第24章车载语音助手

课程目录第24章车载语音助手

车载语音助手：CarVoiceInteractionManager、语音唤醒、自然语言处理、多轮对话

各位同学，今天我们来聊聊车载语音助手。说实话，这个模块是我在Android Automotive开发中觉得最有意思、也最头疼的部分。为什么？因为车上的语音交互和手机完全不同——你想想看，驾驶员的手和眼都被占用着，语音几乎是唯一的交互通道。一旦做不好，用户会直接骂娘。

车载语音助手不是简单的「语音识别+文字转语音」。它背后是一整套系统服务，从硬件唤醒到语义理解，再到多轮对话管理。今天我就带大家把这条链路拆开看看。

CarVoiceInteractionManager：语音交互的调度中枢

先说说这个Manager。CarVoiceInteractionManager是Android Automotive中专门管理语音交互的系统服务。它不负责具体的语音识别，而是做调度和状态管理。

我在项目中遇到过一个问题：语音助手和导航同时抢麦克风。用户说「导航到机场」，结果语音助手还没处理完，导航的语音提示又插进来了。后来怎么解决的？就是靠CarVoiceInteractionManager的优先级管理。

核心职责：

管理语音交互的生命周期（开始、进行中、结束）
协调多个语音服务的优先级（导航、电话、媒体）
提供系统级的语音焦点管理

代码层面，获取这个Manager很简单：

Car car = Car.createCar(context);
CarVoiceInteractionManager voiceManager = 
    (CarVoiceInteractionManager) car.getCarManager(
        Car.VOICE_INTERACTION_SERVICE);

拿到之后，你可以注册语音交互监听器，监听状态变化：

voiceManager.registerVoiceInteractionCallback(
    new CarVoiceInteractionCallback() {
        @Override
        public void onVoiceInteractionSessionStarted() {
            // 语音会话开始
        }
        
        @Override
        public void onVoiceInteractionSessionFinished() {
            // 语音会话结束
        }
        
        @Override
        public void onVoiceFocusRequested(int priority) {
            // 其他服务请求语音焦点
        }
    });

我的习惯：在应用启动时就注册这个回调，不要等到用户说话才注册。因为语音唤醒可能随时触发，你提前注册好，系统才能正确调度。

语音唤醒：让车「听见」你

语音唤醒，说白了就是让车一直监听一个特定的唤醒词，比如「你好，小驰」。这个功能看起来简单，但坑不少。

我曾经踩过一个坑：唤醒词识别太灵敏，结果车上的人聊天时无意中说了类似发音的词，系统就激活了。用户投诉说「这车是不是有毛病，老是自己跳出来」。后来我们调整了唤醒阈值，还加了声纹验证——只有车主的声音才能唤醒。

在Android Automotive中，语音唤醒通常由底层DSP（数字信号处理器）实现，功耗极低。应用层通过CarVoiceInteractionManager来获取唤醒事件：

// 注册唤醒词监听
voiceManager.registerHotwordListener(
    new CarVoiceInteractionManager.HotwordListener() {
        @Override
        public void onHotwordDetected(String hotword) {
            // 唤醒词被检测到
            startVoiceSession();
        }
    });

注意：唤醒词检测是持续运行的，会消耗电量。建议在车辆熄火后自动关闭唤醒功能，或者只在驾驶位有人时启用。

自然语言处理：让车「听懂」你

自然语言处理（NLP）是语音助手的核心。用户说「我有点冷」，你要能理解成「调高空调温度」。用户说「前面堵吗」，你要能理解成「查询路况信息」。

车载NLP和通用NLP最大的区别在于：领域特定。车上能做的事情是有限的——导航、空调、车窗、音乐、电话。所以我们的NLP模型不需要理解全世界，只需要理解这几十个领域。

我建议采用「意图+槽位」的架构：

意图（Intent）：用户想干什么（导航、调温、打电话）
槽位（Slot）：具体的参数（目的地、温度、联系人）

举个例子：

用户说：「导航到北京西站」
意图：NAVIGATE
槽位：{ destination: "北京西站" }

用户说：「把空调调到26度」
意图：SET_TEMPERATURE
槽位：{ temperature: 26 }

在Android Automotive中，你可以使用系统自带的语音识别服务，也可以集成第三方NLP引擎。我个人倾向于用系统服务做基础识别，然后自己实现领域分类：

// 使用系统语音识别
Intent recognizerIntent = new Intent(
    RecognizerIntent.ACTION_RECOGNIZE_SPEECH);
recognizerIntent.putExtra(
    RecognizerIntent.EXTRA_LANGUAGE_MODEL,
    RecognizerIntent.LANGUAGE_MODEL_FREE_FORM);

