不難發現，現在「車載語音交互」的體驗越來越完善。它不僅能完成更多的指令，而且能和我們進行情感交互，甚至還懂得一些基本的倫理綱常。
那現在語音體驗發展到哪一步了？實現這樣的體驗都有哪些路徑？這些路徑之間有什麼不同？為什麼我們的體驗越來越好？下面我們帶著疑惑，一一討論這些問題。
現在的語音系統體驗怎麼好了？
首先語音的基礎能力更強了。
之前雖然能完整跑通 ASR、TTS 這些流程，能實現一些簡單的 NLU/NLP 能力，但體驗有很多漏洞，比如有可能識別失敗，指令完成緩慢，交互邏輯不合常理等等。現在來看，這些基礎能力正變得更強，基本可以稱得上是一個「有價值的工具」。
具體表現有，能夠支持打斷，支持多輪對話，支持上下文理解，支持中英文混合理解，可以自動糾錯，支持免喚醒，誤觸率降低，反應速度增加，能夠識別更輕的聲音，能夠輸入更長的對話，能夠理解一條語音多指令，能夠理解一些普世的倫理邏輯……
說到底這些基礎能力只是一種交互模式，是一種手段，真正要實現價值需要結合應用和生態。所以現在的車載語音還將觸手伸向了更多領域：
1. 將語音和軟體功能結合。比如和作業系統結合，和地圖導航結合，和車機上所有的應用生態結合，和市面上主流的 Feed 流結合。舉個例子，你可以說「屏幕亮一點」，「回到主頁」，「打開 XX 地圖」，「我想聽周杰倫的歌」，「搜索附近的充電站」，「蘋果今天的股價是多少」，「林則徐是誰」等等。和多種應用結合其實是個很大的突破，可以想想，至今 Siri 都不能完成「我要聽 XX 的歌」這樣的指令。
2. 將語音和硬體設備結合。這裡是指控制車內的一些硬體，比如開閉空調、車窗；和其他的智能設備結合，比如車控家，智能手錶等等。
另外近幾年還衍生出了虛擬助手的概念。這對完成指令本身沒有幫助，但在感性層面，它往往非常能打動消費者。一個合適的虛擬形象，往往會成為這套車機系統，甚至這款車的加分項。
同樣的語音體驗
不一樣的實現路徑，不一樣的想像空間
可喜的是，現在確實已經有一部分車型，或完全或部分實現了上面這些功能。但它們的實現路徑其實不太一樣。下面我介紹 3 種。
1. 使用 BAT 的車聯網方案，搭配對應的語音能力。
膚淺來說，現在車機系統最明顯的表現就是搭載各項網際網路應用，比如高德地圖/QQ 音樂/車載微信/愛奇藝等等。所以 BAT 現在都有一套比較通用化的自家生態方案，裡面有不同的功能模塊，OEM 可以選擇「打包上車」，這其中就包括車載語音系統。
自家的生態，配上自家的語音，那肯定體驗會更好一些。拿騰訊來說，他們推出了微信車載版，在騰訊叮噹提供的語音下，我們收發微信語音非常流暢。另外騰訊還有一個產品叫「騰訊隨行」，配合騰訊叮噹收發微信位置，打開小程序，也很流暢。「愛趣聽」也是一樣。
當然，騰訊也會輔助開發系統，給予 Feed 流支持，做一些 NLU 的開發，所以和騰訊合作的車機系統（比如哈弗 F5 搭載的 Fun-Life）基本都能實現我們上面說的那些功能。同理，百度（DuerOS）和阿里（斑馬系統）的方案也可以。
不過，雖然 BAT 都能實現上述功能，但他們還有一個共通點就是基本無法實現「全流程開發」。也就是說車內基礎的 ASR 和 TTS 能力可能是由其他語音供應商提供，而 BAT 負責語音控制生態以及其他相關 NLU 的工作。
當然，這並不是說 BAT 沒有實現 ASR 和 TTS 的能力，據了解有些網際網路大廠已經開始做相關的技術儲備。只是語音交互是一個從前端降噪-語音觸發-識別-理解-語音反饋的長技術鏈，而科大訊飛、思必馳、紐昂司等老牌語音公司，在 ASR 和 TTS 這種基礎語音能力的工程化交付上有更多的經驗，所以大家各司其職，合併合作，其實是更有效率的做法。
2. 不把語音當產品，而把語音當平臺。
我們在《奇妙車機情報局》還測過一個產品，是博泰開發的擎 Mobile。當時確實給到我比較舒適的體驗。（這裡不談論它的產品路徑，只談語音功能的實現。）
它的識別速度很快，糾錯能力較好。可以一邊聽，一邊說，一邊執行命令，還可以隨時打斷。我可以說話聲音很小，也可以說很長一段話。它可以清晰識別，然後摘出長對話裡的多個語音命令。
