VoiceAlign：增强遗留语音用户界面系统可用性的垫片层

语音用户界面（VUI）正从无障碍功能转变为主流交互方式。然而，大多数操作系统内置的语音命令仍未得到广泛利用，尽管技术能力相当强大。通过对四个商业 VUI 系统的分析和对 16 名参与者的形式化研究，我们发现固定的命令格式需要精确的说话方式，限制性的超时机制在规划暂停期间会丢弃输入，以及不足的反馈会阻碍多步骤交互。为了应对这些挑战，我们开发了 VoiceAlign，一个适应性的垫片层，用于在用户和遗留 VUI 系统之间进行中介。VoiceAlign 拦截自然语音命令，通过大型语言模型将其转换为匹配所需语法的命令，然后通过不透明于底层系统的虚拟音频通道传输这些适应后的命令。在我们对 12 名参与者的评估中，VoiceAlign 将命令失败率减半，所需命令数减少 25%，并且在与现有遗留 VUI 系统配合使用时，显著降低了认知和时间需求。此外，我们创建了一个由我们的研究所启发的合成数据集，并微调了一个小型语言模型，在本地部署时实现超过 90% 的准确率，响应时间为 200 毫秒，无需依赖第三方 API，即可在边缘设备上实现实时交互。该 work 表明，现代 AI 技术无需要求系统修改即可释放遗留 VUI 系统的开发潜力，提供一种实用的解决方案而无需替换现有基础设施。