出品 | 虎嗅汽車組
作者 | 李文博
編輯 | 周到
2016年，一位大哥第一次按下車?yán)锏摹罢Z(yǔ)音控制”按鈕。他的訴求很簡(jiǎn)單，讓汽車幫他打個(gè)電話。一陣甜美的AI女聲響起，一段人類首次嘗試馴服語(yǔ)音助手的珍貴對(duì)話由此展開。
甜美AI：請(qǐng)說出您要撥打的號(hào)碼，或者說取消。大哥：135XXXX7557。
因?yàn)榭谝魡栴}，系統(tǒng)未能識(shí)別準(zhǔn)確。大哥急了，趕忙下達(dá)第二道語(yǔ)音指令：糾正！糾正！
系統(tǒng)也急了：969696……大哥更急了：糾正，糾正，不是96！
大哥：口吐芬芳。系統(tǒng)：對(duì)不起，我沒有聽清。
大哥帶著哭腔：你耳朵聾，耳朵聾??？我說了多少遍了我都。系統(tǒng)：請(qǐng)?jiān)僬f一次，請(qǐng)?jiān)僬f一次，請(qǐng)?jiān)僬f一次。
大哥：我再說最后一遍啊，135……系統(tǒng)：對(duì)不起，再見。
短短2分鐘，濃縮了六年前車機(jī)語(yǔ)音識(shí)別真實(shí)的用戶怨念，中國(guó)消費(fèi)者對(duì)語(yǔ)音助手糟糕印象的種子就此埋下。語(yǔ)音助手“聽不見”、“聽不清”、“聽不懂”災(zāi)難級(jí)的系統(tǒng)表現(xiàn)，讓人和機(jī)器總得瘋一個(gè)。
好在，這一切都在2018年發(fā)生了改變。這一年，汽車座艙在造車新勢(shì)力的推動(dòng)下，進(jìn)入智能2.0時(shí)代，語(yǔ)音助手的角色也從系統(tǒng)添頭，變成智能座艙基石。
近5年來，人工智能、自動(dòng)駕駛、語(yǔ)音識(shí)別、手勢(shì)交互等研發(fā)成果逐步落地，特別是駕駛輔助功能的完善，讓開車不再是辛苦的體力勞動(dòng)。未來L4、L5級(jí)自動(dòng)駕駛的實(shí)現(xiàn)，會(huì)徹底顛覆傳統(tǒng)駕駛行為。人——這個(gè)駕駛行為最重要的主導(dǎo)者，也將會(huì)從枯燥重復(fù)的操作中解脫出來。汽車座艙的角色由此轉(zhuǎn)變?yōu)樾菹?、娛樂和放松的第三空間。
“第三空間”要求汽車公司從乘員的實(shí)際需求及應(yīng)用場(chǎng)景角度出發(fā)，從頭開始搭建一套全新的、智能程度更高的人機(jī)交互體系，讓車內(nèi)的每個(gè)人都能獲得安全的駕駛行為和輕松的感官體驗(yàn)。
智能座艙的發(fā)展分為三個(gè)主要階段：第一，電子座艙，駕駛者可以在車內(nèi)實(shí)現(xiàn)聽歌、導(dǎo)航、打電話等基礎(chǔ)型電子功能，但與座艙的互動(dòng)接近于零；第二，智能助理，車輛本身可以完成一定的駕駛行為，駕駛者開始以人臉識(shí)別、眼球追蹤、語(yǔ)音手勢(shì)控制等多種方式與座艙互動(dòng)；第三，移動(dòng)空間，自動(dòng)駕駛完成車輛控制，乘員沉浸式體驗(yàn)座艙場(chǎng)景。
中國(guó)造車新勢(shì)力先后下場(chǎng)的2018年普遍被認(rèn)為是智能座艙進(jìn)入第二階段的里程碑，這一階段座艙硬件有兩大標(biāo)志性趨勢(shì)：第一，實(shí)體按鍵被大幅簡(jiǎn)化，直至消失；第二，屏幕尺寸和數(shù)量迅速上升，直至鋪滿。
