结合几篇文章，以小鹏汽车为例，记录一下对于车载语音的初步理解。
首先以思必驰的这张图作为开端：
现在是这么个理解：
- 首先是音频采集，这个实际上是个工程物理问题，模拟数字转化，麦克风阵列的布置等会有影响
- 信号处理，就需要考虑到如何降噪，语音的数字信号进一步清晰 —— Cerence提供了SSE技术等
- 语音识别，是将语音的数字信号识别为文本，英文称之为 speech-to-text (STT)，等同于ASR(automatic speech recognition) —— 根据新闻稿，是Cerence提供的
- 然后就是语义理解了，这里应该指向的是Natural Language Understanding (NLU) —— 提供方同上
- 但是这并不是语音AI核心的全部，因为你要进行对话管理了，就是如何对话才能像人，这背后需要对于场景的理解，估计是要结合知识图谱、以及和行业方的合作（效果如何需要进一步识别）等，对应的技术是Natural Language Generation(NLG) —— 这里应该是思必驰的核心输出，包括全双工交互、多轮对话等，当然也要基于声纹识别，对于不同的用户进行个性化推荐，想必其中是小鹏自己还要进行深度定制
- 日常通常说的自然语言处理Natural Language Processing (NLP) = NLU + NLG，要注意的是，NLP只处理文本，所以其前面有STT
- 而随后，就需要将其转化为声音，text-to-speech(TTS)，语音合成 —— Cerence提供，但是近期应该替换为了结合微软云的方案，以提升效果
- 那么，外圈的内容服务是什么呢？是导入中国强大的各路CP/SP吧，但是这里谁来导入并没有本质差别，估计在P7的交互体验中，为了深度定制化，应该是小鹏自己做的
那么，还有什么点有遗漏的吗？
用户运营中的隐私与安全 —— 据说是思必驰进行脱敏，小鹏自身负责用户运营。
这样来看的话：
- 最核心应该在于NLG的那一部分，可能算是语音AI中的推荐引擎部分了吧？
- 如果加上基于图像识别的表情、视线、手势、心跳、温度等，那确实存在HMI引擎？
- 那么，基于各路传感器作为信息输入，只做引擎，真的可能么？尤其是在智能汽车，这个大的产品，其发展路线并不十分明确的情况下？
- 类比于，如果做自动驾驶，只做算法（或者软硬结合成为tier 1），不做传感器、不做芯片，真的有出路么？
