宝马自然语音识别系统

宝马在设计iDrive （智能驾驶控制系统）时，始终坚持的一个原则是「不分心」。2011年，当时的宝马人机界面负责人Bernarhd Neidermaier在一次交流中提到，设计师们心里其实有一条水平参考线——显示相关的都在线上，控制相关的在线下。他们努力将两者剥离，目的是尽可能地减少低头看屏分散注意力的时间，并且保证驾驶员用按钮控制时，不用倾斜身体或者抬起手臂。



▲这种把显示与控制剥离的设计，一直被沿用了下来。

另一种让驾驶员避免分心的办法，就是在车内引入语音交互。毕竟语言最接近人类的交流习惯，如果和你说话的系统足够聪明，一句指令就能清楚地指向一个功能，反复查看屏幕和手动操作的时间，都可以节省下来。

2016年CES（消费电子展）时，宝马带来了为中国用户开发的自然语音识别系统（NLU，Natural Language Understanding）。这项技术最先在3系和7系上应用，之后又延伸到了品牌旗下的更多车型。过去几天，车云菌体验了一辆宝马320i的自然语音识别，对这项功能的表现也有了更加直观的体会，在这套语音系统常规表现之外，还给它布置了几道小有挑战的「附加题」，大家也可以看看这套系统的表现。

先来认识一下宝马的这套自然语音系统

自然语音技术不是一蹴而就，宝马引入车载语音技术已经有很多年了。因为语音识别本身就是iDrive系统的一部分，所以语音控制体验和整个车载娱乐信息系统以及一些车辆辅助（比如空调等）紧紧联系在了一起。

据资料显示，第一代iDrive就可以用语音来控制导航和音乐，随后宝马又分别在2007年加入了语音拨号，2011年增加了文字转语音读电邮、短信等功能。

这个阶段，宝马使用的还是「条目式语音」，控制模式很像用鼠标去逐个点开系统页面，而且每次该说什么都要严格遵守规定。假如你要听手机上ColdPlay演唱的Viva la Vida，那就请依次说出「USB-按艺术家-ColdPlay-按歌名-Viva la Vida」吧。

2012年，语音功能迎来了一次大更新。宝马宣布开始使用Nuance的Dragon Drive（声龙驾驶）。这是一套「本地+云端」的混合系统。因为获得了云端强大的运算能力，语音交互不再受限于本地的存储和算力，语音识别率和速度都有了显著提升。

当时视频展示的语音交互已经开始简化，虽然依旧需要先说出「导航」这个命令大类，但用户已经可以在地址页面按要求，一次性输入完整的目的地地址。



▲2018款宝马320i的iDrive系统，用户可勾选是否通过服务器进行语音识别，来提升语音交互的体验。

更重要的是，云服务让语义理解变得更加容易。在2016年宝马揭晓最新一代自然语音系统时，交互已经在努力接近人与人之间的对话。导航时，系统已经可以根据「附近的加油站」这类模糊指令，给出一个非常接近答案的地址列表。

而且交互逻辑中，完成某个任务期间的多轮语音沟通不用多次唤醒。只要界面左上角的语音标识一直处于点亮状态，你就可以一直顺着引导，把任务完整布置给系统。因此在用户端体验上，宝马早期语音交互的那种机械感已经被大大稀释。

2016年发布的宝马自然语音识别通过方向盘上的语音按钮唤醒，可以用于导航，搜索POI，打开音乐广播，拨打电话，发送信息，查询车辆和生活信息等。在每个大类中，语音还可以控制更加细分的小功能。

整个语音交互过程，系统对答和提醒的女声语音听起来较为舒心，理解任务的成功率也比较高。在连接服务器的情况下，语音识别和语义理解的延迟可接受，系统思考的时间几乎不易觉察。

4道语音考试「附加题」

除了常规体验之外，我们为这套语音系统准备了几道附加题，更像是有趣的极限挑战，可以让大家对系统有更深入的发现。

1. 强噪音
对于车载环境，降噪是一项很重要的命题。因为行车时特有的发动机声，开窗时的风噪，车内其他人的说话声，都会干扰最终的语音交互效果。

常规测试车载语音系统的降噪能力，是在高速行驶时开窗测试。我们选择了更苛刻的条件——在驻车状态空调风力全开的时候，随意使用车载语音功能。因为空调最大风量时发出来的噪声非常大，而车机和空调出风口临近，会受到很大的干扰。

上面全功能视频的后半段（05：20起），是空调风量全开时的功能体验视频，拍摄时一镜到底，云端识别处于开启状态。其中，打开关闭空调、按距离筛选POI结果是车载语音原本不支持的功能，返回结果失败的原因不是噪音导致。总体看来，在非常恶劣的环境下，宝马这套车载语音的表现不错。

2.打断和修改

在熟悉和机器交谈后，系统的语音回复显得过于冗长。你会在机器说完所有内容之前，就下意识地打断它。宝马的自然语音识别在一些环节支持打断，可以兼顾需要解说和简化沟通的需要。

同时在语音识别、语义理解难免出错的时候，手动修改错误结果也是一个比较苦恼的问题。删除和重输入过程十分繁琐，使用宝马自然语音识别系统的语音修改，可以提高沟通效率。

在拨打电话这个任务中，我们随机测试了连续打断和修改方面的表现，测试时是车窗关闭的驻车状态，同时云端识别开启。

3. 不连网

这款车载语音产品是一个混合导航。目前这套系统的导航POI（兴趣点）数据优先从云端获取。为了避免车处在隧道、停车场等信号不佳区域导致的体验欠缺，车辆本地也会存放一部分导航数据，但一般而言输出结果需要更长的时间。



▲非联网状态POI搜索的表现，上图仅展示搜索步骤，不代表系统反应时长（整个过程约20s）。

我们关闭网络，测试了非联网状态POI搜索的表现。结果发现，本地处理时间有了明显增加，系统思考的每个步骤都在屏幕上展示了出来。首先非联网带来的时延，车云菌觉得对驻车状态的搜索不会造成太大困扰，但如果在行车过程操作，很有可能会导致错过路口，路线重新规划。对于把每一步都展示给用户的做法，车云菌认为反倒对用户理解系统是一种帮助，毕竟在本地状态下，语音识别过程的拉长，很容易造成「功能不可用」的误解。

4. 多意图指令

单一意图的语言指令，宝马的这套系统已经有不错的识别表现。但这并没有满足我们的好奇心。根据习惯，我们常常会使用多意图的语音指令，比如「提醒我明天下午给车云菌打电话」，对系统来说，挑战就是分辨该「打电话给车云菌」还是「给备忘录中增加一个提醒」。