隨著功能疊加，智能座艙系統(tǒng)的構(gòu)成也從單一功能電氣元件升級(jí)為一套龐雜電子設(shè)備系統(tǒng)，包括：車載信息娛樂系統(tǒng)、車聯(lián)網(wǎng)系統(tǒng)、感知交互系統(tǒng)、空調(diào)系統(tǒng)、聲光和氣味系統(tǒng)等。
功能多了，車機(jī)界面自然就復(fù)雜了，以前只用旋鈕調(diào)收音機(jī)和溫度?，F(xiàn)在新花樣層出不窮。由于各大汽車公司對(duì)功能的認(rèn)知和排序都有自己理解，導(dǎo)致駕駛者需要在駕駛過程中花費(fèi)更多注意力去尋找和調(diào)節(jié)相應(yīng)功能，危險(xiǎn)出現(xiàn)的概率也就此提升。
汽車公司在架構(gòu)智能座艙時(shí)，會(huì)圍繞三大原則：安全、人性化和愉悅為展開，而這恰好是語(yǔ)音交互與生俱來的三大特性。從現(xiàn)有自動(dòng)駕駛技術(shù)發(fā)展態(tài)勢(shì)判斷，“人機(jī)共駕”階段的延續(xù)時(shí)間不會(huì)很短，語(yǔ)音交互可以讓駕駛者在不失焦的情況下，完成車內(nèi)大部分功能操作。在硬件和算法的迭代升級(jí)下，語(yǔ)音交互也在不停地自我升級(jí)。舉兩個(gè)例子：之前只能通過語(yǔ)音打開或關(guān)閉空調(diào)，現(xiàn)在可以精準(zhǔn)調(diào)節(jié)溫度，或者直接說“我冷了、熱了”，讓車輛自行調(diào)節(jié)；此前語(yǔ)音只能完成車窗玻璃升降，現(xiàn)在可以實(shí)現(xiàn)升三分之一，降三分之二這樣顆粒度更細(xì)的控制。
從2021年開始，語(yǔ)音交互成為一個(gè)成熟智能座艙中，最具代表性的功能模塊之一，消費(fèi)者對(duì)語(yǔ)音交互的興趣開始高漲，需求也開始多元。
想“只動(dòng)口不動(dòng)手”地控制座艙，車本身要“聽得見、聽得懂、做得到”，對(duì)應(yīng)語(yǔ)音交互三個(gè)步驟：“識(shí)別、理解、執(zhí)行”。
首先是語(yǔ)音識(shí)別（Automatic Speech Recognition，ASR）。車內(nèi)麥克風(fēng)接受聲音信號(hào)，轉(zhuǎn)化為音頻信號(hào)，經(jīng)過解碼、降噪、增強(qiáng)、特征提取、音素選取、再次解碼后，最終落地為文字。高階語(yǔ)音識(shí)別會(huì)對(duì)聲源定位，這就是部分車輛支持副駕和后排用戶語(yǔ)音控制的原理。
然后是自然語(yǔ)言處理（Natural Language Processing，NLP）。文字被識(shí)別后，系統(tǒng)會(huì)拾取相應(yīng)功能性詞匯，生成摘要。比如駕駛者說“你好，我的愛車，今天好熱，幫我把空調(diào)調(diào)到18度”。系統(tǒng)比照詞庫(kù)和深度學(xué)習(xí)篩選后，拾取出的摘要是“空調(diào)，18度”。
系統(tǒng)將識(shí)別后的摘要轉(zhuǎn)換為命令規(guī)劃，發(fā)送給相應(yīng)車載控制單元，執(zhí)行動(dòng)作。最后，語(yǔ)音合成（Text to Speech，TTS）模塊將動(dòng)作執(zhí)行完成的文本轉(zhuǎn)換為語(yǔ)音播報(bào)反饋給駕駛者：“好的，空調(diào)已調(diào)至18度”。至此，一次語(yǔ)音交互完成閉環(huán)。
