20、语音交互：车载语音助手集成、语音识别服务、TTS 引擎定制
语音交互，说白了就是给车装上「耳朵」和「嘴巴」。
在 Android Automotive OS 里做语音，跟手机上的体验完全不同。手机是你对着它说话，车机是你坐在驾驶位上，可能隔着一米远，周围还有胎噪、风噪、空调声。我刚开始做车载语音时，第一个坑就是——为什么我喊破喉咙，车机都没反应？
嗯，这里要注意：车载语音的核心不是「能不能识别」，而是「在嘈杂环境下能不能稳定识别」。
20.1 车载语音助手的整体架构
先看一张我画的架构图，帮你快速建立全局认知：
整个流程其实就四步：唤醒 → 识别 → 理解 → 执行。但每一步在车机上都藏着不少坑。
20.2 唤醒词检测（Hotword）
唤醒词，就是你说「你好，小驰」或者「Hey Google」那一下。车机平时处于低功耗监听状态，只对特定唤醒词响应。
我个人习惯用 Snowboy 或者 Porcupine 这类离线唤醒引擎。为什么不用在线？你想想看，如果车在地下车库没信号，唤醒都做不到，那语音助手就是个摆设。
关键点：唤醒词检测必须在本地完成，延迟要控制在 200ms 以内。超过这个时间，用户会感觉「这车反应好慢」。
我在项目中遇到过一个问题：某款车的空调噪音比较大，唤醒率从 95% 直接掉到 70%。后来怎么解决的？我们在麦克风阵列上做了波束成形（Beamforming），只聚焦驾驶员方向的声音。嗯，效果立竿见影。
20.3 语音识别服务（ASR）集成
ASR（Automatic Speech Recognition）是整个语音交互的「耳朵」。Android Automotive OS 里，你可以用两种方式集成：
- Google 的 SpeechRecognizer API：开箱即用，但依赖网络。适合在线场景。
- 第三方离线引擎：比如科大讯飞、百度、思必驰的车载 SDK。适合离线场景。
我建议你 混合使用：有网时用在线引擎，准确率高；没网时切到离线引擎，保证基本功能可用。
来看一段典型的集成代码：
// 创建语音识别 Intent
Intent intent = new Intent(RecognizerIntent.ACTION_RECOGNIZE_SPEECH);
intent.putExtra(RecognizerIntent.EXTRA_LANGUAGE_MODEL,
RecognizerIntent.LANGUAGE_MODEL_FREE_FORM);
intent.putExtra(RecognizerIntent.EXTRA_LANGUAGE, "zh-CN");
intent.putExtra(RecognizerIntent.EXTRA_MAX_RESULTS, 5);
// 启动识别
startActivityForResult(intent, REQUEST_CODE_SPEECH);这段代码看起来简单，但实际车机上有个大坑：麦克风权限。Android Automotive OS 对麦克风的访问控制比手机严格得多。我曾经因为没在 manifest 里声明 RECORD_AUDIO 权限，结果识别结果永远是空的。排查了整整一下午。
注意：在 Android Automotive OS 上，除了 RECORD_AUDIO 权限，还需要 android.car.permission.CAR_AUDIO_FOCUS 权限，否则语音识别会被系统静音。
20.4 语义理解（NLP）与意图映射
ASR 把语音转成文字，NLP 负责理解文字的意思。比如用户说「我有点冷」，NLP 要能映射到「调高空调温度」这个动作。
在车机上，我推荐用 基于规则的意图解析 加上 轻量级 NLU 模型。为什么？因为车载场景是有限的——导航、音乐、空调、电话、车窗，就这几个领域。没必要上大模型，成本高、延迟大。
举个例子：
// 简单的意图匹配
String text = "导航到天安门";
if (text.contains("导航到") || text.contains("去")) {
String destination = extractDestination(text);
startNavigation(destination);
} else if (text.contains("空调") || text.contains("冷") || text.contains("热")) {
adjustClimate(text);
} else {
fallbackToOnlineNLU(text);
}你看，先做本地规则匹配，匹配不上再走在线 NLU。这样 80% 的指令可以在 100ms 内响应，用户体验会好很多。
20.5 TTS 引擎定制
TTS（Text To Speech）是语音助手的「嘴巴」。Android 自带的 TextToSpeech API 够用，但车机上需要定制几个地方：
- 语速：开车时用户注意力有限，语速要比手机快一点，但也不能太快。我一般设到 1.1x 到 1.2x。
- 音色：车载场景建议用中性、沉稳的声音。太尖锐或太萌的音色会让驾驶员分心。
- 打断机制：TTS 正在播报时，用户说「闭嘴」，系统要能立即停止。
来看一段 TTS 定制的代码：
TextToSpeech tts = new TextToSpeech(context, status -> {
if (status == TextToSpeech.SUCCESS) {
// 设置中文
tts.setLanguage(Locale.CHINESE);
// 设置语速（1.0 为正常）
tts.setSpeechRate(1.15f);
// 设置音调
tts.setPitch(1.0f);
}
});
// 播报
tts.speak("前方 500 米有测速摄像头",
TextToSpeech.QUEUE_FLUSH, null, "speed_camera");小技巧：用 QUEUE_FLUSH 模式可以打断当前播报，立即播报新内容。适合导航场景中频繁更新路况的情况。
我记得有一次，用户反馈 TTS 播报时音乐声音没有降低，导致完全听不清。后来我们在 TTS 播报前申请了 音频焦点（Audio Focus），播报时音乐自动降低音量，播报完再恢复。这个体验细节，用户可能说不出来，但能感觉到「这车很聪明」。
20.6 避坑指南
做车载语音，我踩过的坑比走过的路还多。这里列几个最常见的：
- 麦克风阵列布局：麦克风不要放在出风口附近，空调风声会直接灌进去。我见过一个项目，麦克风装在空调出风口旁边，结果识别率惨不忍睹。
- 回声消除（AEC）：TTS 播报时，麦克风会同时采集到播报的声音。如果不做回声消除，ASR 会把 TTS 的内容也识别进去，形成「自说自话」的死循环。
- 多语言支持：出口车型要考虑多语言。我建议用
Locale动态切换，不要硬编码语言包。 - 隐私合规：语音数据不能随意上传。国内要求数据本地化，欧盟要求 GDPR 合规。最好在设置里提供「语音数据不上传」的开关。
20.7 性能与体验指标
最后，给你一张我常用的性能指标表，做语音交互时对照着优化：
| 指标 | 目标值 | 说明 |
|---|---|---|
| 唤醒延迟 | < 200ms | 从说出唤醒词到系统响应 |
| 识别延迟 | < 500ms | 从说话结束到文字结果返回 |
| TTS 首帧延迟 | < 300ms | 从收到文本到第一个音频帧播放 |
| 离线识别率 | > 90% | 在 60dB 噪声环境下 |
| 在线识别率 | > 95% | 在安静环境下 |
这些指标不是拍脑袋定的。我当年做第一个车载语音项目时，唤醒延迟 400ms，被客户骂得狗血淋头。后来优化到 150ms，客户说「嗯，还行」。你看，差 250ms，体验就是天壤之别。
语音交互在车机上不是「能用就行」，而是「好不好用」。用户可能不会天天用语音，但一旦用了，体验不好就会留下「这车语音很蠢」的印象。做得好，它就是加分项；做不好，就是减分项。你自己选吧。
公众号:蓝海资料掘金营，微信deep3321