語音互動真能讓懸疑解謎遊戲更具沉浸感嗎？

從提問的準確度開始，而非說話的新奇感

在懸疑解謎遊戲中，語音系統所要做的不僅僅是將聲音轉換為文字。它必須保留玩家預期提出的問題，並將其連接到正確的線索或角色回應。若轉錄文字將「Where was the key?（鑰匙在哪裡？）」變成「Where was the case?（箱子在哪裡？）」，即使語音辨識器認為其輸出合情合理，也可能會使對話偏離方向。

語音辨識並非百分之百準確，而一般的字錯誤率（WER）並不能說明全部情況：某些替換錯誤比其他錯誤影響更大。Google 的文件說明，字錯誤率會統計插入、替換和刪除的次數，同時也提醒該指標是純粹以字數來衡量錯誤。對於懸疑遊戲來說，這意味著簡短的測試分數應輔以對關鍵詞彙的檢查，例如姓名、地點、物品和疑問詞。Google Cloud：衡量並提升語音準確度

一個實用的比較方法是準備一組玩家針對同一線索可能會問的代表性問題，然後分別透過語音和文字進行測試。記錄回答是否針對了預期的主題、關鍵姓名或細節是否被聽錯，以及玩家是否必須重複或換句話說。測試應包含帶有角色姓名和較不常見線索術語的問題：語音系統在處理詞彙表之外的名稱時可能會遇到困難，而 Google 建議在使用其服務時為此類術語提供字詞提示。Google Cloud：最佳實踐

這種比較是一種決策輔助工具，而非適用於每款遊戲或語音引擎的公開基準測試。請在實際遊玩的設置中進行測試，包括平常的遊戲背景音效以及玩家將使用的麥克風。在安靜房間或使用不同麥克風獲得的結果可能無法代表實際的遊玩條件；Google 的準確度指南同樣建議使用來自目標環境的代表性音訊。Google Cloud：衡量並提升語音準確度

檢查回應是否在適當可用的時機出現

即使問題被正確辨識，但如果遊戲在顯示或說出回應之前等待太久，仍然會讓人感到笨拙不順暢。相反地，若回應過快而打斷了配音員的台詞，或者在玩家還沒說完問題時就觸發，也同樣會造成干擾。有價值的衡量標準不僅僅是系統的平均反應時間；還應觀察整個互動過程：玩家何時開始說話、遊戲何時辨識出語音結束、回饋何時出現，以及回覆何時開始。

這種區別源於語音互動的處理方式。例如 Android 的語音辨識介面將部分結果、語音結束和最終結果分開處理；根據服務的實作方式，部分結果可能會出現零次、一次或多次。這說明了為什麼在語音仍在處理時，面向玩家的轉文字紀錄或回應可能會發生變化，以及為什麼開發者應該測試可見的行為，而不是假設每個辨識器的運作方式都相同。Android 開發者：RecognitionListener

對於簡單的遊玩測試，請記錄兩種延遲：說完問題到看見問題被理解之間的時間，以及確認理解到獲得有意義的故事回應之間的時間。同時也要標記遊戲是否等待了明顯的停頓、是否對猶豫停頓反應過度敏感，或者是否讓玩家不確定麥克風是否仍在聆聽。這些是需要收集的觀察結果，而非通用的時間閾值：參考資料並未確立一個能確保懸疑體驗更具沉浸感的單一回應時間標準。

將打斷視為對話的一部分

懸疑場景通常包含對話、旁白或角色正在說完一段回答。如果玩家試圖在遊戲說話時提出追問，系統需要有明確的行為機制：停止、暫停、將問題排入隊列，或是忽略它。處理打斷能力差的語音介面可能會迫使玩家等待他們已經理解的資訊，或者直接蓋過重要的故事內容。

