语音助理搭配人工智能将是不可或缺的环节

在车联网时代来临的前夕，我们车上已经有 GPS、行车记录仪、蓝牙喇叭等设备，营造更便利的驾驶环境。不过，在上路前免不了的一连串手动输入或设定，却又不是那么方便了，更遑论开车到一半时要进行变更。即使是趁着等红灯的空档，只要还得伸手去屏幕上按来按去，就多少增加了行车风险。于是，为了驾驶人与乘客更舒适安全的的乘车体验，语音助理搭配人工智能将是不可或缺的环节。

然而，这样一来我们就得面对另一个难题，便是这些车用语音智能产品，如何能提供优异的语音辨识品质，提高辨识率，让机器准确接收我们的指令呢？想像一下，你载着满车朋友出游，在国道上高速行驶，大家快意谈笑，夹杂引擎运转与风噪声，可能还正好放着一首 Lana Del Rey 的《Burning Desire》，使你不自觉脚踩油门。这时车内环境噪音绝对高于 70dB（分贝），而且还夹杂不同频率的声音。因此，让产品侦测说话的人并接收正确指令，是相当令人头痛的问题。

环境噪音对语音通讯品质的影响

在语音辨识的流程中，可分为五道程序：包含语音输入及语音讯号处理、语音特征撷取、以声学模型（acousTIc model）进行语音单元辨识、以语言模型（language model）来组织语音单元、解码及输出等。

目前语音助理的市场上，Microsoft 耕耘最久，Apple、Google 相继而起，以完善智能手机体验为目标；近期火热的 Amazon Echo，其语音助理 Alexa 则一开始就以独立的声控家用平台为定位，建立自身生态系。以上这几家语音助理开发商，基本上已经掌握后面四道程序。不过，一旦来到车用领域，产品设备开发商则势必要在语音输入及语音讯号处理的程序上，投注更多心力。

车用语音智能产品在车内环境中，与使用者的距离不出 0.5~1 米之内。一般汽车引擎发动后且车窗紧闭的情况下，车内噪音约 60dB 左右。假设使用者发出约 89dB 的声音（即一般说话音量的平均值），此时嘴边的讯噪比为 29dB，足以维持良好的通讯品质。但你不会想要每次下指令还得把脸贴到汽车面板前，因此 0.5~1 米是产品接收语音讯号的合理距离。然而，当说话声音传到 0.5 米时会衰减至 65dB，此时讯噪比只剩 5dB；说话声音到 1 米时则只剩 60dB，与噪音的音量相当，更不用说上述提到高速行驶的环境下，噪音都比发出指令的人声还要大。

符合标准的车用通讯品质

当面临车联网逐渐完善、语音应用普及化，越来越多车厂要求内建 Android Auto、Apple Carplay 等智能助理，而这些都需要按照 ITU-T P.1110/P.1100 语音标准来设计，对代工组装或设计加工的车用电子系统厂来说，等于是踏入未知的领域，只能以现有产品不断侦错找出问题，相当耗费时间。因此像是贝尔声学这种第三方语音测试实验室，就会从麦克风模组、连接线材等部分测试，首先帮厂商判断选料是否正确。

贝尔声学曾针对一款旧的车用麦克风模组进行测试，该模组配两颗 ECM 电容式类比麦克风，一颗为全指向性，主要用来收环境音，作为背景噪音消除演算法的用途；另一颗为单指向性，收音方向指向驾驶，用来接收驾驶的语音讯号。依据 ITU-T P.1110 测试方式，得出了以下数据：

从结果可以看到，麦克风模组离标准建议值太远，感度差了约 30dB，因此讯号必须放大 30dB，才能满足标准建议值。然而，这意味着杂讯也会跟着放大，造成语音品质跟辨识率低落。代表这款麦克风一开始根本就不该出现在车用语音智能产品上。透过贝尔声学的协助，能让厂商快速找到症结点，避免进行过多无意义的测试。

由于车子所处的环境噪音会随着车速、路段、路况、空调、乘客及音响等各种因素不断改变，而背景降噪演算法不易解决时时变动且突发性的声音，所以车用语音智能产品可以着重在一些细节，帮助提升通讯品质。例如采用两颗以上的麦克风阵列，以进行较佳的背景降噪演算法；采用讯噪比较高的麦克风，最好是 SNR 58dB 以上。其次，把麦克风置于离驾驶嘴巴最近的位置，如方向盘附近；但同时又要尽量缩短麦克风线材至主机的距离，且加强线材隔绝性，以减少外来的杂讯。最后，则是加上回音消除（Echo cancellaTIon）、背景降噪（Background noise reducTIon）以及麦克风自动增益（Mic auto gain control）等三种功能，帮助提升语音辨识率。