All in大模型！智能座舱语音交互决胜2025

大模型加速上车，AI智能座舱竞争更显白热化。

诚然，在语言大模型为核心的多模态能力加持下，智能语音助理能够理解复杂的语言指令，实现知识问答、文本生成等，以及根据上下文进行逻辑推理，提供更智能、准确的回答，其水平成为了各OEM座舱差异化竞争的关键要素。

“2024年开始，车载语音助手的核心技术路径，已经慢慢转成大模型了；相对传统技术，大模型的核心优势之一就是理解能力、上下文关联的能力特别强。”云知声联合创始人、副总裁李霄寒表示。

很明显，座舱语音作为座舱娱乐和交互功能的重要入口，与大模型有着极高的契合度。尤其是自2022年底以ChatGPT为代表的大语言模型发布，国内外诸多玩家也在积极探索以大模型为基础的智能体（Agent）。

其中，云知声在2023年5月就发布了自研的山海大模型，交出了在AGI领域的第一张答卷。

彼时，其山海大模型的语言生成、语言理解、知识问答、逻辑推理、代码能力、数学能力、安全合规能力七项通用能力，及插件扩展、领域增强、企业定制三项行业落地能力已经处于业界前列。

在此基础上，云知声通过快速整合具体业务场景的相关知识与规范，已经打造了医疗病例生成Agent、交通客服Agent、智能座舱Agent等典型的行业Agent应用。

具体到智能座舱领域，云知声依托山海大模型重构了语音识别、语义理解、语音合成的全链路语音方案。基于大模型的理解与生成能力，其方案深度赋能用车、出游、主动关怀、健康、通用聊天等多个细分场景。

而自去年5月中旬，OpenAI推出GPT-4o，凭借突破性的智能交互能力，掀起了新一轮的多模态大模型新浪潮。与此同时，云知声也在突破更深层次的自然语言理解和多模态交互。

同年8月，云知声顺势推出了山海多模态大模型，通过整合跨模态信息，山海多模态大模型能够接收文本、音频、图像等多种形式作为输入，并实时生成文本、音频和图像的任意组合输出，带来实时多模态拟人交互体验，开启AGI新范式。

得益于过去几年不断补强的语音技术栈和大模型能力，搭载云知声语音解决方案的车型已经陆续量产，其客户包括吉利、上汽等。

这也意味着，云知声作为国产大模型的一道缩影，已经初步跑通了座舱语音大模型的技术、产品和商业化路径。

展望2025年，座舱语音的竞争焦点在哪里？大模型将如何重塑座舱语音交互？近日，高工智能汽车独家专访云知声联合创始人、副总裁李霄寒，找到了答案。

01

座舱语音加速迈向真人工智能

作为车内使用频率最高的交互方式，座舱语音既To B也To C。

于用户而言，影响其座舱语音使用频率和体验感的因素包括两点：一是使用门槛要足够低，二是语音交互能做到真正的人工智能。

而站在语音供应商的角度，要想做到以上几点，技术层面的衡量标准，一定是“听得清”、“听得懂”并且“答得好”。

其中，“听得清”是整个座舱语音的基建。毕竟所有座舱语音交互功能的实现，前提条件一定是“听得清”。

但要想做好这一点，并非易事，必须做好座舱语音整体硬件结构设计、软件算法等，这非常考验语音技术栈基础能力，包括降噪、回声消除、音区分离等。

这也恰恰是云知声的强项所在。

例如，云知声打造的降噪解决方案，实际降噪后语音信噪比可达20db以上，实现了音区精确分离，可确保车内对话清晰；回声消除后的语音信回比提升达到 35dB以上；降噪后的蓝牙通话方案，MOS分可以达到4.0以上（最高5分）。

值得一提的是，目前云知声在降噪层面的技术逻辑，已经全部基于数据驱动的神经网络实现。在此基础上，其语音唤醒、语音识别等能力也明显更强。

据统计，在端到端唤醒时延数百次测试中，搭载云知声语音技术的语音助理，最快可达220ms以内；离线识别首字上屏速度小于600ms，在线识别首字上屏速度小于700ms。

