想象你是餐厅新来的品菜师。后厨里那位热菜师傅，你看不到他颠勺的姿势，也看不到灶台的火候，只能通过端上桌的菜、客人的表情、以及每月的翻台率这些间接线索，来判断他的真实水平。语音交互产品（VUI）的可用性测试，就是这样一场“看不见的品评”——屏幕消失了、按钮不见了，用户只能靠说话完成一切。作为测试者，你要回答的问题也变了：语音听得懂吗？任务办成了吗？用户聊得顺不顺？满意度高不高？本文就借“品菜师考核热菜师傅”这个比喻，带你完整走一遍 VUI 可用性测试与评估的方法：从设计语音任务场景，到回收对话日志与主观问卷，再到计算识别准确率、任务完成率、对话轮次三大指标，最后用综合评分给产品开出“体检报告”。

岗位关联

掌握这套评估方法，你就能在没有屏幕的交互世界里精准判断产品好坏，让每一次语音体验迭代都有据可依——这是 VUI 设计师与 AI 产品经理的核心竞争力。

目录
  1. 可视化演示
  2. 看不见的挑战
  3. 设计任务场景
  4. 收集对话日志
  5. 量化主观评价
  6. 三大量化指标
  7. 案例实战复盘
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示语音任务场景设计流程、对话日志量化指标分析及VUI体验迭代优化闭环，交互切换理解VUI可用性测试核心方法。

本节配有交互动效（进入视口后自动加载，约 3KB）。

'+modeData.task.caption+'

看不见的挑战

品菜师站在餐厅后厨外，看不到师傅颠勺的手法，只能靠端上来的菜判断水平——这是他的职业宿命。VUI 测试者也面临同样的宿命：图形界面（GUI）上那些按钮、菜单、状态栏全部消失了，用户面对的是一个“没有屏幕的对话框”。当测试者想观察用户如何操作时，他发现自己的“眼睛”被蒙住了，这就是 VUI 可用性测试与 GUI 最大的不同。

这种“看不见”带来了三类具体挑战。第一，视觉反馈缺失：用户在 GUI 里能看到当前页面、可选按钮，但在 VUI 里只能靠记忆和系统提示猜测“能说什么”。第二，环境噪音干扰：同样的语音指令，在安静客厅和嘈杂地铁里，识别结果可能天差地别。第三，识别不确定性：语音识别（ASR）本身会出错，用户说“大杯”系统可能听成“大悲”，而且对话一旦发生就无法撤回，错误的代价比点错按钮更高。

面对这些挑战，我们需要一个更清晰的认知框架。如果把用户获得的信息看作几条通道的叠加，GUI 时代有视觉和听觉两条通道，而 VUI 时代只剩下听觉一条：

品菜师接受了自己“看不到后厨”的事实后，反而练就了更敏锐的舌头。VUI 测试者同样如此——承认视觉缺失是常态，才能把精力集中在对话日志、任务结果和用户反馈这些“间接线索”上。看不见不等于无法评价，只是评价的方式要换一套。

Itotal=Ivisual+Iaudio\displaystyle I_{\text{total}} = I_{\text{visual}} + I_{\text{audio}}
这个公式说明：VUI 的总信息量几乎全部来自听觉通道（\(I_{\text{visual}} \approx 0\)），因此测试的重点必须从“看界面”转向“听对话、看结果、问感受”。
  1. 视觉通道归零在 VUI 场景中，用户看不到任何界面元素，视觉信息量约等于零。
    Ivisual=0I_{\text{visual}} = 0
  2. 总量只剩听觉总信息量只剩下语音这一条通道，测试者必须围绕听觉交互设计评估方法。
    Itotal=IaudioI_{\text{total}} = I_{\text{audio}}

设计任务场景

品菜师要想全面考核师傅，不能只点一道番茄炒蛋，而要设计一桌“代表菜”：考验刀工的、考验火候的、考验调味平衡的。VUI 测试也一样，第一步就是设计语音任务场景——这些场景就是端上桌的那一道道菜。

