Diseño de interfaces de usuario por voz (VUI): guía para principiantes

Los tiempos están cambiando. Oh, si Bob Dylan supiera que pedirle a una cajita metálica que encienda la cafetera mientras te duchas sería ya una realidad. Es cierto que el diseño de interfaces de usuario por voz es de naturaleza futurista, aunque el concepto de comandos de voz para productos digitales existe desde hace tiempo.

El diseño de la interfaz de usuario por voz ha sido un tema candente en los últimos años. Con el auge de Alexa y Google Assistant, entre otros, la gente está cada vez más abierta a esta nueva tecnología. Como diseñadores, puede que haya llegado el momento de examinar más detenidamente las interfaces de usuario de voz y lo que distingue a una buena de una terrible. Hay muchas incógnitas en lo que respecta a las interfaces de usuario de voz (VUI). Como cabría esperar de un campo tan joven, seguimos aprendiendo cosas nuevas sobre el diseño de UI de voz y el diseño de UX cada día. Mientras tanto, sin embargo, repasemos lo que sí sabemos, y hagamos buen uso de ese conocimiento. Eso significa que debes mantener abierta tu herramienta favorita de creación de prototipos mientras lees.

El diseño de interfaces de usuario por voz nos hace la vida mucho más fácil. Es como tener un asistente personal que te entiende y te echa una mano siempre que lo necesitas.

Nos permiten hablar con nuestros dispositivos, como teléfonos y altavoces inteligentes, para hacer cosas sin tocar un botón. Por ejemplo, puedes decirle a tu teléfono que llame a un amigo o pedirle a tu altavoz que reproduzca tu canción favorita.

Estas interfaces de usuario de voz hacen que la tecnología sea más accesible para las personas con discapacidad, como las que tienen problemas visuales o dificultades motrices. También nos permiten realizar varias tareas a la vez, como controlar la música mientras cocinamos o consultar el tiempo mientras conducimos. Además, hacen que el uso de la tecnología sea más divertido y natural, sin necesidad de hacer clic y tocar.

La tecnología de voz es cada vez más inteligente y popular. Estamos asistiendo a un gran aumento de dispositivos como altavoces inteligentes y otras interfaces de usuario de voz que nos permiten hablar con nuestra tecnología. Esto se debe a las mejoras en la forma en que los ordenadores entienden y responden al lenguaje humano. Aunque el concepto de tecnología controlada por voz se remonta a mediados del siglo XX, la era moderna de los asistentes de voz comenzó a principios de 2010 con la introducción de Siri por Apple. Desde entonces, los avances en inteligencia artificial y procesamiento del lenguaje natural han llevado al desarrollo de interfaces de usuario de voz más sofisticadas, en las que entraremos un poco más adelante. Estos asistentes virtuales -puede que ya hayas adivinado cuáles son- se han integrado cada vez más en nuestra vida cotidiana, impulsando altavoces inteligentes, teléfonos inteligentes y otros dispositivos. A medida que esta tecnología siga mejorando, podemos esperar un futuro en el que hablar con nuestros dispositivos sea la norma.

¡Es como en la vida real! Cuando hablas con un amigo, por ejemplo, escucha tus palabras, las descompone en partes más pequeñas y entiende su significado. La tecnología de reconocimiento de voz funciona de forma similar, pero con máquinas. Cuando hablas a una interfaz de usuario de voz, el dispositivo primero captura tu voz. Este audio en bruto se procesa para eliminar ruidos y otras perturbaciones. A continuación, el audio se descompone en unidades más pequeñas llamadas fonemas, que son los sonidos básicos del lenguaje.

El Procesamiento del Lenguaje Natural (PLN) toma el relevo a partir de aquí. Analiza la secuencia de fonemas, identifica las palabras y comprende la estructura gramatical de la frase. Al reconocer palabras y frases clave, la interfaz de usuario de voz puede determinar la intención del usuario y generar una respuesta adecuada.

La síntesis de voz es una forma elegante de decir que hay un robot leyendo en voz alta para ti. También puedes referirte a ella como tecnología de texto a voz. El sistema toma palabras escritas y las convierte en lenguaje hablado. Por ejemplo, cuando pides a una interfaz de usuario de voz que te lea un artículo de noticias, el texto del artículo se introduce en un sistema de síntesis de voz. ¿Cómo ocurre esto? En primer lugar, el sistema descompone el texto en unidades más pequeñas, las convierte en señales de sonido y luego las combina para producir una voz de sonido natural que lee el artículo en voz alta. Parece complicado, pero en realidad no lo es.

