如何开发语音 AI 技能，小雅和小豹的产品经理做了一篇详细的总结

一文了解语音技能开发的前世今生，并学会语音技能开发

- shenzhenware -

在今年 9 月，亚马逊宣布 Alexa 平台上的技能已经超过 5 万个。这是一件令语音 AI 从业者欢欣鼓舞的事。越来越多的人注意到语音交互的潜力，开始制作语音交互技能。在国内，在百度 DuerOS 等语音平台的教育和推动下，有超过 2 万名开发者参与了技能开发的开发实践。

本文的作者是一名产品经理，曾经参与了小雅 AI 音箱、小豹 AI 音箱的技能打造，以个人开发者的身份为 DuerOS 平台开发过一些技能。借着参与小度技能开发大赛的机会，他对技能开发的经验做了总结，分享给大家。全文授权深圳湾编辑整理并发布。

△ 本文作者毛川在「唤醒之旅」深圳站上分享技能开发经验

   前世

语音交互技能，也叫「技能」，这是个新鲜事物。在两年前，它还只有英文名 skill，而定义语音 skill 的，就是亚马逊的现象级语音交互产品 Echo 智能音箱。

时间回到 2015 年，当时虽然已有不少厂商发布了智能音箱，但是大家还只是用来听听歌，查查天气，虽然这两个最常用的技能，在当时也没有很完善。

2015 年 7 月，亚马逊宣布向第三方开放部分语音交互能力，正是这个尝试，让 Alexa 平台诞生了最早的一批第三方技能，如：Crystal Ball（水晶球），Math Puzzles（猜数字），StubHub（今晚干啥）。

△ Alexa 技能：Crystal Ball 水晶球、Math Puzzles 猜数字、StubHub 今晚干啥

现在看来，这三个技能都很基础，甚至有点简陋。比如，Crystal Ball 水晶球这个技能，简单到任何问题，Alexa 的回答都是 Yes 或 No，而且还是随机的，作用就是协助用户在面对纠结的问题时做出选择。你问设备：Alexa，我该减肥吗？设备回答：Yes。第二次你问设备：Alexa，我该减肥吗？设备回答的可能就是 No。你问什么问题设备不管，设备只管回答 Yes 和 No。我猜这个技能也许实现起来只用了 3~4 行代码吧。

Math Puzzles，猜数字，这个技能实现起来也不难。设备会播报一串数字，这串数字有一定逻辑，你说出下一个数字就可以了。比如，设备会问 2,4,6,8 的下个数字是多少？你对 Alexa 说 10，就算答对了。

StubHub，今晚干啥，稍微复杂些。Alexa 会把设备的地理位置给到开发者，所以当你问 Alexa 今晚干啥的时候，Alexa 可以根据地理位置，向你推荐附近的电影、沙龙、活动和派对。对话示例如下：

用户提问：Alexa，今晚干点啥？

设备回答：附近的科技馆，有一场最新上映的球幕电影，时间是晚上 8 点。

但是，如果用户追问：Alexa，演讲人是谁？设备就回答不上了。是的，Alexa 开放出来的技能，最早并没有多轮对话。

△ 一款针对儿童的 Bamboo Music 音乐教学技能，在 2018 年 7 月份上线亚马逊 Alexa 技能平台，旨在以寓教于乐的方式给儿童传授一整套的基础音乐理论课程。已获得 Alexa Fund 投资。（点击图片查看技能详情）

   进化

2016 年 1 月，Alexa 的 skill 数量达到了 130 个。Alexa 团队兴高采烈的发布了一个 infographic（信息图）来向公众介绍成果。

这一行为，把亚马逊的老大贝索斯搞炸了，趁着开会，把 Alexa 团队教育一番：130？Wtf，怎么这么少...（据美国媒体 The information 报道，但亚马逊官方不予置评。）贝索斯要求技能开发的速度要加快、加快、再加快。

2016 年 11 月，也就是 10 个月之后，Alexa 的 skill 数量达到了惊人的 5000 个！这个时候，美国人民已经可以用 Alexa 叫 Uber、听 Twitter 的内容了，智能音箱终于摆脱了只能听歌、查天气的窘境。回过头来看，这是不是还要部分感谢贝索斯开会时拍桌子啊。

等冬天过完，到了 2017 年上半年，对硅谷随时保持敏感的国内互联网大佬们，顺利把国内智能音箱的大战点燃，做智能音箱设备的厂商多到上百家，BATJM 等一线互联网公司和语音 AI 公司，纷纷上线语音智能开放平台。在深圳，三个月内，更是连续上演了两场影响深远的语音智能峰会。

