2024年报告显示车载语音装配量约1100万辆、装配率83%，但汽车多模态交互的下一阶段正从语音单点走向语音入口与多模态融合：视觉、生物识别和多模态大模型让座舱同时处理语音、图像与车内外场景信息，并开始向智驾感知延伸。

　　一、座舱语音仍是最大入口

　　使用频率：语音是智能座舱搭载量和使用频率最高的应用，2024年装配量同比增幅10.9%。

　　融合识别：智慧座舱融合视觉、听觉、车内外图像的多模态生物识别，能识别动作、神态并提供服务。

　　数据互补：多模态大模型在输入输出端优势明显，不同模态数据互补，有助于通用大模型能力扩展。

　　二、交互逻辑转向主动服务

　　预判机制：有行业从业者在公开发布中提出，主动服务依赖用户、车辆、环境的多模态信息融合，置信度足够高时提前决策。

　　场景案例：电量不足时主动规划附近充电桩，被作为主动服务案例讨论。

　　服务边界：这类主动服务强调面向用户未来可能性做准备，而非推送广告式“主动”。

　　三、智驾接入原生多模态大模型

　　智驾方案：有行业观察认为，卓驭用原生多模态大模型做智驾，互联网信息提供通识、驾驶视频让模型专精。

　　感知融合：用于自动驾驶感知的多模态识别技术迅速发展，视觉、听觉与车内外场景图像正在打通。

　　商用车延伸：卓驭依托一汽进入重卡、大巴场景，多模态智驾从乘用车向外延伸。

本文由AI生成