智能交互終于步入真·人機交互時代了，這很訊飛

白交 衡宇 發(fā)自 凹非寺

量子位 | 公眾號 QbitAI

蘋果放鴿子的更新，國產(chǎn)AI率先實現(xiàn)了。

背上一個看起來平平無奇、體積也沒什么存在感的包，宇樹機器人就聲情并茂地開口說話。

社交i人戴上AI眼鏡，就可以輕松跟外國人social，看似不經(jīng)意就加上微信好友；戴著它看展的話，看到不懂的展品還可以不懂裝懂一下（bushi。

你對智能硬件的想象，是不是還停留在“能聽懂你說話”的階段？這種“你說一句、它答一句”的交互，本質(zhì)上還是命令式的、靜態(tài)的。場景一變化，語氣一模糊，體驗就崩了。

但現(xiàn)在，這些都開始變了。萬物皆可交互，萬物皆可互聯(lián)開始具象化。

你甚至可以讓巴斯光年、變形金剛在你面前唱歌跳舞。

手里的一支簽字筆、一塊貼牌，也可以化身會議神器。

在科大訊飛最新發(fā)布會上，我看到了智能硬件的新范式：

設(shè)備不再是限制，產(chǎn)品與服務(wù)正在被AI革新，交互重構(gòu)整個硬件產(chǎn)業(yè)生態(tài)。

AIUI，一站式搞定人機交互開發(fā)

正如此次發(fā)布會所展現(xiàn)，一個最大的感知就是現(xiàn)在智能硬件從基礎(chǔ)交互邁向深度智能協(xié)作，從而在應(yīng)用場景里深度賦能。

從技術(shù)角度來說，人機交互正在變成一個復(fù)雜的系統(tǒng)性工程，而不再是語音識別、模型系統(tǒng)和語音合成的簡單組合。

這背后源于AI普及之后用戶越來越高的期待。訊飛這邊給了幾個發(fā)現(xiàn)：

• 單次對話輪數(shù)不斷提升，用戶對話自由度越來越高；
• 在不同場景下，由大模型引領(lǐng)日交互頻次實現(xiàn)飛躍，尤其是兒童、家庭、機器人場景交互數(shù)據(jù)飆升。

傳統(tǒng)交互可能局限在“你說一句、它答一句”的固定回答上面；但現(xiàn)在大模型升級，萬物皆可成為載體，智能交互所承載起的需求遠比以往復(fù)雜得多，也豐富得多。

可以說，它集成了工具屬性、娛樂屬性以及情感表達于一體，相當(dāng)于它不僅有全知全能的智商，還有懂你知你的情商，這就有點像“我要你做什么，但你不能只做什么”。

當(dāng)然，這就對技術(shù)側(cè)提出了很高的挑戰(zhàn)，包括但不限于自然多輪對話的理解處理、情緒識別與共鳴、長程記憶、快速響應(yīng)等等。

那么深耕了十年的訊飛如何應(yīng)對呢？語音，是他們解決的抓手，也是此次AIUI升級的重點。

AIUI——訊飛的人機交互平臺，早在2015年就已經(jīng)上線，目前已累計服務(wù)超10億設(shè)備，在車載、AI硬件、機器人等領(lǐng)域都有落地。

此次升級，正如在會場上所看到的，每一臺AI設(shè)備都能擬人自然對話，每個場景都能智能響應(yīng)——

背后是技術(shù)突破、場景深耕到生態(tài)開放都全面Level-Up。

技術(shù)突破方面，訊飛認為，全雙工交互模式及情緒的感知和表達是擬人交互的基礎(chǔ)要求。

全雙工模式下“有所聞，有所不聞”。AIUI不僅能夠有效識別噪聲和無關(guān)人聲，更重要的是，它能夠在用戶有遲疑、等待、附和時主動延長拾音。

以前語音助手可能你還沒說完它就搶答，或者你說完它反應(yīng)慢半拍。現(xiàn)在它能更聰明地判斷你是在思考停頓、在附和、還是在猶豫，不會亂打斷你，也不會讓你干等著，對話節(jié)奏更舒服了。

