作者： Mr.Yu
最近对智能语音的意见很大。
因为我发现，家里的小爱同学似乎不那么好用了：不是每次唤醒都能成功，也不是每次都是最近的那个智能音箱回应我的呼唤；让她打开客厅的大灯，亮起来的却是头顶的卧室灯。
两个月前，我还幸运地赶上了一次米家服务器的宕机，那体验可是相当的酸爽 —— 智能家居全部趴窝，中控 App 里设备全部下线；不仅没办法使用，有的连打开都费劲。这也算是深刻体会了一次人类科技文明的脆弱。
就这次宕机事件在 GeekCar 行业社群里吐槽时，很多朋友在质疑小米为什么不准备一套本地的冗余方案。而最后大家讨论出来的结论，居然是：无解。
于是，我想到了车上的语音助手：
驾驶和居家的场景各不相同，面临的问题会有哪些异同？集度概念车提出的全离线语音，能不能 cover 得住离线状态下的操控？车载 AI 的语音能力在宣传中被一再强调，到底是营销主导的诉求，还是产品力增长点？
以及，既然都说智能语音好，为什么还是有这么多人不喜欢它？
想要更多维地了解问题的全貌和本质，所以我约了来自汽车行业不同链条的朋友们，抛开偏见，一起聊聊。
为了尽量保持内容的全面和易读，这个系列将会采用还原对谈内容的方式进行呈现。不是正式的专访，交流中也会有一些我个人的观察和思考。
因为涉及很多人的从业经历和个人观点，所以被强烈要求匿名，这次依然称他们为 Mr.K。
第一位 Mr.K，是一位十分以及特别资深的智能座舱产品经理，就职于某家正在造车的头部企业。我和这位 Mr.K，围绕着一系列关于智能语音的行与不行，展开了讨论。
借用一下梁文道先生《八分》节目的 slogan—— 不保证成功，不一定有用。对于从业者来说，不停止思考才更重要。
以下是对谈的实录，Mr.Yu@GeekCar 是我，另一位是 Mr.K。
Mr.K：
你说这次想聊聊选题是车上的语音，或者说智能语音助手，我先想到的不是某辆车，而是两个形象。不过里面没有大家最经常提起的钢铁侠管家贾维斯。
第一个是《美国队长 2》里，神盾局长被伪装成警察的九头蛇特工堵在路上追杀时，座舱里的 AI 语音助手就体现了很多能力。十分令人印象深刻，你可以去看看那段剧情。
第二个是一部有些年头的美剧《霹雳游侠》（Knight Rider），不知道你看过没有。
Mr.Yu@GeekCar：
我知道的，麦扣嘛。
Mr.K：
对，提起这两部片子，其实是想做个对比，想说明当前的车载智能语音，和人们所期待的智能语音之间，其实还是有很大差别的。
也就是你的选题想说的，现在的车载智能语音并不智能，至少是打个引号的「智能」。因为我在车厂内部做这类产品的时候，我们也叫智能语音，但实际上它真的不是很智能。
为什么这么说，因为从你们作为媒体从业者也好，我们作为汽车从业者也好，都会觉得它比较笨或比较傻，并没有达到人们期待的那种效果。
Mr.Yu@GeekCar：
为什么会这样？或者朴素地来讲，人们期待的智能是什么？
Mr.K：
简单点来说，它要真的像一个助手，或者说像一个伙伴一样，在车里能够在适当的时间给我适当的提醒和建议。能够通过识别和分析个人的表情、情绪，给出一些不同的建议等等。
这样的话，你才会觉得它更贴近人的交流方式，而不是说让人直观地觉得它是机器。
所以要分类的话，刚才提到美队 2 片段里体现了很多能力，比如驾驶者生理状态的监测和主动建议、车身状态的监测、主动寻找可调动的支援、应对危机状况的主动建议、逃生路线规划等等，这些比较接近现实中能够实现的阶段。
《霹雳游侠》里的车载 AI「基特」（KITT）那个状态的话，就是高阶的人工智能了。
Mr.Yu@GeekCar：
所以《霹雳游侠》那叫科幻，贾维斯也叫科幻。但就算这样，没接触过或没有概念的人也不太分得清。
