Інтерфейс голосового користувача (, VUI) робить можливим інтерактивну взаємодію людини з комп'ютерами, використовуючи розпізнавання мовлення для розуміння голосових команд і відповідей на запитання, і, як правило, синтезу мовлення для відтворення відповіді. Пристрій голосових команд (, VCD) — це пристрій, який керується за допомогою голосового інтерфейсу користувача.
Голосові інтерфейси користувача були додані до автомобілів, систем домашньої автоматизації, операційних систем комп'ютерів, побутової техніки, як-от пральні машини та мікрохвильові печі, а також до пультів дистанційного керування телевізором. Вони є основним способом взаємодії з віртуальними помічниками на смартфонах і розумних колонках. Старі автоматизовані оператори (які направляють телефонні дзвінки на правильний внутрішній номер) та інтерактивні системи голосової відповіді (які здійснюють складніші транзакції по телефону) можуть реагувати на натискання кнопок клавіатури за допомогою тонів DTMF, але ті з повним голосовим інтерфейсом користувача дозволяють абонентам промовляти запити та відповіді, не натискаючи жодних кнопок.
Новіші VCD не залежать від мовця, тому вони можуть реагувати на кілька голосів, незалежно від акценту чи діалектного впливу. Вони також здатні реагувати на кілька команд одночасно, розділяти голосові повідомлення та надавати відповідний зворотний зв'язок, точно імітуючи природну розмову.
Огляд VUI — це інтерфейс до будь-якої мовної програми. Управляти машиною, просто розмовляючи з нею, було науковою фантастикою ще зовсім недавно. Донедавна вважалося, що ця область досліджень повністю належить до штучного інтелекту. Проте досягнення в таких технологіях, як синтез мовлення, розпізнавання мовлення, обробка природної мови та хмарні сервіси, загалом, сприяли масовому впровадженню цих інтерфейсів. VUI стали більш звичними, і люди користуються перевагами, які надають ці інтерфейси без рук і очей, у багатьох ситуаціях.
VUI повинні надійно реагувати на введення, інакше користувачі будуть відхилені та часто висміяні своїми користувачами. Розробка хорошого VUI вимагає міждисциплінарних талантів у галузі інформатики, лінгвістики та психології — усі ці навички є дорогими та важкодоступними. Навіть за допомогою передових інструментів розробки, створення ефективного VUI вимагає глибокого розуміння як завдань, які потрібно виконати, так і цільової аудиторії, яка використовуватиме систему. Чим ближче VUI відповідає розумовій моделі завдання, тим легше буде використовувати його з невеликою кількістю даних або без них, що призведе до вищої ефективності та більшої задоволеності користувача.
VUI, розроблений для широкої публіки, він повинен підкреслювати простоту використання та надавати велику допомогу та вказівки для тих, хто телефонує вперше. На відміну від цього, VUI, розроблений для невеликої групи досвідчених користувачів (включаючи працівників польового обслуговування), має більше зосереджуватися на продуктивності, а менше на допомозі та вказівках. Такі програми повинні оптимізувати потоки викликів, звести до мінімуму підказки, усунути непотрібні ітерації та дозволити розробити «змішані ініціативи діалога», які дають змогу абонентам вводити кілька частин інформації в одному висловлюванні та в будь-якому порядку чи комбінації. Коротше кажучи, мовні програми мають бути ретельно розроблені для конкретного бізнес-процесу, який автоматизується.
Не всі бізнес-процеси однаково добре підходять для автоматизації мовлення. Загалом, чим складніші запити та транзакції, тим складніше їх буде автоматизувати, і тим більша ймовірність, що вони зазнають невдачі у широкому використанні. У деяких випадках автоматизація просто непридатна, тому єдиним варіантом є допомога агента в реальному часі. Гарячу лінію юридичної консультації, наприклад, було б дуже важко автоматизувати. З іншого боку, мова ідеально підходить для обробки швидких і рутинних транзакцій, як-от зміна статусу робочого замовлення, завершення запису часу чи витрат або переказ коштів між рахунками.
Історія Ранні програми для VUI включали голосовий набір телефонів безпосередньо або через (зазвичай Bluetooth) гарнітуру або автомобільну аудіосистему.
У 2007 році в діловій статті CNN повідомлялося, що голосові команди становлять понад мільярд доларів і що такі компанії, як Google і Apple, намагаються створити функції розпізнавання мовлення. Минули роки з моменту публікації статті, і відтоді світ став свідком різноманітних пристроїв голосових команд. Крім того, Google створив механізм розпізнавання мовлення під назвою Pico TTS, а Apple випустила Siri. Пристрої голосового керування стають все більш доступними, і постійно створюються інноваційні способи використання людського голосу. Наприклад, Business Week припускає, що майбутнім пультом дистанційного керування буде людський голос. Наразі Xbox Live дозволяє такі функції, і Джобс натякнув на таку функцію на новому Apple TV.
Програмні продукти для голосових команд на обчислювальних пристроях Як Apple Mac, так і Windows PC забезпечують вбудовані функції розпізнавання мовлення для своїх останніх операційних систем.
Microsoft Windows Дві операційні системи Microsoft, Windows 7 і Windows Vista, забезпечують можливості розпізнавання мовлення. Microsoft інтегрувала голосові команди в свої операційні системи, щоб забезпечити механізм для людей, які хочуть обмежити використання миші та клавіатури, але все ще хочуть зберегти або підвищити свою загальну продуктивність.
