阿里云拟人（云可以是什么拟人）

今天给各位分享阿里云拟人的知识，其中也会对云可以是什么拟人进行解释，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！

微信号：cloud7591
如需了解更多，欢迎添加客服微信咨询。
复制微信号

本文目录一览：

• 1、语音合成技术
• 2、如何评价《阿里云的这群疯子》一文？
• 3、毫末 AI DAY干货满满 以数据驱动的自动驾驶3.0时代已经到来
• 4、品牌与商标是不是一回事？
• 5、为什么互联网公司logo都喜欢用动物来表示？
• 6、智能外呼系统效率怎么样？

语音合成技术

一，  语音合成技术原理

语音合成（test to speech）,简称TTS。将文字转化为语音的一种技术，类似于人类的嘴巴，通过不同的音色说出想表达的内容。

在语音合成技术中，主要分为 语言分析部分 和 声学系统部分 ，也称为 前端部分 和 后端部分， 语言分析部分主要是根据输入的文字信息进行分析，生成对应的语言学规格书，想好该怎么读；声学系统部分主要是根据语音分析部分提供的语音学规格书，生成对应的音频，实现发声的功能。

1. 语言分析部分

语言分析部分的流程图具体如下，可以简单的描述出语言分析部分主要的工作。

文本结构与语种判断： 当需要合成的文本输入后，先要判断是什么语种，例如中文，英文，藏语，维语等，再根据对应语种的语法规则，把整段文字切分为单个的句子，并将切分好的句子传到后面的处理模块。

文本标准化： 在输入需要合成的文本中，有阿拉伯数字或字母，需要转化为文字。根据设置好的规则，使合成文本标准化。例如， “请问您是尾号为8967的机主吗？“8967”为阿拉伯数字，需要转化为汉字“八九六七”，这样便于进行文字标音等后续的工作；再如，对于数字的读法，刚才的“8967“为什么没有转化为”八千九百六十七“呢？因为在文本标准化的规则中，设定了”尾号为+数字“的格式规则，这种情况下数字按照这种方式播报。这就是文本标准化中设置的规则。

文本转音素： 在汉语的语音合成中，基本上是以拼音对文字标注的，所以我们需要把文字转化为相对应的拼音，但是有些字是多音字，怎么区分当前是哪个读音，就需要通过分词，词性句法分析，判断当前是哪个读音，并且是几声的音调。

例如，“南京市长 江大桥”为“nan2jing1shi4zhang3jiang1da4qiao2”或者“南京市 长江大桥”“nan2jing1shi4chang2jiang1da4qiao3”。

句读韵律预测： 人类在语言表达的时候总是附带着语气与感情，TTS合成的音频是为了模仿真实的人声，所以需要对文本进行韵律预测，什么地方需要停顿，停顿多久，哪个字或者词语需要重读，哪个词需要轻读等，实现声音的高低曲折，抑扬顿挫。

2 ．声学系统部分

声学系统部分目前主要有三种技术实现方式，分别为：波形拼接，参数合成以及端到端的语音合成技术。

1)   波形拼接语音合成

通过前期录制大量的音频，尽可能全的覆盖所有的音节音素，基于统计规则的大语料库拼接成对应的文本音频，所以波形拼接技术通过已有库中的音节进行拼接，实现语音合成的功能。一般此技术需要大量的录音，录音量越大，效果越好，一般做的好的音库，录音量在50小时以上。

优点：音质好，情感真实。

缺点：需要的录音量大，覆盖要求高，字间协同过渡生硬，不平滑，不是很自然。

2)  参数语音合成技术

参数合成技术主要是通过数学方法对已有录音进行频谱特性参数建模，构建文本序列映射到语音特征的映射关系，生成参数合成器。所以当输入一个文本时，先将文本序列映射出对应的音频特征，再通过声学模型（声码器）将音频特征转化为我们听得懂的声音。