任务场景的设计有四个要点。第一，真实场景覆盖：场景必须来自用户真实生活，比如“订一杯咖啡”比“测试天气播报功能”更贴近实际。第二，自然对话脚本：用户不会照着说明书说话，脚本要模拟真人口语，包括“嗯”“那个”“再说一遍”这类自然表达。第三，难度阶梯设计：从“查询今天天气”这种简单任务，到“比较三家餐厅并预订”这种复杂任务，难度要循序渐进。第四，边界异常用例：包括用户中途改主意、一次说太多信息、环境突然嘈杂等情况。

场景设计得是否充分，可以用一个简单的覆盖率来检验——你设计的任务场景覆盖了真实用户可能遇到的多大比例：

代表菜设计得越全，品菜师对师傅的判断就越准确；任务场景覆盖得越全，VUI 测试暴露的问题就越真实。一份粗糙的测试脚本或许能跑通流程，但只有精心设计的场景菜单，才能让产品的短板无所遁形。

C=NcoveredNtotal×100%\displaystyle C = \frac{N_{\text{covered}}}{N_{\text{total}}} \times 100\%
其中 \(N_{\text{covered}}\) 是你设计的测试场景数，\(N_{\text{total}}\) 是用户真实场景总数（可通过前期调研或用户访谈估算）。覆盖率越高，测试结果越可信。
  1. 分子已覆盖场景：统计你为测试设计的任务场景数量，这些场景要能代表真实用户的高频和关键操作。
    NcoveredN_{\text{covered}}
  2. 分母真实场景总数：通过问卷、日志分析或行业经验，估算用户在实际生活中可能用到的全部语音交互场景数。
    NtotalN_{\text{total}}
  3. 计算覆盖率两者相除再乘 100%，得到场景覆盖率，一般建议达到 80% 以上再开始正式测试。
    C=NcoveredNtotal×100%C = \frac{N_{\text{covered}}}{N_{\text{total}}} \times 100\%

收集对话日志

品菜师虽然看不到后厨，但他有绝招：悄悄调出监控回放，数一数每道菜剩了多少，记下每桌的上菜间隔时间。同理，VUI 测试者无法实时钻进用户的耳朵，却可以通过“数据回放”完整还原交互现场。这套回放工具，就是对话日志。

对话日志要收集四类数据。第一，对话会话记录：用户每一句话的原文本、系统每一条回复、以及时间戳——这是还原交互过程的主线。第二，行为操作日志：用户是否点击了“再说一遍”、是否重复同一句指令、是否中途放弃任务——这些是用户“卡壳”的信号灯。第三，录音转写文本：保留原始录音并转写，方便事后人工听辨识别问题出在 ASR 还是语义理解。第四，设备环境变量：手机型号、麦克风状态、环境噪音分贝——这些决定了测试结论的适用边界。

其中，对话轮次是贯穿整个评估的核心概念。它定义了“用户与系统一来一回”的基本单元：

录像回放让品菜师看到了师傅颠勺的真实手法，对话日志则让 VUI 测试者看到了每一次交互的来龙去脉。没有这些“黑匣子数据”，所有评估都只是猜测；有了它们，每一个结论都能追溯到具体的对话片段。

T=∑i=1nui\displaystyle T = \sum_{i=1}^{n} u_i
\(u_i\) 表示第 \(i\) 个会话中用户的发言次数。一次完整的用户发言（无论系统是否听懂）记为一轮，它刻画了完成一个任务需要多少轮“尝试与反馈”。
  1. 单次发言计数每个会话中，用户每次开口都记作一次发言，系统回复不算作新的轮次。
    uiu_i
  2. 累加求和把所有会话的用户发言次数加起来，得到总对话轮次，用于后续计算平均轮次等指标。
    ∑i=1nui\sum_{i=1}^{n} u_i
  3. 轮次总量总轮次反映了任务的整体交互负担——轮次越多，往往意味着用户说得越费力、系统引导越不顺畅。
    T=∑i=1nuiT = \sum_{i=1}^{n} u_i

量化主观评价

品菜师不会只看剩菜量，他还会走到客人桌前问一句：“这道菜咸淡如何？上菜快不快？”客人的主观感受，往往是后厨质量最真实的镜子。VUI 测试中，用户的主观评价同样重要，它回答的是量化指标回答不了的问题：用户喜欢这个语音助手吗？用起来顺心吗？愿意推荐给朋友吗？