Windows Vista За допомогою голосового керування Windows Vista користувач може диктувати документи та електронні листи в основних програмах, запускати їх та перемикатися між ними, керувати операційною системою, форматувати документи, зберігати документи, редагувати файли, ефективно виправляти помилки та заповнювати форми в Інтернеті. Програмне забезпечення для розпізнавання мовлення навчається автоматично кожного разу, коли користувач його використовує, також розпізнавання мовлення доступне англійською (США), англійською (Велика Британія), німецькою (Німеччина), французькою (Франція), іспанською (Іспанія), японською, китайською (традиційною), і китайська (спрощена). Крім того, програмне забезпечення постачається з інтерактивним посібником, який можна використовувати для навчання як користувача, так і механізму розпізнавання мовлення.
Windows 7 На додаток до всіх функцій, наданих у Windows Vista, Windows 7 містить майстер налаштування мікрофона та підручник щодо використання цієї функції.
Mac OS X На всіх комп'ютерах Mac OS X попередньо встановлено програмне забезпечення для розпізнавання мовлення. Програмне забезпечення є незалежним від користувача і дозволяє користувачеві «переміщатися по меню та вводити комбінації клавіш, вимовляти назви прапорців, назви перемикачів, елементів списку та назв кнопок, а також відкривати, закривати, керувати програмами та перемикатися між ними». Однак веб-сайт Apple рекомендує користувачам придбати комерційний продукт під назвою Dictate.
Комерційна продукція Якщо користувач не задоволений вбудованим програмним забезпеченням розпізнавання мовлення або він не має вбудованого програмного забезпечення для розпізнавання мовлення для своєї ОС, то користувач може експериментувати з комерційним продуктом, таким як Braina Pro або DragonNaturallySpeaking для ПК з Windows і Dictate, назва того самого програмного забезпечення для Mac OS.
Голосові команди мобільних пристроїв Будь-який мобільний пристрій під керуванням ОС Android, Microsoft Windows Phone, iOS 9 або новішої версії або ОС Blackberry забезпечує голосові команди. На додаток до вбудованого програмного забезпечення для розпізнавання мовлення та операційної системи кожного мобільного телефону, користувач може завантажувати програми голосових команд сторонніх розробників із магазину програм кожної операційної системи: Apple App Store, Google Play, Windows Phone Marketplace (спочатку Windows Marketplace for Mobile) або Світ додатків BlackBerry.
Android ОС Google розробила операційну систему з відкритим вихідним кодом під назвою Android, яка дозволяє користувачеві виконувати голосові команди, такі як: надсилати текстові повідомлення, слухати музику, отримувати маршрути, телефонувати підприємствам, телефонувати контактам, надсилати електронну пошту, переглядати карту, переходити на веб-сайти, написати в нотатку та знайти у Google. Програмне забезпечення для розпізнавання мовлення доступне для всіх пристроїв, починаючи з Android 2.2 «Froyo», але в налаштуваннях потрібно встановити англійську мову. Google дозволяє користувачеві змінювати мову, і коли він або вона вперше використовує функцію розпізнавання мовлення, користувачу буде запропоновано, щоб його голосові дані були приєднані до його облікового запису Google. Якщо користувач вирішує скористатися цією послугою, це дозволяє Google навчати програмне забезпечення голосом користувача.
Google представила Google Assistant з Android 7.0 «Nougat». Він набагато розширеніший, ніж стара версія.
Amazon.com має Echo, який використовує спеціальну версію Android від Amazon для надання голосового інтерфейсу.
Microsoft Windows Windows Phone — це операційна система мобільного пристрою Microsoft. У Windows Phone 7.5 програма мовлення не залежить від користувача і її можна використовувати, щоб: зателефонувати комусь із вашого списку контактів, зателефонувати на будь-який номер телефону, повторно набрати останній номер, надіслати текстове повідомлення, зателефонувати на голосову пошту, відкрити програму, прочитати зустрічі, запитувати статус телефону та здійснювати пошук в Інтернеті. Крім того, під час телефонного дзвінка також можна використовувати мовлення, а під час телефонного дзвінка можливі такі дії: натиснути номер, увімкнути гучномовець або зателефонувати комусь, що ставить поточний дзвінок на утримання.
Windows 10 представляє Cortana, систему голосового керування, яка замінює раніше використовувану систему на телефонах Windows.
iOS Apple додала голосове керування до свого сімейства пристроїв iOS як нову функцію iPhone OS 3 . iPhone 4S, iPad 3, iPad Mini 1G, iPad Air, iPad Pro 1G, iPod Touch 5G та новіші моделі оснащені більш просунутим голосовим помічником Siri. Голосове керування все ще можна ввімкнути через меню налаштувань нових пристроїв. Siri — це незалежна від користувача вбудована функція розпізнавання мовлення, яка дозволяє користувачеві віддавати голосові команди. За допомогою Siri користувач може видавати команди, наприклад, надсилати текстове повідомлення, перевіряти погоду, встановлювати нагадування, знаходити інформацію, планувати зустрічі, надсилати електронний лист, знаходити контакт, встановлювати будильник, отримувати маршрути, відстежувати свої запаси, встановити таймер і запитати приклади запитів голосових команд. Крім того, Siri працює з Bluetooth і дротовими навушниками.
Amazon Alexa У 2014 році Amazon представила пристрій для розумного дому Alexa. Його основним призначенням був просто розумний динамік, який дозволяв споживачеві керувати пристроєм за допомогою голосу. Згодом він перетворився на новинку, яка мала можливість керувати побутовою технікою за допомогою голосу. Тепер майже всі прилади керуються за допомогою Alexa, включаючи лампочки та температуру. Дозволяючи голосове керування, Alexa може підключатися до технології розумного дому, що дозволяє вам блокувати будинок, контролювати температуру та активувати різні інші пристрої. Ця форма A.I дозволяє комусь просто поставити йому запитання, а у відповідь Alexa шукає, знаходить і відповідає вам.
Розпізнавання мови в автомобілях