小鵬P7即將上線全新一代智能AI語音：無限接近人類聲音、帶情感、會調侃

小鵬汽車似乎對產品有近乎偏執(zhí)要求：要在車內創(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產品專家陳思云介紹起全新車載語音。

小鵬產品團隊為新聲音設立了三大「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「神經網絡模型」——從而實現(xiàn)HIFI級別合成語音。

目前，這套神經網絡已經為小P帶來了2項肉眼可見的提升：

一、MOS評分4.49

經MOS1語音質量評測，該聲音得分為4.49，是目前微軟MOS語音質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，都會導致分值上的差異。

需要放在同一測試中這個分數才有比較的意義。”陳思云在回答能否用MOS評分高低作競品橫評時談到。“即便無法客觀的讓小P橫向對比。但我相信更新后，用戶拿小P和Siri對比，還是有很大區(qū)別的。”

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，我預感這波HiFi級高保真音質真的可以在P7上發(fā)揮出來，成為量產車中排名數一數二的沉浸交互感。

實際上，全新AI聲音采用24K采樣技術（現(xiàn)有聲音為16k），各種場景下的聲音反饋都被精心調教，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，會明顯感受到音質的差距。這個聲音不是拼接的，完全采用AI訓練、生成出來的。”郝超補充道，“業(yè)內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。”

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侃，去調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。”陳思云回答。

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，但新技術哪有不翻車的。來談談筆者對小鵬全新AI語音的擔憂吧。

首先就是難以應對離線情形。

車輛行駛在偏遠地區(qū)，沒網，或者信號中斷，在「有-無」網絡之間來回切換，駕駛者肯定對語音質量的高低變換一定是有反應的。

但小鵬的工程師已經想出了對策：在線追求高品質，離線兜底無時延。

“如果遇到「5公里長的隧道」這類極端網絡情況，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，比如說導航或者自動駕駛這些播報，兩個模型工作準則是一樣的。”

按照郝超的說法，這套自研「端云融合多級緩存」，能讓車輛預測當下的網絡情況，自動改選「在線神經網絡引擎」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。

“通過這個技術，小P已做到97%超高在線率。”郝超補充道。

最后：

筆者認為，擬人的全新小P能夠更好傳達信息。

回想下，你有沒有經歷過，當車內導航聲被道路噪音掩蓋、碰巧路線顯示延遲而錯過待轉路口？

在認知心理學中有個經常被提及的原理：「雞尾酒會效應」。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。

生成海報

免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現(xiàn)的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。