文|智能相對論

作者|leo陳

前幾日,微軟官宣了一項重量級收購,花費160億美元收購Nuance,這也是微軟繼260億收購Linkedin之后的第二大收購。Nuance是美國最大語音識別公司,被稱為美國版“科大訊飛”。

除了Nuance本身在醫(yī)療領域的能力,其分拆出去并獨立上市后的車載語音部門Cerence也是本次收購的動力之一。這不禁讓人聯(lián)想,未來微軟會在車載語音上有所動作�；蛟S,這是微軟在汽車行業(yè)的一次隱秘“落子”。

目前,全球科技巨頭紛紛布局智能汽車行業(yè),車載語音交互賽道也隨之產(chǎn)生劇烈變化。

從觸碰到語音,掀起一場供應商交互紛爭

隨著智能電動車崛起,座艙更加智能,更多車輛搭載擁有大量功能的車機系統(tǒng)和不同級別的駕駛輔助,造成座艙內信息大爆炸。面對海量的信息,智能汽車的中控大屏越來越大。

但細想,這些屏幕的內容集中高且有多個層級,輸出信息是高效的,可做信息輸入顯然是低效的。而語音交互,理論上指令可以有無數(shù)條,可以實現(xiàn)一步直達任何功能。正因如此,語音交互的價值再次浮現(xiàn)。

高工智能汽車研究院監(jiān)測數(shù)據(jù)顯示,2020年國內新車(合資+自主品牌)前裝搭載語音識別及交互功能上險量為1206．4萬輛,同比增長17．88%。在搭載率方面,則從2019年的49．82%提升至63．25%,車載語音已成為汽車繼中控屏外的第二交互手段。

實際上,近兩年語音交互迎來新一輪發(fā)展,不僅因為其較屏幕交互有著獨特優(yōu)勢,更是由于可以和“智能”做到深度融合,升級為“語音助手”。

智能汽車接入的生態(tài)服務資源廣泛,司機和乘客使用服務會變得高頻,語音交互系統(tǒng)可以從中獲取海量的數(shù)據(jù)。而數(shù)據(jù)來源于司乘日常的對話,相對豐富詳細,系統(tǒng)通過深度學習培養(yǎng)后也就越“智能”。

這與屏幕交互很大的不同在于,數(shù)據(jù)必然會加速汽車交互系統(tǒng)的更新迭代。而交互系統(tǒng)使用體驗的提升,會使得司乘進一步提高使用頻率,產(chǎn)生新的數(shù)據(jù)。兩者之間相輔相成,互相促進。

另一個不同在于,語音助手可以更好地同內容生態(tài)連接,把移動互聯(lián)網(wǎng)的產(chǎn)品和服務搬到汽車上,讓自身商業(yè)體系的優(yōu)勢得以凸顯。這也是除了體驗外,汽車廠商著眼語音交互的關鍵動力。

但隨著產(chǎn)品不斷推進,車載語音供應商之間的競爭愈發(fā)白熱化。在技術鏈路上,語音交互大致包括聲學前端,語音識別(ASR)、自然語言處理(NLP)等。當下競爭不僅集中在自然語言處理,而且衍生到背后數(shù)據(jù)和計算能力的比拼。

2020年數(shù)據(jù)顯示,排名前八的供應商市場份額超過99%。Cerence和科大訊飛繼續(xù)占據(jù)市場份額的前兩位,合計份額超過70%,不過數(shù)字已經(jīng)開始出現(xiàn)下滑跡象;百度排名第三,份額為7．24%。

這一塊目前的問題是,在一些高頻對話的定義上,整體效果較好,但在一些低頻的對話上,受限于語料、數(shù)據(jù)量不足,體驗上不盡人意。如何利用AI更好地推進自然語言處理,對公司的技術研發(fā)實力和積累提出高要求。

也因如此,該領域具備天然的競爭壁壘,先發(fā)優(yōu)勢和規(guī)模效應尤為明顯。這是BAT等科技巨頭難以實現(xiàn)快速滲透,市占率無法提升的主要原因。