咱们聊点儿现实的： 现在行业上下是个什么水平？或者说，大家进展到什么阶段了？
Mr.K：
那我就默认你体验过很多车的语音了，毕竟咱们聊天时你也说过，你之前的业务里就在跟 AI 语音打交道。
我们在做产品的时候，会找很多竞品做对标。越往后做越发现，其实现在其实现在车载语音的能力大差不差，互相之间没有太大的差别。
先进的维度体现在哪？主要是语音识别的准确率，这里包含更精准的理解和执行力。
这其实是一条路线。大家都知道，以前的智能语音的识别率并不高，可能也就 80%，再到 85%。 这是个爬坡的过程，越往上越陡峭，行业和学界付出得越多。
我记忆里之前科大讯飞提过，他们能做到 99.9%，可能是语音加视觉，根据你面部和嘴部的一些动作，结合语音来进行多模态的判定，提高识别的准确率。现在行业基本上能做到 95% 到 98% 的准确率，就已经非常高了。
话说回来，人跟人说话的时候还经常会 get 不到对方的准确意图，我们不能对机器要求太高，至少现在不行。
Mr.Yu@GeekCar：
说得也是。话说回来，要是想语音的覆盖面更全更广，这背后是怎么实现的？
Mr.K：
其实你会发现，这里边的所谓的「人工智能」，是先有人工，再有智能。我一直很打趣地这么去说，但这就是现状。靠人去积累和收集所有能遇到想到的场景，包括我之前做的项目，还有最近正在进行的项目都是这样。
我们在做项目的时候，要把所有可能涉及到的场景、和语音语义的环境覆盖全面。在不同场景下，人可能会说什么，我们都要猜测，让它尽可能地完善和扩充。
多数情况下，大家会觉得还挺智能的。但备不住一些人会去做测试和反向的推敲，乱说些什么，超出 AI 的能力范围了，就会出现一些问题。
这时候如果能出现一些兜底的反应，譬如告诉你从搜索引擎上找到的结果，这就说明做得还不错，至少这个框架是完整的。
Mr.Yu@GeekCar：
你说人工这点我很有感触。以前合作方的同事们经常加班加点地写 AI 的话术，还很苦地跟我开玩笑说，「果然有多少智能，就有多少人工 」。
那不行的反馈会是怎样？
Mr.K：
有个例子很有意思。
我坐到车上唤醒出智能语音，我说「打开」，然后 AI 自己就把座椅加热打开了。
实际上我没有说具体打开什么，所以这个反应不正常，对吧？你会发现，其实各家语音设计的现状，都会多多少少出现我陈述的这类问题。可以归结于人工的程度还不够，导致智能的层面体现得不够深。
我再说一点。行业中常提到的「可见即可说」这两年很火，屏幕上显示出来的功能选项，你都可以用语音控制。我这里分享下自己的见解，你看看是不是这样。
我认为可见即可说的推出，本身是有待推敲的。
语音的目的是什么？是不是让我安心驾驶的同时，提高交互的效率？那你又让我一眼一眼地可见即可说，这本身是不是存在矛盾点？
Mr.Yu@GeekCar：
我明白你的意思。能够只占用一条人体感官通道的话，咱们没必要占用两条或者更多，人脑对感官信息的处理是有负荷上限的。
Mr.K：
当然，我并不是说相关技术没有含金量。
你知道，界面是相对固定的。AI 怎样提取界面的关键词，怎么理解指令，如何执行，这里面后台还是有一些比较厉害的算法在的，以保证不会出现误识别的尴尬，这是有技术含量的。
当然正面的期待刚才也说了，希望在驾驶的时候，AI 能够承担起作为助手的角色，可以在适当的时间提醒我，或是给出一些建议，比如路线的及时优化，或是提前给出一些天气预警、道路拥堵变化之类的提示。这是我作为一个实际的用户，真正想要的。
还有个槽点就是，有时候固定句式的语音命令太多了，我真的记不住。我不知道你看过买车时的说明书没有，有些车机上甚至会有专门的帮助文档，告诉和引导你怎么用。
语音难道不应该是最自然的交流方式吗？为什么还需要这么多专门的说明文档呢？
