小鵬汽車似乎對產(chǎn)品有近乎偏執(zhí)要求：要在車內(nèi)創(chuàng)造出一種能「無限接近人類語氣」的聲音交互系統(tǒng)。
7 月，這套「全新 AI 聲音」的小 P 系統(tǒng)將在 P7 部分車型上線。
“去年 1024 之后，小鵬車機智能化有了很大進步，于是我們花費很多精力在小 P 的語音表現(xiàn)上，給大家一個更好的信息傳遞。”小鵬汽車 AI 產(chǎn)品專家陳思云介紹起全新車載語音。
小鵬產(chǎn)品團隊為新聲音設(shè)立了三大「綱要」：
（1）足夠像真人。
（2）角色足夠擬人，例如定位成「秘書」、「寵物」或是「女神」。
（3）親切傳達信息，拉進用戶距離。
小 P 全新 AI 聲音是如何做到的呢？為實現(xiàn)這三條，團隊就必須往車機聯(lián)入一個在線的、更大規(guī)模的「神經(jīng)網(wǎng)絡(luò)模型」—— 從而實現(xiàn) HIFI 級別合成語音。
目前，這套神經(jīng)網(wǎng)絡(luò)已經(jīng)為小 P 帶來了 2 項肉眼可見的提升：
一、MOS 評分 4.49
經(jīng) MOS1 語音質(zhì)量評測，該聲音得分為 4.49，是目前微軟 MOS 語音質(zhì)量評測得分最高的車載智能語音助手。
當然，MOS 評分不能完全完全「神化」。
MOS 最早源于電話的語音質(zhì)量評價。這項評價標準由 ITU（InternationalTelecommunicationUnion，國際電信聯(lián)盟簡稱國際電聯(lián)）在 1996 年，作為囊括在《P.800: Methods for determination of transmission quality 》中的一個「子標準」沿用至今，字面意思不難看出，這是個圍繞「主觀」（subjective）—— 也就是人工聽覺、人工打分的一項判定方法。
別看 MOS 古老（那時 TTS 還未普及），作為一個成熟、穩(wěn)定、高度逼近人類聽覺體驗的評價標準，MOS 的制定最初建立在一套有參考信號的評價體系之上的：評價時，同時需要待測信號和參考信號。相較于無參考評價方案，有參考的客觀評價方案更容易做得貼近主觀評價體系。
“MOS 體系本身是一個主觀評分，在全球最標準化的大會上參加評分的時候，也會要求需要把兩個競品或兩個聲音加上真人，加上一個非安慰劑的參照系放在一起橫向比較。
我們只能比較這幾個主觀評價中，用戶對它們評價的差值，但絕對分值的比較，因為它是一個主觀比較，所以在換樣本量，或換不同的場景，都會導(dǎo)致分值上的差異。
需要放在同一測試中這個分數(shù)才有比較的意義?！标愃荚圃诨卮鹉芊裼?MOS 評分高低作競品橫評時談到?！凹幢銦o法客觀的讓小 P 橫向?qū)Ρ?。但我相信更新后，用戶拿?P 和 Siri 對比，還是有很大區(qū)別的?！?/p>
二、軟硬兼施，打出「情感牌」
從剛才的視頻來看，全新小 P 聲音飽滿程度也有很大提升，再配合 P7 本身的良好的 NVH 性能，我預(yù)感這波 HiFi 級高保真音質(zhì)真的可以在 P7 上發(fā)揮出來，成為量產(chǎn)車中排名數(shù)一數(shù)二的沉浸交互感。
實際上，全新 AI 聲音采用 24K 采樣技術(shù)（現(xiàn)有聲音為 16k），各種場景下的聲音反饋都被精心調(diào)教，用戶聽到的每句話都細膩生動、充滿活力。
“新舊聲音對比來聽，會明顯感受到音質(zhì)的差距。這個聲音不是拼接的，完全采用 AI 訓(xùn)練、生成出來的?！焙鲁a充道，“業(yè)內(nèi)無論車企還是智能音箱，大家還是在用提前錄音的方式，盡可能讓語音包更好聽，但內(nèi)容覆蓋率不高，所以我們采取這種方式（AI 生成），也算一次大的創(chuàng)新?！?/p>
除了這些「硬實力」，全新 AI 語音還有足夠「軟實力」。
“小 P 會像 Siri 一樣調(diào)侃么？”，筆者問道。
“全新 AI 聲音會有一些情緒上的表達，或者對不同情景、不同語氣會有一些彩蛋的埋入，包含像偶爾跟用戶進行一些小的調(diào)侃，去調(diào)劑一下用戶整個行程中的娛樂性，這也會有一些小的彩蛋的埋入?！标愃荚苹卮?。
而具體有哪些「彩蛋」，還需要 P7 車主一點點挖掘。
除了語音彩蛋，全新小 P 語氣包括例如「助理、客服、聊天、溫和、親熱、抒情、新聞、嚴肅、不滿、生氣、害怕、悲傷、冷靜」等 14 種強烈情緒的變換能力，后續(xù)版本還會逐步貼合更多場景。
說了這么多優(yōu)點，但新技術(shù)哪有不翻車的。來談?wù)劰P者對小鵬全新 AI 語音的擔(dān)憂吧。
首先就是難以應(yīng)對離線情形。
車輛行駛在偏遠地區(qū)，沒網(wǎng)，或者信號中斷，在「有-無」網(wǎng)絡(luò)之間來回切換，駕駛者肯定對語音質(zhì)量的高低變換一定是有反應(yīng)的。
但小鵬的工程師已經(jīng)想出了對策：在線追求高品質(zhì)，離線兜底無時延。
“如果遇到「5 公里長的隧道」這類極端網(wǎng)絡(luò)情況，我們會在本地留一個「小的離線模型」，它的體量不會很大，但保證小 P 在時效性不變差的情況下一定能把聲音發(fā)出來，比如說導(dǎo)航或者自動駕駛這些播報，兩個模型工作準則是一樣的?！?/p>
按照郝超的說法，這套自研「端云融合多級緩存」，能讓車輛預(yù)測當下的網(wǎng)絡(luò)情況，自動改選「在線神經(jīng)網(wǎng)絡(luò)引擎」or「離線引擎進行聲音合成」，總之就是在信號不佳的情況下，語音播報依然維持高音質(zhì)。
“通過這個技術(shù)，小 P 已做到 97% 超高在線率?！焙鲁a充道。
最后：
筆者認為，擬人的全新小 P 能夠更好傳達信息。
回想下，你有沒有經(jīng)歷過，當車內(nèi)導(dǎo)航聲被道路噪音掩蓋、碰巧路線顯示延遲而錯過待轉(zhuǎn)路口？
在認知心理學(xué)中有個經(jīng)常被提及的原理：「雞尾酒會效應(yīng)」。指的是人類聽覺系統(tǒng)有著極其神奇的「專注能力」，即便在嘈雜環(huán)境中，仍能將注意力專注于某種「特定聲音」，而「無視」掉背景音。
其實，小鵬語音團隊做的便是將這個原理「逆」過來：做出一套更好被人類聽覺系統(tǒng)分辨的聲音。
人的注意力是有限的，一個好的交互系統(tǒng)在設(shè)計時就必定要考慮到極端情況下，如何減少人腦的能量消耗，從而達到最好的信息傳遞效果。期待小 P 早日讓車主們享受到這一樂趣。
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。