如果在你的愛(ài)車(chē)?yán)铮幸豢钅芟袢艘粯颖磉_(dá)情緒的智能車(chē)載語(yǔ)音助手，它媲美人聲，不用反復(fù)喚起就能流暢對(duì)話，會(huì)對(duì)你說(shuō)“好滴”而不是“好的”，這樣的語(yǔ)音助手你會(huì)心動(dòng)嗎？

不久前，小鵬汽車(chē)P7車(chē)型進(jìn)行了一次重要的OTA（Over-The-Air，遠(yuǎn)程空中下載）系統(tǒng)升級(jí)，其中語(yǔ)音助手小P媲美人聲的更新，再次拉高了智能汽車(chē)語(yǔ)音助手的水平線。

“耗時(shí)十個(gè)月上線，這是一次汽車(chē)界對(duì)車(chē)載語(yǔ)音的前沿探索。”小鵬汽車(chē)AI產(chǎn)品高級(jí)專(zhuān)家郝超說(shuō)道。

對(duì)于車(chē)載語(yǔ)音來(lái)說(shuō)，“媲美人聲”為什么很重要，小P的更新到底高明在什么地方？我們跟郝超以及微軟云計(jì)算與人工智能事業(yè)部產(chǎn)品總監(jiān)丁秉公聊了聊關(guān)于車(chē)載語(yǔ)音的那些事兒。

車(chē)載語(yǔ)音“媲美人聲”為什么很重要？

不知道大家有沒(méi)有這種感覺(jué)，在手機(jī)上或者智能音箱上聽(tīng)機(jī)器人播新聞，好像總沒(méi)有真人主播播得痛快；特別是無(wú)聊的時(shí)候，想跟語(yǔ)音助手逗個(gè)樂(lè)，三兩句話下來(lái)，總會(huì)無(wú)奈地自言自語(yǔ)一句：“它真的好傻啊。”

在業(yè)界，這種同語(yǔ)音助手互動(dòng)不流暢帶來(lái)的不適感，可以用“聽(tīng)覺(jué)疲勞”來(lái)形容。而相對(duì)于家常環(huán)境場(chǎng)景下的語(yǔ)音互動(dòng)，如在長(zhǎng)時(shí)間開(kāi)車(chē)的場(chǎng)景下，車(chē)主很大程度上會(huì)放大對(duì)聽(tīng)覺(jué)疲勞的感知。換句話說(shuō)，車(chē)主對(duì)語(yǔ)音助手語(yǔ)音流暢度、自然度敏感性更高，對(duì)車(chē)載語(yǔ)音助手更逼近人聲的需求也更高。

“小P升級(jí)后，很多車(chē)主半夜蹲點(diǎn)兒去車(chē)?yán)飺屜仍嚶?tīng)新聲音。”郝超說(shuō)起小P剛更新時(shí)一些車(chē)主的反應(yīng)。

這與車(chē)載語(yǔ)音產(chǎn)品不斷追求“媲美人聲”的效果，形成了一種默契。“原來(lái)我們可能只追求讓大家把聲音聽(tīng)懂就行，后來(lái)我們認(rèn)為不僅要聽(tīng)懂，還要像人聲一樣更加自然，最后我們覺(jué)得自然還不夠，還想用多情感的聲音來(lái)代替單調(diào)的聲音。”丁秉公表示。

因此早在2018年，為了讓人工智能的聲音更自然，微軟就已經(jīng)在神經(jīng)網(wǎng)絡(luò)語(yǔ)音合成技術(shù)上做了很多工作。最近兩年來(lái)，該技術(shù)的不斷創(chuàng)新使合成聲音錯(cuò)誤率進(jìn)一步減少、顯著提升了句子韻律的合成質(zhì)量和語(yǔ)音的高保真度。

數(shù)據(jù)顯示，經(jīng)行業(yè)公認(rèn)的、專(zhuān)業(yè)評(píng)估語(yǔ)音自然度的MOS（Mean Opinion Score平均意見(jiàn)評(píng)分）測(cè)試，微軟AI語(yǔ)音評(píng)分4.49分（真人錄音得分 4.5分），這證明在音質(zhì)、發(fā)音、說(shuō)話準(zhǔn)確性和清晰度等方面，合成語(yǔ)音已經(jīng)能夠與真人錄音樣本相媲美。

這種更自然的合成聲音也推動(dòng)了車(chē)載語(yǔ)音場(chǎng)景的應(yīng)用的落地，小鵬汽車(chē)在這個(gè)過(guò)程中成了那個(gè)率先吃螃蟹的人。