Supongamos que le pides a un amigo que haga algo. No gritas simplemente «¡Haz algo!». Dices algo concreto, como «Toca algo de música jazz». El diseño de la interfaz de usuario por voz funciona de forma similar. Cuando dices «Pon música de jazz», el asistente reconoce que quieres poner música (la intención) e identifica el tipo de música que quieres (la ranura). Esto permite al asistente encontrar y reproducir la música adecuada para ti. Tampoco está de más preguntar educadamente, por si algún día se vuelven contra nosotros. No querrás ser el receptor de la ira del sistema. Sería conveniente añadir un «Por favor» o un «Gracias» de vez en cuando.

Aunque la tecnología de interfaz de usuario de voz ha avanzado mucho, aún se enfrenta a varias limitaciones. Uno de los principales retos es el reconocimiento de acentos y dialectos. Los sistemas de reconocimiento de voz pueden tener dificultades para interpretar con precisión acentos y dialectos, lo que provoca malentendidos y errores. El ruido de fondo también puede dificultar que el asistente entienda tus órdenes. Otro reto es cuando la gente no dice exactamente lo que quiere. Si das una orden vaga o poco clara, es posible que el asistente no pueda entender lo que quieres. Por eso es importante ser claro y específico al hablar con un asistente de voz.

Para superar estas limitaciones, la investigación y el desarrollo actuales se centran en mejorar la precisión del reconocimiento de voz, las técnicas de cancelación del ruido y las capacidades de comprensión del lenguaje natural.

El diseño de la interfaz de usuario por voz depende de una comunicación clara. Puedes asegurarte de que los consumidores comprendan y respondan a las indicaciones con facilidad utilizando un lenguaje directo. Las instrucciones claras y concisas guían a los usuarios a través de las actividades sin esfuerzo.

Por ejemplo, en lugar de decir “Inicia la secuencia de reproducción de música”, una interfaz de usuario de voz podría decir: “Reproduce música”. Imitar una conversación natural hace que el diseño de la interacción sea más intuitivo y agradable.

En última instancia, como con todas tus conexiones -electrónicas o personales-, dar prioridad a una comunicación clara conduce a interacciones eficaces y satisfactorias.

El lenguaje centrado en el usuario debe tener la máxima prioridad para proporcionar experiencias de interfaz de usuario de voz realmente intuitivas. Podemos cerrar la brecha de comunicación entre humanos y máquinas utilizando un lenguaje que resulte familiar y natural. Por ejemplo, una interfaz de usuario de voz puede decir: «¿Buscas comida italiana cerca?» en lugar de: «Por favor, inicia una búsqueda del restaurante italiano más cercano». Las indicaciones y respuestas breves mantienen la atención de los usuarios y evitan que se vean sobrecargados de información. Una gestión eficaz de los errores y unos avisos correctivos claros garantizan una experiencia de usuario fluida, incluso cuando se producen errores. Guiando a los usuarios hacia resultados satisfactorios, podemos permitirles cumplir sus objetivos con eficacia.

Imagina escuchar una explicación larga y farragosa. ¿No te aburrirías y perderías la concentración? Lo mismo ocurre cuando una interfaz de usuario de voz se comunica con los usuarios. Para mantenerlos atentos, es importante ser conciso. Las respuestas breves y dulces son mucho más eficaces. Por ejemplo, en lugar de decir: «Las condiciones meteorológicas actuales en Tokio son mayormente nubosas, con una máxima de 15 grados centígrados y una mínima de 8 grados centígrados», una interfaz de usuario de voz podría decir simplemente: «Hoy está mayormente nuboso en Tokio, con una máxima de 15 grados y una mínima de 8 grados».

Ningún sistema es perfecto, y pueden producirse errores en las interacciones de la interfaz de usuario de voz. El diseño para la gestión adecuada de los errores es crucial para mantener una experiencia de usuario positiva. Cuando se produzcan errores, proporciona mensajes de error claros y concisos que informen al usuario sobre el problema y ofrezcan orientación sobre cómo proceder. Por ejemplo, si dices «Pon música» y el asistente no lo entiende, podría decir: «Lo siento, no lo he entendido. ¿Podrías intentar decirlo otra vez?». Además, deberías plantearte implementar funciones como la recuperación automática de errores o la autocorrección para minimizar las interrupciones.