优点：录音量小，可多个音色共同训练，字间协同过渡平滑，自然等。

缺点：音质没有波形拼接的好，机械感强，有杂音等。

3)  端到端语音合成技术

端到端语音合成技术是目前比较火的技术，通过神经网络学习的方法，实现直接输入文本或者注音字符

，中间为黑盒部分，然后输出合成音频，对复杂的语言分析部分得到了极大的简化。所以端到端的语音合成技术，大大降低了对语言学知识的要求，且可以实现多种语言的语音合成，不再受语言学知识的限制。通过端到端合成的音频，效果得到的进一步的优化，声音更加贴近真人。

优点：对语言学知识要求降低，合成的音频拟人化程度更高，效果好，录音量小。

缺点：性能大大降低，合成的音频不能人为调优。

以上主要是对语音合成技术原理的简单介绍，也是目前语音合成主流应用的技术。当前的技术也再迭代更新，像端到端技术目前比较火的wavenet，Tacotron，Tacotron2以及deepvoice3等技术，感兴趣的朋友可以自己了解学习。

二，  技术边界

目前语音合成技术落地是比较成熟的，比如前面说到的各种播报场景，读小说，读新闻以及现在比较火的人机交互。但是目前的TTS还是存在着一些解决不掉的问题。

1. 拟人化

其实当前的TTS拟人化程度已经很高了，但是行业内的人一般都能听出来是否是合成的音频，因为合成音的整体韵律还是比真人要差很多，真人的声音是带有气息感和情感的，TTS合成的音频声音很逼近真人，但是在整体的韵律方面会显得很平稳，不会随着文本内容有大的起伏变化，单个字词可能还会有机械感。

2. 情绪化

真人在说话的时候，可以察觉到当前情绪状态，在语言表达时，通过声音就可以知道这个人是否开心，或者沮丧，也会结合表达的内容传达具体的情绪状态。单个TTS音库是做不到，例如在读小说的时候，小说中会有很多的场景，不同的情绪，但是用TTS合成的音频，整体感情和情绪是比较平稳的，没有很大的起伏。目前优化的方式有两种，一是加上背景音乐，不同的场景用不同的背景音乐，淡化合成音的感情情绪，让背景音烘托氛围。二是制作多种情绪下的合成音库，可以在不同的场景调用不同的音库来合成音频。

3. 定制化

当前我们听到语音合成厂商合成的音频时，整体效果还是不错的，很多客户会有定制化的需求，例如用自己企业职员的声音制作一个音库，想要达到和语音合成厂商一样的效果，这个是比较难的，目前语音合成厂商的录音员基本上都是专业的播音员，不是任何一个人就可以满足制作音库的标准，如果技术可以达到每一个人的声音都可以到达85%以上的还原，这将应用于更多的场景中。

三， 效果指标和技术指标

随着语音合成技术的发展，语音合成（TTS）已经应用于生活中的各个场景，实现了语音合成技术的应用落地。例如，在高铁，机场的语音播报工作，医院的叫号业务，以及现在比较火热的语音交互产品。语音合成的各种应用说明它不仅仅是一项技术，更是一款产品，作为产品，可以用哪些指标来衡量这款产品呢？

下面将介绍两种衡量TTS产品的指标，效果指标和性能指标。

1.  效果指标

1)  MOS 值

  目前关于TTS合成效果的评判标准，行业内一致认可的是mos值测试 ，找一些业内专家，对合成的音频效果进行打分，分值在1-5分之间，通过平均得到最后的分数，这就是mos值测试。 很显然这是一个主观的评分，没有具体的评分标准，这和个人对音色的喜好，对合成音频内容场景的掌握情况，以及对语音合成的了解程度是强相关的，所以算是仁者见仁，智者见智的测试方式。

由于TTS合成效果的评判主观性，导致在一些项目的验收中，不能明确出具体的验收标准，例如在定制音库的项目中，客户想做一个独有的定制音库，最后验收肯定是客户对合成音频效果满意，则成功验收，这是一个很主观的标准，怎么样才算满意呢？对于TTS厂商而言，这是不公平的。所以需要找一些可以量化的标准使得项目可以更好的验收，双方也不会因为合成效果出分歧。这里推荐一条验收标准，可以将语音合成效果量化， 分别对原始录音和合成音频进行盲测打分（mos值测试） ， 合成音频的mos值能达到原始录音的85% （数值可以根据项目情况来定） 以上 ， 就可验收 ，这样就可以把验收标准确定下来，且进行了量化。当然打分团队可以是客户和TTS厂商的人，也可以请第三方的人来打分，确保公平。