主观评价最常用的工具是 SUS（System Usability Scale，系统可用性量表）。它由 10 道题组成，每道题用李克特五级量表打分（1 分“非常不同意”到 5 分“非常同意”）。巧妙的是，奇数题是正面表述（如“我觉得这个语音助手功能很完整”），偶数题是负面表述（如“我觉得这个语音助手太复杂了”）。这种正反交替的设计，能有效避免用户不看题目就随手打满分。

SUS 的计分规则：

客人随口的一句“还行”，品菜师会翻译成具体的评分项；用户的模糊感受，SUS 会翻译成一个可横向比较的分数。主观评价和客观指标就像品菜师的两只眼睛——一只看数据，一只看人心，合在一起才能看清全貌。

SUS=2.5×[∑i∈O(Xi−1)+∑i∈E(5−Xi)]\displaystyle \text{SUS} = 2.5 \times \left[\sum_{i \in O}(X_i - 1) + \sum_{i \in E}(5 - X_i)\right]
其中 \(O\) 是奇数题集合，\(E\) 是偶数题集合，\(X_i\) 是用户在题目 \(i\) 上的打分（1-5 分）。最终得分范围是 0-100 分，68 分以上算良好，80 分以上算优秀。
  1. 正面题减一奇数题（正面表述）的得分减去 1，使“非常同意”从 5 分变成 4 分——这样处理让所有题目的贡献方向一致。
    Xi−1,i∈OX_i - 1, \quad i \in O
  2. 负面题反向偶数题（负面表述）用 5 减去得分，用户越不同意负面描述，这项得分越高。
    5−Xi,i∈E5 - X_i, \quad i \in E
  3. 汇总并缩放把 10 道题的修正分相加，再乘以 2.5，把总分映射到 0-100 的标准化区间。
    SUS=2.5×[∑i∈O(Xi−1)+∑i∈E(5−Xi)]\text{SUS} = 2.5 \times \left[\sum_{i \in O}(X_i - 1) + \sum_{i \in E}(5 - X_i)\right]

三大量化指标

餐厅老板最关心三个数字：翻台率、剩菜率、回头客比例。VUI 产品负责人也有自己的“经营报表”——三大量化指标：语音识别准确率、任务完成率、平均对话轮次。它们分别对应：系统“听得准不准”、任务“办没办成”、交互“顺不顺”。

第一个指标是词错误率（Word Error Rate, WER），衡量语音识别引擎把用户说的话转写成文字时的出错比例。计算 WER 需要把识别结果与用户原话（参考文本）逐词对齐，统计三类错误：替换（S，把“大杯”听成“大悲”）、删除（D，漏掉一个词）、插入（I，多出一个词）：

第二个指标是任务完成率（Task Completion Rate, TCR）：成功完成的任务数除以总任务数，反映了产品“办成事”的能力。第三个指标是平均对话轮次：总轮次除以任务数，轮次越少通常代表效率越高，但要警惕过度精简——用户还没表达清楚就被系统抢话，同样会拉低体验。三大指标各有侧重，就像老板看报表不能只看营收，产品评估也不能只用 WER 一家之言。

WER=S+D+IN\displaystyle \text{WER} = \frac{S + D + I}{N}
\(N\) 是参考文本的总词数。WER 越低越好，工业界一般以 5%-10% 为合格线。注意 WER 衡量的是“识别层”的准确性，不代表“理解层”的正确——识别对了也可能理解错。
  1. 错误分类统计把识别结果与用户原话逐词对比，分别统计替换、删除、插入三类错误的个数。
    S+D+IS + D + I
  2. 参考词数归一用错误总数除以参考文本的总词数 \(N\)，消除句子长短对错误数量的影响。
    NN
  3. 得到错误率两者相除得到 WER，比如 100 个词里错 5 个，WER 就是 5%。
    WER=S+D+IN\text{WER} = \frac{S + D + I}{N}

案例实战复盘

品菜师的终极考核方式，是组织一次“暗访团”：设计一桌代表菜、全程录像、访谈客人、核对翻台数据，最后给餐厅出一份综合评级报告。VUI 可用性测试的完整流程，就是一次同样的“暗访”。

