現(xiàn)在，情況有了改善。當(dāng)用戶詢問車機“明天出門需要帶傘么？”，車機就會播報明天的天氣情況，如果需要再查詢其他時間或者城市的天氣，那么用戶不用重新喚醒，也不需要說出完整表達，只需要說“那大后天呢？”、“那杭州呢？”。在用戶和車機在自然連續(xù)對話的過程中，語義理解服務(wù)會記住會話的歷史，并結(jié)合歷史處理用戶的請求，通過這種方式，用戶的多次連續(xù)交互就可以形成一個會話流，與用戶的交互也更加自然。

自然連續(xù)對話，是車載語音交互從“人工智障”邁向“人工智能”的重要一步。不過斑馬網(wǎng)絡(luò)最近推出的斑馬智行VENUS系統(tǒng)，打破了對用戶說話規(guī)則的要求，用戶可以按照自身的說話習(xí)慣來進行交流，交互過程更加人性化。這會不會是一個跨越？

從科幻到現(xiàn)實，語音交互一直在進化

提到智能語音交互，普羅大眾對于技術(shù)刷屏的記憶停留在2018年的Google開發(fā)者大會“Google I/O”開幕式上。當(dāng)Google Assistant以驚人的流利會話，打電話和店家溝通，預(yù)約理發(fā)店、餐廳，并用一句俏皮的“嗯哼”作為回應(yīng)時，觀眾給予了熱烈的掌聲。這是技術(shù)愿景美好、激勵人心的一面。

有趣的是，同年2月的美國第五十二屆超級碗的天價廣告上，亞馬遜賣力黑了自家的智能音箱和智能助手——Alexa。喚醒失誤、識別不準(zhǔn)、響應(yīng)困難等等用戶槽點，被廣告創(chuàng)意表現(xiàn)得淋漓盡致。這是技術(shù)的現(xiàn)實。

但不論是基于場景的未來暢想，還是對當(dāng)下缺陷的大膽自嘲，兩個科技巨頭都將業(yè)務(wù)重心的一角，押注在了語音交互賽道上。

亞馬遜首席技術(shù)官Werner Vogels斷言：未來，人和數(shù)字世界對的交互，一定是以“人”為核心，而不是機器驅(qū)動；我們終將構(gòu)建出更人性化的交互，讓人機互動更加融合。

在“以人為核心”、“更加融合”的人機交互中，語音交互（簡稱VUI）是核心。VUI允許更自由、高效的人機交互，其本質(zhì)上比任何其他形式的用戶界面都更“人性化”。斯坦福大學(xué)教授，Wired for Speech的合著者，克利福德·納斯寫道：“語音是人類交流的基本手段……。所有文化主要通過語音來說服，告知和建立關(guān)系?！?/p>

VUI允許用戶使用語音作為媒介與機器進行交互。從《2011太空漫游》中的HAL到《星球大戰(zhàn)》中的C-3PO，人們在科幻電影里暢想著能夠與機器自由溝通。事實上，早在1952年，貝爾實驗室的工程師就開發(fā)出了Audrey（奧黛麗）：它可以識別數(shù)字0-9的發(fā)音。盡管奧黛麗能夠以超過90%的精度識別語音輸入，但其體積大，成本高昂，未曾步入大規(guī)模商業(yè)化的發(fā)展通道。

自此，人類開啟了長達半個多世紀(jì)的語音交互探索。1962年，IBM推出了第一臺真正意義上的是語音識別機器。工程師William Dersch開發(fā)出的Shoebox可以收聽操作員說出的數(shù)字和命令。例如“5+3+8+6+4-9，總和”，機器將打印出正確答案：17。

1970年，隱馬爾可夫模型（HMM）為語音識別的發(fā)展插上了算法的翅膀，讓語音識別從文字匹配進化到了可預(yù)測的高度。20世紀(jì)80年代，Covox，Dragon Systems，Speechworks相繼成立，推動了語音識別的商用化進程。

90年代，語音識別技術(shù)迎來了大規(guī)模商用和普及。1995年，Dragon發(fā)布了單詞聽寫級的語音識別軟件。這是人類歷史上首個面向廣大消費者的語音識別產(chǎn)品。僅一年之后，Charles Schawab（嘉信理財）和Nuance（紐昂斯）聯(lián)合推出了一套“語音股票經(jīng)紀(jì)人”系統(tǒng)，可同時響應(yīng)360個客戶的股票詢價電話。1997年，如今隸屬Nuance旗下的聲龍系統(tǒng)（Dragon system）推出了“NaturallySpeaking”軟件，這是歷史上第一個可用的“連續(xù)語音”聽寫軟件。它標(biāo)志著單詞級不停頓語音交互的開始。

最近的20年，Google，Apple，Amazon先后推出了大眾耳熟能詳?shù)闹悄苷Z音助手，并通過智能手機、智能音箱等產(chǎn)品，來到普羅大眾身邊。據(jù)Juniper Research統(tǒng)計，截至2019年2月，全球使用中的語音助手達32.5億；預(yù)計到2023年，該數(shù)字將達到80億。

語音交互技術(shù)上的高山一：自然連續(xù)對話

隨著軟硬件的快速迭代，如今的ASR（語音識別）技術(shù)已近成熟，未來智能語音交互的核心競爭力在于在復(fù)雜場景下準(zhǔn)確理解用戶的意圖，并為其提供差異化服務(wù)。更加智能的自然連續(xù)對話能力，將讓語音交互系統(tǒng)更具人類的親和力特質(zhì)和邏輯思維能力，能帶給用戶更具情景化、更有溫度的用車體驗和服務(wù)潛力。