虽然mos值是一个比较主观的测试方式，但也有一些可评判的标准。例如在合成的音频中，多音字的读法，当前场景下数字的播报方式，英语的播报方式，以及在韵律方面，词语是否连在一起播报，应该重读的地方是否有重读，停顿的地方是否合理，音色是否符合应用于当前的这个场景，都可以在打分的时候做为得分失分的依据。

分享一个简单的评分标准，可作为参考依据。

2)  ABX 测评

  合成效果对比性测试，选择相同的文本以及相同场景下的音色，用不同的TTS系统合成来对比哪个的合成效果较好，也是人为的主观判断，但是具有一定的对比性，哪一个TTS更适合当前的场景，以及合成的效果更好。

2. 性能指标

1) 实时率

在语音合成中，合成方式分为 非流式合成 和 流失合成 ， 非流失合成指的是一次性传入文本，一次性返回合成的文本音频；流式合成指的是文本传输给TTS时，TTS会分段传回合成的音频， 这样可以减少语音合成的等待时间，在播报的同时也在合成，不用等到整段音频合成完再进行播报，所以对于语音合成时间的一个指标就是实时率。实时率等于文字合成所需时长除以文字合成的音频总时长，下面是实时率的计算公式：

为什么讲实时率会说到非流失合成和流式合成，因为在流式合成场景中，开始合成的时候也就已经开始播报了，音频合成完成也就播报完成了，不会产生等待的过程，这种过程主要用于语音交互的场景，智能机器人收到语音信号之后，马上就可以给予答复，不会让用户等太久。所以为了确保用户的最佳体验， 要求“文字合成所需时长”≤“文字合成出的音频时长”，也就是实时率要小于等于1 。

2) 首包响应时间

在流式合成中，分段合成的音频会传输给客户端或者播放系统，在合成首段音频时，也会耗费时间，这个耗时称为“首包响应时间”。为什么会统计这个时间呢，因为在语音交互中，根据项目经验以及人的容忍程度，当用户说完话时，在1200ms之内，机器人就要开始播报回复，这样就不会感觉有空白时间或者停顿点，如果时间超过1200ms，明显感觉会有一个等待的时间，用户体验不佳，性子急的用户可能就终止了聊天。1200ms的时间不只是TTS语音合成的首包时间，还有ASR（语音识别）和NLU（自然语言理解）所消耗的时间，所以TTS首包响应时间要控制在500ms以内，确保给ASR，NLU留有更多的时间。

3) 并发数

人工智能的发展主要有三个方面，分别为算法，算力，数据，其实讲的性能指标相当于是算力的部分，目前承载算力的服务器有CPU服务器和GPU服务器。前面说到实时率的指标是要小于等于1，那如果实时率远小于1，是不是会对服务器造成浪费呢，因为只要实时率小于等于1，就可以满足用户的需求，让用户体验良好。 所以上面说的实时率是针对CPU服务器单核单线程时，或者GPU单卡单线程时， 那实时率的公式可以为：

为了资源的最大利用化，我们只需确保实时率接近1，或者等于1就行，没必要远小于1，所以当在单核单线程实时率远小于1时，则可以实现一核二线，一核三线的线程数，使得实时率为1，这个一核“二线”，“三线”，这个“几线”说的就是几 并发数 ，准确说是 单核并发数。 那这个并发数怎计算呢，举个例子，如果单核单线程的并发数是0.1，则一核10线程的并发就是1，也是满足需求的，就可以按照这个并发数给客户提供。所以并发数的计算公式如下：

所以当用户需要200线程的语音合成并发数使，按0.1的实时率，一核十线，只需要20核的cpu服务器，则可以跟客户要求24核的cpu服务器即可满足客户的需求，也为客户节省了成本。

再说一下这个线程和并发的概念，线程，并发算是同一个概念，例如200线并发，指的是需要同时支持200线的语音合成，200线是同时合成音频的，合成内容可以相同也可以不同。

