深入日本首款餐廳電話訂位AI，對話UX設計關鍵大公開

你若曾在2019年11月底，打電話到日本大手町這家牛排館「俺のGrill&Bakery」預約，那個甜美回答問題的女聲，其實是AI，這是日本第一款餐廳電話訂位服務的AI語音助手。不只可以預約時間，安排用餐位置，還能直接回答最新菜色的問題，一點都不輸真人接聽的服務。

LINE韓國母公司NAVER的CCAI（Contact Center AI）部門技術總監都炅兌，正是一手打造出這款語音AI的負責人。他在2019年LINE開發者大會中，首次公開了背後的關鍵設計。

Google在2018年5月的I/O大會上，最引人注目的是AI打給餐廳訂位的那一通電話。因為那不是人而是AI語音助理Google Duplex代向餐廳預約的電話。不同於Google的消費者角度設計，NAVER則是要從中小企業的角度出發，要用AI來當餐廳的助手，在餐廳最忙碌的用餐時間代接電話，多勻出一個人手來幫忙上菜。這就是都炅兌團隊發起了這個電話訂位AI專案（專案代號DUET，後來正式命名為AiCall）的初衷。

NAVER原本就自行研發出了一款知名的智慧喇叭Clova WAVE，擁有自己的AI團隊和NLU技術，都炅兌回憶，NAVER也差不多約在2年前，開始意識到電話服務才是語音助理的未來，而且觀察到，餐廳電話訂位服務將成為語音服務市場變革的關鍵，所以，才發起了DUET專案。

但是，一開始，仍有不少人質疑這個專案，都炅兌最常被問的問題是，手機上網這麼普及了，這年頭還有人打電話到餐廳訂位嗎？後來真的進行調查後發現，比例之高令人意外，高達65％的預約訂位，仍舊是透過電話，其餘3成5才是網站或其他方式。

「一般人自以為的假設，往往不一定是事實。」都炅兌回憶：「要切入新領域，得採取不一樣的方法，必須面對使用者，靠資料來決策，這正是LINE跟NAVER所擅長的跨界秘訣。」

餐廳電話訂位AI和要克服的挑戰

多回合NLU技術和8K音訊語音辨識，就是電話訂位AI最關鍵的技術。─── NAVER CCAI技術總監 都炅兌　（攝影／王宏仁）

所以，在開發這套AI訂位系統之前，都炅兌先進行了大量使用者研究，歸納出幾個發現，首先是人們不擅長回答電話。人為錯誤是電話溝通出錯的主因，尤其是沒有訓練的工讀生或新員工，常會搞錯預約，再加上餐廳希望降低電話預約的成本。

第二個發現是，溝通模式有差異。NAVER已有一套熱賣的語音助理產品，但是，透過電話與AI對話的互動型態，和與智慧喇叭的對話模式，兩者截然不同。「語音助理是命令和控制型（Command and Control）的對話模式，但電話則是建構式的對話（Build-up）。」都炅兌比較，語音助理就是簡單的一個口令，一個動作，但在電話中，AI得來回詢問顧客，甚至是追問，才能完成預約任務。

甚至，電話預約的對話，也跟Chatbot聊天機器人有很大的不同，都炅兌指出，聊天機器人會提供視覺化呈現，使用者能看到完整對話歷程，還可以搭配不同的互動模式，例如互動按鈕、文字框等，但在電話上，只能透過聲音，而且顧客很難清楚記得說過的每一個字。這些差異，都是AI電話訂位服務在互動介面和技術上要解決的課題。

如何設計出擬人化的電話對話UX？

尤其在UX設計上，得考慮到整體的對話情境和脈絡來設計，都炅兌稱為對話空間（Conversation Space）的設計，會將一段對話區分為開場，主體和結語三個階段，從接通到掛斷之間的持續時間則稱為時間空間（Time Space）。