Todos tenemos que admitirlo en algún momento. Las aplicaciones pueden ser confusas, ¿verdad? Pero, ¿y si la aplicación te guiara paso a paso? ¿Cuánto más fáciles podrían ser las cosas?

Lo mismo ocurre con los asistentes de voz. Cuando los usuarios son nuevos en una función o tarea, la interfaz de usuario de voz puede proporcionar instrucciones paso a paso. Por ejemplo, si un usuario quiere configurar un recordatorio recurrente, el asistente podría decir: «Primero, dime qué quieres que te recuerde. Después, dime con qué frecuencia quieres que te lo recuerde». Esto hace que las tareas complejas sean mucho más sencillas y accesibles.

Es crucial empezar con un profundo conocimiento del usuario objetivo para crear un diseño de interfaz de usuario de voz atractivo e informativo. ¿Son millennials expertos en tecnología o adultos mayores? ¿Están interesados principalmente en el entretenimiento o en la productividad? Llevar a cabo una investigación de UX es esencial para descubrir las necesidades y objetivos específicos que los usuarios esperan alcanzar mediante la interacción por voz. Esto implica identificar los retos y frustraciones de los usuarios, como interactuar con menús complejos o formularios largos. ¿A qué problemas se enfrentan cuando utilizan interfaces tradicionales?

Para diseñar una interfaz de usuario de voz realmente eficaz, tienes que prever escenarios de usuario del mundo real en los que la interacción de la interfaz de usuario de voz pueda marcar la diferencia. Por ejemplo, aplicada a la sanidad, una interfaz de usuario de voz podría agilizar la programación de citas, proporcionar acceso a información médica y ofrecer consejos sanitarios personalizados. Cuando te pones en la piel de tus usuarios objetivo, puedes desbloquear un montón de posibles soluciones de interfaz de usuario de voz.

Comandos de voz

Los comandos de voz proporcionan una forma manos libres y eficaz de interactuar con dispositivos y aplicaciones. Puedes decir cosas como «Enciende las luces» o «Reproduce mi canción favorita» y tu dispositivo responderá. Es una forma cómoda y manos libres de hacer las cosas. Esto puede mejorar significativamente la productividad, especialmente en escenarios multitarea.

Recuperación de información

Los sistemas de interfaz de usuario por voz pueden recuperar información de forma rápida y precisa de una gran variedad de fuentes, como Internet, bases de datos y calendarios personales. Puedes hacerles preguntas como «¿Qué tiempo hace hoy?» o «¿Cuáles son las últimas noticias?», o incluso temas complejos como historia o ciencia, y recibir respuestas inmediatas y relevantes.

Esta capacidad puede ahorrar tiempo y esfuerzo, especialmente en tareas que requieren buscar información específica. Es como tener un amigo experto siempre al alcance de la mano.

Interacciones transaccionales

La tecnología de interfaz de usuario de voz puede agilizar las interacciones transaccionales complejas, como hacer compras, reservar citas o transferir dinero. Puedes decir cosas como «Pide una pizza» o «Reserva una habitación de hotel» y la interfaz de usuario de voz se encargará del resto.

Utilizando comandos de voz, los usuarios pueden realizar estas tareas de forma más eficaz y cómoda, sin necesidad de introducir datos manualmente ni de navegar por interfaces complejas. Es una forma cómoda y eficaz de hacer las cosas, sobre todo para las personas que tienen dificultades para utilizar las interfaces tradicionales.

Notificaciones y alertas

Los sistemas de interfaz de usuario de voz pueden ofrecer notificaciones y alertas oportunas y relevantes, garantizando que los usuarios estén informados sin sentirse abrumados. Por ejemplo, una interfaz de usuario de voz puede recordarte una cita con el médico o avisarte de un atasco en tu trayecto al trabajo. La interfaz de usuario de voz puede mejorar la experiencia del usuario y la toma de decisiones adoptando un enfoque personalizado y no intrusivo.