假设我们要评估一款智能咖啡点单助手。测试方案设计：招募 12 名用户，设计 8 个任务场景——从“点一杯美式”到“修改订单再加一份甜点”。数据回收与清洗：后台自动记录对话日志，同时收集团队观察记录和用户填写的 SUS 问卷。结果分析后发现：WER 为 7.2% 尚可，但任务完成率只有 67%，平均对话轮次高达 14.3 轮。进一步查看日志发现，用户在“加一份糖”这一步频繁被系统误识别，导致反复纠正。这个结论直接指向了 ASR 模型对“量词+物品”短语的短板。

为了给产品一个综合健康度评分，可以用加权的方式把主观和客观指标合在一起：

暗访团给出的评级不是终点，而是餐厅改进的起点。拿到综合评分后，产品团队把“量词识别”列为最高优先级改进项，优化后再次测试，任务完成率提升到 92%，平均轮次降到 6.8 轮。一次完整的 VUI 评估，就这样驱动了一轮真实的体验进化。

E=α⋅SSUS+β⋅Ctask+γ⋅(1−WER)\displaystyle E = \alpha \cdot S_{\text{SUS}} + \beta \cdot C_{\text{task}} + \gamma \cdot (1 - \text{WER})
\(S_{\text{SUS}}\) 是 SUS 标准化得分（0-100），\(C_{\text{task}}\) 是任务完成率（0-1），\(1 - \text{WER}\) 是识别正确率。权重 \(\alpha = 0.3\)、\(\beta = 0.4\)、\(\gamma = 0.3\)时，综合评分 \(E\) 满分 100 分——它把“主观感受、任务结果、识别质量”压成了一个数字。
  1. 三项得分SUS 得分反映主观体验，任务完成率反映任务效果，识别正确率反映底层语音能力。三项指标的量纲统一到 0-100 或 0-1 后可以相加。
    SSUS,Ctask,1−WERS_{\text{SUS}}, \quad C_{\text{task}}, \quad 1 - \text{WER}
  2. 加权求和根据产品阶段分配权重——早期重识别质量（\(\gamma\) 调大），成熟期重用户体验（\(\alpha\) 调大），默认取 \(\alpha=0.3, \beta=0.4, \gamma=0.3\)。
    α⋅SSUS+β⋅Ctask+γ⋅(1−WER),α+β+γ=1\alpha \cdot S_{\text{SUS}} + \beta \cdot C_{\text{task}} + \gamma \cdot (1 - \text{WER}), \quad \alpha + \beta + \gamma = 1
  3. 综合评分算出一个 0-100 的分数，横向对比不同版本或竞品，纵向追踪每次迭代的进步。
    E=α⋅SSUS+β⋅Ctask+γ⋅(1−WER)E = \alpha \cdot S_{\text{SUS}} + \beta \cdot C_{\text{task}} + \gamma \cdot (1 - \text{WER})

AI 应用场景

智能客服质检与优化

阶段：评估与迭代

解决的问题：传统人工质检只能抽查少量会话，大量用户“求助失败后沉默离开”的瞬间被淹没在日志海里。运用 VUI 评估方法，系统可以自动计算每个会话的 WER、任务完成率和对话轮次，快速筛出“轮次异常高”“完成率极低”的会话，定位体验瓶颈。

具体案例：某银行智能客服上线后，分析师用对话日志发现“转账额度”相关会话的平均轮次高达 18 轮，远高于其他意图。点开日志后发现，ASR 经常把“转账限额”识别成“转账献额”。定位问题后，团队优化了该场景的语音模型热词，轮次从 18 轮降到 6 轮，人工转接率下降 40%。

语音助手发布前的 Beta 公测

阶段：发布前测试

解决的问题：新语音助手在内部测试时表现良好，但真实用户不会照着脚本说话。Beta 公测通过在真实环境收集对话日志和主观评价，提前暴露“实验室测不出”的问题。

具体案例：一家手机厂商在发布语音助手前，招募 200 名体验官，设计了“设闹钟、发微信、查路线”等 8 类日常任务。后台自动采集日志，同时推送 SUS 问卷。最终发现用户在嘈杂环境下的 WER 从 5% 飙升至 18%，团队据此优化了降噪算法，赶在发布前修复。