不過(guò)需要強(qiáng)調(diào)的是，微軟提供的神經(jīng)網(wǎng)絡(luò)語(yǔ)音合成技術(shù)、及其背后的語(yǔ)音模型，都是平臺(tái)化的可匹配多行業(yè)的通用產(chǎn)品，要將這種通用產(chǎn)品與小鵬汽車(chē)的特定場(chǎng)景融合，雙方還要在“車(chē)載”場(chǎng)景上做很多融合。

“車(chē)規(guī)級(jí)”語(yǔ)音需要克服哪些難點(diǎn)？

有人可能會(huì)說(shuō)，車(chē)載語(yǔ)音不就是語(yǔ)音交互嗎，現(xiàn)在不管是手機(jī)還是音箱，但凡帶點(diǎn)“智能”，讓它“說(shuō)話”似乎并不是什么難事。這種質(zhì)疑并沒(méi)有什么問(wèn)題，但仔細(xì)想來(lái)，就像芯片也有車(chē)規(guī)級(jí)一樣，汽車(chē)的語(yǔ)音交互系統(tǒng)也在不斷追求“車(chē)規(guī)級(jí)”的完美。

據(jù)郝超和丁秉公介紹，車(chē)規(guī)級(jí)語(yǔ)音需要克服的挑戰(zhàn)主要有3個(gè)：

第一，應(yīng)對(duì)汽車(chē)移動(dòng)狀態(tài)下的網(wǎng)絡(luò)抖動(dòng)，在保證聲音保真率的情況下盡量壓縮對(duì)流量及硬件性能的消耗，同時(shí)還要解決合成語(yǔ)音上比較難的歧義、分詞問(wèn)題。

為了應(yīng)對(duì)網(wǎng)絡(luò)抖動(dòng)，小鵬汽車(chē)采取了多級(jí)緩存的方法，把好的聲音提前進(jìn)行各級(jí)緩存然后下發(fā)，盡量減少對(duì)網(wǎng)絡(luò)的依賴(lài)。“比如系統(tǒng)判斷前方500米有攝像頭，該播報(bào)了，但可能在‘前方’兩個(gè)字播出之后會(huì)因?yàn)榫W(wǎng)絡(luò)抖動(dòng)導(dǎo)致這句話播不全，那系統(tǒng)會(huì)啟動(dòng)語(yǔ)意動(dòng)態(tài)等待。”郝超說(shuō)，“等個(gè)1-2秒，網(wǎng)絡(luò)抖動(dòng)過(guò)去，再播報(bào)。雖然多開(kāi)了兩米，但在可接受范圍內(nèi)。”不過(guò)，像“前方右轉(zhuǎn)”等這類(lèi)特殊情況除外，系統(tǒng)則不會(huì)啟動(dòng)動(dòng)態(tài)等待。

第二個(gè)比較大的難點(diǎn)是語(yǔ)音高保真度帶來(lái)的連鎖挑戰(zhàn)。

一般情況下，大部分車(chē)載語(yǔ)音系統(tǒng)的語(yǔ)音采樣率為16k HZ（一秒鐘有1萬(wàn)6千個(gè)采樣點(diǎn)），量化水平在8比特（每個(gè)采樣點(diǎn)數(shù)據(jù)量為8比特）。而小鵬汽車(chē)使用的語(yǔ)音模型在采樣率上達(dá)到了24k HZ，量化水平為16比特，這也就意味著一秒鐘的信息量是幾十KB，那么一分鐘可能就是幾十兆，一小時(shí)可能就是接近一個(gè)G，一天就是幾十G。不壓縮的話，這么大流量的壓力是非常大的。

“除了剛才談到的多級(jí)緩存，云計(jì)算在這里也起到了很大的作用。這些高質(zhì)量的聲音與微軟云相結(jié)合，在不降低聲音質(zhì)量的情況下，能夠?qū)崿F(xiàn)用戶(hù)對(duì)高保真語(yǔ)音體驗(yàn)上的實(shí)時(shí)傳輸。”丁秉公表示。

高保真的聲音也增加了對(duì)整車(chē)CPU的資源占用。因此，在實(shí)踐過(guò)程中，小鵬汽車(chē)盡量不占用本地的計(jì)算資源，在網(wǎng)絡(luò)條件好的情況下盡量對(duì)在線模型發(fā)起請(qǐng)求，而不是依賴(lài)本地，盡量平衡單位周期內(nèi)對(duì)CPU的占用。