Tienes que utilizar un lenguaje cotidiano y evitar los términos demasiado formales o técnicos para que las interacciones de voz con la interfaz de usuario resulten más naturales. Además, añadir un poco de personalidad puede hacer que la interacción sea más agradable. Una interfaz de usuario de voz podría contar un chiste, compartir un hecho divertido o simplemente responder con un tono amistoso. Esto puede ayudar a establecer una conexión con el usuario y hacer que la experiencia sea más atractiva y humana.

Supongamos que estás poniéndote al día con un viejo amigo al que hace tiempo que no ves y los dos tenéis mucho que compartir. Por supuesto, no pueden empezar por el punto Z sin cubrir el punto A. Así que podrías empezar haciendo una pregunta, y tu amigo respondería, y luego seguirías con otra pregunta o petición. Esto es similar a los diálogos de varios turnos en la interfaz de usuario de voz. Para manejarlos con eficacia, la interfaz de usuario de voz debe recordar el contexto de la conversación y guiar al usuario en cada paso. Por ejemplo, si un usuario pregunta: «¿Qué tiempo hará mañana?» y a continuación dice: «¿Y pasado mañana?», la interfaz de usuario de voz debe ser capaz de entender el contexto y proporcionar la previsión meteorológica para el día siguiente. Si un usuario da una respuesta inesperada, la interfaz de usuario de voz debe manejarla con elegancia. Por ejemplo, si el usuario pide que se le recomiende un restaurante, pero de repente cambia de tema, la interfaz de usuario de voz podría reconocer educadamente el cambio y preguntarle si desea continuar con la búsqueda del restaurante o hablar de otra cosa. Como en la vida real.

Definir claramente la toma de turnos es crucial para que las interacciones VUI sean fluidas. Para evitar confusiones, los asistentes de voz utilizan técnicas como las pistas de audio y la detección de silencio. De este modo, el sistema puede señalar eficazmente cuándo está escuchando y cuándo está hablando.

Por ejemplo, cuando haces una pregunta, el asistente puede reproducir un sonido para indicar que está escuchando. Cuando termine de procesar tu petición, la comunicará.

Las interrupciones y pausas son habituales en las conversaciones humanas. Para manejarlas con elegancia, la VUI debe estar diseñada para reconocer las interrupciones y responder adecuadamente.

Implementar un tiempo de espera de silencio puede ayudar a determinar cuándo el usuario ha terminado de hablar o ya no participa. Si la respuesta del usuario no es clara, el sistema puede reformular la pregunta o pedir una aclaración. Aquí tienes algunos ejemplos:

Usuario: «Oye, ¿puedes poner un recordatorio para…» hace una pausa
Interfaz de usuario por voz: «Claro, ¿qué quieres que te recuerde?»

La gestión de errores es un aspecto crítico del diseño VUI. Si te anticipas a los errores comunes y aplicas estrategias de recuperación eficaces, puedes minimizar la frustración del usuario y mantener una experiencia positiva. Por ejemplo, pueden malinterpretar un comando, no reconocer una palabra o no entender el contexto completo de una solicitud. Para manejar estas situaciones con elegancia, la VUI debe estar diseñada para:

• Reconoce el error: Una simple disculpa puede ayudar mucho a mantener una experiencia de usuario positiva.
• Proporcionar una orientación clara: La VUI puede ofrecer sugerencias concretas o hacer preguntas aclaratorias para ayudar al usuario a corregir el error.
• Aprende de los errores: La VUI puede utilizar el error para mejorar su comprensión del lenguaje y del contexto en el futuro.

La confirmación y la retroalimentación son necesarias para garantizar la precisión y la transparencia en las interacciones VUI. Al pedir al usuario que confirme sus intenciones o elecciones, puedes reducir la probabilidad de errores. Además, proporcionar información sobre las acciones del sistema ayuda a generar confianza y transparencia.

En la práctica, esto es como cuando le pides a un asistente de voz que realice una tarea, y luego te pide confirmación para asegurarse de que está haciendo lo correcto. Por ejemplo, si dices: «Pide una pizza grande de pepperoni», el asistente podría decir: «¿Querías una pizza grande de pepperoni?». Esto ayuda a evitar malentendidos y garantiza que tu petición se lleve a cabo con precisión.

