار برای انسان ابزار ارتباط با انسان است. کلیفورد نس و اسکات بریو در پژوهش‌هایشان در استنفورد (کتاب Wired for Speech، ۲۰۰۷) نشان دادند آدم‌ها ناخواسته با یک صدا تا حدی همان‌طور رفتار می‌کنند که با یک آدم — حتی وقتی خوب می‌دانند طرف مقابل ماشین است. یعنی به‌محض اینکه محصول شما حرف بزند، کاربر بی‌آنکه بخواهد یک بستهٔ کامل از انتظارات انسانی را با خودش می‌آورد: که حرفش را قطع می‌کند، که موضوع را عوض می‌کند، که منظورش را از نیمهٔ جمله می‌فهمد.

لوسی ساچمن سال‌ها پیش‌تر (Plans and Situated Actions، ۱۹۸۵) به ریشهٔ ماجرا اشاره کرده بود: گفت‌وگوی انسانی به‌شدت بافت‌محور است. مثال ساده‌اش گفت‌وگوی سر پیشخوان کافه است — «قهوه بیرون‌بر دارید؟» و پاسخ «شیر و شکر؟». دو جمله که هیچ‌کدام کامل نیست و هر دو آدم دقیقاً می‌فهمند چه خبر است، چون مکان، نقش‌ها و عرفِ آن موقعیت را مشترکاً می‌دانند. ماشین این بافت را ندارد.

نتیجه‌اش این است که رابط صوتی روی سه چیز بیشتر از همه می‌لنگد: اصطلاح («بیرون‌بر» ربطی به بیرون‌رفتن ندارد)، معنای تلویحی، و ابهام. آنتوان دو سنت‌اگزوپری جمله‌ای دارد که خلاصهٔ ماجراست: «کلمات سرچشمهٔ سوءتفاهم‌اند.» کار طراح رابط صوتی، مدیریت همین سوءتفاهم است — و مهم‌ترین بخش کارش این است که انتظار کاربر را با توانایی واقعی سیستم جور کند. یک دستیار که خودش را کم‌توان‌تر معرفی می‌کند، تجربهٔ بهتری می‌سازد از دستیاری که وعدهٔ گفت‌وگوی طبیعی می‌دهد و بعد در جملهٔ دوم گیر می‌کند. این همان تنظیم مدل ذهنی است.

قاعده‌های عملی طراحی گفت‌وگو

چند قاعده که در عمل بیشترین اثر را دارند:

• - ۱. گزینه‌ها را اعلام کنید. چون منوی دیدنی وجود ندارد، سیستم باید خودش بگوید چه کاری ممکن است: «می‌توانید هوای امروز یا پیش‌بینی هفته را بپرسید.» و همیشه راه خروج بدهید — کاربر باید بداند چطور از یک بخش بیرون بیاید.
• - ۲. بگویید کاربر کجاست. در نبود صفحه، آدم به‌سرعت گم می‌شود. پاسخ «پیش‌بینی هوای امروز: بیشتر آفتابی» بهتر از «آفتابی» است، چون هم جواب می‌دهد و هم موقعیت را یادآوری می‌کند.
• - ۳. نمونهٔ کاملِ درخواست را نشان دهید. اگر به کاربر یاد بدهید جملهٔ کامل بگوید — با نام سرویس و پارامترها یک‌جا — گفت‌وگو از رفت‌وبرگشت‌های خسته‌کننده نجات پیدا می‌کند. این کار در راهنما و در پاسخ‌های خود سیستم باید یکدست تکرار شود.
• - ۴. بیش از سه گزینه نگویید. دلیلش را بالاتر دیدیم؛ این مهم‌ترین قاعدهٔ فهرست‌ها است.
• - ۵. بازخورد بصری بدهید. حلقهٔ نورانی که موقع شنیدن می‌چرخد، همان کاری را می‌کند که سرتکان‌دادن مخاطب در گفت‌وگوی انسانی: می‌گوید «دارم گوش می‌دهم». بدون آن، کاربر همان اضطراب مکالمهٔ تلفنی قطع‌شده را تجربه می‌کند — «الو؟ شنیدی؟» این ساده‌ترین و مؤثرترین ریزتعامل در کل این حوزه است.

