回顾人机交互发展史，人类先后经历了基于命令行的CLI 时代，基于鼠标键盘的GUI时代，基于触摸的初级NUI时代。后面每一个阶段比前一个阶段更自然，学习成本更低，综合效率更高。

　　进入AI时代，人工智能给机器带来三种能力：感知能力、认知能力、自然语言输出能力。感知能力使机器能听得懂人类语言，认知能力使机器能思考如何回答人类问题，自然语言输出能力使机器可以像人类一样表达——三种能力的综合运用将人机交互带入语音交互阶段。语音交互是最自然的人机交互方式，它极大地降低了人们与机器交互时的学习成本，将人机交互综合效率带上新的台阶，已成为非常重要的人机交互方式。

　　一、“等待体验”——语音交互体验的三分之一

　　生活中人与人的对话场景，对话是由“向对方说出一句话”、“等待对方回复”、“对方给出回复”三个阶段不断循环构成。其中“等待对方回复”是对话体验的“三分之一”，会对回复的满意度造成直接影响。在等待回复阶段，如果对方处于认真思考的状态，会让我们觉得被重视;然而，如果在等待过程中对方的注意力不在对话本身，即便对方给出的回复再好，我们也会心存疑虑。

　　对应到人机语音交互中的三个部分——“输入体验”、“等待体验”、“回复体验”，“等待体验”同样处于整个体验循环链的中间环节，在语音交互体验中起到了承上启下的重要作用。但是，关于语音交互中的“等待体验”在行业尚未被系统的研究，依旧处于模糊状态。

　　1. 响应时间一定是越短越好吗?

　　数字性能管理平台Dynatrace对用户浏览网页的行为进行了研究，发现当网页加载速度提升0.5秒，可促进用户在网站的行为转化核心数据提升10%。因此，在网页设计和App设计中，尽量缩短等待时间是产品设计的不懈追求。

　　不同于基于视觉的交互，语音交互天然附带情感属性。然而，情感的体验是复杂的，它不只受效率这个单一变量的控制。大多数情况下，在生活中人与人对话时，一个过快的回答会给用户带来轻浮感和抢话感，而一个过慢的回答会给用户带来迟缓感和愚钝感。

　　那么，在语音交互中，究竟什么样的响应时间能有最佳的体验呢?响应时间的体验趋势是怎样的呢?

　　2. 等待体验受哪些变量的影响?

　　在视觉设计领域，当设计页面的loading态时，为降低用户的跳出率，设计师时常会通过给出进度条，或采用趣味性的情感化设计来消除用户的不安情绪。

　　但是在语音交互领域，语音的承载体是无形的，或不确定形态的，我们甚至没有承载loading态的界面。在这种情况下等待体验又受哪些变量影响呢?影响的程度怎样呢?综上，可以说在语音交互领域，等待体验虽然重要，但目前仍是“一团迷雾”。鉴于此，我们以目前语音交互的主要载体——智能音箱产品为例，对AI产品中的等待体验问题进行专题研究。

　　二、智能音箱的等待体验研究

　　目前的智能音箱，主要采用先语音唤醒后输入指令的语音交互流程。鉴于此，我们可以将智能音箱的使用过程分为两个主要阶段：

　　1)唤醒阶段：用户通过指定的唤醒词将音箱从等待态转换为就绪态，音箱被唤醒后才可以接收用户的语音指令。2)用户请求及反馈阶段：用户给出语音指令内容以及智能音箱反馈结果满足用户的需求。

　　针对这两个阶段，我们先后通过以下三个实验进行研究。

　　实验一：唤醒阶段的响应时间对等待体验的影响;实验二：用户请求及反馈阶段的响应时间对等待体验的影响;实验三：视觉、声音等不同反馈方式对等待体验的影响。

　　下面我们对每个实验的结论进行逐一详述：

　　实验一：唤醒阶段的响应时间对等待体验的影响

　　为了全面考察唤醒阶段各种因素对等待体验的影响，在实验中，我们为用户提供了不同唤醒响应时间和不同唤醒反馈方式的智能音箱。用户完成实验任务后，需要对音箱的唤醒响应速度进行评价(5点量表：太快了，接受不了;有点快，能够接受;刚刚好;有点慢，能够接受;太慢了，接受不了)。

　　实验一的结果表明最佳的唤醒响应时间与唤醒反馈方式有关，不同唤醒反馈方式下，最佳响应时间不同：