另外，“听得懂”作为迄今为止语音座舱最大的挑战之一，有望在大模型的加持下，赋能整个座舱语音做到真正的人工智能。

即在语音技术栈基础之上，结合大模型，语音助理可以做到更快的语义响应速度、更准确的意图理解和上下文跨越理解等，是现阶段座舱语音互相角力的重点。

比如，在山海大模型的加持下，云知声的语音助理的语义平均响应时延达300ms，意图理解准确率达95%，可实现复杂上下文跨域理解、语义纠错等。

而在“听得清”和“听得懂”的技术前提下，“答得好”是用户衡量座舱语音智能化程度最重要的指标之一，其关键点在于以语音助理为交互入口，集成更多的服务，包括多媒体播放、实时导航、车控，以及故障灯释义、维修手册等。

“语音助理什么都能听得懂，即便能做到这一点，假如座舱交互提供的服务只有有限的几类，那用户问到第N ＋1类服务的时候，再聪明的助理也只能说‘对不起不支持’，在用户看来这个助理就是不智能的。”李霄寒介绍道。

因此，在现有的服务能力上，与主机厂合力配齐更多的服务，亦是云知声在2025年的重点规划之一。

02

All in大模型，赋能主机厂座舱语音产品领先

“2025云知声将All in大模型，所有的车载语音技术方案都用大模型来做，旨在通过新的技术路线，带来新的体验和价值，赋能客户的座舱语音产品上市发布时，在行业内是具备领先性的，这是我们的目标。”李霄寒谈到。

不难发现，占领新一轮座舱语音大模型的技术高地，是接下来OEM在智能座舱差异化方面的技术竞争焦点。

毕竟，现阶段的座舱语音交互，大多还是由语音、文本两套大模型系统组成。其整体交互链路和流程，首先由用户发起语音请求，车机麦克风拾音之后，再调用语音增强能力接口，对音频做回声消除、噪音抑制等预处理。

此后，预处理后的音频需进行识别转写，转写后的文本再通过文本大模型进行语义理解，并给出语义理解的结果，输出文本回复再转化为语音回复。

从应用层面来看，这也极大地影响着用户体验。

一方面，人机对话过程由语音转成文字，再做理解并输出结果，在时间上存在一定的延迟。

另外，语音转变成文字后，会丢失较多的信息，比如情绪信息。即用户分别用愤怒和心平气和的态度说同样的话，得到的回复可能是完全一样的，显然与语音助手追求“拟人”相悖。

“只有把语音和文本两个大模型合并，语音助手才能变成真正听得懂人话的助理，尤其是在做意图理解时，不光能理解文字，还能读懂声音里蕴含的情绪等其它信息，并做出差异化的回复，因此2025年语音大模型会成为主流。”李霄寒表示。

而借助山海大模型，云知声在语音识别、语义理解、语音合成等方面，均已采用大模型技术，实现了语境理解、情绪感知、反馈学习等核心交互能力的增强，赋能座舱体验在不断优化与提升。

比如，在语义理解方面，意图理解大模型彻底解决了过往在意图分类、深度语义理解、多轮交互时的人机对话痛点，在影视问答、旅游推荐、娱乐闲聊、用车问答等高频6大领域准确率超过95%，且大模型语义平均响应时间为300ms。

另外，在语音合成方面，语音大模型支持情感化语音合成，用户可以选择自己喜爱的声音和人设，或者专属声音定制语音包，并支持多语种TTS合成，极大地提升了交互趣味性。

“以语音大模型为主的多模态大模型上车，到底要向用户提供哪些有价值的功能？这是值得供应商和OEM深思的问题，因为大模型上车一定要有价值，能够让用户容易使用，并且愿意使用。”李霄寒向高工智能汽车提到。

站在用户和OEM的角度思考座舱语音产品定位，坚定All in大模型的云知声，在业务层面也有了更清晰的规划。

据介绍，一方面云知声将提供完整的语音座舱解决方案，覆盖降噪、唤醒、识别、理解、语音合成，以及各类开发平台，云端、端侧的功能等；另一方面，针对语音座舱设计比较完善的客户，将以组件的方式提供服务，比如降噪、语音合成等可单独提供模块。

另外，云知声还将继续贴近OEM客户，包括驻厂提供更好、更快的座舱语音服务等，旨在成就客户座舱语音产品具备至少三个月的领先性。

决胜2025年座舱语音交互，云知声及其大模型的实际表现值得期待。