而Cerence目前是全球唯一專注這個方向的企業(yè),有著超過20年技術積累,兼顧科技巨頭以及細分領域玩家兩方的優(yōu)勢。一方面,早有著科技巨頭從生態(tài)上集成第三方應用協(xié)作的能力,利用認知仲裁技術實現(xiàn)了第三方內容在系統(tǒng)上共存,簡化了助手執(zhí)行任務的流程。

另一方面,具備科大訊飛等傳統(tǒng)玩家豐富的集成經(jīng)驗和規(guī)模優(yōu)勢,合作全球主流OEMs和Tier1供應商。這不僅有助于加強成本優(yōu)勢,同時幫助自身積累豐富的語言數(shù)據(jù),目前Cerence和科大訊飛已建立數(shù)十種語言的語音數(shù)據(jù)庫。

汽車廠商不同的實現(xiàn)路徑,帶來不同的想象空間

汽車進入數(shù)字化和自動駕駛新時代,電子架構從分布式架構到域集中架構,再到跨域融合,汽車廠商開始掌握更多的主導權。隨之,作為需求側的廠商同語音供應商合作時,不再單一地走通用方案,而轉向深入理解應用場景、聯(lián)合深度定制。

在“智能相對論”看來,未來汽車廠商的語音助手前裝方案將主要呈現(xiàn)兩種實現(xiàn)路徑:

一方面,一部分將傾向于打造自研的交互平臺,并融合多家供應商如科大訊飛和思必馳的優(yōu)勢技術支持。

自研這種做法劣勢在于成本問題,改變核心領域的交互邏輯并將語義處理能力建立起來,需要不斷地研發(fā)投入。為了打造強大的智能AI服務于系統(tǒng),大量的數(shù)據(jù)沉淀也會拉長系統(tǒng)的更新周期。

而部分廠商選擇“偏向虎山行”,原因簡單概括就是“閉環(huán)”二字。

相比向供應商采購,自研平臺進一步符合車輛的特性,有著相對自由的權限以及更好的適配。同時,其迭代升級會更為迅速,響應速度也更快。若要“全雙工”、“連續(xù)對話”、“免喚醒”、“全場景”等技術能力更好地實現(xiàn),自研就顯得尤為重要。

部分廠商會選擇這條實現(xiàn)路徑,也是為了更好抓住行業(yè)中長期的趨勢。因為車的量產(chǎn)周期很長,如果廠商不能“獨具慧眼”,未來車上搭載的語音方案就是落后的,和同時期的產(chǎn)品比就丟失了部分競爭力。

以蔚來、理想、小鵬為代表的造車新勢力是最典型的例子,它們仍需借助語音供應商,但自研比例在逐漸提高。

蔚來有著NOMI Mate小機器人的車載AI系統(tǒng),如今其已升級至2．0版本,解鎖了更多的功能和表情顯示。蔚來較早選擇車載語音“擬人化”這個思路獨樹一幟,但的確走出了預想的效果,引發(fā)了后續(xù)多家效仿。通過“擬人化”,語音被抽象為人物形象的情感表達,反過來加深用戶對品牌的印象。

小鵬的“玩法”似乎“直接且硬核”。去年10月,其發(fā)布了自己的全場景語音,包括多輪對話、語義打斷、雙音區(qū)鎖定和可見即可說4個功能。在技術層面,小鵬自主搭建了一套語音框架,以便自主定義語音的全流程體驗,不受限于供應商的開放能力范圍限制。但必須承認,這需要長期投入人力物力財力。

另一方面,其他品牌則更多傾向于直接或間接選擇提供整體解決方案的供應商,比如Cerence、科大訊飛、BAT等供應商。

一般來說,整體解決方案僅小量自定義即可交付,特別適合車型品類和數(shù)量都非常豐富的汽車品牌,性價比相對更高。

當下,吉利汽車和長城汽車等我國自主品牌主要是走這條實現(xiàn)路徑。以長城汽車為例,去年4月,其戰(zhàn)略合作伙伴仙豆智能選定Cerence ARK來提供數(shù)字助理方案。與全球領先的供應商建立合作后,自主品牌的語音交互并不遜色于造車新勢力。