語(yǔ)音交互有三大技術(shù)難點(diǎn)：一是拾音準(zhǔn)確，噪音消除；二是語(yǔ)音深度學(xué)習(xí)模型的訓(xùn)練數(shù)據(jù)；三是識(shí)別特征抽出模型的訓(xùn)練。
第一個(gè)比較好解決，用多個(gè)麥克風(fēng)組成陣列加算法即可；后面兩個(gè)難度不大，但費(fèi)錢又耗時(shí)，座艙語(yǔ)音交互要對(duì)齊不同車型不同車載環(huán)境表現(xiàn)，電動(dòng)車和燃油車的車廂噪音水平不同，轎車、SUV和MPV的差別也不小，要針對(duì)性搜集整合數(shù)據(jù)。這個(gè)過程成本高，周期長(zhǎng)，最終還有可能吃力不討好。
語(yǔ)音交互做得夠好，用戶很快就會(huì)養(yǎng)成使用習(xí)慣。在中國(guó)，乘用車智能語(yǔ)音交互功能的搭載率逐年攀升，從2019年的49.82%，到2021年的63.25%，再到2021年的86%。中國(guó)的高頻運(yùn)用場(chǎng)景是：導(dǎo)航、播放音樂、空調(diào)和撥打電話。
對(duì)汽車公司來說，有兩種實(shí)現(xiàn)語(yǔ)音交互的方式：第一種硬件采購(gòu)，軟件自研，這樣可以將主動(dòng)權(quán)牢牢掌握在自己手里，實(shí)現(xiàn)靈活調(diào)整，高度定制，常用常新，提供科技感，是造車新勢(shì)力常用的方式。第二種是做“甩手掌柜”，讓車機(jī)系統(tǒng)供應(yīng)商全權(quán)負(fù)責(zé)，投入低，量產(chǎn)快，適配度高，出了問題還可以一鍵呼叫（甩鍋）供應(yīng)商，是傳統(tǒng)汽車公司偏愛的路徑。
在語(yǔ)音交互底層功能實(shí)現(xiàn)后，用戶開始需求這些功能的情感價(jià)值，希望能和自己車上的語(yǔ)音助手建立一種柏拉圖式的精神親密關(guān)系。一些汽車公司的做法是將語(yǔ)音助手的機(jī)械化原聲，更換為林志玲或郭德綱聲線。這能給用戶提供短暫的新鮮感，卻很難走進(jìn)用戶心里。
用戶與車載語(yǔ)音助手建立精神親密的過程和電影《Her》中的情節(jié)很像：男主偶然接觸到人工智能系統(tǒng)OS1，迷人甜美的聲線，溫順體貼的性格，事事投緣的相處模式，頗具心思的生活情趣，讓男主很快就陷入到人工智能的“賽博溫柔鄉(xiāng)”中不可自拔。簡(jiǎn)單來說，就是“呼應(yīng)上了”。
“OS1”讓人著迷的原因是，工程師揭掉了覆蓋在人工智能表面冰冷的面紗，嘗試賦予它人格，并以此為切口和用戶建立信任通道，讓人機(jī)對(duì)話變成從單向關(guān)系轉(zhuǎn)換為雙向關(guān)系。
《語(yǔ)音人機(jī)界面》一文里寫過：沒有人格的語(yǔ)音用戶界面是不存在的，如果你不給語(yǔ)音用戶界面設(shè)定人格化特征，用戶就會(huì)自行腦補(bǔ)。所以更聰明的做法是，在設(shè)計(jì)的初期就確定好人格。
在設(shè)計(jì)語(yǔ)音交互體驗(yàn)時(shí)，工程師會(huì)考慮視覺形象和聽覺形象兩個(gè)方面，再將兩者進(jìn)行有機(jī)結(jié)合，向用戶輸出“語(yǔ)音助手”。
視覺形象大體分為三類：第一，具象型。一般是二維圖形，顏色單一、動(dòng)效樸素，聲波圖形 、麥克風(fēng)是典型案例；第二，抽象型。一般是三維不規(guī)則形狀、色彩多樣、光效炫酷，如寶馬iDrive 8.0系統(tǒng)里會(huì)呼吸的流光球體；第三，擬人型。企業(yè)IP明顯、動(dòng)效豐富、活潑生動(dòng)，如小鵬語(yǔ)音助手，一汽奔騰全息投影百變嬌娃。
