江苏龙网

  1. 首页 > 人文 > >

车载语音越来越好用了，原来背后有这些原因

车载语音越来越好用了，原来背后有这些原因
文章图片
不难发现 ， 现在「车载语音交互」的体验越来越完善 。 它不仅能完成更多的指令 ， 而且能和我们进行情感交互 ， 甚至还懂得一些基本的伦理纲常 。
那现在语音体验发展到哪一步了？实现这样的体验都有哪些路径？这些路径之间有什么不同？为什么我们的体验越来越好？下面我们带着疑惑 ， 一一讨论这些问题 。
现在的语音系统体验怎么好了？
首先语音的基础能力更强了 。
之前虽然能完整跑通ASR、TTS这些流程 ， 能实现一些简单的NLU/NLP能力 ， 但体验有很多漏洞 ， 比如有可能识别失败 ， 指令完成缓慢 ， 交互逻辑不合常理等等 。 现在来看 ， 这些基础能力正变得更强 ， 基本可以称得上是一个「有价值的工具」 。
具体表现有 ， 能够支持打断 ， 支持多轮对话 ， 支持上下文理解 ， 支持中英文混合理解 ， 可以自动纠错 ， 支持免唤醒 ， 误触率降低 ， 反应速度增加 ， 能够识别更轻的声音 ， 能够输入更长的对话 ， 能够理解一条语音多指令 ， 能够理解一些普世的伦理逻辑……
说到底这些基础能力只是一种交互模式 ， 是一种手段 ， 真正要实现价值需要结合应用和生态 。 所以现在的车载语音还将触手伸向了更多领域：
1.将语音和软件功能结合 。 比如和操作系统结合 ， 和地图导航结合 ， 和车机上所有的应用生态结合 ， 和市面上主流的Feed流结合 。 举个例子 ， 你可以说「屏幕亮一点」 ， 「回到主页」 ， 「打开XX地图」 ， 「我想听周杰伦的歌」 ， 「搜索附近的充电站」 ， 「苹果今天的股价是多少」 ， 「林则徐是谁」等等 。 和多种应用结合其实是个很大的突破 ， 可以想想 ， 至今Siri都不能完成「我要听XX的歌」这样的指令 。
2.将语音和硬件设备结合 。 这里是指控制车内的一些硬件 ， 比如开闭空调、车窗；和其他的智能设备结合 ， 比如车控家 ， 智能手表等等 。
另外近几年还衍生出了虚拟助手的概念 。 这对完成指令本身没有帮助 ， 但在感性层面 ， 它往往非常能打动消费者 。 一个合适的虚拟形象 ， 往往会成为这套车机系统 ， 甚至这款车的加分项 。
车载语音越来越好用了，原来背后有这些原因
文章图片
同样的语音体验
不一样的实现路径 ， 不一样的想象空间
可喜的是 ， 现在确实已经有一部分车型 ， 或完全或部分实现了上面这些功能 。 但它们的实现路径其实不太一样 。 下面我介绍3种 。
1.使用BAT的车联网方案 ， 搭配对应的语音能力 。
肤浅来说 ， 现在车机系统最明显的表现就是搭载各项互联网应用 ， 比如高德地图/QQ音乐/车载微信/爱奇艺等等 。 所以BAT现在都有一套比较通用化的自家生态方案 ， 里面有不同的功能模块 ， OEM可以选择「打包上车」 ， 这其中就包括车载语音系统 。
自家的生态 ， 配上自家的语音 ， 那肯定体验会更好一些 。 拿腾讯来说 ， 他们推出了微信车载版 ， 在腾讯叮当提供的语音下 ， 我们收发微信语音非常流畅 。 另外腾讯还有一个产品叫「腾讯随行」 ， 配合腾讯叮当收发微信位置 ， 打开小程序 ， 也很流畅 。 「爱趣听」也是一样 。
车载语音越来越好用了，原来背后有这些原因
文章图片
当然 ， 腾讯也会辅助开发系统 ， 给予Feed流支持 ， 做一些NLU的开发 ， 所以和腾讯合作的车机系统（比如哈弗F5搭载的Fun-Life）基本都能实现我们上面说的那些功能 。 同理 ， 百度（DuerOS）和阿里（斑马系统）的方案也可以 。
不过 ， 虽然BAT都能实现上述功能 ， 但他们还有一个共通点就是基本无法实现「全流程开发」 。 也就是说车内基础的ASR和TTS能力可能是由其他语音供应商提供 ， 而BAT负责语音控制生态以及其他相关NLU的工作 。
当然 ， 这并不是说BAT没有实现ASR和TTS的能力 ， 据了解有些互联网大厂已经开始做相关的技术储备 。 只是语音交互是一个从前端降噪-语音触发-识别-理解-语音反馈的长技术链 ， 而科大讯飞、思必驰、纽昂司等老牌语音公司 ， 在ASR和TTS这种基础语音能力的工程化交付上有更多的经验 ， 所以大家各司其职 ， 合并合作 ， 其实是更有效率的做法 。
车载语音越来越好用了，原来背后有这些原因
文章图片
2.不把语音当产品 ， 而把语音当平台 。
我们在《奇妙车机情报局》还测过一个产品 ， 是博泰开发的擎Mobile 。 当时确实给到我比较舒适的体验 。 （这里不谈论它的产品路径 ， 只谈语音功能的实现 。 ）
它的识别速度很快 ， 纠错能力较好 。 可以一边听 ， 一边说 ， 一边执行命令 ， 还可以随时打断 。 我可以说话声音很小 ， 也可以说很长一段话 。 它可以清晰识别 ， 然后摘出长对话里的多个语音命令 。