△ 由百度 DuerOS 联合深圳湾发起的「唤醒之旅 Workshop」系列技能开发工作坊，吸引了北京、深圳、杭州、成都、上海、南京等多个城市的开发者参与。

   定义

伴随着行业热潮，平台推动，开发 skill 的人逐渐多了起来。也正是在这个时候，skill 开始有了中文名，而翻译为「技能」是再合适不过了。

根据《辞海》的词条说明，技能是运用知识和经验执行一定活动的能力。放到语音 AI 的场景里，语音交互技能就是运用自然语言对话的交互方式，实现影音娱乐、信息查询、生活服务等的功能，简称「技能」。

关于技能的前世今生，还可以参考深圳湾在 2017 年的两篇关于语音技能的特稿（1、2）

△ 早期的 Alexa 技能宣传海报

   技能有哪些分类？

有了名称，就要把技能再做一下归类。

目前，不管是亚马逊 Alexa 平台，还是国内的各家语音 AI 平台。技能的分类标准都很像，基本是把技能分成三大类：自定义技能、智能家居技能、内容播报技能。

自定义技能主要有两类，生活服务类、娱乐游戏类。比如上文介绍的几个技能，都属于自定义技能。

△ 美国 Sensible Object 公司宣布将推出全球首款语音棋盘游戏——when in Rome，时间，2018 年 7 月。（点击图片查看技能详情）

智能家居技能主要是用来对其他智能设备进行语音控制，接口的完善性和语音交互已经趋于成熟，我听说有的团队把硬件接入 Alexa 可能一天时间都用不到（审核时间不算）。这方面，对 Alexa 智能设备做过大量报道的深圳湾，给到我的解释是，Echo 的热销带动了大批的智能设备厂商涌入，这背后少不了 IoT 方案商的推动，他们提供的 Alexa 接入方案，可以大大提高设备智能化的速度。

而内容播报技能则是对新闻和信息所做的语音传递。Alexa 平台在很早的时候，就集合了几乎所有美国的主流媒体：NYT、WSJ、NPR、CNN 等等，而当时，媒体机构对于语音这个新兴的平台，还是处于卡位阶段。

有媒体称，在和 CNN 的受众发展部副总裁艾伦·西格尔交流时，就发现他们暂时还是把 Alexa 这个媒体投放渠道放在了战略圈的最外层，和 Apple Watch 等渠道平级。但他依然看好这种形式的潜力，毕竟，美国已经有五分之一的家庭拥有了智能音箱。

△ CNN 媒体战略，红圈的内容是 Alexa。图片来源：CNN Digital Adventures in Multiplatform Storytelling

而在国内，腾讯新闻和新华社等媒体机构，都已经开始尝试把新闻 feed 流接入到语音智能平台，并且在小雅 AI 音箱、小豹 AI 音箱、小度音箱等设备上落地。

△ 亚马逊 Alexa 语音购物技能，已上线手机 App。关于语音购物的趋势解读，请移步深圳湾的专题报道。

   技能开发的核心：VUI

以上这三种技能分类，在开发上侧重点也会不同。比如，自定义技能，它的核心就是是语音交互（voice interactive）。

语音交互就是将人的语言转换成应用的 request（面向系统的请求）的模式，也就是 VUI（Voice UI），而我们之前谈论的 UI 更多意义上是 GUI（Graphic UI）。要做好 VUI 的交互和 GUI 一样，都需要对细节提出更多更高的要求。

亚马逊的 VUI 设计师 Amdrew Ku 就曾经说过：「人类对于声音的敏感是超出很多人的想象的。」

过去很长一段时间，VUI 方面积累的理论远远少于 GUI。市面上相对经典的一本书是今年刚刚出版的《语音用户界面设计》。

当然，对于 VUI 这样的新鲜事物，虽然著作出版物并不多，网络信息还是比较的丰富，亚马逊 Alexa 平台和国内各家语音 AI 平台也积累了不少经验，大家感兴趣的话，平时可以多多关注。

   技能开发有哪些 Know How？

1、起个好名字

技能开发和 App 开发有很多相同点，首先一点，名字非常重要。

在语音交互中，技能名字不仅影响到用户的打开意愿，更会影响到识别率。如果技能的名字太长，或者不好识别，用户是根本无法进入技能的，如果这样的情况发生，即便体验再优良的技能也无法被用户使用。

