大模型加速上車，AI智慧座艙競爭更顯白熱化。
誠然，在語言大模型為核心的多模態能力加持下，智慧語音助理能夠理解複雜的語言指令，實現知識問答、文字生成等，以及根據上下文進行邏輯推理，提供更智慧、準確的回答，其水平成為了各OEM座艙差異化競爭的關鍵要素。
“2024年開始，車載語音助手的核心技術路徑，已經慢慢轉成大模型了；相對傳統技術，大模型的核心優勢之一就是理解能力、上下文關聯的能力特別強。”雲知聲聯合創始人、副總裁李霄寒表示。
很明顯，座艙語音作為座艙娛樂和互動功能的重要入口，與大模型有著極高的契合度。尤其是自2022年底以ChatGPT為代表的大語言模型釋出，國內外諸多玩家也在積極探索以大模型為基礎的智慧體（Agent）。
其中，雲知聲在2023年5月就釋出了自研的山海大模型，交出了在AGI領域的第一張答卷。
彼時，其山海大模型的語言生成、語言理解、知識問答、邏輯推理、程式碼能力、數學能力、安全合規能力七項通用能力，及外掛擴充套件、領域增強、企業定製三項行業落地能力已經處於業界前列。
在此基礎上，雲知聲透過快速整合具體業務場景的相關知識與規範，已經打造了醫療病例生成Agent、交通客服Agent、智慧座艙Agent等典型的行業Agent應用。
具體到智慧座艙領域，雲知聲依託山海大模型重構了語音識別、語義理解、語音合成的全鏈路語音方案。基於大模型的理解與生成能力，其方案深度賦能用車、出遊、主動關懷、健康、通用聊天等多個細分場景。
而自去年5月中旬，OpenAI推出GPT-4o，憑藉突破性的智慧互動能力，掀起了新一輪的多模態大模型新浪潮。與此同時，雲知聲也在突破更深層次的自然語言理解和多模態互動。
同年8月，雲知聲順勢推出了山海多模態大模型，透過整合跨模態資訊，山海多模態大模型能夠接收文字、音訊、影像等多種形式作為輸入，並即時生成文字、音訊和影像的任意組合輸出，帶來即時多模態擬人互動體驗，開啟AGI新正規化。
得益於過去幾年不斷補強的語音技術棧和大模型能力，搭載雲知聲語音解決方案的車型已經陸續量產，其客戶包括吉利、上汽等。
這也意味著，雲知聲作為國產大模型的一道縮影，已經初步跑通了座艙語音大模型的技術、產品和商業化路徑。
展望2025年，座艙語音的競爭焦點在哪裡？大模型將如何重塑座艙語音互動？近日，高工智慧汽車獨家專訪雲知聲聯合創始人、副總裁李霄寒，找到了答案。
座艙語音加速邁向真人工智慧
作為車內使用頻率最高的互動方式，座艙語音既To B也To C。
於使用者而言，影響其座艙語音使用頻率和體驗感的因素包括兩點：一是使用門檻要足夠低，二是語音互動能做到真正的人工智慧。
而站在語音供應商的角度，要想做到以上幾點，技術層面的衡量標準，一定是“聽得清”、“聽得懂”並且“答得好”。
其中，“聽得清”是整個座艙語音的基建。畢竟所有座艙語音互動功能的實現，前提條件一定是“聽得清”。
但要想做好這一點，並非易事，必須做好座艙語音整體硬體結構設計、軟體演算法等，這非常考驗語音技術棧基礎能力，包括降噪、回聲消除、音區分離等。
這也恰恰是雲知聲的強項所在。
例如，雲知聲打造的降噪解決方案，實際降噪後語音信噪比可達20db以上，實現了音區精確分離，可確保車內對話清晰；回聲消除後的語音信回比提升達到 35dB以上；降噪後的藍牙通話方案，MOS分可以達到4.0以上（最高5分）。
值得一提的是，目前雲知聲在降噪層面的技術邏輯，已經全部基於資料驅動的神經網路實現。在此基礎上，其語音喚醒、語音識別等能力也明顯更強。
據統計，在端到端喚醒時延數百次測試中，搭載雲知聲語音技術的語音助理，最快可達220ms以內；離線識別首字上屏速度小於600ms，線上識別首字上屏速度小於700ms。
另外，“聽得懂”作為迄今為止語音座艙最大的挑戰之一，有望在大模型的加持下，賦能整個座艙語音做到真正的人工智慧。