在這場語音交互“智能化”趨勢下,傳統(tǒng)豪華品牌如奔馳、奧迪、寶馬反而不是話語權的掌管者,和國內消費者對它們根深蒂固的認同感形成強烈反差。

傳統(tǒng)豪華品牌在汽車數(shù)字化上相對保守,往往選擇某一個車系的一款車型嘗試升級。不選擇自研能夠將開發(fā)周期大幅縮短,加上自身的汽車量產(chǎn)能力,可以快速將產(chǎn)品向市場鋪開。

2020款奧迪A4L語音系統(tǒng)由出門問問提供,同時搭載了Cerence和天貓精靈的相關能力。整體體驗比其他豪華品牌要好,但遠算不上第一梯隊。

Cerence和出門問問分別為這款車提供了一套ASR和NLU能力,兩者算是并行關系。所以用戶輸入任何一個指令,兩個通道都要跑一遍,最后統(tǒng)一口徑實行指令,流暢度不佳。

當下,傳統(tǒng)豪華品牌的智能化升級迫在眉睫,車內人機交互的體驗,已然成為各大廠商競爭的焦點。新勢力攪動市場,自主品牌紛紛發(fā)力,智能汽車市場的競爭如火如荼。

下一代交互盯住“主動多模態(tài)”,仍需邁過“雞肋”這道坎

激烈的競爭一定程度上推動著語音交互產(chǎn)品提高用戶體驗,也使得愈多用戶長期接受這種交互方式。智能電動汽車時代,“軟件定義汽車”這句話深入人心,但“語音”遠遠不能定義交互。

在整車底盤之上,還有攝像頭、HUD、玻璃、車燈(氛圍燈、外飾燈)等有望成為未來座艙端的交互產(chǎn)品。而語音交互能夠承載海量數(shù)據(jù)、帶來駕駛更高安全性等等,更會是交互產(chǎn)品生態(tài)的中心。

所以“智能相對論”認為,以語音交互為中心的“主動多模態(tài)交互”會是未來的方向。

不同功能的攝像頭好比多雙“眼睛”,能夠進行手勢識別、情緒識別,發(fā)現(xiàn)你的需求。這種情況下,攝像頭帶來的是交互系統(tǒng)“主動”提供服務,與其他地交互方式截然相反。當語音這種“被動式”和視覺的“主動式”融合,整個交互產(chǎn)品生態(tài)會為用戶提供更豐富的服務和信息。

例如,將車輛、行人、車道、標志識別融合導航信息進行實時渲染,提供行車預警及導航指引等系列功能,并通過HUD投影至擋風玻璃上,帶來更直觀的導航駕駛體驗。

與此同時,通過視線追蹤、手勢交互等操作對艙內座椅、燈光、空調、音樂等所有功能進行控制,從而在保障安全駕駛的情況下讓人機交互更易用,并配合人臉識別身份認證技術,提供駕駛員身份檢測以支持個性化功能實現(xiàn)。

愿景是美好的,但現(xiàn)實是,當下視覺交互落地的案例屈指可數(shù)。寶馬的手勢識別在2015年率先登陸寶馬7系,2019年下放到3系,通過攝像頭主要識別確認、調節(jié)音量大小、接聽和掛斷電話。識別率很高,但屏幕系統(tǒng)流暢程度和反應非常流暢,手勢識別反而顯得雞肋。

如何平衡好語音、視覺等多模態(tài)之間的交互邏輯,是現(xiàn)階段各家一直在探索的問題。

體驗參差不急,導致整個產(chǎn)品生態(tài)的價值沒有真正凸顯。最重要的是語音和視覺沒有從根本上融合,仍然是單打獨斗的狀態(tài)。

實現(xiàn)功能的整合并非易事,尤其是從被動指令到主動提供服務,需要成熟的AI技術的支撐。如果這種細微的服務能做好,體驗會有大幅提升,用戶粘性會隨之提高。

若拋開技術先看交互的目的,是為了提供更多的服務。而服務背后,則是廣泛的內容生態(tài),社交、地圖、音樂等等。因此,如果能夠為用戶提供更多的生態(tài)內容服務,交互產(chǎn)品生態(tài)的數(shù)據(jù)逐漸積累,人機交互也將更加智能。而這,必然需要多方的共同努力。