و چند قاعدهٔ عملی که از تجربه اضافه می‌کنم:

• - تأیید را متناسب با ریسک بگیرید. برای «چراغ را خاموش کن» تأیید گرفتن آزاردهنده است؛ برای «دو میلیون تومان بفرست» نگرفتنش فاجعه. قاعدهٔ ساده: هرچه کنش برگشت‌ناپذیرتر، تأیید صریح‌تر.
• - خطا را با پیشنهاد جواب بدهید، نه با تکرار. «نفهمیدم» بی‌فایده است. «نفهمیدم — می‌توانید بگویید هوای فردا» کاربر را جلو می‌برد. بار دوم که نشد، مسیر را عوض کنید: به صفحه یا به اپراتور انسانی.
• - اجازهٔ قطع‌کردن بدهید. کاربری که جواب را می‌داند نباید تا آخر یک پیام سی‌ثانیه‌ای منتظر بماند. امکان قطع‌کردن میان صحبت، تفاوت یک سیستم محترم و یک منوی تلفنی آزاردهنده است.
• - متن گفتاری بنویسید، نه متن نوشتاری. جمله‌ای که روی کاغذ خوب است، با صدای بلند اغلب طولانی و رسمی می‌شود. هر جملهٔ سیستم را بلند بخوانید؛ همان‌جا نصف مشکلات متن رابط پیدا می‌شود.

پنج جایی که یک نوبت گفت‌وگو می‌شکند

این بخش افزودهٔ مترجم است، و از نظر من عملی‌ترین چیزی است که می‌شود دربارهٔ رابط صوتی یاد گرفت. یک نوبت گفت‌وگو پنج مرحله دارد و در هر پنج مرحله می‌تواند بشکند:

• - ۱. بیدارباش: اصلاً فعال نشد، یا با صدای تلویزیون فعال شد. مشکلش این است که «فعال‌نشدن» از بیرون عیناً شبیه «نادیده‌گرفتن» است.
• - ۲. تبدیل گفتار به متن: کلمه‌ها را غلط شنید — لهجه، سروصدا، اسم خاص، واژهٔ کم‌بسامد. بدترین حالتش وقتی است که با اطمینان غلط می‌شنود، چون آن‌وقت کل مراحل بعدی روی یک متن اشتباه ساخته می‌شوند.
• - ۳. تشخیص قصد: کلمه‌ها را درست شنید، منظور را غلط فهمید. اینجا قلمرو اصطلاح و معنای تلویحی است.
• - ۴. اجرای کنش: همه‌چیز را درست فهمید، اما دسترسی نداشت، داده نبود، یا آن لامپ آفلاین بود. این اصلاً مشکل زبانی نیست.
• - ۵. پاسخ گفتاری: جواب درست بود، اما در چهل ثانیه و با لحنی ماشینی گفته شد. این مرحله بیشتر از همه فراموش می‌شود.

و نکتهٔ کلیدی: کاربر برای هر پنج‌تا یک جمله دارد — «نمی‌فهمه چی می‌گم». پس گزارش‌های کاربران به‌تنهایی هرگز نمی‌گویند کدام مرحله شکسته است. اگر متنِ تشخیص‌داده‌شده را کنار قصدِ تطبیق‌یافته و کنار نتیجهٔ کنش لاگ نکنید، هر شکایتی شبیه مشکل تشخیص گفتار به نظر می‌رسد و تیم ماه‌ها مدل را تنظیم می‌کند، در حالی که ایراد در دستور قصدها یا یک دسترسی نبوده. پرسش درست هیچ‌وقت «فهمید یا نه؟» نیست؛ «کدام‌یک از این پنج مرحله چیزی دید که انتظارش را نداشت؟» است.

رابط صوتی فارسی

این بخش هم افزودهٔ مترجم است. اول یک خبر خوب، بعد چند خبر بد.