即在語音技術棧基礎之上，結合大模型，語音助理可以做到更快的語義響應速度、更準確的意圖理解和上下文跨越理解等，是現階段座艙語音互相角力的重點。
比如，在山海大模型的加持下，雲知聲的語音助理的語義平均響應時延達300ms，意圖理解準確率達95%，可實現複雜上下文跨域理解、語義糾錯等。
而在“聽得清”和“聽得懂”的技術前提下，“答得好”是使用者衡量座艙語音智慧化程度最重要的指標之一，其關鍵點在於以語音助理為互動入口，整合更多的服務，包括多媒體播放、即時導航、車控，以及故障燈釋義、維修手冊等。
“語音助理什麼都能聽得懂，即便能做到這一點，假如座艙互動提供的服務只有有限的幾類，那使用者問到第N ＋1類服務的時候，再聰明的助理也只能說‘對不起不支援’，在使用者看來這個助理就是不智慧的。”李霄寒介紹道。
因此，在現有的服務能力上，與主機廠合力配齊更多的服務，亦是雲知聲在2025年的重點規劃之一。
All in大模型，賦能主機廠座艙語音產品領先
“2025雲知聲將All in大模型，所有的車載語音技術方案都用大模型來做，旨在透過新的技術路線，帶來新的體驗和價值，賦能客戶的座艙語音產品上市釋出時，在行業內是具備領先性的，這是我們的目標。”李霄寒談到。
不難發現，佔領新一輪座艙語音大模型的技術高地，是接下來OEM在智慧座艙差異化方面的技術競爭焦點。
畢竟，現階段的座艙語音互動，大多還是由語音、文字兩套大模型系統組成。其整體互動鏈路和流程，首先由使用者發起語音請求，車機麥克風拾音之後，再呼叫語音增強能力介面，對音訊做回聲消除、噪音抑制等預處理。
此後，預處理後的音訊需進行識別轉寫，轉寫後的文字再透過文字大模型進行語義理解，並給出語義理解的結果，輸出文本回復再轉化為語音回覆。
從應用層面來看，這也極大地影響著使用者體驗。
一方面，人機對話過程由語音轉成文字，再做理解並輸出結果，在時間上存在一定的延遲。
另外，語音轉變成文字後，會丟失較多的資訊，比如情緒資訊。即使用者分別用憤怒和心平氣和的態度說同樣的話，得到的回覆可能是完全一樣的，顯然與語音助手追求“擬人”相悖。
“只有把語音和文字兩個大模型合併，語音助手才能變成真正聽得懂人話的助理，尤其是在做意圖理解時，不光能理解文字，還能讀懂聲音裡蘊含的情緒等其它資訊，並做出差異化的回覆，因此2025年語音大模型會成為主流。”李霄寒表示。
而藉助山海大模型，雲知聲在語音識別、語義理解、語音合成等方面，均已採用大模型技術，實現了語境理解、情緒感知、反饋學習等核心互動能力的增強，賦能座艙體驗在不斷最佳化與提升。
比如，在語義理解方面，意圖理解大模型徹底解決了過往在意圖分類、深度語義理解、多輪互動時的人機對話痛點，在影視問答、旅遊推薦、娛樂閒聊、用車問答等高頻6大領域準確率超過95%，且大模型語義平均響應時間為300ms。
另外，在語音合成方面，語音大模型支援情感化語音合成，使用者可以選擇自己喜愛的聲音和人設，或者專屬聲音定製語音包，並支援多語種TTS合成，極大地提升了互動趣味性。
“以語音大模型為主的多模態大模型上車，到底要向用戶提供哪些有價值的功能？這是值得供應商和OEM深思的問題，因為大模型上車一定要有價值，能夠讓使用者容易使用，並且願意使用。”李霄寒向高工智慧汽車提到。
站在使用者和OEM的角度思考座艙語音產品定位，堅定All in大模型的雲知聲，在業務層面也有了更清晰的規劃。
據介紹，一方面雲知聲將提供完整的語音座艙解決方案，覆蓋降噪、喚醒、識別、理解、語音合成，以及各類開發平臺，雲端、端側的功能等；另一方面，針對語音座艙設計比較完善的客戶，將以元件的方式提供服務，比如降噪、語音合成等可單獨提供模組。
另外，雲知聲還將繼續貼近OEM客戶，包括駐廠提供更好、更快的座艙語音服務等，旨在成就客戶座艙語音產品具備至少三個月的領先性。
決勝2025年座艙語音互動，雲知聲及其大模型的實際表現值得期待。