而且它不光聽懂你說什么詞，還能從你說話的語調(diào)、聲音里感覺出你是高興、沮喪還是煩躁。

基于千萬高質(zhì)量高情商對話數(shù)據(jù)訓(xùn)練，背后模型——星火交互大模型“共情能力”升級，成為能回應(yīng)你喜怒哀樂的智能伙伴。

基礎(chǔ)要求滿足之后，但不懂你怎么行？！此次發(fā)布另一個值得說道的就是類人記憶系統(tǒng)。

基于長短時記憶融合架構(gòu)，模擬人腦記憶方式，對對話記錄進行多層精準提取（上下文對話、用戶畫像、生活事件），慢慢形成專屬的聊天方式和知識庫，像是在陪伴你共同成長。

此外在交互響應(yīng)上面也卷了一下，音頻端到端響應(yīng)時間做到了1.6s，在業(yè)內(nèi)量產(chǎn)語音交互系統(tǒng)中處于領(lǐng)先水平。

特別針對需求旺盛的兒童場景，訊飛首發(fā)兒童專屬交互方案。前面提到，大模型加持兒童場景的交互頻次飆升，733%的那種。

小孩說話常常天馬行空、表達不清，比如“我要那個會亮的星星”。科大訊飛專門訓(xùn)練了童言識別模型和童語理解模型，提升對話場景下的識別率和正確理解率。

在內(nèi)容生態(tài)、交互模式、心智健康等方面，訊飛都做了相應(yīng)的優(yōu)化。

例如，孩子說 “我想看恐龍”，設(shè)備不僅播放科普視頻，還會引導(dǎo)孩子用英語描述恐龍?zhí)卣鳌＿@就是結(jié)合AI早教場景化學(xué)習(xí)提供趣味互動 。

除此之外，其他硬件場景下，在AIUI加持下也正在實現(xiàn)從功能實現(xiàn)到體驗重構(gòu)。

比如智能眼鏡。即便是在發(fā)布會這樣的嘈雜環(huán)境中，基于三麥陣列降噪技術(shù)，設(shè)備能精準區(qū)分佩戴者與他人聲音，實現(xiàn)“一對一私密對話”。

當(dāng)然這些場景的賦能還只是開始，要實現(xiàn)產(chǎn)業(yè)的賦能還得需要生態(tài)。

對于從來不缺開發(fā)者生態(tài)的訊飛來說，自然同樣要發(fā)揮好原有的優(yōu)勢。AIUI將聯(lián)合30萬+開發(fā)者共建AI硬件解決方案，深度打磨軟硬結(jié)合的交互效果。

董事長劉慶峰曾說過，語音將成為萬物互聯(lián)時代的主要交互方式。

如果說AIUI給硬件提供了豐富的感知和表達能力，那么還需要“大腦”賦予它思考的能力，從而實現(xiàn)從感知-理解到行動的閉環(huán)。

科大訊飛給出的答案是機器人超腦平臺。

背上就說話！智能語音背包讓“沉默”機器人開口

其實早在2022年，科大訊飛就發(fā)布了訊飛機器人超腦平臺；隨著大模型技術(shù)爆發(fā)，訊飛迅速將星火大模型與超腦平臺深度融合。

現(xiàn)在的機器人超腦平臺以科大訊飛超腦2030技術(shù)底座，基于訊飛星火獨有的兩層1+N認知大模型體系構(gòu)建交互大腦，大幅提升多輪對話、語義理解、知識應(yīng)用、共情閑聊和行業(yè)知識構(gòu)建效果。

超腦平臺要求機器人能聽會說、能理解會行動，而多模態(tài)交互正是實現(xiàn)“能聽會說”的核心技術(shù)模塊。

一方面，平臺在端側(cè)提供了視聽融合的感知交互解決方案。

通過整合視聽融合感知（語音+唇形+人臉追蹤）、多模態(tài)降噪、多人語音分離等技術(shù)，來構(gòu)建機器人的感官系統(tǒng)。

如多模態(tài)降噪方面，訊飛機器人超腦平臺采用麥克風(fēng)陣列窄波束算法，將限定拾音角度從傳統(tǒng)算法的60°降低到30°，明顯提升機器人設(shè)備麥克風(fēng)陣列兩側(cè)噪聲抑制的效果。