Mr.Yu@GeekCar：
对，你说的这样让我感触颇深。我也讲个自己的真实经历吧。
有一次我们的一辆评测车辆该还车了，我们去加油。但是到了加油站停稳了，人家工作人员都举着油枪过来了，我们才发现一个尴尬的问题 —— 不知道怎么打开油箱盖。
我下车按油箱盖，没有反应；
同事冲着车机喊，没有反应；
主界面和设置里，好像也没有。
我们就这样一直卡在那里。当时来加油的人挺多的，说实话我们也挺尴尬的。
后来没办法了，我用语音打开了帮助文档，在里面按照关键字搜索，找到了开启方式。
具体是怎么样的我就不说了。当时我就觉得，至少这种倚重语音又覆盖不全面的设计，真的太反直觉了。
Mr.K：
对，这种就是看似很智能，实际上很傻的一种做法，而且这不够贴近我们日常的交流方式。
Mr.Yu@GeekCar：
因为人的交流方式会基于常识的积累，基于智商和情商的决策，很多时候机器是不具备的。
Mr.K：
所以我们期待的功能，不如说同时也是厂家的期待。不管是叫智能语音，还是语音助手，具备你说的这些才算是贴点边儿。
现在所谓的这些叫法，其实有点类似于厂家宣传智能驾驶。什么叫智能驾驶？其实这件事本身就很有意思。
现在正确的叫法，应该叫做「智能辅助驾驶」，一定要突出辅助这两个字。厂家愿意叫智能也行，但实际上它就是辅助驾驶，千万不要说自动驾驶。
所以语音的宣传也很类似，你不要说人工智能语音本身的概念，在产品的呈现上，它就是普通的语音助手。
Mr.Yu@GeekCar：
对，其实现在厂商在宣传的方面已经相对收敛了。
就我的观察来说，在 2016 年到 2018 年的时候，是一个 AI 概念在全社会的泡沫期。消费电子也好，或是技术厂商也好，都在向社会大众传达一种期望：我可以完全地去依赖人工智能。
一个非常普遍的点就是，人人可以弄个智能音箱放在家里，它不仅能够控制智能家居电器，能查询和放歌，厂家甚至会告诉你，完全可以把「它」当做家里的一口人，你可以有一些情感的投入和互动。
但是事实证明，最后这点完全是做不到的。我也觉得，厂家不能拿一些非常不典型的案例，当做语音交流能力的普遍体现。
回到车上也一样。你提了一辆新车，跃跃欲试地想要试试厂家宣传的智能语音。但实际上，这是个互相磨合的过程**，在一到两个月的时间里，你慢慢熟悉 AI 的能力边际，它试着学习你的使用习惯。这个过程会伴随着期待值的下降，尤其当你发现 AI 的实际能力跟你之前的期待有所出入的时候，你跟 AI 语音的交互频率也许会上升，但总体还是会下降**。
这个阶段过去之后，才真正可以称做是「使用体验」的开始。
不一定保证正确，但我一直是有这么一个观察的，包括一些行业调研也证实了我的看法。
Mr.K：
你说得对。用户跟语音交互其实是有个潜在的期待值在起作用的，任何时候都是。
如果能够准确响应了，就还 OK。一旦没有准确响应或者执行，就进入了很典型的逻辑：你觉得它不好用，或者干脆是很傻。
Mr.Yu@GeekCar：
对。如果准确率能达到十成，你觉得很 OK；能达到八成，你会觉得「嗯，还行」。低于八成的话，就跟「好用」一点儿边儿都不沾了。这么多年行业没少在这方面下功夫，也才发展到了我们今天看到的样子。
我还可以举个例子。比如有一次，我在卧室让智能音箱开灯，我要去冲奶粉。正常情况它会打开客厅的大灯，但就有那么一两次，亮起来的是卧室灯，而且不是预设好的低亮度。那一刻，我们家人类幼崽在小床里睡得正香，随时可能被惊醒。
然后我一下就慌了，我赶紧让它关灯，但这个过程是很慢的。可能是我语速快了一些，智能音箱没有识别到。其实后来想想，那一刻我不如直接去按掉电灯的开关。