4)  合成100个字需要多少时间（1s能合成多少个字）

有些客户对于实时率，响应时间这些概念是比较模糊的，他会问你们的 TTS合成100个字需要多少时间 或者 1s能合成多少个字 ，所以这个时候为了方便和客户沟通，我们需要知道合成100个字TTS消耗的时间。这个数据是可以大概算出来的，当然也可以直接让测试测出一百字消耗的时间。这里主要讲一下计算的方法。

按照正常的播报速度，1秒可以播报4个字左右，我们就按照四个字计算，100个字的音频，音频时长大概就是25s（100除以4），假如实时率为0.1，再根据当前的实时率计算公式，算出合成时间为2.5s，也可以计算出1s合成的字数（100/2.5）为40个字。

简单介绍了语音合成产品会涉及到的一些参数指标，还有一些测试时需要了解的指标数据，例如cpu占用，内存占用，DPS（单位时间合成的音频总时长）,TPS（单位时间合成的音频任务数）以及TP99，感兴趣的朋友可以查询研究一下，这些数据也主要用于项目poc的测试中，或者TTS产品整体的测试中，可以算是对于TTS产品的一个整体的了解。

四，  语音合成厂商

   有很多厂商拥有语音合成技术，有互联网大厂，也有一些只专注于人工智能的企业。

科大讯飞 科大讯飞的语音合成技术在全球范围内也是数一数二的，合成的音频效果自然度高，讯飞官网挂接的音库是最多的，且涉及很多的场景，以及很多的外语音库。

阿里巴巴 在阿里云官网的音库，有几个音库的合成效果非常棒，例如艾夏，合成的音频播报时感觉带有气息感，拟人化程度相当高。

百度 百度的语音合成技术还是很强的，但是官网给的合成音库较少，具体不太好评判。

灵伴科技 这家公司在语音合成领域是不在忽略的。灵伴的音库合成音效果也是非常的棒，有一个东北大叔的音库，主要是偏东北话，整体的韵律，停顿，重读等掌握的很好，很到位。

标贝科技 标贝科技和灵伴科技一样，是语音合成领域不可小觑的两个企业，是因为他们TTS合成的音频效果拟人化程度很高，每个场景的风格也很逼真。

捷通华声 捷通华声是一家老牌的人工智能企业，合成的音频效果整体还是不错的，且支持多种语种的音库。

还有些企业没有一一列出来，是因为上面这些企业是在平时项目中，或者TTS技术落地应用上比较多的企业。

五， 小结

目前的语音合成已经应用于各种场景，是较成熟可落地的产品，对于合成音的要求，当前的技术已经可以做很好了，满足了市场上绝大部分需求，语音合成技术主要是合成类似于人声的音频，其实当前的技术已完全满足。目前的问题在于不同场景的具体需求的实现，例如不同的数字读法，如何智能的判断当前场景应该是哪种播报方式，以及什么样的语气和情绪更适合当下的场景，多音字如何更好地区分，确保合成的音频尽可能的不出错。当然错误有时候是不可避免的，但是如何在容错范围之内，或者读错之后是否有很好的自学机制，下次播报时就可以读对，具有自我纠错的能力，这些可能是当前产品化时遇到的更多更实际的问题，在产品整体设计的时候，这些是需要考虑的主要问题。

后续会讲述在实际场景中主要遇到的问题以及解决的方案。

如何评价《阿里云的这群疯子》一文？

具体说来，阿里的大数据挖掘至少在以下两个方面可以对国家安全造成威胁:

第一，通过大数据挖掘建立起中国要害人员的个人档案--档主的社会关系、性格禀赋、兴趣爱好、隐私绯闻甚至生理周期和心理缺陷都尽在其中。有了这样一份个人档案，档主的行为偏好及弱点把柄就会被人洞若观火，威胁利诱等策反手段就能事半功倍。可以想象，如果我国各级军官甚至每一个土兵都被敌对国建立了这样一 份档案，一 旦开战，我方必败无疑;如果我们的外交及经济谈判代表团成员都被对方建立了这样- -份档案，谈判的结果也不难想象。甚至可以这样说，如果阿里的大数据能以现在的规模再累积30年，三十年后的中国领导人或许会从阿里的用户中产生。若此，阿里的大数据和云计算,差不多能披露三十年后领导人的个人隐私。