// 启动语音识别
startActivityForResult(recognizerIntent, REQUEST_CODE);

// 在onActivityResult中处理结果
@Override
protected void onActivityResult(int requestCode, int resultCode, Intent data) {
    if (requestCode == REQUEST_CODE && resultCode == RESULT_OK) {
        ArrayList<String> results = 
            data.getStringArrayListExtra(
                RecognizerIntent.EXTRA_RESULTS);
        String spokenText = results.get(0);
        
        // 这里做意图分类
        Intent intent = classifyIntent(spokenText);
        // 提取槽位
        Map<String, String> slots = extractSlots(spokenText, intent);
        // 执行动作
        executeAction(intent, slots);
    }
}

避坑指南：我曾经在意图分类上吃过亏。一开始用了简单的关键词匹配，结果用户说「我想去火车站」和「导航到火车站」被识别成两个不同的意图。后来改用基于机器学习的分类器，准确率从70%提升到了95%。

多轮对话：让车「记住」上下文

多轮对话是车载语音助手的进阶能力。用户说「导航到天安门」，系统问「走高速还是普通路」，用户说「高速」。这个「高速」就是基于上一轮对话的上下文理解的。

实现多轮对话，核心是维护一个对话状态。我习惯用一个状态机来管理：

public class DialogueState {
    private String currentIntent;      // 当前意图
    private Map<String, String> slots; // 已收集的槽位
    private List<String> missingSlots; // 缺失的槽位
    private int turnCount;             // 对话轮次
    
    public DialogueState() {
        this.slots = new HashMap<>();
        this.missingSlots = new ArrayList<>();
        this.turnCount = 0;
    }
    
    public void update(String userInput) {
        // 解析用户输入，更新槽位
        Map<String, String> newSlots = extractSlots(userInput);
        slots.putAll(newSlots);
        
        // 检查是否还有缺失的槽位
        missingSlots = getMissingSlots(currentIntent, slots);
        
        turnCount++;
    }
    
    public boolean isComplete() {
        return missingSlots.isEmpty();
    }
    
    public String getNextPrompt() {
        if (missingSlots.isEmpty()) {
            return "好的，正在执行";
        }
        // 询问缺失的槽位
        return "请问" + missingSlots.get(0) + "是什么？";
    }
}

多轮对话的流程是这样的：

用户说出第一句话，系统解析意图和槽位
如果槽位不全，系统反问缺失的信息
用户补充信息，系统更新对话状态
重复2-3步，直到所有槽位收集完毕
执行最终动作

我画了一张图，把整个语音助手的架构串起来：

这张图展示了从语音唤醒到最终执行动作的完整链路。注意右侧的CarVoiceInteractionManager，它贯穿整个流程，负责协调各个模块。

我的经验：多轮对话的轮次不要超过3轮。用户开车时没耐心跟你来回问答。如果3轮还搞不定，直接说「抱歉，我没理解，请稍后再试」，然后退出语音会话。安全第一。

总结一下

车载语音助手这块，说白了就是三个核心：唤醒、理解、对话。CarVoiceInteractionManager是骨架，NLP是大脑，多轮对话是记忆。做得好，用户会觉得这车很聪明；做不好，用户会觉得这车是个智障。

我最后想说的是：别追求大而全。车载场景下，把导航、空调、媒体这三个核心场景做到90%的准确率，比做100个场景但每个只有50%准确率要强得多。用户开车时最需要的就是这几个功能，其他的都是锦上添花。

📚 课程目录

车载语音助手：CarVoiceInteractionManager、语音唤醒、自然语言处理、多轮对话

CarVoiceInteractionManager：语音交互的调度中枢

语音唤醒：让车「听见」你

自然语言处理：让车「听懂」你

多轮对话：让车「记住」上下文

总结一下