Cuando la VUI encuentre un malentendido o una solicitud incompleta, es importante volver a preguntar al usuario de forma educada y servicial. Evita utilizar un lenguaje acusatorio o culpar al usuario del error. En su lugar, utiliza un lenguaje empático y ofrece una orientación clara.

Por ejemplo, la VUI podría decir: «No estoy seguro de entender. ¿Podrías reformular tu petición?» o «Puedo ayudarte con eso. Especifica la fecha y la hora».

Ofrecer opciones de ayuda permite a los usuarios tomar el control de la interacción y buscar ayuda cuando la necesiten. Esto puede conseguirse mediante varios métodos, como proporcionar un comando de «ayuda» u ofrecer una lista de comandos disponibles. Al facilitar el acceso a la ayuda, puedes reducir la frustración, que es lo peor.

Uno de los elementos clave del éxito de una VUI es la capacidad de mantener el contexto a lo largo de una conversación. Cuando la VUI recuerda las peticiones y respuestas anteriores del usuario, puede proporcionar experiencias más relevantes y personalizadas. Por ejemplo, si un usuario pregunta por el tiempo, la VUI puede seguir con una pregunta sobre sus planes de viaje a un lugar concreto.

Personalizar las respuestas en función de las preferencias y el historial del usuario puede marcar la diferencia en la experiencia de la VUI. Analizar los datos del usuario ayuda a la VUI a adaptar sus respuestas a las necesidades y preferencias individuales. Por ejemplo, una VUI puede saludarte por tu nombre, recomendarte productos basándose en compras anteriores, ¡e incluso ajustar el volumen y la velocidad del habla según tus preferencias!

Imagínate esto: estás conduciendo hacia el trabajo y tu asistente de voz te informa de un atasco más adelante, sugiriéndote una ruta diferente. O quizás estás buscando un sitio para comer y tu asistente te recomienda un restaurante cercano basándose en tus preferencias dietéticas. Estos son sólo algunos ejemplos de cómo la interfaz de usuario de voz puede aprovechar los datos de localización y entorno para proporcionar información y servicios contextualmente relevantes. Al comprender tu ubicación y tus preferencias, la interfaz de usuario de voz puede ofrecerte sugerencias a medida y hacerte la vida más fácil. Por ejemplo, si viajas a una ciudad nueva, la interfaz de usuario de voz puede ofrecerte información sobre atracciones locales, opciones de transporte y restaurantes cercanos. También puede ayudarte a navegar por calles desconocidas y a encontrar los mejores lugares para visitar.

La gestión del contexto a largo plazo implica almacenar y recuperar información sobre las interacciones del usuario a lo largo del tiempo. Esto puede utilizarse para mejorar la capacidad de la interfaz de usuario de voz para ofrecer recomendaciones personalizadas y anticiparse a tus necesidades. Por ejemplo, si sueles escuchar música jazz, la interfaz de usuario de voz podría sugerirte listas de reproducción o artistas de jazz. O, si estás en medio de una tarea y necesitas hacer una pausa, la interfaz de usuario de voz puede recordar dónde la dejaste y continuar la tarea cuando estés preparado. ¡Qué experiencias tan agradables!

Los altavoces inteligentes como Amazon Echo (Alexa) y Google Home han popularizado las interacciones por voz en el hogar. Estos dispositivos están optimizados para funcionar con manos libres, lo que permite a los usuarios controlar varios dispositivos y servicios con comandos de voz. Entre las consideraciones clave para el diseño de la VUI de los altavoces inteligentes se incluyen:

• Palabras de activación claras: Utiliza palabras de activación claras como «Alexa» o «Oye Google» para activar el dispositivo.
• Comprensión del lenguaje natural: Interpretar órdenes de voz complejas y satisfacer las peticiones de los usuarios.
• Conciencia contextual: Comprender la intención del usuario y proporcionar respuestas relevantes basadas en el contexto.

Privacidad y seguridad: Garantizar un tratamiento seguro de los datos y proteger la privacidad de los usuarios.

Las aplicaciones móviles también han adoptado las interacciones de voz para mejorar la experiencia del usuario. Por ejemplo, Google Assistant y Siri permiten a los usuarios realizar tareas como hacer llamadas, enviar mensajes y establecer recordatorios mediante comandos de voz. Estas aplicaciones potenciadas por la interfaz de usuario de voz se integran perfectamente con las funciones y la interfaz de usuario del dispositivo, proporcionando una forma manos libres y eficiente de interactuar con el teléfono.

