车载智能语音——是执行者还是决策者？

“嗨，XXX，帮我打开音乐”、“嗨，XXX，帮我打开自动巡航”……现在各式各样的智能语音交互系统已经被广泛应用于人们生产生活，汽车作为人们出行重要的交通工具自然也不会被排除在外。通过语音助手或集成的语音识别系统，驾驶者可以通过语音指令执行多种任务，如导航、调整音响、拨打电话等，尤其在驾驶过程中车主的视线和双手可以更专注于道路及安全驾驶操作上，提升了车辆的安全性和便捷性。
一、“语音交互”如何实现？
车载语音交互是通过车载语音识别系统和语音处理技术实现的。下面的步骤是车载语音交互的基本实现逻辑和语音技术在车端应用的关键。
语音采集：车辆配备了麦克风，用于捕捉车内乘客的语音输入。麦克风通常分布在车内的合适位置，以确保能够有效地捕捉到语音信号。
语音识别（ASR）：通过车载语音识别系统，将捕获到的语音信号转换为文本。这涉及到语音识别技术，使用深度学习等方法对语音进行分析和解码，将其转化为可理解的文本。
指令解释（NLP）：语音识别后的文本会被解释为具体的指令或请求。这一步通常需要自然语言处理（NLP）技术，以理解用户的意图，并将其映射到相应的操作或功能。
执行操作：解释后的指令被传递给车载系统，执行相应的操作。这可以包括导航指令、调整音响、拨打电话、发送消息等。
反馈和确认：系统通常会通过语音或者屏幕显示等方式向用户提供反馈，确保用户的指令被正确理解并执行。这有助于提高用户体验和交互的可靠性。
语音合成（TTS）：对于需要向用户提供语音反馈的情况，车载系统还可以使用语音合成技术，将文本转换为自然流畅的语音输出。
为了实现这些步骤，车载语音交互系统通常依赖于硬件和软件组件，包括高质量的收音工具、音频处理器、语音识别引擎、自然语言处理模型等。此外，考虑到车辆所在环境的可变性、特殊性和复杂场景，系统需要具备一定的抗噪声和环境适应性能，以确保在驾驶时能够准确识别用户的语音指令以及识别到不同方位不同座位（如主驾和副驾）传来的声音。
在整个语音交互实现的过程中，亦可能涉及多个供应商和角色，包括大数据模型的提供者、语音识别的主体、云服务供应商以及直接面向消费者的车企、应用主体等多个参与方。我们在协助车企确保语音功能合规方面的实际经验表明，不同主体之间的产品与业务逐渐产生了交叉影响。有时，从车辆消费者的视角很难清晰区分这些功能，因此各方逐渐形成了更加合作与共建的关系。
二、执行者？or决策者？
从漫长的汽车发展史来看，世界第一辆马车式三轮汽车由卡尔佛里特立奇奔驰在1885年的时候研制诞生，而搭载语音功能的汽车发展却非常的年轻，兴起时间不长，在整个汽车发展史上仅占很小的篇幅，但发展却十分迅速。美洲豹（Jaguar）公司的2000年的一款款S-Type轿车可以说是第一辆可以用语音控制车载收音机、CD机、移动电话和车内空调系统的轿车。尽管要让每一位司机都可以与汽车交谈是不可能的，但是这项技术中的基本成分可以应用于司机与新一代车载电子装置之间更安全的交流。最初，语音功能，需要用户先输入详细的内容及信息，而语音助手实际上只是固定程序的模块化输出，基本只能满足特定用途（如语音导航的播报），功能非常局限，这类语音功能其实并不能称之为真正的语音交互。
时间来到2011年，国内首个智能汽车语音助理概念出现，可实现语音交互可通过云数据库进行匹配识别的同时，大大提升了语音系统的准确性和可靠性，虽然对于大数据算法的应用并未完全普及，因此语音助手功能在理解问题上可能仍存在一定的局限性，但这也标志着智能语音交互应用于汽车产业的开始。
如果说之前的“语音助手”都是萧规曹随，语音助手只是做汽车驾驶者以及乘客语音指令的“执行者”，那随着车载系统对于云数据库的应用、算法、算力的进一步提升，智能语音交互系统是否有可能衍生出自我学习能力和自我意识，成为主宰车辆的决策者呢？例如语音助手在判断到车辆可能发生不可避免的事故时，独立进行判断并作出相应决策，又如语音助手在长期学习后判断你的喜好，在你上车时自动为你播放适宜的音乐等。
2021年8月，中国工业和信息化部发布了《关于强化智能网联汽车生产企业及产品准入管理的意见》。该文件针对自动驾驶系统提出了一系列安全要求，包括但不限于设计运行条件、最小化风险状态的备用措施、人机交互功能、数据记录、功能安全以及网络安全等方面。