这里边会有一个逻辑 Bug。我们去发布指令的时候，或者说跟智能语音交互的时候，理想状态当然是一个相对稳定、流畅、平衡的正常状态，也希望获得正常的反馈。
一旦跳出理想环境，又进入比较紧急的状态，影响了你的语速和语气，AI 也没有落实，这时候的观感和体验都会很差，甚至让人抓狂。
Mr.K：
你说得很对，体验确实会受到影响。
其实车里最常涉及到的几个语音交互场景，我简单说一下：导航、播放、空调，这三个是最常用的，有实际数据支撑。别看场景简单，这里面也会存在一些 bug。
比如最常用的导航，我不知道你有没有遇到过。我让导航规划路线，只有一个路线，然后语音会问我，「第几个？」。
大哥了，你只给我规划了一条路线，还让我选择第几个？交互能不能不要这么复杂？不要这么走形式？
Mr.Yu@GeekCar：
至少说明人家的框架是完整的。
Mr.K：
对，就是框架设计的体现。然后延展到行车过程中，如果根据实时路况，系统发现了更优的路线，是不是应该及时告诉用户，有一条更优的路线可以节省 5 分钟、10 分钟，你要不要走？
这时候用户自然会有判断，对吧？
包括我现在说的也是一样的，你不说的话就只停留在导航界面上。行车过程中语音也没有主动提醒我，是否存在更优的路线。其实这个不难做到。
不夸张地说，如果这种主动性的良性提醒能够实现，行业当前的语音体验起码能够提升 50% 以上。这才是更加贴近「智能」这个概念的状态，当然感官上也会更好一些。
Mr.Yu@GeekCar：
明白。就像 2016 年荣耀推出融入了很多 AI 能力跟场景的手机时，有个我印象很深的点：你在票务平台预订了电影票，然后当你在快开场的时候走到影院附近的话，它会直接弹出来你的取票码和二维码，直接走到取票机边上掏出手机就可以取票。当然，这个能力我是后来在华为的智能手机上体验到的。
这功能很出彩吗？说实话，也就还行吧。
但就是这些看似不起眼的便利和满足感一点点地积累起来，真的是量变积累到质变，会让人对一款产品，一个品牌产生认同感。就像能带给日常生活幸福感的，不会是家里那些昂贵的大件，而是很多很方便的小电器，能够满足你一些不那么核心的需求。
可能扯远了，这是我对体验的一点儿理解。
Mr.K：
没关系，你的想法还挺细致的。
回到咱们的问题上，可以引入类似马斯洛金字塔的方法，按照对指令的响应效果来划分。
咱们之前也讨论过，有些语音也好，其他体验也好，从框架上来讲就是压根儿没做完。主要体现在，你说出指令之后，系统没有反应，也不给你反馈，然后这一轮交互就这么过去了。
好一点儿的可能是，系统判定理解了，但执行不了，然后它通过搜索引擎来介入。这样也算是听懂了，但没办法以你想要的方式来进行反馈。至少比刚才那个要更好一些，也算是一种兜底的做法。会让人觉得，心理预期没有达到，至少系统在尝试帮我解决这个问题。
然后更好一些的就会直接跟你说，我可能现在还没有办法帮你实现，不过我会努力提升。这是我在日常工作中见到最好的，也是最多见的。或者说你有没有见过比我说的这种再好一些的表现？
Mr.Yu@GeekCar：
更好的也许没有，更奇葩的我倒是可以分享一个。
有的 AI 没法响应需求，但它不会直截了当地说「我不行」，而是告诉你「我就不」，然后开始恶意卖萌。
说实话，这种「赛博傲娇」的嘴脸很让人讨厌。咱们原本就是简单地一来一回，你告诉我你做不到，至少这样是真诚的。你作为工具型的产品，既不聪明也不真诚，那可真叫人喜欢不起来。
所以在落实语音指令这点上，你有没有比较认可的案例？
Mr.K：
我之前在工作中体验过北汽极狐的一个功能是这样，当你再次打开空调的时候，默认还是上一次的温度和风量，这很常见。而如果启动状态下你再说一次打开空调，AI 会告诉你，当前空调已经打开了，然后问你是觉得冷了还是热了？