毫末 AI DAY干货满满 以数据驱动的自动驾驶3.0时代已经到来

易车原创 以往提到辅助驾驶你可能首先会联想到特斯拉、华为或者小鹏，但如今你可能需要记住一个后来居上的新玩家了，它就是毫末智行。这家公司是由长城汽车的智能驾驶前部孵化而来，在成立的1020天之后，毫末给我们奉上了一份令人惊叹的成绩单。

就在9月13日举行的第六届HAOMO AI DAY上，毫末再一次向我们展示了他们的最新成果和傲人成绩：毫末1000天，跑出了中国自动驾驶最快的1000天，稳居“中国量产自动驾驶第一名”，两年半时间稳定交付三代乘用车辅助驾驶产品，目前已搭载超过十款明星车型，中国首款搭载大规模量产城市NOH车型摩卡DHT-PHEV激光雷达版计划9月量产，年内发售。搭载毫末HPilot的魏牌摩卡PHEV和欧拉好猫，获得欧盟E-NCAP“五星安全评级”，使得毫末成为中国首个出海量产落地的自动驾驶公司。末端物流自动配送方面，占据该领域领先的市场份额，小魔驼2.0量产下线交付客户。毫末开创的中国首个数据智能体系MANA完成数十万全要素、多模态CLIPS的标注，积累300万小时中国道路驾驶认知场景库，相当于人类司机4万年，基本完成数据闭环……

以上这一系列成绩很难让人相信这是一家仅仅成立了两年半的公司。那么接下来我们就结合这次AI DAY 活动的干货分享带各位了解一下毫末是如何做到进步如此迅猛并且成绩斐然的。

01 “大模型+大数据” 毫末全力冲刺自动驾驶3.0时代

在此次活动上，毫末智行CEO顾维灏博士发表了主题为《毫末和自动驾驶的3.0时代》的演讲，在业内首次提出“自动驾驶已经进入数据驱动的3.0时代”的行业判断。

那么自动驾驶的演进过程到底是怎样的呢？1.0、2.0和3.0之间又有怎样的跨越和不同呢？

首先1.0时代还是以硬件驱动为主：感知能力主要靠激光雷达，认知方式依赖人工规则，整车成本较高，自动驾驶的里程规模也就在100万公里左右；

其次到了2.0时代则是以软件驱动为主：感知方式由激光雷达变成了多传感器的单独输出结果，融合方式还不健全。并且训练模式还是小模型和少数据的情况，认知方式仍旧是人工规则为主，自动驾驶的里程规模上升到100万到1亿公里之间；

最后以数据驱动的自动驾驶3.0时代则是毫末冲刺的方向：感知方式上实现多传感器融合输出结果，认知上进化为可解释的场景化驾驶常识，训练模式达到大模型和大数据的体量，自动驾驶里程也提升到1亿公里以上，毫末一直在为自动驾驶3.0时代做准备，在感知、认知、模式建设上，都是按照数据驱动的方式建设的。毫末所做的一切的，都是为了能够做出数据通道和计算中心，以便可以更高效地获取数据，并把数据转化为知识。目前特斯拉已领跑全球率先进入自动驾驶3.0时代，而毫末最有可能成为中国公司中第一个进入自动驾驶3.0时代的公司。

顾维灏表示，Attention大模型作为当前AI发展的新趋势，其所带来的机遇和挑战，成为自动驾驶3.0时代的重要驱动因素之一。Attention最大的特点是结构简洁，可以无限堆叠基本单元得到巨大参数量模型，随着参数量的增加和训练方法的提升，大模型的效果在很多NLP任务上已经超越了人类平均水平。不过Attention的大模型也面临一大挑战，即由于其对算力的需求远远超出了摩尔定律，这导致大模型的训练成本非常高，在终端设备上的落地非常困难。

