小鵬汽車似乎對產品有近乎偏執要求：要在車內創造出一種能「無限接近人類語氣」的聲音交互系統。
7月，這套「全新AI聲音」的小P系統將在P7部分車型上線。
“去年1024之后，小鵬車機智能化有了很大進步，于是我們花費很多精力在小P的語音表現上，給大家一個更好的信息傳遞。”小鵬汽車AI產品專家陳思云介紹起全新車載語音。
小鵬產品團隊為新聲音設立了三大「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)親切傳達信息，拉進用戶距離。
小P全新AI聲音是如何做到的呢?為實現這三條，團隊就必須往車機聯入一個在線的、更大規模的「神經網絡模型」——從而實現HIFI級別合成語音。
目前，這套神經網絡已經為小P帶來了2項肉眼可見的提升：
一、MOS評分4.49
經MOS1語音質量評測，該聲音得分為4.49，是目前微軟MOS語音質量評測得分最高的車載智能語音助手。
當然，MOS評分不能完全完全「神化」。
MOS最早源于電話的語音質量評價。這項評價標準由ITU(InternationalTelecommunicationUnion，國際電信聯盟簡稱國際電聯)在1996年，作為囊括在《P.800: Methods for determination of transmission quality 》中的一個「子標準」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、人工打分的一項判定方法。
別看MOS古老(那時TTS還未普及)，作為一個成熟、穩定、高度逼近人類聽覺體驗的評價標準，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，在全球最標準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，因為它是一個主觀比較，所以在換樣本量，或換不同的場景，都會導致分值上的差異。
需要放在同一測試中這個分數才有比較的意義。”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橫向對比。但我相信更新后，用戶拿小P和Siri對比，還是有很大區別的。”
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，我預感這波HiFi級高保真音質真的可以在P7上發揮出來，成為量產車中排名數一數二的沉浸交互感。
實際上，全新AI聲音采用24K采樣技術(現有聲音為16k)，各種場景下的聲音反饋都被精心調教，用戶聽到的每句話都細膩生動、充滿活力。
“新舊聲音對比來聽，會明顯感受到音質的差距。這個聲音不是拼接的，完全采用AI訓練、生成出來的。”郝超補充道，“業內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)，也算一次大的創新。”
除了這些「硬實力」，全新AI語音還有足夠「軟實力」。
“小P會像Siri一樣調侃么?”，筆者問道。
“全新AI聲音會有一些情緒上的表達，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行一些小的調侃，去調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車主一點點挖掘。
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、嚴肅、不滿、生氣、害怕、悲傷、冷靜」等14種強烈情緒的變換能力，后續版本還會逐步貼合更多場景。
說了這么多優點，但新技術哪有不翻車的。來談談筆者對小鵬全新AI語音的擔憂吧。
首先就是難以應對離線情形。
車輛行駛在偏遠地區，沒網，或者信號中斷，在「有-無」網絡之間來回切換，駕駛者肯定對語音質量的高低變換一定是有反應的。
但小鵬的工程師已經想出了對策：在線追求高品質，離線兜底無時延。
“如果遇到「5公里長的隧道」這類極端網絡情況，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出來，比如說導航或者自動駕駛這些播報，兩個模型工作準則是一樣的。”
按照郝超的說法，這套自研「端云融合多級緩存」，能讓車輛預測當下的網絡情況，自動改選「在線神經網絡引擎」or「離線引擎進行聲音合成」，總之就是在信號不佳的情況下，語音播報依然維持高音質。
“通過這個技術，小P已做到97%超高在線率。”郝超補充道。
最后：
筆者認為，擬人的全新小P能夠更好傳達信息。
回想下，你有沒有經歷過，當車內導航聲被道路噪音掩蓋、碰巧路線顯示延遲而錯過待轉路口?
在認知心理學中有個經常被提及的原理：「雞尾酒會效應」。指的是人類聽覺系統有著極其神奇的「專注能力」，即便在嘈雜環境中，仍能將注意力專注于某種「特定聲音」，而「無視」掉背景音。
其實，小鵬語音團隊做的便是將這個原理「逆」過來：做出一套更好被人類聽覺系統分辨的聲音。
人的注意力是有限的，一個好的交互系統在設計時就必定要考慮到極端情況下，如何減少人腦的能量消耗，從而達到最好的信息傳遞效果。期待小P早日讓車主們享受到這一樂趣。
