语音交互|「做个人吧」！车载语音交互的终极奥义是听相声？( 二 )

既然真人化的声音能让人产生舒适感，为什么不从一开始就把语音拟人化呢?
如果只是追求语音像真人，技术上并不是无法实现。在我们常用的手机导航 App 里，明星们的导航语音就是通过关键词采集后，利用 TTS 语音合成技术来实现，甚至可以达到以假乱真的地步。不过导航 App 的语音只是单方面的输出，并不是双向的交互，不需要识别语音指令，也不需要接收指令后执行任务、给出反馈的步骤。

文章插图

座舱内的语音交互就复杂的多了。
首先，语音系统需要从用户复杂的话语中，迅速、准确地提炼出指令关键词，正确接受指令；同时，需要语音系统还需要车内的软硬件功能打通，把接受的指令准确无误的传达到其他功能区，实现跨软件、甚至跨域的功能调用；最后，才需要语音用真人化的声音来反馈用户。三者相互配合，才能保证行车过程安全，交互体验顺畅。
对于同样的语音调整座椅指令，在汽车停止时，我们对小 P 说「放倒主驾座椅」，可以自动放倒主驾座椅；而当车辆开始行驶时，系统会拒绝执行，禁止开车时自动调整座椅。这样，可以避免开车时座椅突然放倒带来的危险。

文章插图

就算排除了安全隐患，如果前两项任务做的不好，只有声音的拟人化，也会在体验上出现「反噬」效果。
宾夕法尼亚大学媒体效果研究实验室曾经做过一个实验，他们把智能语音客服分类，一类标注上机器人客服，一类假装成真人客服。让志愿者在不知情的情况下与客服沟通、咨询，然后主观打分。同样的沟通过程，志愿者给机器人客服打出 80 分，而假装成真人的客服只得到 60 分。
原因很简单，当语音系统伪装成了真人，志愿者潜意识里就会用真人的标准来评价它，如果语音助手不能提供真人化的功能服务，反而会收获「差评」。
所以，为了做好用户对语音系统的「期待值管理」，拟人化语音要搭配「拟人化」的性能一起使用。
不论是宝马 iDrive 8.0，还是小鹏最新的小 P，推出拟人化语音，基于深度神经网络来提升语音逼真感，同时也提搭配了连续对话、多轮对话、自然语音识别、可见即可说，甚至语音与摄像头、触屏等其他交互模式配合的多模态语音模式，让语音在听起来像人的同时，也能名副其实。
比如，面对生活中常出现的方言、每个用户不同的用词习惯，语音系统既要通过深度学习来掌握语言指令的共性和特征，也需要一个聪明的「大脑」，能根据用户自己的习惯来进一步学习个体行为，满足个性化需求。
在小鹏小 P 系统的体验中，就遇到了在播放视频时，说「取消全屏」，系统直接帮我关闭了中控屏幕的情况。看来语音助手要更懂事儿，还需要更多的磨合。
比如，为了让语音交互更主动、更精确，语音需要联手座舱内的传感器和其他交互方式，用多模态交互的方式来察言观色，提供更周到的交互体验。
在宝马 iDrive 8.0 中，就预告了语音系统与车内摄像头配合，通过捕捉用户的表情来进一步精确指令，让语音系统听得懂用户的弦外之音。

文章插图

当然，当语音助手「真人化」到一定程度，就像逼真的 AI 换脸技术有可能被用到灰色地带的潜在风险一样，关于人工智能伦理和安全性的探讨也会成为一个不得不考虑的问题。
语音助手的拟人化，在给用户提供声音抚慰的同时，更重要的是带来全场景的服务。