车联网名词注解系列——语音控制篇

在过去一年的智能车联测试项目中，总有朋友提问：我们在文章中提到的很多名词，很难从字面理解是什么意思，有时候会让人摸不着头脑。正好借着这个各位居家“沉淀”自己的机会，我们就开启一个系列，挨个为大家注解那些晦涩难懂的专有名词，讲讲它们的含义、背景和意义，也备日后相关文章引用。这第一期，我们就先聊聊语音控制中的那些常见名词。

STT和TTS

互联网常识告诉我们：当两个字母/数字中间夹着一个“T”或者“2”时，它大概率指代“to”这个单词，例如：P2P、B2C、V2X，STT和TTS也是类似。

在部分技术文献中，这个环节也被称为ASR（Automatic Speech Recognition，自动语音识别），是融合了语言学、计算机科学以及电气工程领域知识和研究的一个复杂项目。

我们在宣传语中经常听到的“语音引擎”，通常就是指这五个环节的集合。在研发当中，尽管部分供应商具备完整的解决方案，但往往一辆车的语音控制系统会在不同环节选择不同的供应商，彼此通力合作，才达到最终的效果。

除了我们上文中解释过的词汇，NLP（Natural Language Processing，自然语言处理）是把用户的指令转化为结构化的、机器可理解的语言。

语音控制是一个复杂的涉及语言学、计算机科学、电器工程等学科，云端和本地融合的一项复杂功能，往往需要车企的电器部门和多个供应商同时合作，以达到最好的效果。对服务商而言，想提供最好的产品，需要在语言分析、指令集上常年累月的积累，想做好，真的不容易。

啥？连续说？免唤醒？

OneShot连续说和免唤醒

在过去一年对车载语音控制的测试中，有两个“高频词汇”——OneShot连续说和免唤醒。它们也是除“识别率”以外，我们最为看中的语音控制功能。

你有想过为什么一定要唤醒词吗？因为人在日常交流中很容易触发语音控制中的某些功能，唤醒词就是要规定一个时间段（唤醒之后到结束对话），在这个时间段内，语音引擎才对你说的话进行处理反馈。在现阶段的语音控制技术下，如果没有唤醒词，你将被车载语音控制骚扰到自闭。

那为什么不能像日常交流一样，直接叫名字呢？比如：李响，帮我打开空调。也是因为两三个字的名字很容易被误识别，导致误触发语音控制。所以唤醒词通常会被设置成“叠词”、“打招呼+名字”以及“某某同学”等，以降低误触发的概率。

但这也导致一个问题——人与人的交流模式完全不是这样啊！下面这张图是基本的车载语音控制交流模式，你看是不是特别熟悉。

OneShot是什么意思呢，很简单，即唤醒词可以和指令一起说，而不是先说唤醒词，等待系统回应后，再下达指令。有了OneShot连续说功能后，是这样的。

免唤醒词又是是什么意思呢，顾名思义，连唤醒词都免了，不需要呼出语音控制功能，直接下达指令即可，如下：

发现没有，这是一个越来越接近人与人交流方式的过程，同时也是一个越来越缺乏礼貌的过程，对的，人的交流方式就是没礼貌的。

以上是OneShot和免唤醒的含义和意义。而关于免唤醒词，这里还要多说两句，现阶段，免唤醒主要分为两种模式。

或是在音乐播放界面下，你可以直接说“暂停”、“下一首”、“增大音量”，而不需要先唤醒语音控制功能。这是目前应用最广泛的免唤醒方案。

在采用科大讯飞语音引擎的部分车型（长安CS95、奇瑞艾瑞泽GX冠军版等）上使用的就是这套逻辑。

这里我们也看到，在大部分功能都可以直接下达指令的情况下，系统还是要限定一个时长，如果不限定时间，误唤醒问题出现的概率仍然是难以接受的。试想一下，你和副驾驶愉悦地聊着今天天气真不错时，突然，系统开始自说自话：“今天北京天气晴，空气质量……”这样的情况出现两次，你可能就会永久关闭语音控制功能了。

小结

车联网名词注解系列的第一期，我们解释了语音控制系统的几个名词，聊了它们的定义、背景和价值。人与人的沟通，其实绝大部分都是通过“说”和“听”来实现的，当然，我们还有表情、手势等等，相比之下，想要让机器理解表情和手势的含义就更难了。各大车企、研究机构、语音交互方案提供商口中的类人交互，就是让机器学会理解语言、看懂手势甚至体会情感，语音控制作为其中一项，也才处于起步阶段呢。什么时候把“处理”真地变成“理解”，我们才进入了下一个更加智能的阶段。