• Integración perfecta: Integrando los comandos de voz con las funciones y la interfaz de usuario de la aplicación.
• Conciencia contextual: Comprender la tarea actual del usuario y proporcionar órdenes de voz relevantes.
• Tratamiento de errores: Manejar los errores con elegancia y proporcionar información clara al usuario.
• Accesibilidad: Diseño de la interfaz de usuario de voz para que sea accesible a usuarios con discapacidad.

Los sistemas VUI en el coche, como los que se encuentran en los vehículos Tesla y Ford Sync, dan prioridad a la seguridad limitando el número de comandos de voz necesarios para completar tareas. Estos sistemas utilizan indicaciones y confirmaciones de voz claras y concisas para minimizar las distracciones y reducir el riesgo de accidentes.

• Distracción mínima: Limitar el número de comandos de voz necesarios para completar una tarea.
• Indicaciones claras y concisas: Utilizar un lenguaje claro y conciso para evitar confusiones.
• Confirmación por voz: Confirmación de acciones críticas para reducir el riesgo de errores.
• Entorno silencioso: Optimizar la VUI para que funcione eficazmente en entornos ruidosos.

User Scenario with Tesla Model 3’s Redesigned Voice User Interface (VUI). Photo by Diana Lu.

Los dispositivos vestibles y los dispositivos IoT, como los smartwatches y los termostatos inteligentes, a menudo dependen de las interacciones de voz para mayor comodidad y eficiencia. Utilizando comandos breves y concisos, estos dispositivos pueden proporcionar información rápida y relevante, minimizando al mismo tiempo el consumo de batería.

• Órdenes breves y concisas: Mantener las órdenes de voz breves y al grano.
• Respuestas claras y concisas: Proporcionar información concisa y relevante.
• Eficiencia de la batería: Optimizar la VUI para minimizar el consumo de batería.
• Privacidad y seguridad: Proteger los datos de los usuarios y garantizar una comunicación segura.

Uno de los principales retos del diseño de VUI son las limitaciones inherentes a la tecnología de reconocimiento de voz. Los acentos y las variaciones en la pronunciación pueden afectar significativamente a la precisión de los sistemas de reconocimiento de voz. Para superar estos retos, los desarrolladores utilizan modelos lingüísticos para ayudar al asistente a entender diferentes acentos y dialectos. Estas técnicas ayudan a los asistentes de voz a comprender y responder mejor a las órdenes del usuario, sin discriminación.

Cuando utilizas un asistente de voz, estás compartiendo información personal, como tu dirección o tu número de tarjeta de crédito. Es importante confiar en que la empresa que está detrás del asistente protegerá tus datos, lo que requiere medidas de seguridad sólidas, como encriptación, almacenamiento seguro de datos y controles de acceso. Además, unas prácticas de datos transparentes y unas políticas de privacidad claras son esenciales para generar confianza entre los usuarios.

Es crucial establecer expectativas realistas sobre las capacidades de la VUI. Aunque la tecnología VUI ha avanzado mucho, es importante evitar prometer demasiado y no cumplir. Comunicando claramente las limitaciones y capacidades del sistema, los usuarios pueden formarse expectativas realistas y evitar la frustración.

¿Alguna vez has tenido la sensación de que tu asistente de voz no te escucha? Bueno, ¡el ruido de fondo puede ser un auténtico aguafiestas! Pero no te preocupes, los desarrolladores te cubren las espaldas. Utilizan una magia especial de cancelación de ruido para que tu asistente te oiga alto y claro, incluso en una habitación llena de gente.

El diseño de interfaces de usuario por voz es realmente futurista. Aún nos queda mucho por descubrir en lo que respecta al potencial de este campo y todo lo que puede llegar a ser. Al igual que el diseño UX fue tomando forma y evolucionando hacia cosas nuevas, también lo está haciendo la interfaz de usuario de voz. Si comprendemos los principios del diseño de la interfaz de usuario por voz y afrontamos sus retos, podremos crear experiencias potenciadas por la voz que no sólo sean eficientes, sino también agradables. Así que, ¡abracemos el futuro de la voz y sigamos innovando y mejorando la forma en que nos comunicamos con nuestros dispositivos!