研究自然语音交互系统带来人机对话新体验

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。AI语音交互，同样正在占据我们生活应用中的每一个入口，现在，被视作“第三空间”的汽车场景，通过自然连续对话完成人车之间的主动交互，正在成为现实。

回顾发展之初，车载语音虽然能完整跑通 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。如今来看，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」。

另一方面，语音交互作为智能网联汽车的“灵魂”，一直是车联网公司和主机厂发力的重点领域。目前市面上常见的车载系统每次交互都得说出唤醒词，无法做到自然连续对话。相比市场同类车载系统，基于AliOS底层技术开发的斑马智行VENUS系统，在AI语音功能智能化程度上有了更高突破，不仅具备人类亲和力的特质和逻辑思维能力，同时，整个对话体验更加自然流畅，能带给用户更具情景化、更有温度的用车体验。

实际上，新斑马语音产品在快、准、自然的交互体验基础上，开创了全双工、全场景、全闭环的交互特色，并第一次在车内实现了个性化声音克隆的技术。

语音基础能力方面，新斑马语音背靠阿里巴巴达摩院，提供ECNR、VW、ASR、TTS等全链路语音基础能力，并且在汽车语义上投入重兵与达摩院合作共建，保障在核心能力上的领先性和特色。

语音交互特性方面，重点演进了全双工交互能力，并且开发了可见即可说、全时唤醒、灵动唤醒词、多TTS引擎、双模态交互、个性化声音克隆等交互特色。其中声音克隆技术可以将用户的声音复制到车内，提供更加个性化的趣味体验。

同时，在与车场景结合方面，斑马语音拥有全场景、全闭环的交互体验。在地图导航、多媒体、通讯、车控车设四大场景上进行了深度挖掘，与语音进行深度结合，实现动口不动手的语音交互体验。同时为支付宝车载小程序开放平台提供语音开放能力，让接入汽车的支付宝车载小程序都可以使用语音进行交互。

自然语音交互系统- 全双工交互技术

一次唤醒多次输入

更高效更接近人类交互习惯

基于场景的上下文预测

边说边听，边听边想

全双工交互具有一次唤醒多次输入、边说边听边听边想、基于场景进行上下文预测等能力。相比传统语音交互方式，全双工更接近人类习惯，是语音交互到自然交互的必备阶段。

实现全双工语音交互，面临着多项技术挑战：如何在机器说话的同时清楚地接收用户说话的信号？如何保证持续不断地接收用户完整的信息表达？如何在保证准确理解的前提下控制误触发？这些问题在汽车环境中会被不断放大，阻碍技术的落地应用。

斑马依托达摩院降噪、回声消除、流式ASR、流式NLU、专项NLU拒识模型等前沿技术，在大规模实车数据的训练下，实现了真正的全双工交互技术在车内的大规模使用。

自然语音交互系统- 声音克隆技术

基于深度神经网络

快速生成TTS声音模拟

个性化自然交互体验

让最熟悉的声音一路相伴

声音克隆技术只需要提取用户5-10分钟的声音片段，就可以提取出他的声音特征，进而训练出和他的声音相似的TTS声音。传统的TTS技术需要获得几十小时的数据才能够进行TTS的发音人训练。而基于深度神经网络，斑马声音克隆系统在5-10分钟的声音片段中，就可以通过声音特征提取训练、声音合成器训练和声码器训练完成TTS声音的模拟。

声音克隆技术在车内可以为你带来更加个性化的自然交互体验，你可以把车内的声音设置成自己的爱人、子女、父母等亲人的声音，为自己的行车生活增添更多的温暖。

有了声音及语意上的天然优势，再加之AI大数据的后端支持，斑马智行VENUS实现了“智商情商双进步，聊啥都懂”的突出能力。具体来看，斑马智行VENUS AI语音技能将覆盖500多个常用知识领域，无论是查天气、查股票，还是幽默段子，都能“随问随答”。

随着5G、物联网、自动驾驶等技术的成熟，车载语音助手必然会替代我们现有的人车交互方式，一款好的车机语音对汽车而言，显得尤为重要。在近日对外透露的斑马5计划中，「对话式导航」将成为下一项语音交互黑科技。不久的将来，影视剧中如霹雳游侠那般的人车对话也终将会实现。

编辑：jq