AI語音交互讓機(jī)器交互更加接近真人交互

（文章來源：智能相對論）

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(huì)“Google I／O”開幕式上。當(dāng)Google Assistant以驚人的流利會(huì)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(shí)，觀眾給予了熱烈的掌聲。這是技術(shù)愿景美好、激勵(lì)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(jià)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(shí)別不準(zhǔn)、響應(yīng)困難等等用戶槽點(diǎn)，被廣告創(chuàng)意表現(xiàn)得淋漓盡致。這是技術(shù)的現(xiàn)實(shí)。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(gè)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(jī)器驅(qū)動(dòng)；我們終將構(gòu)建出更人性化的交互，讓人機(jī)互動(dòng)更加融合。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(jī)、智能音箱等產(chǎn)品，來到普羅大眾身邊。據(jù)Juniper Research統(tǒng)計(jì)，截至2019年2月，全球使用中的語音助手達(dá)32．5億；預(yù)計(jì)到2023年，該數(shù)字將達(dá)到80億。

隨著軟硬件的快速迭代，如今的ASR（語音識(shí)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(yàn)和服務(wù)潛力。

“智能相對論”認(rèn)為，自然連續(xù)對話是一個(gè)系統(tǒng)的工程，涉及到從車機(jī)端的聲學(xué)前端處理、語音喚醒、語音識(shí)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(dá)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(dá)到“1＋1＞2”的效果。

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(gè)性化、情感化的語音交互率先落地。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(jī)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(jī)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(fù)責(zé)人表示，斑馬智行VENUS系統(tǒng)能在錄制“傾聽”中“掌握”每個(gè)人說話時(shí)的字母、音位、單詞和語句的發(fā)音特點(diǎn)，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。

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(tái)有機(jī)會(huì)成為物聯(lián)網(wǎng)時(shí)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(diǎn)擊、滑動(dòng)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(jì)、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(dá)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(jī)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(jìn)行融合互通，更大程度得發(fā)揮了各個(gè)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(hào)輸入的自然語義理解成為可能。同時(shí)在各種交互能力融合后對上層應(yīng)用進(jìn)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(jī)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(jī)交互的未來。
? ? ? （責(zé)任編輯：fqj）