首頁 > 智能 > 正文

小鵬P7全新一代智能AI語音來了：足夠像真人、可親切傳達(dá)信息

2021-07-20 08:38:43來源：TechWeb

小鵬汽車似乎對產(chǎn)品有近乎偏執(zhí)要求：要在車內(nèi)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(jī)智能化有了很大進(jìn)步，于是我們花費(fèi)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(chǎn)品專家陳思云介紹起全新車載語音。

小鵬產(chǎn)品團(tuán)隊(duì)為新聲音設(shè)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(dá)信息，拉進(jìn)用戶距離。

小 P 全新 AI 聲音是如何做到的呢?為實(shí)現(xiàn)這三條，團(tuán)隊(duì)就必須往車機(jī)聯(lián)入一個在線的、更大規(guī)模的「神經(jīng)網(wǎng)絡(luò)模型」—— 從而實(shí)現(xiàn) HIFI 級別合成語音。

目前，這套神經(jīng)網(wǎng)絡(luò)已經(jīng)為小 P 帶來了 2 項(xiàng)肉眼可見的提升：

一、MOS 評分 4.49

經(jīng) MOS1 語音質(zhì)量評測，該聲音得分為 4.49，是目前微軟 MOS 語音質(zhì)量評測得分最高的車載智能語音助手。

當(dāng)然，MOS 評分不能完全完全「神化」。

MOS 最早源于電話的語音質(zhì)量評價。這項(xiàng)評價標(biāo)準(zhǔn)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(biāo)準(zhǔn)」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(xiàng)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(yàn)的評價標(biāo)準(zhǔn)，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(biāo)準(zhǔn)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?yàn)樗且粋€主觀比較，所以在換樣本量，或換不同的場景，都會導(dǎo)致分值上的差異。

需要放在同一測試中這個分?jǐn)?shù)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?qū)Ρ取５蚁嘈鸥潞螅脩裟眯?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(yù)感這波 HiFi 級高保真音質(zhì)真的可以在 P7 上發(fā)揮出來，成為量產(chǎn)車中排名數(shù)一數(shù)二的沉浸交互感。

實(shí)際上，全新 AI 聲音采用 24K 采樣技術(shù)(現(xiàn)有聲音為 16k)，各種場景下的聲音反饋都被精心調(diào)教，用戶聽到的每句話都細(xì)膩生動、充滿活力。

“新舊聲音對比來聽，會明顯感受到音質(zhì)的差距。這個聲音不是拼接的，完全采用 AI 訓(xùn)練、生成出來的。”郝超補(bǔ)充道，“業(yè)內(nèi)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(nèi)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(shí)力」，全新 AI 語音還有足夠「軟實(shí)力」。

“小 P 會像 Siri 一樣調(diào)侃么?”，筆者問道。

“全新 AI 聲音會有一些情緒上的表達(dá)，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(jìn)行一些小的調(diào)侃，去調(diào)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(diǎn)點(diǎn)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(yán)肅、不滿、生氣、害怕、悲傷、冷靜」等 14 種強(qiáng)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(diǎn)，但新技術(shù)哪有不翻車的。來談?wù)劰P者對小鵬全新 AI 語音的擔(dān)憂吧。

首先就是難以應(yīng)對離線情形。

車輛行駛在偏遠(yuǎn)地區(qū)，沒網(wǎng)，或者信號中斷，在「有-無」網(wǎng)絡(luò)之間來回切換，駕駛者肯定對語音質(zhì)量的高低變換一定是有反應(yīng)的。

但小鵬的工程師已經(jīng)想出了對策：在線追求高品質(zhì)，離線兜底無時延。

“如果遇到「5 公里長的隧道」這類極端網(wǎng)絡(luò)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(dǎo)航或者自動駕駛這些播報，兩個模型工作準(zhǔn)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(yù)測當(dāng)下的網(wǎng)絡(luò)情況，自動改選「在線神經(jīng)網(wǎng)絡(luò)引擎」or「離線引擎進(jìn)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(zhì)。

“通過這個技術(shù)，小 P 已做到 97% 超高在線率。”郝超補(bǔ)充道。