小鹏P7将上线新一代AI语音:无限接近人类、带情感、会调侃

百家 作者:TechWeb 2021-07-20 12:04:17

小鹏汽车似乎对产品有近乎偏执要求:要在车内创造出一种能「无限接近人类语气」的声音交互系统。
 
7月,这套「全新AI声音」的小P系统将在P7部分车型上线。
 
直接上视频,推荐带耳机食用,0:07高能:
 
 
“去年1024之后,小鹏车机智能化有了很大进步,于是我们花费很多精力在小P的语音表现上,给大家一个更好的信息交互渠道。”小鹏汽车AI产品专家陈思云介绍起全新车载语音。


小鹏产品团队为新声音设立了三大「纲要」:
 
(1)足够像真人。
 
(2)角色足够拟人,例如定位成「秘书」、「宠物」或是「女神」。
 
(3)亲切传达信息,拉进用户距离。

小P全新AI声音是如何做到的呢?为实现这三条,团队就必须往车机联入一个在线的、更大规模的「神经网络模型」——从而实现HIFI级别合成语音。


目前,这套神经网络已经为小P带来了至少2项肉眼可见的提升:
 

MOS评分4.49
 
经MOS1语音质量评测,小鹏全新AI声音得分为4.49,是目前微软MOS语音质量评测得分最高的车载智能语音助手。
 
当然,MOS评分不能完全完全「神化」。
 
MOS最早源于电话的语音质量评价。这项评价标准由ITU(International Telecommunication Union,国际电信联盟简称国际电联)在1996年,作为囊括在《P.800: Methods for determination of transmission quality 》中的一个「子标准」沿用至今,字面意思不难看出,这是个围绕「主观」(subjective)——也就是人工听觉、人工打分的一项判定方法。

 
别看MOS古老(那时TTS还未普及),作为一个成熟、稳定、高度逼近人类听觉体验的评价标准,MOS的制定最初建立在一套有参考信号的评价体系之上的:评价时,同时需要待测信号和参考信号。相较于无参考评价方案,有参考的客观评价方案更容易做得贴近主观评价体系。


“MOS体系本身是一个主观评分,在全球最标准化的大会上参加评分的时候,也会要求需要把两个竞品或两个声音加上真人,加上一个非安慰剂的参照系放在一起横向比较。
 
我们只能比较这几个主观评价中,用户对它们评价的差值,但绝对分值的比较,因为它是一个主观比较:所以在换样本量,或换不同的场景,都会导致分值上的差异,需要放在同一测试中这个分数才有比较的意义。

陈思云在回答能否用MOS评分高低作竞品横评时谈到,“即便无法客观的让小P横向对比。但我相信更新后,用户拿小P和Siri对比,还是有很大区别的。”


软硬兼施,打出「情感牌」

从刚才的视频来看,全新小P声音饱满程度也有很大提升,再配合P7本身的良好的NVH性能,我预感这波HiFi级高保真音质真的可以在P7上发挥出来,成为量产车中排名数一数二的沉浸交互感。
 
实际上,全新AI声音采用24K采样技术(现有声音为16k),各种场景下的声音反馈都被精心调教,用户听到的每句话都细腻生动、充满活力。
 
“新旧声音对比来听,会明显感受到音质的差距。这个声音不是拼接的,完全采用AI训练、生成出来的。”郝超补充道,“业内无论车企还是智能音箱,大家还是在用提前录音的方式,尽可能让语音包更好听,但内容覆盖率不高,所以我们采取这种方式(AI生成),也算一次大的创新。”
 
除了这些「硬实力」,全新AI语音还有足够「软实力」。
 
“小P会像Siri一样调侃么?”笔者问道。
 
“全新AI声音会有一些情绪上的表达,或者对不同情景、不同语气会有一些彩蛋的埋入,包含像偶尔跟用户进行一些小的调侃,去调剂一下用户整个行程中的娱乐性,这也会有一些小的彩蛋的埋入。”陈思云回答。
 
而具体有哪些「彩蛋」,还需要P7车主一点点挖掘。
 
除了语音彩蛋,全新小P语气包括例如「助理、客服、聊天、温和、亲热、抒情、新闻、严肃、不满、生气、害怕、悲伤、冷静」等14种强烈情绪的变换能力,后续版本还会逐步贴合更多场景。
 

说了这么多优点,但新技术哪有不翻车的。来谈谈笔者对小鹏全新AI语音的担忧吧。
 
首先就是难以应对离线情形。
 
车辆行驶在偏远地区,没网,或者信号中断,在「有-无」网络之间来回切换,驾驶者肯定对语音质量的高低变换一定是有反应的。
 
但小鹏的工程师已经想出了对策:在线追求高品质,离线兜底无时延。
 
“如果遇到「5公里长的隧道」这类极端网络情况,我们会在本地留一个「小的离线模型」,它的体量不会很大,但保证小P在时效性不变差的情况下一定能把声音发出来,比如说导航或者自动驾驶这些播报,两个模型工作准则是一样的。”
 
按照郝超的说法,这套自研「端云融合多级缓存」,能让车辆预测当下的网络情况,自动改选「在线神经网络引擎」or「离线引擎进行声音合成」,总之就是在信号不佳的情况下,语音播报依然维持高音质。


“通过这个技术,小P已做到97%超高在线率。”郝超补充道。
 
最后,笔者认为,无论多么炫技,全新小P仍是围绕更好传达信息而生的。
 
回想下,你有没有经历过,当车内导航声被道路噪音掩盖、碰巧路线显示延迟而错过待转路口?

 
在认知心理学中有个经常被提及的原理:「鸡尾酒会效应」。指的是人类听觉系统有着极其神奇的「专注能力」,即便在嘈杂环境中,仍能将注意力专注于某种「特定声音」,而「无视」掉背景音。
 
其实,小鹏语音团队做的便是将这个原理「逆」过来:做出一套更好被人类听觉系统分辨的声音。
 
是的,人的注意力是有限的,一个好的交互系统在设计时就必定要考虑到极端情况下,如何减少人脑的能量消耗,从而达到最好的信息传递效果。

期待小P早日让车主们享受到这一乐趣。

【 THE END 】—


往期精彩文章回顾:

图啥?为当贴吧吧主,男子向百度员工行贿一辆宝马X5


鸡块掉地捡起继续炸?华莱士道歉了!



苹果中国大出血!AirPods 2免费送了

关注公众号:拾黑(shiheibook)了解更多

[广告]赞助链接:

四季很好,只要有你,文娱排行榜:https://www.yaopaiming.com/
让资讯触达的更精准有趣:https://www.0xu.cn/

公众号 关注网络尖刀微信公众号
随时掌握互联网精彩
赞助链接
百度热搜榜
排名 热点 搜索指数