“智能相對論”認(rèn)為，自然連續(xù)對話是一個系統(tǒng)的工程，涉及到從車機端的聲學(xué)前端處理、語音喚醒、語音識別、語義理解、對話管理、自然語言生成、語音合成等核心交互技術(shù)。斑馬智行VENUS的AI語音得益于阿里達摩院的重磅加持以及科大訊飛、思必馳等合作伙伴的大力支持，極大提升了語音能力。斑馬基于AliOS系統(tǒng)，可以更好地將語音核心技術(shù)能力與系統(tǒng)能力相結(jié)合，更大程度地發(fā)揮出語音核心技術(shù)的優(yōu)勢，將多種引擎的協(xié)作發(fā)揮到極致，達到“1+1》2”的效果。

語音交互技術(shù)上的高山二：個性化，即聲音克隆

如果說自然連續(xù)對話為更自由的交互和差異化服務(wù)提供可能，那語音定制化則將個性化、情感化的語音交互率先落地。

2017年9月，一家名為Lyrebird的加拿大初創(chuàng)公司在推特上發(fā)布了一段10秒的錄音。錄音是內(nèi)容AI模仿美國總統(tǒng)特朗普的話語。在此之前，Google旗下的DeepMind曾經(jīng)公布了一個用AI合成人聲的研究成果：WaveNet，達到以假亂真的地步。Adobe也發(fā)布過一款名為Project VoCo的原型軟件，在傾聽20分鐘音頻樣本之后可以進行模仿。而Lyrebird將音頻采樣的輸入時間縮短到了60秒。

如今，國內(nèi)智能網(wǎng)聯(lián)行業(yè)也首次迎來了語音定制——“聲音克隆”產(chǎn)品。斑馬智行VENUS系統(tǒng)“聲音克隆”操作流程非常簡單。用戶只需在斑馬智行APP錄制20句話即可合成私人語音包，一鍵發(fā)送至車機便可全局使用，無論是導(dǎo)航引導(dǎo)、天氣查詢，還是預(yù)訂餐廳，和你對話的都是你最想聽的聲音。

聲音是車載AI語音交互功能的“靈魂”，基于“聲音克隆”技術(shù)，斑馬智行VENUS系統(tǒng)將為用戶提供“千人千聲”的定制化服務(wù)，用戶可以“克隆”親人和愛人的聲音，讓陪伴更長久，讓駕駛更舒心。

據(jù)介紹，斑馬智行VENUS系統(tǒng)“聲音克隆”操作流程非常簡單。用戶只需在斑馬智行APP錄制20句話即可合成私人語音包，一鍵發(fā)送至車機便可全局使用，無論是導(dǎo)航引導(dǎo)、天氣查詢，還是預(yù)訂餐廳，和你對話的都是你最想聽的聲音。斑馬網(wǎng)絡(luò)AI語音相關(guān)負責(zé)人表示，斑馬智行VENUS系統(tǒng)能在錄制“傾聽”中“掌握”每個人說話時的字母、音位、單詞和語句的發(fā)音特點，通過深度學(xué)習(xí)技術(shù)推理并模仿聲音中的語音音色、語調(diào)，“說”出全新的語句。

攀登技術(shù)高山，如何讓機器交互能夠更接近真人交互依然在等待更好答案

語音是人類最舒適，最直觀的交流方式之一。如今的智能語音交互產(chǎn)品，變得越來越像人一樣聰明且富有感情。它可以準(zhǔn)確理解信息輸入、高效處理并提供理想的信息輸出?！爸悄芟鄬φ摗闭J(rèn)為，在人工智能和5G迅速發(fā)展的背景下，語音平臺有機會成為物聯(lián)網(wǎng)時代下新的“操作系統(tǒng)”，連接全新的產(chǎn)業(yè)生態(tài)，包括各類服務(wù)、應(yīng)用、硬件等。

在各類應(yīng)用場景中，除了智能家居，汽車產(chǎn)品對于語音交互的需求顯而易見。不論是點擊、滑動等觸摸交互方式，在車載環(huán)境下都存在安全隱患且并不高效，語音交互是天然適應(yīng)車載環(huán)境的交互方式。不過想要設(shè)計、開發(fā)、應(yīng)用一套成熟的車載語音交互系統(tǒng)，要翻越重重高峰：行車噪音干擾如何處理、方言口音如何適配、自然的表達如何更好支持、系統(tǒng)的誤觸發(fā)如何控制在可用范圍。

而隨著用戶對汽車智能化要求的越來越高，更自然的交互成為語音交互的發(fā)展方向。如何讓機器交互能夠更接近真人交互？多模態(tài)融合理解、自然全雙工對話、自然語義理解成為了新的需要攀登的高峰。

斑馬智行的系統(tǒng)底層——AliOS，在傳統(tǒng)觸控、按鍵交互模式的基礎(chǔ)上，將語音交互能力、視覺交互能力以及場景信息在系統(tǒng)層進行融合互通，更大程度得發(fā)揮了各個交互能力的優(yōu)勢，使得多模態(tài)融合理解、融合交互以及更自然的全雙工對話、擁有更多信號輸入的自然語義理解成為可能。同時在各種交互能力融合后對上層應(yīng)用進行開放，使得最終呈現(xiàn)給用戶的交互更自然。

語音交互帶來的產(chǎn)業(yè)機遇方興未艾。如果說，未來的主流交互方式存在多樣的可能性，那更高率、更自然、更接近于人本能的方向一定是人機交互的未來。