設計多輪對話的 5 個原則：讓 Voice AI 聽起來像真人

Brandon Lu

COO

為什麼對話設計是瓶頸，不是模型

Stanford 2025 Conversational AI Study 分析了 12 個產業的 50,000 次語音 AI 互動，發現一個驚人模式：用戶滿意度和對話設計品質的相關性（r=0.72）比 ASR 準確率（r=0.41）或回應延遲（r=0.38）都高。換句話說，AI 怎麼說比它聽得多準或回得多快更重要。

這個發現與數十年的對話分析研究一致。人類對話遵循不成文的規則——輪替信號、修補序列、話題管理、禮貌策略——我們無意識地執行。當語音 AI 違反這些規則，對話就是「不對」的感覺，即使每個字都正確。

以下五個原則來自對話語言學研究，並經數千個生產語音 AI 部署驗證。它們不是要 AI 假裝是人——而是尊重人類帶到每次互動中的對話期望。

原則一：掌握輪替，不只是填充回合

在人類對話中，我們不會等到沉默才開始說話。我們預測對方即將說完，開始準備回應。輪替是合作性的——聽者通過 backchannel（「嗯」「對」「好」）信號參與，說者通過語調、句法和節奏信號輪替邊界。

多數語音 AI 把輪替當成簡單問題：等用戶停止說話（靠沉默偵測），然後回應。這產生兩種失敗模式：

過早截斷。 用戶暫停思考，AI 就跳進來回應未完成的想法。這是語音 AI 用戶研究中回報的第一大挫折——2025 UserTesting 調查中 47% 受訪者提到。

尷尬的沉默。 用戶說完了，但 AI 的沉默偵測需要 1-2 秒安靜才觸發回應。在自然對話中，超過 700ms 的暫停信號著什麼不對。用戶開始懷疑系統有沒有聽到。

修正方式： 實作用韻律線索（下降語調、完成的句法單元）而非只是沉默偵測的預測式輪替。用 backchannel 信號 AI 在聽和處理。AI 需要處理時間時，用自然的確認填充沉默（「讓我查一下」）而非死寂。

原則二：為修補設計，不只為成功設計

人類對話很凌亂。我們聽錯、理解錯、講到一半改主意、說出不太合理的話。自然對話通過修補序列處理這些故障——澄清請求、修正和重新表述無縫發生。

相比之下，語音 AI 對話傾向把任何偏離預期流程的情況當錯誤。AI 說「我不理解，請再試一次」——一個在自然對話中沒有人會這樣回的回應。

根據 Edinburgh 大學 Interaction Lab 的研究，自然電話對話中 23% 的回合包含某種形式的修補——自我修正、他人修正或澄清。只為 77% 乾淨回合設計意味著你的 AI 會在將近四分之一的互動中絆倒。

修正方式： 設計感覺自然的明確修補策略。不要說「我不理解」，試試「讓我確認一下——你是想預約週四的時段？」這確認了 AI 理解的部分，邀請修正不理解的部分。把修補框架為合作，不是失敗。

原則三：跨回合管理脈絡，不只在回合內

人類對話承載脈絡向前。你跟飯店接待說「我想訂兩晚」，然後問「含早餐嗎？」接待知道「早餐」指的是你剛討論的房間。逐回合獨立處理的語音 AI 會問「什麼含早餐？」——技術上有效的澄清，但在對話上遲鈍。

挑戰隨對話長度擴展。2 回合互動很少有脈絡問題。10 回合修改複雜預訂的對話可能有六七個需要解析的隱含引用。

修正方式： 維護明確的對話狀態，跨回合追蹤實體、偏好和承諾。用指代消解把代詞和隱含引用連接到先行詞。脈絡模糊時，通過自然確認而非明確重問來解決。

原則四：建立人格一致性，不是建立人格

有個誘惑是給語音 AI 一個「人格」——名字、背景故事、一組俏皮回應。研究指出這是反效果的。Washington 大學 2025 年語音 AI 角色設計研究發現，人格一致性比人格豐富度更重要。用戶偏好可靠專業的 AI 勝過有時機智有時正式的。

修正方式： 定義一致的語域（正式/隨意/專業）並在每次互動中維持。詞彙、句式、節奏和語氣的一致性創造信任。為了「聽起來更像人」的變化實際上破壞體驗，因為它違反用戶期望。

原則五：把沉默當溝通處理，不是當缺席

對話中的沉默不是空的。可能代表說話者在思考、猶豫、困惑、分心或已經說完。「你的帳號是？」後面的 2 秒沉默代表用戶在找。「要繼續付款嗎？」後面的 2 秒沉默可能代表他們不確定。對兩個沉默用同樣方式處理是設計失敗。

Google 2025 Conversational UX Guidelines 建議依脈絡處理沉默：根據問了什麼問題、預期答案多複雜、沉默出現在對話的哪裡來變化 AI 對沉默的回應。

修正方式： 把沉默回應映射到對話脈絡。問了需要查找的問題（帳號、日期）後，多等一下並鼓勵（「慢慢來」）。決策點後，承認暫停（「不急——我等你準備好」）。資訊陳述後，把沉默詮釋為理解並繼續前進。