它会根据你发出指令的合理性，做一个理解，进而判断你的意图，或者说考虑你的感受。这点我就觉得很好，因为体验的颗粒度提升到了一个更细的程度。
Mr.Yu@GeekCar：
特别理解。
被你说得好像一下子到了做 SPA 时的场景，为你提供服务的工作人员会问你，力度是不是合适？重了还是轻了？多数情况下，顾客会回答「OK」或者「合适」。
其实这句话本身的意义不大，因为要是不合适的话，你就直接告诉人家进行调整了。但是被问一下，会让你觉得还行，服务是到位的，自己的体验是受到重视的。
那你认为全部依赖语音的做法可行吗？现在语音交互在车内的比重在增大，我们也能看到一种去物理按键化的趋势，把操控和交互分摊到语音、触控等方式上。
Mr.K：
这是值得讨论的，我先不说结论，咱们先列出几个点。
第一个，我想调整音量大小，或者打开雨刮器。用拨杆或者方控上的按键，零点几秒就可以解决了，为什么还要走「唤醒 —— 响应 —— 发出指令 —— 执行 —— 告知」这么冗长的流程呢？
这是我想说的第一点，最起码现在来讲，物理按键还是不可取代的。
第二点，物理按键和虚拟按键，本质上都是按键。大面儿上来讲只是一个摸得到、一个摸不到的区别。你们之前在文章里讨论过，物理按键有很强的的反馈作用，而且简单易上手。
Mr.Yu@GeekCar：
还能盲操。
Mr.K：
对，还能盲操，实现操作的去视觉化。
近年来行业也在探索，比如在屏幕内增加振子，来为触控增加震感反馈，去模拟实体操作的感觉，也是 OK 的。比如奔驰，再比如还没正式发布的 NIUTRON 自游家 NV。当然，可能因为涉及成本的增加，或者技术复杂程度的原因，还没有大范围推广。
所以，我认为最值得期待的，还是语音和其他方式的结合，形成多维的交互方式，在安全、高效和便利中间取得平衡。
图片来源：NIUTRON 官网
Mr.Yu@GeekCar：
那为什么语音在这几年逐渐势大呢？甚至出现了完全去物理按键的设计，而且这种现象还有抬头的趋势。
Mr.K：
首先，我认为是为了迎合大众的口味，这点不容否认。
为什么？因为新能源车、智能座舱，本身就代表了一种新的科技的具现化，或者说给人感觉是很多新技术的综合体。所以座舱里要有一些以往没有的技术，来跟车本身的定位去搭配。
其次，这是一种趋势。一家做了，两家做了，很多家都做了，行业就是这么发展的，厂商之间是存在互相影响的。
第三，刚才提到物理按键和语音的操作，咱们必须承认是各有优劣势的。人在驾驶过程能够自己判断，用哪种交互更加符合安全驾驶的大前提、执行效率更高。
Mr.Yu@GeekCar：
为什么这么说？
Mr.K：
因为大部分的车厂都是非自研的。所谓的非自研，引申出来就是都要用到 Tier 1—— 对，又提到 Tier 1 了。宏观来看，很多厂家并没有能力去做语音技术层面更深入的开发。
做不到怎么办？那就只能随大溜了。所以你说，车厂是真的想做好语音吗？我认为是有心，但现实往往是无力。所以更多的是，大家都停留在一个差不多的水平上。并不是说好或者不好，而是代表了一种行业现状。
你可以去剖析一下现在 OEM 车厂的规划和营销，大层面上大家的想法都差不多。因为规划决定了这个车要有什么；营销决定了这个车怎么卖给用户，怎么向用户传达期待。
所以就要提到决策机制了。中间的研发其实很难的，有些话语权的话，研发还能有些空间；要是没有话语权的话，又处在 KPI 压力之下，能不能做出好东西一下子就变得不确定。
Mr.Yu@GeekCar：
所以自研就变得很重要。
Mr.K：
对，可以参考小鹏汽车。
如果有人说，小鹏的车载语音处于行业顶尖的水平，相信有一定客观认知的人都不会反对。
Mr.Yu@GeekCar：
那你怎么看待通过语音炫技这件事？有没有可以拿出来说的？