另外一個(gè)挑戰(zhàn)是解決合成語(yǔ)音中歧義的問(wèn)題。中文的分詞，多音字，數(shù)字讀法等都有歧義問(wèn)題。一個(gè)典型的例子是比如“南京市長(zhǎng)江大橋”，合成語(yǔ)音可能斷句為“南京 市長(zhǎng) 江大橋”，這類(lèi)烏龍?jiān)贏I合成語(yǔ)音中目前仍然很常見(jiàn)。“在不同的場(chǎng)景下，受眾對(duì)歧義的容忍度有很大差別。因此我們希望針對(duì)合成語(yǔ)音的使用場(chǎng)景進(jìn)行優(yōu)化，減少歧義對(duì)用戶(hù)體驗(yàn)的影響。”丁秉公強(qiáng)調(diào)。

比如，還是上文談到的人工智能播新聞的場(chǎng)景，這個(gè)時(shí)候AI分詞出現(xiàn)錯(cuò)誤最嚴(yán)重可能就是對(duì)某個(gè)句子聽(tīng)不懂，但在車(chē)載場(chǎng)景下可能直接影響到車(chē)主的車(chē)況。這些都要在車(chē)載端做優(yōu)化，保證車(chē)主在開(kāi)得比較快、噪音比較大的聽(tīng)音環(huán)境下也能夠聽(tīng)到高保真的聲音。這也是車(chē)規(guī)級(jí)語(yǔ)音同我們?nèi)粘Ｓ玫闹悄苁謾C(jī)語(yǔ)音助手、智能音箱助手比較大的不同。

車(chē)載語(yǔ)音“媲美人聲”是壁壘還是趨勢(shì)？

技術(shù)在產(chǎn)業(yè)落地的過(guò)程，往往被看作是技術(shù)尋找場(chǎng)景的過(guò)程。場(chǎng)景找到了，技術(shù)是否高深、前沿便顯得沒(méi)那么重要。

小鵬汽車(chē)的媲美人聲的車(chē)載語(yǔ)音助手也正是運(yùn)用了微軟的通用語(yǔ)言模型才達(dá)到了當(dāng)前的效果。但對(duì)于使用了通用技術(shù)的小鵬來(lái)說(shuō)，小P的煉成是一次前沿技術(shù)的探索，還是通用技術(shù)落地的其中一環(huán)呢？

對(duì)于這個(gè)問(wèn)題，郝超的答案更偏向于前者。“當(dāng)大家不知道AI能做什么事情的時(shí)候，可能認(rèn)為，找場(chǎng)景更重要。把現(xiàn)有的這些技術(shù)落地到某一個(gè)場(chǎng)景，可能就有AI了。這是因?yàn)榇蠹覍?duì)這個(gè)事情理解不深。”他說(shuō)，“當(dāng)對(duì)整個(gè)車(chē)載場(chǎng)景，或者對(duì)出行有足夠深的理解的話，就會(huì)發(fā)現(xiàn)這里面有太多太多的問(wèn)題要解決。”

郝超認(rèn)為，智能汽車(chē)非常依賴(lài)高精尖技術(shù)，甚至現(xiàn)在很多技術(shù)做不到的事情，他們也希望能?chē)L試通過(guò)技術(shù)來(lái)解決。也就是說(shuō)，對(duì)于新技術(shù)的應(yīng)用，小鵬汽車(chē)的思路是，不是有這樣一個(gè)技術(shù)能用到什么樣的場(chǎng)景，而是我們看到這樣一個(gè)場(chǎng)景，去探索、尋找有沒(méi)有更好的技術(shù)來(lái)解決。

“作為一個(gè)造車(chē)新技術(shù)的探索者，可能踩的坑會(huì)比較多，甚至成本也很高，但其實(shí)我們一直是希望探索明白了之后，路趟平了之后，告訴業(yè)內(nèi)同行們，這個(gè)方向用戶(hù)是認(rèn)可的。以此推動(dòng)整個(gè)行業(yè)的進(jìn)步。”郝超總結(jié)。

事實(shí)證明，小P的上線確實(shí)達(dá)到了這樣的效果。

當(dāng)下，作為提供通用技術(shù)平臺(tái)的微軟也正在將小鵬汽車(chē)對(duì)于語(yǔ)音模型的應(yīng)用經(jīng)驗(yàn)，反哺到通用語(yǔ)音模型中。

“從技術(shù)上面，我們其實(shí)想大道至簡(jiǎn)，用一套模型可以服務(wù)所有的用戶(hù)。”丁秉公說(shuō)道。他認(rèn)為，微軟在不同行業(yè)里的積累，正在擴(kuò)大微軟的模型能力，觸類(lèi)旁通后，使得像小鵬這樣的企業(yè)能夠在他們的基礎(chǔ)模型上，享受到平臺(tái)級(jí)的AI模型紅利。