一汽奔騰全息投影
這些語(yǔ)音助手執(zhí)行起“功能”來沒問題，遺憾的是，對(duì)用戶言聽計(jì)從的它們沒有“人格”，用戶只把它們當(dāng)工具，鮮少把它們視為伙伴。人機(jī)之間信任感的建立，本質(zhì)上不是技術(shù)問題，是社會(huì)學(xué)問題。這時(shí)，就要請(qǐng)社會(huì)學(xué)專業(yè)出身的李斌上場(chǎng)了。
2017年，蔚來發(fā)布第一臺(tái)量產(chǎn)車型ES8，座艙正中央處有一個(gè)圓頭圓腦的裝置，李斌給它起了個(gè)名字——NOMI，取英文“Know Me”的諧音。李斌給它下了個(gè)定義——全球首個(gè)量產(chǎn)車載人工智能系統(tǒng)。
除基礎(chǔ)語(yǔ)音助手功能外，NOMI還能做三件事：第一，循語(yǔ)音來源轉(zhuǎn)動(dòng)方向；第二，根據(jù)使用場(chǎng)景展示對(duì)應(yīng)表情；第三，實(shí)時(shí)監(jiān)測(cè)車內(nèi)狀況，識(shí)別駕駛者疲勞程度。
相較以車內(nèi)大屏為載體的語(yǔ)音助手，NOMI的做法更具象化。除對(duì)話外，你還可以摸摸它（不要硬掰），拍拍它（不要太用力），吹吹它（不要噴口水）。實(shí)體化做法的好處是讓用戶清晰地感知到語(yǔ)音助手的生命能量和情感能力。
批量交付后，NOMI很快成為許多車主言之必談的對(duì)象和拿來炫耀的資本。比如一位蔚來車主在APP上表示，“沒NOMI，ES8就是臺(tái)電動(dòng)車，有NOMI，兩兒子整天掛嘴上的就是我家有輛NOMI車”。許多蔚來車主認(rèn)為，沒有NOMI的蔚來缺少靈魂。用戶有多喜歡NOMI呢，喜歡到為這個(gè)人工圓球設(shè)計(jì)各種帽子：棒球帽、絨線帽、牛仔帽、水手帽、睡帽……
NOMI比其它語(yǔ)音助手更能打動(dòng)用戶的原因是，它把自己活成了人樣，模糊了與人工智能與人類用戶的邊界。從一定程度上，NOMI完整表達(dá)了陀思妥耶夫斯基的理念：“要愛具體的人，不要愛抽象的人”。
基于實(shí)體，NOMI可利用的表達(dá)途徑有表情、聲音和動(dòng)作，能做的事情比虛擬動(dòng)畫多得多。比如用戶伸手點(diǎn)擊屏幕時(shí)，NOMI會(huì)稍微低頭，展現(xiàn)自己的“八卦屬性”。用戶把手收回，NOM會(huì)抬頭恢復(fù)原狀。NOMI內(nèi)裝的700多個(gè)動(dòng)態(tài)表情，會(huì)根據(jù)當(dāng)前心情和正在進(jìn)行的任務(wù)進(jìn)行實(shí)時(shí)呈現(xiàn)，大晴天會(huì)戴墨鏡，霧霾會(huì)戴口罩，下雨天會(huì)撐傘，放音樂時(shí)會(huì)跟著打拍子。
除動(dòng)作回應(yīng)外，NOMI有些時(shí)候還能做車主的“人生導(dǎo)師”，展現(xiàn)一絲人文主義光輝。比如有用戶問“活著的意義是什么”，NOMI回答“不要對(duì)生活失去信心呀，說不定下一秒會(huì)有有趣的事情發(fā)生呢”，有賽博哲學(xué)家那味兒了。
針對(duì)這一問題，大部分語(yǔ)音助手的回答可能是“這個(gè)問題我暫時(shí)理解不了呢，你可以嘗試其它語(yǔ)音指令”或“請(qǐng)問你是不是要購(gòu)買《活著》這本書，我可以為你下單呢”。相較而言，NOMI確實(shí)做了個(gè)人。