Mr.K：
好问题，我可以简单举个例子。
第一，就像前面说的，我认为可见即可说也是一种炫技。也可能我还没有领会这类能力的真正价值，所以这里先打个问号。
第二，我跟车载语音助手连续说，打开空调、打开车窗、打开天窗、打开座椅加热…… 这就是炫技，正常用户没人这样交互的。当然，真正的连续对话和炫技之间，还是要分清的。
所以一些功能的实用价值不大，又被拿出来当做重点宣传的话，我认为是不合适的。
Mr.Yu@GeekCar：
我大概知道你说的是哪些了。
所以，我会认为这是一个很巧妙的心理层面的骗局。 因为拿出 Demo 来给大家看的，一定是表现最好的。或者也可以说，是通过设计之后，表现最好的。
用户在媒体或者社交网络上看到这些的时候，会觉得很牛，会将自己代入进去。但是买回来自己用的时候，还能不能达到类似的效果？还真的要打个问号了。
如果说这时候品牌过分地传达了期待，是不是不合适的？
Mr.K：
你不如这么看，营销和宣传这两样东西，无形中肯定会带着夸大的手法，这也很朴素地符合人们对营销的基本认知，对吧？
如果宣传最终传达出来的能量小于实际效果，这营销就太保守了，是要扣分的。
如果说传达给大众合理的期待，又不让人觉得浮夸，这个是很难的。当然，这肯定是最合适的。
但咱们讨论的炫技不在这里面，炫技更多是为了制造话题点，为了宣传而宣传。短视频平台上疯传的让车跳舞的段子就属于这种。
Mr.Yu@GeekCar：
说到过度宣传，我就会想到所谓的「情感交互」。前几年很多 AI 大厂都在热炒这个概念。
Mr.K：
强调情感的前提，是你得「像人」。如果 AI 能够做到有来有回地跟我交流，这样会让我产生依赖，但那更多是对于工具属性产品的信任，而不是情感。
所以你提到这个话题，我能最直接想到的是语音语调、说话方式是不是像人，而不是我真的要跟算法推心置腹。
Mr.Yu@GeekCar：
对，我想到英语环境里经常提到的一个词，叫做「可信赖的」。
刚才说过，因为人类之间的对话，是基于智商和情商、表达能力和决策能力、情绪、常识、博弈等等这些要素综合影响的结果。
退一万步来讲，现阶段我们能接触到的 AI 语音，所能够支持的对话形式，大部分是你说一句我回一句的回合制。光这一点，想去进行所谓的「情感交互」基本上就毙了。
所以我会认为，现阶段来说，跟 AI 语音之间的对话，最多只能算个带有明确目的性的交互的出入口。
Mr.K：
对，就像你说的，语音只是个出入口。
但实际上背后是有一个类似大脑的机制来支撑的。如何设计、如何做策略，其实还是很关键的，也很复杂，也许它的复杂程度不亚于辅助驾驶的算法。
随着产品的不断完善，以后肯定会有更高级的技术融入进来，那就是以后的事情了。
Mr.Yu@GeekCar：
你刚才提到了支撑两个字，我觉得特别到位，对今天的对谈来说是个圆满的总结了。
语音也好，或者其他交互方式的智能也好，本质上还是为体验和安全做好支撑，而不是喧宾夺主。
Mr.K：
没错，将来或许能够实现，只是现在来说还不够格。
用你们媒体行业经常说的一句话，咱们拭目以待吧。
写在最后
感谢看到最后的每一个人，这次的内容又不短。
语音是个太简单又太复杂的事情。
简单，就简单在绝大多数用户只会关心它好不好用，自己之后是不是愿意用下去，而不会深究更多。
复杂，就复杂在哪怕是微小的进步，反应速度快了几百毫秒、对特定嗓音的识别率高了那么百分之几，从业者们付出的努力都是不容忽视的。复杂到行业上下一边不断试错，一边探索体验的边界。
对于这些问题，我在 Mr.K 这里得到并不是答案，而是代表了其中一位行业者基于自己经验和思考得出的结论。
我想，我更期待在下一位聊起这些的 Mr.K 身上，听到些不一样的声音。