另外，電話對話UX的設計還有幾個特性，沒有喚醒指令，不像智慧喇叭得由用戶先講出喚醒詞來啟動，其次，對話都得由AI程式先帶頭發言，而顧客若有提問，通常都是再確認餐廳的能力，例如是否可提供嬰兒座椅，是否有素食等，最後一個重點是，得隨時偵測顧客即將結束對話的特徵（Preclosing signal，預結束訊號）， 例如當顧客講出「謝謝，我知道了」就是一個預結束特徵，就可以讓AI進行總結式的結束對話，例如提醒預約時間，期待對方光臨等等。

要打造出流暢回應的AI，還要更進一步了解談話性對話的特徵，顧客不只會期待一種自然語言地、持續性的對話，他特別提醒：「時間是VUI（Voice User Interface，語音互動介面）必須考慮的關鍵要素。」

為了讓對話聽起來自然，AiCall考慮了3種時間條件，重疊性（Overlap）、平衡性（Balance）和沉默程度（Silence）。在對話來回過程中，要拿捏一來一回的時間分配，避免AI搶話。其次，語句長度是對話的基礎，一次講出來的語句，不宜太久或過短，而且要依據合適的語句時間程度，重新修改要表達的內容，要兼顧表達詳細資訊，又不會太花時間的尺度拿捏。

最後一項，都炅兌指出：「沉默程度的設計也很重要，這是智慧喇叭不會考慮的事，智慧喇叭總是沉默的等待。但在電話對話中，一方的沉默代表了某種意義或態度，」AI得留意使用者的停頓不語，若沉默超過一定時間就得發話提醒，將使用者拉回對話中。

四層式對話設計框架

考量這些電話對話特徵，AiCall建立了一套對話設計框架（Conversation Deign Framework），一層包一層，最外是任務（Task），其內包括了多個活動（Activity），每個活動各自有一套對話序列（Sequence），這個順序則可能由多個對話回合（Turn）來組成。

例如，一個預約訂位的任務，包括了3個活動：開場、排程（Scheduling）和確認。而在排程這項活動中，還可分出兩套對話序列，一是預約時間安排，和預約人數安排兩種，各會有不同的對話問答序列內容。

在活動這個層級上，常見的活動，例如像是開場對話、排程、查詢空位、取消預約、預約再確認、重新排程、結束對話等，在不同的任務，有類似功能的活動，就可以重複使用。都炅兌還採取了模組化的設計，並透過網絡圖來建立不同活動之間的關連，可依據不同任務的需求，彈性組合這些活動。

另外，都炅兌指出，對話UX設計還有一個重點，要避免採取「失敗訊息的回應」（Failure）設計。若無法辨識顧客的問題，或確認顧客的內容，可以再問一次，或反問提出建議，盡量不要設計成「這個指令無效」這類會終止對話的回應方式。「打電話過程要互相建構出對話。」他提醒。像AiCall若真的遇到無法處理的電話，只要發生了三次AI辨識失敗的情況，就會自動將電話轉給餐廳真人來接聽。

兩大關鍵技術：多回合NLU和8K音訊語音辨識

在技術上，AiCall採取也是常見的語音辨識和語音生成流程，顧客電話中的聲音串流，透過閘道器進入到後端伺服器，透過語音辨識引擎，轉換成文字，再透過NLU引擎來辨識文字中的意圖，再來確定要如何產生回應的文字內容，接著透過語音生成引擎，將文字轉換成語音，並組合成聲音串流，同樣透過閘道器回傳到顧客的電話上。

不過，這個流程還要考慮到真實世界電話通話特性來進行調整，例如要支援不同類型的電話傳輸技術，像PSTN、VoIP或最新的WebSocket傳輸方式。

另外，在真實世界的電話是全雙向通話，雙方可以同時雙向講話和收聽，就得時時偵測使用者是否出現搶話的情況，所以，都炅兌還增加了一個對話控制器，來判斷是否需要中斷原有的對話序列，採取另一個回應方式。

不只如此，電話聲音也很難保證每次的品質，可能對方使用一般市內電話，通話品質很差，因此，AI語音辨識引擎做到連8K超低品質音訊都要能分辨才行，後來，NAVER還重新設計了新的語音辨識引擎。「電話訂位AI最關鍵的技術就是多回合NLU技術和8K音訊辨識技術。」都炅兌指出。