“NOMI之父”李天舒分享過一個(gè)開發(fā)細(xì)節(jié)：NOMI做的第一件事不是完成復(fù)雜的自然語(yǔ)言交互和多輪對(duì)話，而是當(dāng)車主打開車門的那一刻，NOMI可以把車當(dāng)成是自己的肌體一樣，感受到有人進(jìn)入車內(nèi)了，然后它把頭扭向有人開門的方向，和用戶打個(gè)招呼。
這些精妙且具象的互動(dòng)細(xì)節(jié)，拼湊出一個(gè)機(jī)靈、俏皮、細(xì)致、懂事、有情趣的NOMI。而不是一個(gè)停留在屏幕上，千人一面的抽象語(yǔ)音包。
從人性角度出發(fā)，語(yǔ)音是最簡(jiǎn)單、自然的交互方式，也是人類最基本的溝通方式。從行車安全角度出發(fā)，語(yǔ)音交互不需要注意力轉(zhuǎn)移，是毋庸置疑的車載第一交互方式，本身就是剛需。
用戶將語(yǔ)音交互誤解為“偽需求”，是因?yàn)榇蟛糠制嚬緵]有在語(yǔ)音交互場(chǎng)景中，制造出足夠顯著的體驗(yàn)差。除了常用的電話和導(dǎo)航，其它功能體驗(yàn)很差，用戶懶得去了解。
舉個(gè)例子，用戶開車時(shí)說“我想聽《本草綱目》”，這是個(gè)很簡(jiǎn)單的需求鏈路，但車機(jī)上常出現(xiàn)的場(chǎng)景是：系統(tǒng)內(nèi)置音樂軟件內(nèi)沒有周杰倫歌曲版權(quán)，要么無法播放，要么播放翻唱版或剪輯片段。在線搜索出的音樂平臺(tái)有版權(quán)可播放，但用戶未登錄或未購(gòu)買平臺(tái)付費(fèi)會(huì)員，只能忍受低廉的音質(zhì)和試聽部分。幾次經(jīng)歷后，大部分用戶都會(huì)扭頭走開，宣傳中的“智能語(yǔ)音”，用起來卻是“智障語(yǔ)音”，還不如手機(jī)連藍(lán)牙。
蔚來的老道之處在于，讓NOMI的情感入口能效高于功能入口。用戶使用其它語(yǔ)音助手是“對(duì)事不對(duì)人”，使用NOMI是“對(duì)人不對(duì)事”。畢竟這么可愛的一個(gè)小家伙，偶爾犯點(diǎn)小迷糊，怎么舍得對(duì)它發(fā)脾氣，就算要發(fā)脾氣，還得考慮后排大寶和二寶的感受呢。
解決語(yǔ)音助手的雞肋困境，可以從兩個(gè)方面入手：第一，從駕駛場(chǎng)景實(shí)際需求出發(fā)，對(duì)語(yǔ)音助手進(jìn)行適配化改造，比如最新的語(yǔ)音助手，車主在車外說一句“開出來”，車輛就會(huì)從停車位上自動(dòng)向前駛出，解決停車、挪車、開門場(chǎng)景痛點(diǎn)；第二，提升語(yǔ)音助手自我成長(zhǎng)的能力，通過積累為用戶制定最優(yōu)策略，比如用戶偏愛麻辣口味，語(yǔ)音助手在推薦附近餐廳時(shí)會(huì)提升川菜、湘菜、火鍋、串串的優(yōu)先級(jí)，以人文主義手段拉近用戶距離。
語(yǔ)音助手想達(dá)到電影《Her》中的交互水準(zhǔn)，還有很長(zhǎng)的路要走。理解用戶的貼心，打磨細(xì)節(jié)的耐心，以及持續(xù)投入的決心缺一不可。語(yǔ)音助手的變現(xiàn)前景很光明：現(xiàn)在的用戶愿意花4900元買一個(gè)智能小人頭，未來的用戶又何嘗不會(huì)花49000元買世上獨(dú)一份的智能情感按摩呢？
正在改變與想要改變世界的人，都在 虎嗅APP
