语音优先设计
语音优先设计意味着 对话是用户控制设备的主要方式——由语音承载交互，而屏幕、LED 和提示音则起辅助作用，而非主导作用。本文介绍让语音交互显得自然的若干原则，以及每条原则如何对应到一项 TuyaOpen 能力。
为什么要语音优先
语音是硬件中摩擦最低的交互界面：它不需要屏幕、不需要 App，也无需学习。它支持解放双手，并能隔着房间使用。但语音也很不留情——没有菜单可供浏览，因此设备必须显得反应灵敏、让自身状态一目了然，并在听错时优雅地恢复。好的语音设计，主要就是在管理这些预期。
原则
1. 让每个状态都一目了然
用户看不到光标，也看不到加载转圈，因此设备必须示意它处于这一轮对话的哪个阶段：空闲、聆听、思考还是说话。这些直接对应到对话模式的各个状态（LISTEN、UPLOAD、THINK、SPEAK）——用提示音、LED 颜色、屏幕指示或动画把每一个状态呈现出来。
在采集刚开始的那一刻就示意「正在聆听」。最常见的语音投诉，就是对着一台还没准备好的设备说话。
2. 即时响应，哪怕答案还没出来
推理需要时间；但确认不应如此。在你捕获到唤醒词或按键按下的那一刻，就播放一段简短的提示音，让用户知道自己被听到了。TuyaOpen 正是为此提供了云端提示音（cmd:0–cmd:5）和本地提示音——参见 AI Agent 和 音频播放器。
3. 让用户能够打断
人们常常说到一半就改了主意。语音设备必须支持 打断（barge-in）：当用户在设备说话时开口，立刻停止播放并转入聆听。智能体会话的 break 事件正是驱动这一行为的——通过同时停止播放器并清空缓冲区来处理它。
4. 选择合适的采集模式
设备如何决定 何时 聆听，塑造了整体的使用感受。把 对话模式 与产品及其使用环境相匹配：
| 产品场景 | 模式 | 原因 |
|---|---|---|
| 嘈杂环境、有意识地一问一答 | 按住说话 | 由用户精确控制何时聆听 |
| 简单的单次提问 | 单次对话 | 按一次，答一次 |
| 解放双手、唤醒词 | 唤醒 | 自然、无需按键 |
| 持续对话 | 自由对话 | 多轮，唤醒后始终聆听 |
5. 从「我没听清」中恢复
识别错误是常态，而非错误状态。当 ASR 没有返回任何可用结果时，简单地再问一次（「抱歉，能再说一遍吗？」），然后回到聆听——绝不要走进死胡同。把提示语说得简短；冗长的道歉比一开始没听清更糟糕。
6. 让回复简短，且适合口语
为眼睛阅读而写的文字，念出来效果很差。倾向于一句话只表达一个意思、把答案前置，并让用户自己追问更多。在 AI Agent 平台 上配置智能体的角色和提示词来实现这一点。
7. 为语音不擅长的事情加一块屏幕
语音不擅长处理列表、数字和展示进度。当设备带有显示屏时，使用 UI 组件 来显示文字记录、一种情绪、一张正在播放的卡片或一张照片——以强化对话，而非取代它。
应避免的反面模式
- 沉默地思考。 切勿在听到与回答之间陷入沉默——用户会以为出了故障。
- 仅有语音、毫无兜底。 网络中断时应当降级为清晰的语音或视觉提示，而不是一片沉默。
- 大段念稿。 先做总结；在用户要求时再提供细节。
- 无视打断。 一台抢着用户说话的设备会让人觉得它坏了。