即便在嘈雜環(huán)境下，機器人的語音識別率也從83%提升至96%。

另一方面，平臺在云端構(gòu)建以大模型為核心的機器人大腦，同時還在工程化上做了諸多優(yōu)化。

云端大模型簡化輸出內(nèi)容，避免傳統(tǒng)機器人應(yīng)答冗長問題，音頻端到端響應(yīng)時間1.6s。實現(xiàn)超擬人TTS合成，還把TTS的首響時間控制在200毫秒以內(nèi)。

目前，訊飛機器人超腦平臺的產(chǎn)品已經(jīng)在多款機器人產(chǎn)品上集成和應(yīng)用。

比如在永達4S店迎賓的智元遠征A2人形機器人，就集成了平臺的多模態(tài)交互，不僅實現(xiàn)對顧客的主動感知、主動迎賓，還會結(jié)合專業(yè)汽車知識庫提供車型參數(shù)問詢、促銷活動講解。

此外，這樣強大的多模態(tài)語音交互，還被北京“天工”、上海“朱雀”、浙江“領(lǐng)航者2號”等多款人形機器人廣泛使用。

值得一提的是，為了解決機器人行業(yè)面臨的 “碎片化需求”與“規(guī)模化落地”之間的矛盾，訊飛機器人超腦平臺采用模塊化設(shè)計。

具體而言，平臺打造了軟硬件一體的套件方案，快速提升交付能力。

發(fā)布會上，訊飛機器人超腦平臺還帶來了一個新產(chǎn)品：智能語音背包。

它的存在是為了破解存量機器人缺乏語音交互能力的痛點。

所有機器人無需硬件重構(gòu)，把智能語音背包在背上一背就能賦予機器人開口對話的能力，即插即用。

合作伙伴宇樹G1背著它的“小背包”就上臺了：

背上智能語音背包，G1秒變段子手。

不僅在現(xiàn)場和科大訊飛產(chǎn)品經(jīng)理幽默互動，還能為自己剛在深圳學(xué)的太極拳來一套程序員喜聞樂見的動作解釋：

這招叫Wifi滿格！接著是代碼運行順暢——最后系統(tǒng)永不宕機！

（猜猜下圖這招叫啥？）

目前，就有超500家機器人客戶選擇了訊飛機器人超腦平臺，種類包括人形機器人、四足機器人、輪式機器人等，推動機器人從實驗室走向商場、醫(yī)院、4S店等真實場景。

訊飛堅信，隨著機器人服務(wù)現(xiàn)實世界的能力進化，在未來，遙控器、屏幕等人機交互的中間介質(zhì)都會被逐步替代，人機直接互動才是服務(wù)過程中的剛需。

AI交互不是終點

圍繞智能交互這一點，發(fā)布會現(xiàn)場還揭曉了包含開發(fā)者生態(tài)、智能硬件（如AI眼鏡）、數(shù)字人、大模型Agent在內(nèi)的不少干貨，不時引得觀眾掌聲雷動。

數(shù)字人一直是科大訊飛的拿手好戲，此次發(fā)布會上依舊格外出彩。

會上提到，對比前一年，2024年全年科大訊飛的數(shù)字人制作量提升了16%，用戶和數(shù)字人每天的交互次數(shù)增長了6.5倍。

據(jù)統(tǒng)計，AI虛擬人交互平臺已成功構(gòu)建超10萬數(shù)字分身，廣泛應(yīng)用于媒體、教育、政企、文旅等場景，在金融、媒體、教育等領(lǐng)域市場占有率都達到了第一。