另外，NAVER在語音生成引擎的設計上，除了考慮自然對話的音調和聲音角色的音調（如男聲或女聲），都炅兌還特別設計了一個「聲音個性」（persona of voice）的機制，可以針對不同的對話情境，來安排一段句子音調起伏的呈現方式，例如疑問句就是一種情境，會在句尾讓音調上揚。

都炅兌也錄製了不同情境的音調語氣和語速，再轉換成不同類型的聲音個性，例如平靜語意、搶話語氣、說故事似的語氣、大聲說話、遲疑口吻等，甚至還考慮了搭配手勢動作時，說話音調還會有不同的變化。

除此之外，都炅兌的團隊還設計了好幾種不同功能的通話AI模型，例如用來預測使用者言外之意的語意線索模型、可考慮上下文語意的多回合對話NLU模型、任務轉換判斷模型、插話時機判斷模型等。

在DUET團隊中，不只有負責對話流程設計的UX設計師，還有一組UX工程師，要依據UX設計師提供的AI對話UX最佳流程，來開發系統。

「在AI對話中，更容易察覺到網路延遲的影響。」他說，所以，UX工程師下足功夫，如改善同步I/O、GPU優化、網路優化、串流優化，甚至精簡對話內容，不需講出完整的句子，只用關鍵詞來表達意思，就是為避免造成延遲。

NAVER CCAI技術總監都炅兌秀出的圖表，透露了正在研究非口語互動型態。　（攝影／王宏仁）

當DUET專案團隊花了大把時間，完成了語音訂位AI雛形，展開使用者實測時發現，「設計和真實總有很大落差，實際通話過程，用戶總是任意切換話題。」AI得判斷要不要繼續？問了一半的任務，等下如何接續再問？從哪一個對話流程切入，或者如何重問一次，都是挑戰。

後來，都炅兌決定，重新設計軟體系統和對話UX，並打造了一個UX設計師和UX工程師的共用介面，方便他們快速進行雛形展示來改進產品。

「我們的目標，不是讓AI語音聽起來跟真人一樣，而是聚焦對話本身，希望對餐廳真有幫助。」都炅兌再三強調。

AiCall目前只能支援日語和韓語，也只在日本市場推出。但，都炅兌表示，技術上，未來也有機會支援英文或中文，甚至，「這樣的電話預約AI，日後也有機會運用到其他類型或產業的電話預約應用上。」

儘管沒有透露太多，但在都炅兌特別秀給記者們的使用者行為研究圖表上，透露了NAVER正在調查，手勢動作等非口語互動型態對講電話的影響，「手勢會影響講電話的語速、腔調，對使用者行為有更多了解，研究其他互動型態帶來的侷限，也是為日後發展新產品先做準備。」都炅兌眨了眨眼笑著說。

CTO小檔案

都炅兌

NAVER CCAI技術總監

學經歷：韓國成均館大學電腦工程系畢業。2004年進入三星，一待14年，從資深軟體工程師做起，負責開發三星公共GIS系統，後來更成為三星敏捷核心團隊技術首席，後期更在三星內研究AI技術，2018年進入LINE韓國母公司NAVER，在CCAI（Contact Center AI）部門擔任技術總監。

公司檔案

NAVER

● 成立時間：1999年6月

● 主要產品：以搜尋引擎起家，目前是韓國最大搜尋引擎和第一大入口網站服務，更推出LINE即時通訊平臺，並逐漸跨入電商、內容、娛樂和金融產業。

● 主要海外市場：日本、美國、法國、中國、越南、臺灣、泰國和印尼

● 網址：www.naver.com

● 年營收：2017年約4兆韓元

● 員工數：2017年約2,793人

公司大事紀

● 1999年6月：推出搜尋引擎服務

● 2000年：進軍日本市場

● 2011年：推出LINE手機通訊軟體

● 2013年：成立LINE Plus開始負責全球海外事業，並將NAVER日本分公司更名成為LINE公司

● 2016年：LINE同時在紐約證交所和東京證交所掛牌上市

● 2017年：成立NAVER Labs，開始轉型研發型企業