据了解 ， 如果车载语音仅依靠供应商 ， 那用户的指令从触发 ， 到识别 ， 到理解 ， 到反馈 ， 再到执行 ， 是一个脱离的过程 ， 反应时间自然就长 。 而博泰认为 ， 车载语音不只是一个技术产品 ， 而应该是一个涉及到整车的电子电气架构、车辆信息安全以及车辆数据闭环的「平台」 。
所以擎Mobile是一套集成了芯片、硬件、软件、云端和生态的平台化产品 。
以导航功能为例 ， 它会在识别指令的同时 ， 直接抓取关键字上传到地图引擎 。 比如我说「导航到北京机场T3航站楼的停车场接个人」 ， 关键词是北京、T3、停车场 。 关键词抓完 ， 导航实施执行 。 所以有可能我话没说完 ， 云端已经开始计算执行了 。 这是集成的好处 。
当然这个产品也并不完美 ， 在我当时的体验下 ， 虽然语音有很极致的体验 ， 但它和其他应用生态的结合和适配比较一般 。 另外未来博泰如何把相关能力输出给OEM ， 我也暂时打个问号 。
车载语音越来越好用了，原来背后有这些原因
文章图片
3.自己定义语音交互框架 。
近期小鹏汽车的新车型P7火了（不是着火了） ， 最亮眼的部分之一就是它的车载语音 。
【车载语音越来越好用了，原来背后有这些原因】识别速度很快 ， 功能结合深入 ， 对话逻辑自然幽默 ， 语音助手的新形象也更高级了一些 ， 而且语音反馈的女声实在是很甜美 。 这其实能表明 ， AISpeech和XpenginHouse把ASR做的扎实 ， TTS优化地好 ， NLU也做了比较深刻的训练 。
值得一提的是 ， P7的语音交互框架是小鹏自己搭建的 ， 所以它也不只是个简单的产品 ， 而是个平台 。 它可以在初期就构建很多深层的功能 ， 让车内的数据联动起来 ， 同时对数据安全和用户隐私进行保护和封锁 。 也正因为功能是自己定义的 ， 所以用户数据自然也就跑到自家口袋里来 ， 这就让运营用户成为可能 。
相对BAT提供的语音能力 ， 小鹏汽车有完全自主的产品定义权；相对博泰 ， 小鹏汽车有产品做支撑 。 P7的语音系统确实是一个占优势的产品 。
车载语音越来越好用了，原来背后有这些原因
文章图片
另外 ， 再说说说自己搭建语音交互框架有多重要 。 我举个反例 。 近期我们体验了一套传统豪华品牌下全新换代车型的车机系统 。 这套语音系统的框架是德国定义的 ， 语音供应商分别有两家 ， 一家是纽昂司 ， 一家是国内供应商（我们暂且称它为XX） ， 同时它还接入了天猫精灵的能力 。
纽昂司和XX都承担了ASR和NLU的任务 ， 算是并行关系 ， 所以用户输入任何一个指令 ， 这俩通道都要跑一遍 ， 最后它俩统一口径实行指令 。 一旦谁慢了 ， 就要互相等着 ， 所以这套语音的执行速度较慢 。 而且它的TTS有拖音现象 ， 据说是历史遗留问题 ， 是上代车型上的老方案 ， 所以只能如此 。 再说天猫精灵 ， 它并不会自然唤醒 ， 而是你要对唤醒的语音说一句「你好 ， 天猫精灵」 ， 它才会出现 。
这么看来 ， 这个语音交互框架是挺乱的 ， 但大厂认可自己的节奏就行 。 而且倒也不是说要一味的激进 ， 因为不是每个大刀阔斧的产品都是成功的 。 所以 ， 激进还是保守 ， 后果都要自己承担 。
为什么现在的车载语音系统变得好用了？
车载语音的完善 ， 供应商和OEM都做出了努力 。
从供应商方面来说 ， 早期的语音供应商并没有开箱即用的语音方案 ， 都需要大量对接、磨合 。 现在各家方案在工程化上解决问题越来越多 ， 实用性也就越来越好 。 具体表现就是各个技术环节的指标都有量的提升（这里包括抗噪、识别、理解） 。
在OEM方面来说 ， 语音的交互框架更完善 ， 从以前的单工单轮交互逐渐往多轮连续对话能力升级 ， 对话更自由；NLU的泛化支持更充分 ， 语音识别更准 ， 对话逻辑更自然；功能应用更丰富 ， 更实用 ， 语音和各功能的融合更深入 。
简单来说 ， 软硬件技术的升级 ， 让机器能听清我们说什么；更丰富的语料和更完善的语音模型 ， 让我们能听清机器说什么；同时上车的功能更多更实用 ， 能满足我们更多车内的需求 。 以上 。
车载语音越来越好用了，原来背后有这些原因
文章图片
总结
谈起语音进入汽车 ， 可能要追溯到10年前 。 如今2020年了 ， 车内语音交互终于让我们感受到了进步 。
上面我们谈到现在的语音交互如何好用 ， 实现路径有几种 ， 也分析了背后的原因 。 这是每家供应商在推着行业往前走 ， 也是每个车厂自己的选择和节奏 。 也许有些路是走弯了 ， 甚至走错了 ， 但好的方面是 ， 汽车配置的越来越下沉 ， 用户能用更合理的钱获得更好的体验 。
最后来思考一个颠覆问题：语音交互一定是车内最好的交互方式吗？如果不是 ， 那上述话题就意义不大了 。 事实上 ， 我们确实在一边大力发展语音交互同时 ， 一边寻找新的交互方式 。
本文作者：Bernice


    推荐阅读


    上一篇：三星Galaxy Fold 2设计图和部分参数曝光

    下一篇：最远15米闻声识字！讯飞智能录音笔SR501评测：话音刚落文稿已成