△ 小度技能商店的部分技能

另外，技能最好不要用生僻字。因为据我观察，目前 DuerOS 和其他语音 AI 平台有很多的用户可能是小朋友~

总结起来，一个好的名字应该考虑到以下几点：

清晰易读。发布技能前，可以自己一口气读三遍技能的名字，看看是否能顺利的读出来。另外一定要用真机测试功能，确保可以识别，不然等上线再去改，可是会影响到线上用户的体验。

体现技能功能。让用户知道这个技能是做什么的。如果能做的事情比较多，就要拆分成几个技能。基本原则是 Do one thing and do it well。

技能名称不会产生混淆，能让用户记住。技能商店的技能会越来越多，很多相似名称的技能也会出现。这时，可以借鉴 App 起名字的方法，采用一些关联实体物品的起名方法。比如，笑话类的技能，就可以叫香蕉笑话、大象笑话。

2、看数据

同样可以借鉴 App 的做法，在设计技能的初期，可以采用 MVP（Minimum Viable Product 最简化可实行产品）的原则，先发布一个简化的技能，技能上线后再分析语音交互数据，根据潜在需求对技能进行迭代和完善，逐步增加功能和优化体验。

数据能完整的呈现用户使用路径。通过分析语音交互数据，你可以很容易的发现用户卡在什么地方，或者语音识别哪里出错。

举例来说，朋友开发了「周公解梦」这个技能，在查看设备交互数据时，他发现用户会说到一些设备无法识别的语句，比如「我们的悬崖」。很明显，用户想表达的意思是「我梦到悬崖」，所以需要在常用语句识别模型中提供「我们到XX」的语句。这样，以后再识别成「我们到XX」，设备就可以成功解析了。

3、关注外表

技能的外表很重要。技能开发者应该多花时间做个漂亮的 logo，这个点容易被忽视，毕竟，打开技能是通过语音识别，而不是视觉发现。但这不能想当然，要知道，用户发现和安装技能，主要还是通过 App 端的操作。

除了 logo，技能的文字介绍也要好好优化。还要选择一个技能分类，这样用户可以更方快捷的找到技能。

△ 亚马逊技能商店的 TOP skills

4、听取用户反馈

还可以做的是，通过各种渠道接触用户，听取反馈。比如，把联系方式放到技能简介中，发动亲朋好友帮你测试技能，追着他们多提意见反馈。这样，技能的迭代和优化才有了方向。我会在技能介绍里留下我的 QQ 邮箱，当技能的策划开发遇到迷茫时，用户的反馈往往能起到拨云见日的效果。

   结语

小结一下，这篇文章主要分享了我作为一名 AI 音箱产品经理、开发 AI 语音技能的经验。介绍了语音技能（skill）的前世和进化，技能的定义，技能的分类，语音界面交互（VUI），以及开发技能的经验总结。全文授权深圳湾编辑整理并发布。

是的，人类对于声音的敏感是超出很多人的想象的。亚马逊的 VUI 设计师 Amdrew Ku 列举了一个技能开发的案例：

在过去，当你与 Alexa 设备对话喊出「turn on my lights」的时候，它的回复是「OK」。当我们把「OK」改成一个「叮」的声音后，收到上万名用户抱怨，反馈说我们把设备变成了一个机器人。我们就又把它改回「OK」。产品经理要设计和开发一个优秀的语音技能，要对体验中的每一个细节都做持续优化。■

本文作者：毛川，语音 AI 产品经理，原小雅 AI 音箱、小豹 AI 音箱技能及软件产品经理，在尝试了一段时间的独立开发者之后，现任喜马拉雅小雅智能产品总监和高级产品经理。

本文编辑、审校：陈壹零 / 深圳湾

百度 DuerOS 联合深圳湾共同举办的「唤醒之旅 Workshop」系列活动即将开启！11 月 18 日，优质对话式 AI 技能的交互设计与开发演练，唤醒之旅 Workshop 北京站 ，欢迎报名参与！

快到「湾」里来

深圳湾正在招聘：

真知灼见的科技记者

四通八达的运营编辑

才华横溢的市场策划

技能爆表的活动运营

热情四射的社区达人

简历传送门：

[e-mail]

● ● ●

深圳湾（公众号 ID：shenzhenware）连接全球硬件创新者，连接硬件生态链上下游，连接跨界产品的设计、技术、生产、渠道、商业、创新。深圳湾持续关注「AI+硬件」带来的场景和交互创新，以及与平台和应用相连的全产业链升级，欢迎相关团队与我们联系，微信私人客服：小炫（ID：warexx）。