خبر خوب: در رابط صوتی، مسئلهٔ راست‌به‌چپ کاملاً ناپدید می‌شود. گفتار جهت ندارد. همهٔ آن بحث قرینه‌کردن چیدمان و آینه‌شدن آیکون‌ها، اینجا بی‌موضوع است. اگر دو مقالهٔ قبلی این مجموعه را خوانده باشید، این یک استراحت کوچک است.

خبر بد اول، و بزرگ‌ترینش: فارسی آن‌طور که نوشته می‌شود گفته نمی‌شود. فاصلهٔ فارسی نوشتاری و گفتاری در زبان ما بسیار بیشتر از انگلیسی است. کسی نمی‌گوید «می‌روم»؛ می‌گوید «می‌رم». «آن‌ها» می‌شود «اونا»، «چگونه» می‌شود «چطور»، «برای» می‌شود «واسه»، «می‌خواهم» می‌شود «می‌خوام». این‌ها غلط تلفظی نیستند که بشود اصلاحشان کرد؛ این‌ها همان چیزی است که فارسی‌زبانِ روان می‌گوید. مدلی که روی متن نوشتاری آموزش دیده باشد، عملاً با ستون سمت راست این فهرست آشنا نیست.

خبر بد دوم: مصوت‌های کوتاه نوشته نمی‌شوند. این یعنی یک املا می‌تواند چند کلمه باشد — «کرم» هم کَرَم است، هم کِرم، هم کِرِم. برای تبدیل متن به گفتار، سیستم باید حدس بزند کدام است. مسئلهٔ نزدیک به آن، کسرهٔ اضافه است: در «کیف من»، آن کسره‌ای که «کیفِ من» را می‌سازد اصلاً نوشته نمی‌شود. ماشین باید از نحو جمله حدسش بزند و اگر غلط حدس بزند، جمله دیگر فارسی نیست. نتیجه‌اش آن لحن رباتیک آشناست که همه‌مان از دستیارهای فارسی شنیده‌ایم.

و چند مورد دیگر که در پروژه‌های واقعی وقت می‌گیرند:

• - قرض‌گیری واژه‌های فنی: کاربر فارسی در میان جملهٔ فارسی می‌گوید «پسورد»، «آی‌دی»، «اپلیکیشن»، «کنسل». سیستم باید هم شکل فارسی و هم شکل لاتین این‌ها را بشناسد.
• - تنوع لهجه: فارسی در تهران، مشهد، اصفهان، تبریز و شیراز آواهای متفاوتی دارد. مجموعهٔ دادهٔ ضبط‌شده در یک شهر، در شهر دیگر افت محسوس می‌کند.
• - اسم‌ها: اسم آدم‌ها و مکان‌ها بدترین ورودی هر سیستم تشخیص گفتارند، چون از قاعده‌های آوایی زبان پیروی نمی‌کنند و در پیکرهٔ آموزش کم‌بسامدند.
• - عدد و تاریخ: «۱۴۰۵/۵/۲۷» را کسی این‌طور نمی‌گوید؛ می‌گوید «بیست‌وهفتم مرداد». برای هر عدد و تاریخ باید شکل گفتاری تولید کنید، نه صورت نوشتاری‌اش را بخوانید.

یک توصیهٔ عملی که همهٔ این‌ها را پوشش می‌دهد: با ضبط صدای واقعی آزمایش کنید، نه با جملهٔ تایپ‌شده. اگر دادهٔ آزمونتان متنی باشد که خودتان نوشته‌اید، تمام این مشکل‌ها پنهان می‌مانند — چون شما فارسی نوشتاری تایپ می‌کنید و کاربر فارسی گفتاری حرف می‌زند.

کجا صدا پاسخ درست نیست؟

این بخش هم افزودهٔ مترجم است، چون در فضای پرهیجان «اول صدا» کمتر کسی فهرست معایب را می‌نویسد. شش موقعیتی که صدا در آن‌ها انتخاب غلطی است — و هیچ‌کدام با مدل بهتر حل نمی‌شود:

• - سروصدا: دفتر باز، خودرو با شیشهٔ پایین، آشپزخانه با هود روشن. دقت تشخیص درست جایی سقوط می‌کند که «بی‌دست بودن» بیشترین ارزش را داشت.
• - هر چیز خصوصی: موجودی حساب، جواب آزمایش، پیام به یک نفر خاص. گفتار حالت خصوصی ندارد؛ اتاق هم سؤال را می‌شنود و هم جواب را.
• - مقایسهٔ گزینه‌ها: بیست پرواز بر اساس قیمت و ساعت. گفتار را نمی‌شود مرور کرد، مرتب کرد یا دو تکه‌اش را هم‌زمان دید.
• - کنش‌های برگشت‌ناپذیر: انتقال پول، حذف، خرید، بازکردن قفل در. یک کلمهٔ بدشنیده‌شده هرگز نباید بتواند پول خرج کند؛ تأیید را به صفحه ببرید یا این کار را صوتی ارائه نکنید.
• - رشته‌های دقیق: شمارهٔ کارت، کد رهگیری، نام با املای غیرمعمول. حرف‌به‌حرف گفتن از تایپ‌کردن کندتر است و یک نویسهٔ غلط همه‌چیز را باطل می‌کند.
• - جلوی غریبه‌ها: صف اتوبوس، اتاق انتظار، دفتر شرکت. این مانع اجتماعی است نه فنی، و پانزده سال دستیار صوتی هم چندان تکانش نداده.

و یک نکتهٔ مهم دربارهٔ دسترس‌پذیری که معمولاً یک‌طرفه گفته می‌شود: صدا واقعاً محصول را برای کسی که صفحه را نمی‌بیند یا نمی‌تواند از نشانگر استفاده کند باز می‌کند — این یک دستاورد جدی است. اما هم‌زمان کاربر ناشنوا را بیرون می‌گذارد، و همچنین کسی را که لکنت دارد، لهجه‌ای دارد که مدل نشنیده، یا این هفته صدایش را از دست داده است. یعنی «اول صدا» یک مانع را با مانعی دیگر عوض می‌کند. راه درست این است که صدا درِ اضافه باشد، نه تنها در: هر کاری که صوتی ممکن است باید مسیر بصری هم داشته باشد.

جمع‌بندی

• - رابط صوتی تعامل بی‌دست و بی‌چشم را ممکن می‌کند، اما بیشتر نمونه‌های موفق در عمل ترکیبی‌اند: صدا لایه‌ای روی محصول است، نه جانشین آن.
• - مسئلهٔ بنیادی نبودِ افوردنس دیدنی است. تفاوت واقعی این است که دیدن موازی و ارزان است و شنیدن ترتیبی و گران — و قاعدهٔ «حداکثر سه گزینه» نتیجهٔ همین است.
• - صدا انتظار انسانی برمی‌انگیزد: کاربر با یک صدا تا حدی مثل یک آدم رفتار می‌کند. گفت‌وگوی انسانی بافت‌محور است و ماشین آن بافت را ندارد، پس اصطلاح و معنای تلویحی و ابهام نقاط شکست‌اند.
• - قاعده‌های عملی: گزینه‌ها را اعلام کنید، موقعیت را یادآوری کنید، نمونهٔ کامل بدهید، سه گزینه بیشتر نگویید، و بازخورد بصریِ «دارم گوش می‌دهم» را جدی بگیرید. تأیید را متناسب با ریسک بگیرید و امکان قطع‌کردن بدهید.
• - یک نوبت گفت‌وگو پنج مرحله دارد و کاربر برای شکستِ هر پنج‌تا یک جمله دارد. بدون لاگ‌کردن متن و قصد و نتیجهٔ کنش در کنار هم، نمی‌فهمید کدام مرحله خراب است.
• - در فارسی، فاصلهٔ نوشتاری و گفتاری بزرگ‌ترین مشکل است؛ مصوت‌های نانوشته و کسرهٔ اضافه هم هر دو جهت تبدیل را به حدس تبدیل می‌کنند. با ضبط صدای واقعی آزمایش کنید، نه متن تایپ‌شده.
• - و صدا همه‌جا جواب نمی‌دهد: سروصدا، حریم خصوصی، مقایسهٔ فهرست‌ها، کنش‌های برگشت‌ناپذیر و رشته‌های دقیق. صدا باید درِ اضافه باشد، نه تنها در.