Python 演示

python89 行
# -*- coding: utf-8 -*-"""VUI可用性测试日志分析器: 从对话日志计算核心评估指标"""  class VUIEvaluator:    def __init__(self, sessions):        self.sessions = sessions        self.wer = None        self.success_rate = None        self.avg_turns = None        self.sus_score = None     def _edit_distance(self, ref, hyp):        ref_words = ref.split()        hyp_words = hyp.split()        m, n = len(ref_words), len(hyp_words)        dp = [[0] * (n + 1) for _ in range(m + 1)]        for i in range(m + 1):            dp[i][0] = i        for j in range(n + 1):            dp[0][j] = j        for i in range(1, m + 1):            for j in range(1, n + 1):                if ref_words[i - 1] == hyp_words[j - 1]:                    dp[i][j] = dp[i - 1][j - 1]                else:                    dp[i][j] = min(dp[i - 1][j] + 1,                                    dp[i][j - 1] + 1,                                    dp[i - 1][j - 1] + 1)        return dp[m][n] / m     def calc_wer(self):        total_err = 0        total_ref = 0        for sess in self.sessions:            for utt in sess["utterances"]:                total_err += self._edit_distance(utt["ref"], utt["hyp"]) * len(utt["ref"].split())                total_ref += len(utt["ref"].split())        self.wer = total_err / total_ref        return self.wer     def calc_success_rate(self):        done = sum(1 for s in self.sessions if s["succeed"])        self.success_rate = done / len(self.sessions)        return self.success_rate     def calc_avg_turns(self):        total = sum(len(s["utterances"]) for s in self.sessions)        self.avg_turns = total / len(self.sessions)        return self.avg_turns     def calc_sus(self, answers):        total = 0        for i, x in enumerate(answers):            total += x - 1 if i % 2 == 0 else 5 - x        self.sus_score = total * 2.5        return self.sus_score  def main():    sessions = [        {"task": "订咖啡", "succeed": True, "utterances": [            {"ref": "我要一杯大杯拿铁", "hyp": "我要一杯大杯拿铁"},            {"ref": "再加一份糖", "hyp": "再加两份糖"},        ]},        {"task": "查天气", "succeed": True, "utterances": [            {"ref": "明天上海天气怎么样", "hyp": "明天上海天气怎么样"},            {"ref": "那后天呢", "hyp": "那后天呢"},        ]},        {"task": "设闹钟", "succeed": False, "utterances": [            {"ref": "帮我定一个早上七点的闹钟", "hyp": "帮我定一个晚上七点的闹钟"},        ]},    ]    ev = VUIEvaluator(sessions)    wer = ev.calc_wer()    rate = ev.calc_success_rate()    turns = ev.calc_avg_turns()    sus = ev.calc_sus([4, 2, 5, 1, 4, 3, 5, 2, 4, 1])    print("== VUI 可用性评估报告 ==")    print("词错误率(WER): %.1f%%" % (wer * 100))    print("任务完成率: %.1f%%" % (rate * 100))    print("平均对话轮次: %.1f" % turns)    print("SUS 得分: %.1f/100" % sus)    banner = "优" if wer < 0.08 and rate > 0.8 else "需优化"    print("综合结论: %s" % banner)  if __name__ == "__main__":    main()
目的：这段代码实现了一个简化的 VUI 可用性日志分析器——输入对话会话数据，自动计算词错误率、任务完成率、平均对话轮次和 SUS 得分，并输出综合结论。
  1. dp[i][j] = min(dp[i - 1][j] + 1, dp[i][j - 1] + 1, dp[i - 1][j - 1] + 1)编辑距离的核心递推式，对应 WER 中“替换、删除、插入”三种错误的计算
  2. self.wer = total_err / total_ref把累计错误数除以参考词总数，得到词错误率
  3. done = sum(1 for s in self.sessions if s["succeed"])统计成功完成的任务数，用于计算任务完成率
  4. total += x - 1 if i % 2 == 0 else 5 - xSUS 计分核心：奇数题减一、偶数题反向
  5. ev = VUIEvaluator(sessions)实例化评估器，传入模拟的对话日志数据
  6. banner = "优" if wer < 0.08 and rate > 0.8 else "需优化"根据阈值给出综合结论