現(xiàn)場還展示了科大訊飛面向個人用戶提供的輕量化定制方案——現(xiàn)在，一句話和一張照片就能快速構(gòu)建一個人的數(shù)字人分身。

新產(chǎn)品移動數(shù)字人小雨也在發(fā)布會現(xiàn)場亮相。

它搭載導(dǎo)航和路線規(guī)劃功能，可在展廳、博物館等場景自由移動，提供導(dǎo)覽服務(wù)。

一個有意思的事情是，科大訊飛注意到在大模型時代來臨前，人機交互最高頻的使用場景是電視和車載；大模型時代來臨后，兒童領(lǐng)域?qū)υ捫枨蠓浅娏遥换ニ俣仍鲩L了7倍以上，成為交互最高頻的場景。

一個有意思的事情是，發(fā)布會場內(nèi)，科大訊飛在兒童這一高頻場景做了體驗升維：

發(fā)布會現(xiàn)場外，5名父親利用科大訊飛兒童專屬的功耗玩具開發(fā)套件，在60分鐘時間內(nèi)，挑戰(zhàn)開發(fā)板的“童芯大腦”。

“技術(shù)-場景-生態(tài)”閉環(huán)在這里交織，這其實也是科大訊飛一直以來踐行的技術(shù)創(chuàng)新之道。

另外，這次挑戰(zhàn)也是科大訊飛今年開發(fā)者大賽的一部分——發(fā)布會現(xiàn)場，訊飛iFYTEK AI開發(fā)者大賽同場起航。

本屆賽事覆36道應(yīng)用賽與72道算法賽，特設(shè)智能座艙交互評測、多模態(tài)虛擬人對話等前沿賽道，以開放的生態(tài)與前沿的賽題，推動人工智能新生代的成長。

從2018年起，科大訊飛每年持續(xù)發(fā)起并舉辦開發(fā)者大賽，如今這項賽事已經(jīng)成為一個全球性的人工智能競賽平臺，來自全球各地的人工智能產(chǎn)業(yè)的專業(yè)人才積極參與，共同推動人工智能前沿科學(xué)的研究和創(chuàng)新成果的實際轉(zhuǎn)化。

15年前，科大訊飛發(fā)布行業(yè)首個語音云，至此拉開了語音交互的帷幕。

5年后的2015年，科大訊飛又發(fā)布了首個人機交互界面AIUI，讓智能硬件進入了語音交互時代。

2021年有了虛擬數(shù)字人，2022年有了機器人超腦平臺，2023年有了訊飛星火大模型……2010年至今，科大訊飛的交互技術(shù)不斷突破。

而剛剛結(jié)束的這場發(fā)布會雖然是一場面向智能交互產(chǎn)品的發(fā)布會，但它講述的故事，遠不止功能更強和設(shè)備更聰明這么簡單。

最直觀的感受是它讓外界更清晰地看到，在科大訊飛這里，智能交互正實現(xiàn)從單向指令到深度協(xié)同的轉(zhuǎn)變：

它展示出的遠非科大訊飛某一項功能/工具的單一產(chǎn)品升級，而是以AI交互為中樞、貫穿硬件研發(fā)到場景落地的全鏈技術(shù)方案。

人機關(guān)系的重塑不再僅僅是“命令-執(zhí)行”，而是逐步向共同完成目標(biāo)過渡。交互體驗提升不再是某個模塊的升級，而是系統(tǒng)智能協(xié)作的開始。

你也可以理解為產(chǎn)品與服務(wù)在向更便捷、更高效、更智慧的方向演進。

這種變化不僅服務(wù)于訊飛自有產(chǎn)品，實現(xiàn)產(chǎn)品體驗的躍升，更以平臺方式賦能合作伙伴，直擊廣電、家庭、醫(yī)療、辦公等諸多具體場景的核心痛點，讓產(chǎn)業(yè)升級落到實處。

總之，讓技術(shù)真正轉(zhuǎn)化為解決問題的生產(chǎn)力。

人機協(xié)作的下一站，不再只是“能溝通”，而是“能共事”，甚至“替你想”。

一個更聰明、更協(xié)作、更具生命力的智能世界，正從科大訊飛這場發(fā)布會開始，加速走進現(xiàn)實。