语音交互设计：从唤醒到多轮对话的完整链路

语音交互，说白了就是让车听懂人话，还能说人话。我做了这么多年座舱交互，最深的感触是：语音做得好，用户会觉得这车有「灵魂」；做得不好，那就是个智障音箱。

今天咱们把语音交互的完整链路拆开来看。从唤醒到识别，再到理解、合成，最后是多轮对话。每个环节都有坑，我一个个说。

一、语音唤醒：第一道门槛

唤醒词设计，我踩过最大的坑。

记得有一次，我们给某车型做唤醒词「你好小智」。结果上市后用户投诉：开车时听音乐，系统自己就醒了。查了半天，发现是某首流行歌的副歌里有个「小智」的谐音。嗯，从那以后，我要求唤醒词必须做声学模型对抗测试。

唤醒的技术实现，目前主流有两种：

方案	优点	缺点	我推荐
传统DNN	功耗低，响应快	准确率一般	适合低端芯片
端侧Transformer	准确率高，抗噪强	功耗稍高	主流方案

我个人习惯用端侧方案。为什么？因为车机不能老联网，隧道、地库这些场景，本地唤醒是刚需。

二、语音识别：ASR的三大痛点

语音识别，业内叫ASR。我见过太多项目死在这步。

第一个痛点：噪声。车内环境其实很复杂，风噪、胎噪、空调声、乘客聊天。我曾经测试过一款车，时速120时识别率直接掉到60%。后来怎么解决的？多麦克风阵列+波束成形，定向拾取主驾声音。

第二个痛点：口音。中国方言太多了。四川话、东北话、粤语...我建议至少支持普通话+两种主流方言。别想着全支持，成本扛不住。

第三个痛点：打断。用户说话说到一半，突然被导航提示音打断，ASR就崩了。这里有个技巧：做语音活动检测（VAD），检测到用户还在说话，就延迟处理其他音频。

三、自然语言理解：让车真正「听懂」

ASR只是把声音转成文字，NLU才是理解意思。

举个例子：用户说「我有点冷」。ASR能识别出这几个字，但NLU要理解这是「调高空调温度」的意图。

NLU的核心是意图识别和槽位填充。我常用的框架：

# 伪代码示例
intent = classify("我有点冷")  # 返回: adjust_temperature
slots = extract_slots("我有点冷")  # 返回: {temperature: "升高", reason: "冷"}

# 然后执行
execute(intent, slots)

这里有个坑：用户表达方式千奇百怪。有人说「热死了」，有人说「空调开大点」，有人说「温度调低」。你想想看，如果每个表达都写一条规则，那得写到猴年马月？

我建议用预训练语言模型做语义理解。BERT、GPT这些模型，能泛化到没见过的表达。我在项目里用过一个轻量版BERT，参数量只有30M，车机跑得动。

四、语音合成：TTS的「人味」

语音合成，TTS。说白了就是让车说话。

早期TTS都是机械音，听着像机器人。现在主流是神经网络TTS，比如Tacotron、FastSpeech。效果已经很接近真人了。

但我发现一个问题：很多车厂只追求「像真人」，却忽略了场景适配。

• 导航播报：要清晰、干脆，语速稍快
• 闲聊对话：要自然、带感情，语速适中
• 警告提示：要严肃、有紧迫感，音量加大

我个人习惯做多风格TTS。同一个语音引擎，根据场景切换不同的音色和语速。比如导航时用「标准男声」，闲聊时用「温柔女声」。

还有一个细节：停顿。机器说话容易一口气说完，没有呼吸感。我让算法在句号处加200ms停顿，在逗号处加100ms。效果立竿见影。

五、多轮对话设计：真正的交互艺术

单轮对话很简单，问一句答一句。但多轮对话，才是体现功力的地方。

举个例子：

用户：帮我找个餐厅
系统：您想吃什么菜系？
用户：川菜
系统：附近有3家川菜馆，您想去哪家？
用户：第一家
系统：好的，已导航到「老四川川菜馆」

你看，这里经历了4轮对话。每一轮都在缩小范围，最终完成任务。

多轮对话的核心是对话状态管理。我常用的方案：

方案	适用场景	复杂度
基于槽位填充	简单任务（导航、空调）	低
基于状态机	中等复杂度（音乐、电话）	中
基于对话图	复杂任务（多步操作）	高

我建议新手从槽位填充开始。为什么？因为简单、可控、不容易出bug。

我曾经做过一个失败的案例：多轮对话里没有超时机制。结果用户开车时没来得及回答，系统就一直等着，导航也不播了。后来加了30秒超时自动退出，问题解决。

六、实战经验：语音交互的「黄金三秒」

最后分享一个核心原则：黄金三秒。

用户发出语音指令后，系统必须在3秒内给出反馈。不管是识别结果、执行动作还是反问，总之不能让用户等。

为什么是3秒？因为驾驶场景下，用户注意力高度集中。等太久，用户会焦虑，甚至放弃语音操作。

我一般这样设计：

• 0-1秒：唤醒反馈（「叮」一声或灯亮）
• 1-2秒：识别结果展示（屏幕上显示文字）
• 2-3秒：执行动作或反问

如果识别慢怎么办？先给反馈，再慢慢处理。比如先显示「正在识别...」，等结果出来再更新。用户看到系统在动，就不会焦虑。

好了，语音交互的完整链路就这些。下一章咱们聊手势交互，那个更有意思。