研究自然語音交互系統(tǒng)帶來人機(jī)對(duì)話新體驗(yàn)

不難發(fā)現(xiàn)，現(xiàn)在「車載語音交互」的體驗(yàn)越來越完善。它不僅能完成更多的指令，而且能和我們進(jìn)行情感交互，甚至還懂得一些基本的倫理綱常。AI語音交互，同樣正在占據(jù)我們生活應(yīng)用中的每一個(gè)入口，現(xiàn)在，被視作“第三空間”的汽車場(chǎng)景，通過自然連續(xù)對(duì)話完成人車之間的主動(dòng)交互，正在成為現(xiàn)實(shí)。

回顧發(fā)展之初，車載語音雖然能完整跑通 ASR、TTS 這些流程，能實(shí)現(xiàn)一些簡(jiǎn)單的 NLU/NLP 能力，但體驗(yàn)有很多漏洞，比如有可能識(shí)別失敗，指令完成緩慢，交互邏輯不合常理等等。如今來看，這些基礎(chǔ)能力正變得更強(qiáng)，基本可以稱得上是一個(gè)「有價(jià)值的工具」。

另一方面，語音交互作為智能網(wǎng)聯(lián)汽車的“靈魂”，一直是車聯(lián)網(wǎng)公司和主機(jī)廠發(fā)力的重點(diǎn)領(lǐng)域。目前市面上常見的車載系統(tǒng)每次交互都得說出喚醒詞，無法做到自然連續(xù)對(duì)話。相比市場(chǎng)同類車載系統(tǒng)，基于AliOS底層技術(shù)開發(fā)的斑馬智行VENUS系統(tǒng)，在AI語音功能智能化程度上有了更高突破，不僅具備人類親和力的特質(zhì)和邏輯思維能力，同時(shí)，整個(gè)對(duì)話體驗(yàn)更加自然流暢，能帶給用戶更具情景化、更有溫度的用車體驗(yàn)。

實(shí)際上，新斑馬語音產(chǎn)品在快、準(zhǔn)、自然的交互體驗(yàn)基礎(chǔ)上，開創(chuàng)了全雙工、全場(chǎng)景、全閉環(huán)的交互特色，并第一次在車內(nèi)實(shí)現(xiàn)了個(gè)性化聲音克隆的技術(shù)。

語音基礎(chǔ)能力方面，新斑馬語音背靠阿里巴巴達(dá)摩院，提供ECNR、VW、ASR、TTS等全鏈路語音基礎(chǔ)能力，并且在汽車語義上投入重兵與達(dá)摩院合作共建，保障在核心能力上的領(lǐng)先性和特色。

語音交互特性方面，重點(diǎn)演進(jìn)了全雙工交互能力，并且開發(fā)了可見即可說、全時(shí)喚醒、靈動(dòng)喚醒詞、多TTS引擎、雙模態(tài)交互、個(gè)性化聲音克隆等交互特色。其中聲音克隆技術(shù)可以將用戶的聲音復(fù)制到車內(nèi)，提供更加個(gè)性化的趣味體驗(yàn)。

同時(shí)，在與車場(chǎng)景結(jié)合方面，斑馬語音擁有全場(chǎng)景、全閉環(huán)的交互體驗(yàn)。在地圖導(dǎo)航、多媒體、通訊、車控車設(shè)四大場(chǎng)景上進(jìn)行了深度挖掘，與語音進(jìn)行深度結(jié)合，實(shí)現(xiàn)動(dòng)口不動(dòng)手的語音交互體驗(yàn)。同時(shí)為支付寶車載小程序開放平臺(tái)提供語音開放能力，讓接入汽車的支付寶車載小程序都可以使用語音進(jìn)行交互。

自然語音交互系統(tǒng)- 全雙工交互技術(shù)

一次喚醒多次輸入

更高效更接近人類交互習(xí)慣

基于場(chǎng)景的上下文預(yù)測(cè)

邊說邊聽，邊聽邊想

全雙工交互具有一次喚醒多次輸入、邊說邊聽邊聽邊想、基于場(chǎng)景進(jìn)行上下文預(yù)測(cè)等能力。相比傳統(tǒng)語音交互方式，全雙工更接近人類習(xí)慣，是語音交互到自然交互的必備階段。

實(shí)現(xiàn)全雙工語音交互，面臨著多項(xiàng)技術(shù)挑戰(zhàn)：如何在機(jī)器說話的同時(shí)清楚地接收用戶說話的信號(hào)？如何保證持續(xù)不斷地接收用戶完整的信息表達(dá)？如何在保證準(zhǔn)確理解的前提下控制誤觸發(fā)？這些問題在汽車環(huán)境中會(huì)被不斷放大，阻礙技術(shù)的落地應(yīng)用。

斑馬依托達(dá)摩院降噪、回聲消除、流式ASR、流式NLU、專項(xiàng)NLU拒識(shí)模型等前沿技術(shù)，在大規(guī)模實(shí)車數(shù)據(jù)的訓(xùn)練下，實(shí)現(xiàn)了真正的全雙工交互技術(shù)在車內(nèi)的大規(guī)模使用。

自然語音交互系統(tǒng)- 聲音克隆技術(shù)

基于深度神經(jīng)網(wǎng)絡(luò)

快速生成TTS聲音模擬

個(gè)性化自然交互體驗(yàn)

讓最熟悉的聲音一路相伴

聲音克隆技術(shù)只需要提取用戶5-10分鐘的聲音片段，就可以提取出他的聲音特征，進(jìn)而訓(xùn)練出和他的聲音相似的TTS聲音。傳統(tǒng)的TTS技術(shù)需要獲得幾十小時(shí)的數(shù)據(jù)才能夠進(jìn)行TTS的發(fā)音人訓(xùn)練。而基于深度神經(jīng)網(wǎng)絡(luò)，斑馬聲音克隆系統(tǒng)在5-10分鐘的聲音片段中，就可以通過聲音特征提取訓(xùn)練、聲音合成器訓(xùn)練和聲碼器訓(xùn)練完成TTS聲音的模擬。

聲音克隆技術(shù)在車內(nèi)可以為你帶來更加個(gè)性化的自然交互體驗(yàn)，你可以把車內(nèi)的聲音設(shè)置成自己的愛人、子女、父母等親人的聲音，為自己的行車生活增添更多的溫暖。

有了聲音及語意上的天然優(yōu)勢(shì)，再加之AI大數(shù)據(jù)的后端支持，斑馬智行VENUS實(shí)現(xiàn)了“智商情商雙進(jìn)步，聊啥都懂”的突出能力。具體來看，斑馬智行VENUS AI語音技能將覆蓋500多個(gè)常用知識(shí)領(lǐng)域，無論是查天氣、查股票，還是幽默段子，都能“隨問隨答”。

隨著5G、物聯(lián)網(wǎng)、自動(dòng)駕駛等技術(shù)的成熟，車載語音助手必然會(huì)替代我們現(xiàn)有的人車交互方式，一款好的車機(jī)語音對(duì)汽車而言，顯得尤為重要。在近日對(duì)外透露的斑馬5計(jì)劃中，「對(duì)話式導(dǎo)航」將成為下一項(xiàng)語音交互黑科技。不久的將來，影視劇中如霹靂游俠那般的人車對(duì)話也終將會(huì)實(shí)現(xiàn)。

編輯：jq