在制定和实施自动驾驶系统的算法合规过程中，除了考虑通用人工智能算法的合规性外，还需要审慎考虑设置自动驾驶算法的安全门槛。从保护用户和公众安全的角度出发，确定自动驾驶系统的安全性需要达到什么程度是至关重要的。自动驾驶算法的安全门槛应如何确定，涉及到如何进行算法的测试、检验与验证。由于自动驾驶算法具有不可解释性、不确定性、技术质量不确定性，即算法产生的结果是不可重复的概率性的结果，因此很难评估自动驾驶汽车测试结果的准确性和可靠性。这种评估可能需要采用仿真测试、封闭场景测试、实际道路驾驶测试、基于道路驾驶技术的测量路径，以及基于事故结果的事后测量等方法。
另一方面，在人机交互方面存在技术安全风险。对于3级自动驾驶汽车和从3级向4级过渡的自动驾驶汽车而言，当自动驾驶功能和语音交互系统作为决策者，其对车辆的接管问题是一个至关重要的因素，可能影响驾驶安全性。当语音交互系统、自动驾驶系统与人类司机共同负责驾驶任务时，及时控制车辆还是必不可少的。语音的通信方式和司机的反应时间可能会影响从自动驾驶系统到人类司机的驾驶活动以及其他车内活动接管的安全性。此外，自动驾驶算法还涉及网络安全挑战，如网络安全与风险攻击，以及伦理安全挑战，例如在不可避免的事故发生时，算法应该如何做出决策和行动，那么就有可能会出现火车铁轨撞向一名孩童还是多名孩童的问题。
因此，在现有的法规框架体系下，车载智能语音交互系统在自动驾驶的领域想要成为车辆的主宰可能无法实现，但将来还未可知。
三、车企头部玩家的语音交互系统
蔚来汽车-NOMI
NOMI，更智能，更有趣。基于强大的车载计算能力和云计算平台，集成了语音交互系统和智能情感引擎，可以不断学习、不断成长。另外根据ES8的用户手册中对“NOMI 车载智能伙伴”的介绍，包含的功能有基础功能、媒体、电话、娱乐、导航、空调、车窗控制、座椅、方向盘加热、灯、中控屏控制，其中，对于基础功能并未做过多的介绍，仅说明“想要实现的功能（彩蛋待发觉…）”，同时，当车内乘坐儿童时，还可以儿童智能场景对话。
小鹏汽车-小P
小鹏G9的端云一体语音交互方案中，本地端部署着一套能力相对完整的语音对话系统，具有弱网、无网状态下完成语音交互的能力。本地对话业务支持范围覆盖除了在线资源检索类指令以外绝大部分功能，功能点意图达到600多个，支持的说法自由度非常高。小鹏通过对高通8155芯片的深度挖掘潜力，搭配充分优化的本地语音自研引擎，能在充分发挥芯片的设计性能、为语音识别理解提供更快计算速度的同时，却更少消耗算力和资源。
理想汽车-理想同学
理想L9的智能座舱以五屏联动和全车语音交互为基础，屏幕的设计考虑到了每一个座位的乘客，同时车内布局了6个数字硅麦，采用全栈自研的全新的空间定位算法，实现了6音区独立识别，达到最佳的语音交互体验。
四、国内外对于生成式人工智能服务的规制
从车企头部企业对语音交互系统的介绍来看，车载语音交互系统正朝着更加“智能”、“算法化”、“类人”、“自我学习”的方向发展。这类服务以ChatGPT等大型语言模型为代表，在理解人类语言、人机交互、文本写作、代码编写、逻辑推理等方面展现出令人惊叹的能力，其生成结果在许多情况下能够媲美甚至超过人类水平。
然而，生成式人工智能的应用也引发了一系列潜在风险问题，包括侵犯隐私、泄露商业秘密、传播虚假信息、形成信息茧房，以及可能被滥用于网络犯罪等。这些问题已经引起各国监管部门的广泛关注，例如，意大利数据保护局（Garante）以侵犯隐私为由在本国禁用了ChatGPT。同时，欧盟在2021年首次提出了《人工智能法案》，该法案将适用于任何使用人工智能系统的产品或服务。法案根据风险分为四个级别，从最小到不可接受。对于风险较高的应用，尤其是涉及航空和汽车等领域的人工智能应用，被认定为法案中的高风险应用。
在这一背景下，2023年7月，国家互联网信息办公室（网信办）发布了《生成式人工智能服务管理办法》。这一法规对国内智能车载系统的发展将在一定程度上进行规范。
结语
最后，无论车载智能语音发展到何种程度，它是否仍然作为人类命令的执行者还是其衍生出独立的学习能力和决策能力还未可知。目前一些生成式人工智能服务的高效性、准确性以及逻辑性已经可以与人类相媲美，甚至一定程度上超过人类的水平，未来这类人工智能的应用可能会突破现有法规的规制，产生新一代的算法革命，这也将进一步推动车载智能语音系统的发展。