據了解，如果車載語音僅依靠供應商，那用戶的指令從觸發，到識別，到理解，到反饋，再到執行，是一個脫離的過程，反應時間自然就長。而博泰認為，車載語音不只是一個技術產品，而應該是一個涉及到整車的電子電氣架構、車輛信息安全以及車輛數據閉環的「平臺」。
所以擎 Mobile 是一套集成了晶片、硬體、軟體、雲端和生態的平臺化產品。
以導航功能為例，它會在識別指令的同時，直接抓取關鍵字上傳到地圖引擎。比如我說「導航到北京機場 T3 航站樓的停車場接個人」，關鍵詞是北京、T3、停車場。關鍵詞抓完，導航實施執行。所以有可能我話沒說完，雲端已經開始計算執行了。這是集成的好處。
當然這個產品也並不完美，在我當時的體驗下，雖然語音有很極致的體驗，但它和其他應用生態的結合和適配比較一般。另外未來博泰如何把相關能力輸出給 OEM，我也暫時打個問號。
3. 自己定義語音交互框架。
近期小鵬汽車的新車型 P7 火了（不是著火了），最亮眼的部分之一就是它的車載語音。
識別速度很快，功能結合深入，對話邏輯自然幽默，語音助手的新形象也更高級了一些，而且語音反饋的女聲實在是很甜美。這其實能表明，AISpeech 和 Xpeng in House 把 ASR 做的紮實，TTS 優化地好，NLU 也做了比較深刻的訓練。
值得一提的是，P7 的語音交互框架是小鵬自己搭建的，所以它也不只是個簡單的產品，而是個平臺。它可以在初期就構建很多深層的功能，讓車內的數據聯動起來，同時對數據安全和用戶隱私進行保護和封鎖。也正因為功能是自己定義的，所以用戶數據自然也就跑到自家口袋裡來，這就讓運營用戶成為可能。
相對 BAT 提供的語音能力，小鵬汽車有完全自主的產品定義權；相對博泰，小鵬汽車有產品做支撐。P7 的語音系統確實是一個佔優勢的產品。
另外，再說說說自己搭建語音交互框架有多重要。我舉個反例。近期我們體驗了一套傳統豪華品牌下全新換代車型的車機系統。這套語音系統的框架是德國定義的，語音供應商分別有兩家，一家是紐昂司，一家是國內供應商（我們暫且稱它為 XX），同時它還接入了天貓精靈的能力。
紐昂司和 XX 都承擔了 ASR 和 NLU 的任務，算是並行關係，所以用戶輸入任何一個指令，這倆通道都要跑一遍，最後它倆統一口徑實行指令。一旦誰慢了，就要互相等著，所以這套語音的執行速度較慢。而且它的 TTS 有拖音現象，據說是歷史遺留問題，是上代車型上的老方案，所以只能如此。再說天貓精靈，它並不會自然喚醒，而是你要對喚醒的語音說一句「你好，天貓精靈」，它才會出現。
這麼看來，這個語音交互框架是挺亂的，但大廠認可自己的節奏就行。而且倒也不是說要一味的激進，因為不是每個大刀闊斧的產品都是成功的。所以，激進還是保守，後果都要自己承擔。
為什麼現在的車載語音系統變得好用了？
車載語音的完善，供應商和 OEM 都做出了努力。
從供應商方面來說，早期的語音供應商並沒有開箱即用的語音方案，都需要大量對接、磨合。現在各家方案在工程化上解決問題越來越多，實用性也就越來越好。具體表現就是各個技術環節的指標都有量的提升（這裡包括抗噪、識別、理解）。
在 OEM 方面來說，語音的交互框架更完善，從以前的單工單輪交互逐漸往多輪連續對話能力升級，對話更自由；NLU 的泛化支持更充分，語音識別更準，對話邏輯更自然；功能應用更豐富，更實用，語音和各功能的融合更深入。
簡單來說，軟硬體技術的升級，讓機器能聽清我們說什麼；更豐富的語料和更完善的語音模型，讓我們能聽清機器說什麼；同時上車的功能更多更實用，能滿足我們更多車內的需求。以上。
總結
談起語音進入汽車，可能要追溯到 10 年前。如今 2020 年了，車內語音交互終於讓我們感受到了進步。
上面我們談到現在的語音交互如何好用，實現路徑有幾種，也分析了背後的原因。這是每家供應商在推著行業往前走，也是每個車廠自己的選擇和節奏。也許有些路是走彎了，甚至走錯了，但好的方面是，汽車配置的越來越下沉，用戶能用更合理的錢獲得更好的體驗。
最後來思考一個顛覆問題：語音交互一定是車內最好的交互方式嗎？如果不是，那上述話題就意義不大了。事實上，我們確實在一邊大力發展語音交互同時，一邊尋找新的交互方式。