針對語音對話介面的研究已經直接探討了這個問題。1995 年的一項研究提出以資訊單位來規劃語音輸出並監控輪流發言（turn-taking），以便更流暢地處理使用者的打斷。該研究指出超過半數的參與者認為這種處理方式很流暢，不過其特定的任務時間和對話發現屬於該研究的特定環境，並不普遍適用於所有懸疑遊戲。可轉化借鑑的設計問題在於：遊戲是否保留了玩家已經聽過的線索部分，並明確交代打斷之後會發生什麼。菊池等人，《實現語音對話介面無時機限制發話之使用者打斷處理》

在測試過程中，嘗試在語音回應的自然節點進行打斷，然後提出簡短的追問。檢查遊戲是否迅速停止、追問是否被擷取，以及玩家是否能重播或回顧被打斷的資訊。如果答案是否定的，語音可能會帶來新的輪流發言負擔，而不是提供一種更流暢的調查虛構場景的方式。

讓辨識出的文字可見且可復原修正

清晰可讀的轉錄文字讓玩家有機會在遊戲採取行動之前發現錯誤的名字或問題。它還能降低系統狀態的神秘感：玩家可以分辨出系統是完全沒聽到、聽錯了，還是聽對了文字卻給出了意料之外的答案。只有在遊玩過程中清晰易讀，並提供修正關鍵錯誤的明確重試或編輯方式時，轉錄文字才具備實用價值。

平台 API 顯示某些系統可以提供部分和最終的辨識結果，但部分文字的時機和可用性可能取決於辨識服務。除非介面有明確標記，否則不要將過渡期的臨時轉錄文字視為已確認的輸入。在遊戲測試中，檢查最終辨識出的問題是否保持可見足夠長的時間以供審視、修正是否容易，以及錯誤訊息是否解釋了玩家接下來可以做什麼。Android 開發者：RecognitionListener

可見的轉錄文字不應被誤認為是準確性的證明。Google 指出信心分數和字錯誤率是獨立的指標，因此看起來信心十足的結果並不能證明關鍵的名字或線索已被正確辨識。對玩家來說，更安全的設計是讓他們檢視文字並修正或重複問題，而不是要求他們去信任一個隱藏的分數。Google Cloud：衡量並提升語音準確度

保留文字輸入作為切實可行的替代方案

文字備援方案不僅僅是在安靜房間中的權宜之計。當語音不可用、不方便或反覆辨識錯誤時，它讓玩家可以選擇另一種方式來完成相同的虛構互動。歐洲電信標準協會（ETSI）的人為因素指南建議，對於原本透過語音輸入的資訊，應提供非語音的方法，並配備如讀回系統理解內容的確認回饋以及復原功能。ETSI：人為因素；全民包容性電子服務

為了進行公平的比較，文字輸入應能達到與語音相同的問題選擇和故事回應。如果玩家只能透過說話來提出自由形式的問題，文字就不是等效的備援方案；如果文字只能從有限的清單中選擇，而語音可以接受開放式提問，在評估體驗時應說明該差異。W3C 關於文字替代方案的指南強調在不同替代方式之間保留相同的資訊和功能，在確保切換輸入模式不會剝奪玩家探索場景之路徑時，這是一個極為有用的原則。W3C WAI：理解準則 1.1：文字替代方案

透過簡短比較來決定是否適合採用語音

針對同一個虛構任務對兩種輸入模式進行比較：詢問線索、針對回應進行追問，並修正一個故意聽錯或打錯的問題。對於每次嘗試，記錄預期的問題是否被理解、嘗試了幾次、延遲或打斷是否破壞了對話互動、文字是否清晰可見，以及替代輸入模式是否完成了相同的任務。請將結果作為來自測試環境的觀察記錄，而不是對所有玩家或設備的普遍結論。

當語音能夠可靠地將玩家預期的問題轉化為相關的回應、處理對話輪替而不擾亂場景節奏、使錯誤清晰可見且可修正，並同時保留文字輸入時，它就是一個極具前景的補充功能。如果這些條件較弱，開口說話或許仍是一種可選的提問方式，但這本身並不能作為懸疑解謎遊戲變得更具沉浸感的證明。最明確的答案來自於玩家實際能夠完成的互動，以及他們在過程中所遇到的阻礙與摩擦。

繼續探索這個主題