常见误区

误区VUI 不就是把界面上的按钮换成语音吗？直接沿用 GUI 的可用性测试流程，让用户对着屏幕点一点、看一看，再把问卷发下去就行。

正解VUI 没有视觉反馈，用户看不到“下一步能做什么”，测试的核心要从“观察点击路径”转向“分析对话路径”——任务完成率、对话轮次、ASR 错误才是主角。就像品菜师不能用“看摆盘”代替“尝味道”，VUI 测试必须围绕语音交互的特有节奏设计。

为何常见：人习惯用自己熟悉的方法解决新问题，GUI 测试流程成熟、工具丰富，容易让人产生“照搬就行”的错觉。

误区WER 降到 3% 了，识别这么准，产品肯定没问题，不用再测了。

正解WER 只是“听得准”，不代表“听得懂、办得成”。识别对了但语义理解偏了、任务流程卡住了，用户照样会流失。WER 是地基，任务完成率和轮次才是地面上的建筑。就像师傅刀工再好，菜炒咸了客人一样不买单。

为何常见：WER 是最直观、最容易自动计算的指标，团队容易把它当成唯一的 KPI，忽略了体验的完整性。

误区平均对话轮次是 5 轮，竞品是 8 轮，我们肯定比他们体验好。把轮次压得越低越好。

正解轮次过少可能意味着系统抢话、没给用户充分表达的机会，或者任务太简单；复杂任务（如多条件查询）客观上需要更多轮次。轮次要结合任务复杂度看：该 5 轮完成的简单任务拖到 15 轮是问题，该 15 轮的复杂任务压到 5 轮反而是灾难。

为何常见：轮次是“效率”的直觉代名词，人很容易把“数字小”等同于“体验好”，忽略了任务本身的差异。

误区找个会议室让用户坐着测，环境越安静越好，这样识别率最高、数据最漂亮。

正解真实用户会在厨房、地铁、车里用 VUI，背景噪音、远场拾音、设备差异都会显著影响体验。测试环境必须覆盖典型使用场景——否则你测出来的“优秀”在产品落地后会瞬间崩塌。品菜师如果只在恒温厨房里试菜，就永远不知道菜端到嘈杂大堂后客人还爱不爱吃。

为何常见：实验室环境可控、成本低、结果干净，但“干净”恰恰是 VUI 测试最大的失真源。

误区SUS 是标准量表，直接发给语音用户填就行，题目一个字都不用改。

正解SUS 的部分题目深植于图形界面语境（如“我觉得系统各种功能集成得很好”），语音用户没有“界面集成”的概念，容易乱答。需要调整措辞适配语音场景（如改为“我觉得语音助手的指令衔接很自然”），或搭配语音专用量表（如 SASSI）一起使用。

为何常见：SUS 名气大、免费用、计分简单，大家容易把它当成“万能量表”，忽略了量表的适用边界。

面试题

Q1. VUI 可用性测试相比 GUI 测试，最突出的挑战是什么？

单选题 · easy

  • A.缺少可视化界面反馈← 正确答案
  • B.用户操作速度太慢
  • C.系统开发成本过高
  • D.测试人员数量不足

答案：A。VUI 的核心挑战是视觉反馈缺失——用户看不到按钮和菜单，测试者也无法观察点击路径。就像品菜师看不到后厨一样，操作速度、开发成本、人员数量都不是 VUI 特有的难题。正确答案只有 A。

Q2. SUS 量表共 10 道题，每道题采用几级李克特打分？

单选题 · easy

  • A.三级打分法
  • B.五级打分法← 正确答案
  • C.七级打分法
  • D.十级打分法

答案：B。SUS 量表的每一道题都用李克特五级量表（1 分非常不同意到 5 分非常同意）打分，奇数题正面表述、偶数题负面表述。五级是最常用的态度测量刻度，既能区分程度又不会让用户难以抉择。

Q3. SUS 量表中，奇数题（正面表述）的计分方式是？

单选题 · mid

  • A.用户评分直接减一分← 正确答案
  • B.五分减去用户评分
  • C.用户评分原样保留
  • D.所有题目取平均值

答案：A。SUS 奇数题（正面题）用 \(X_i - 1\)，偶数题（负面题）用 \(5 - X_i\)，目的是让所有题目得分方向一致。如果直接用原始分或取平均，正反题会互相抵消。B 是偶数题的算法，C 和 D 不符合 SUS 规则。

Q4. 下列哪些属于 VUI 可用性测试的核心量化指标？

多选题 · mid

  • A.语音识别错误率← 正确答案
  • B.对话轮次统计← 正确答案
  • C.任务完成比率← 正确答案
  • D.屏幕触控次数

答案：ABC。三大核心量化指标是词错误率（WER）、任务完成率、平均对话轮次，对应 A、B、C。屏幕触控次数是 GUI 时代的指标，VUI 没有屏幕可触控，属于无关选项。

Q5. 参考语句为“我要一杯大杯拿铁”（7 词），识别结果为“我要大杯拿铁”（6 词），这属于哪种错误？

单选题 · mid

  • A.替换类错误一个
  • B.删除类错误一个← 正确答案
  • C.插入类错误一个
  • D.没有发生任何错误

答案：B。识别结果比参考文本少了一个“一杯”，属于删除错误（D）。WER = (S + D + I) / N，这里 S=0、D=1、I=0，所以 WER = 1/7 ≈ 14.3%。如果多出词是插入，换词则是替换。

Q6. 设计 VUI 可用性测试任务场景时，需要注意什么？

多选题 · mid

  • A.覆盖真实使用场景← 正确答案
  • B.包含边界异常情况← 正确答案
  • C.场景复杂度循序渐进← 正确答案
  • D.全部使用标准普通话

答案：ABC。任务场景设计四要点是真实覆盖、自然脚本、难度阶梯、边界异常，对应 A、B、C。D 是错误选项——真实用户有口音、有口语化表达，全部用标准普通话反而测不出真实水平。

Q7. 一次 VUI 测试共 20 个任务，其中 15 个成功完成，总对话轮次 240 次，任务完成率是多少？

单选题 · hard

  • A.百分之六十五
  • B.百分之七十五← 正确答案
  • C.百分之八十五
  • D.百分之九十五

答案：B。任务完成率 = 成功任务数 / 总任务数 = 15 / 20 = 75%。公式里不需要用到对话轮次 240 次，那是计算平均轮次时的数据（240 / 20 = 12 轮）。题干中混入干扰数据，容易让人把两个公式搞混。

Q8. 平均对话轮次指标偏高，可能说明了什么？

多选题 · hard

  • A.用户表达理解受阻← 正确答案
  • B.系统引导效率偏低← 正确答案
  • C.可能覆盖复杂任务← 正确答案
  • D.一定表示体验很好

答案：ABC。轮次偏高可能是 ASR 频繁听错、系统引导不清晰，也可能是任务本身复杂（如多条件查询）。轮次是中性指标，必须结合任务复杂度分析。D 说“一定体验好”是绝对化错误——轮次过高恰恰说明体验有问题。

Q9. 在 VUI 测试中，以下哪项属于主观评价数据？

单选题 · easy

  • A.系统可用性问卷得分← 正确答案
  • B.语音识别错误率
  • C.任务完成率数值
  • D.平均对话轮次数

答案：A。主观评价数据来自用户问卷和访谈，SUS 得分是最典型的代表。B 的语音识别错误率、C 的任务完成率、D 的平均对话轮次都是后台自动计算的客观量化指标，不需要用户主观打分。

Q10. 参考文本“我要一杯咖啡”共 5 词，识别结果“我要咖啡”共 4 词（删除 1 词），WER 是多少？

单选题 · extreme

  • A.百分之二十← 正确答案
  • B.百分之三十
  • C.百分之四十
  • D.百分之五十

答案：A。WER = (S + D + I) / N，其中 S=0、D=1（“一杯”被删除）、I=0，N=5，所以 WER = 1/5 = 20%。易错点在于把分母当成识别结果的词数 4，得出 25%（不在选项中）或把 1/4 误算为 30%。这道题考察对 WER 公式的精确理解。