Attention大模型带来的机遇和挑战，正驱动自动驾驶行业的技术变革。“毫末正在通过低碳超算来降低自动驾驶成本，通过改进车端模型和芯片的设计来实现大模型的车端落地，通过数据的组织让大模型发挥更大效力。”顾维灏表示，在数据层面，基于Attention大模型，自动驾驶需要大规模且多样性的训练数据，而基于大规模真实人驾数据的乘用车辅助驾驶才有能力积累到足够规模和足够多样的数据。毫末认为，辅助驾驶是通往自动驾驶的必由之路。因为只有辅助驾驶，才有能力收集到足够规模和足够多样的数据。据悉，毫末经过接近三年的发展，目前已是中国量产自动驾驶公司的第一名，目前用户辅助驾驶里程已接近1700万公里，数据规模正在持续快速增加。

低碳超算层面，毫末在此次AI DAY上正式官宣了中国自动驾驶科技公司首个超算中心。顾维灏表示：“如何提升训练效率降低训练成本，实现低碳计算，是自动驾驶走进千家万户的一个关键门槛。”毫末超算中心的目标是满足千亿参数大模型，训练数据规模100万clips，整体训练成本降低200倍。

在算法模型层面，顾维灏介绍，毫末早在2021年6月便启动了针对transformer大模型的研究和落地尝试。正是基于过去一年多在训练平台改造升级、数据规格和标注方法的切换准备、针对感知、认知具体任务的模型细节探索等方面的成功实践，为现在毫末在城市导航辅助驾驶场景中的快速发展打下了坚实基础。

02  MANA全方位升级，助力辅助驾驶走进城市

城市导航辅助驾驶场景是当前自动驾驶功能的核心突破点，也是兵家必争之地。然而从道路与交通状况单一的高速场景进入交通参与者众多、道路与交通状况极其复杂的城市场景，自动驾驶系统面临的技术难度可以说是倍数级增长。巨大的挑战也拖住了众多自动驾驶厂商“进城”的步伐，只能持续鏖战技术突破点。毫末早在2021年底就立下了打赢“辅助驾驶城市场景之战”的Flag，率先在城市辅助驾驶领域开启了技术探索之旅，如今毫末数据智能体系MANA正迎来多项里程碑式的升级迭代。

顾维灏表示，城市道路主要存在“4类场景难题、6大技术挑战”。其中场景难题主要包括“城市道路养护”“大型车辆密集”“变道空间狭窄”“城市环境多样”。解决上述场景难题，技术层面面临六大挑战：1、如何能更高效地将数据规模转化为模型效果 2、如何让数据发挥更大的价值 3、如何使用重感知技术解决现实空间理解问题 4、如何使用人类世界的交互接口 5、如何让仿真更真 6、如何让自动驾驶系统运动起来更像人。

为了应对上述挑战，MANA感知智能、认知智能等方面均迎来更新升级。

首先，MANA通过使用大规模量产车无标注数据的自监督学习方法打造模型效果，相比只用少量标注样本训练，训练效果提升3倍以上，这让毫末数据优势得以高效转化为模型效果，以更好适应自动驾驶各种感知任务需求。

其次，MANA感知能力提升，让海量数据不再被区别对待。面对巨大数据规模下的“数据效率”难题，MANA构建了增量式学习训练平台，抽取部分存量数据加上新数据组合成一个混合数据集。训练时要求新模型和旧模型的输出保持尽量一致，对新数据的拟合尽量好。相比常规做法，整体算力节省80%，响应速度提升6倍。

第三，MANA感知能力更强。通过使用时序的transformer模型在BEV空间上做了虚拟实时建图，使得感知车道线的输出更加准确和稳定，让城市导航自动驾驶告别高精地图依赖。

第四，MANA感知能力更准，让中国没有不能识别的车辆信号灯。MANA通过升级车上感知系统，对刹车灯、转向灯状态进行专门识别，让驾驶员在处理前车急刹、紧急切入等场景中更安全和舒适。

第五，MANA认知能力也再次进化。面对路口这一城市最复杂场景，MANA在仿真系统中引入了高价值的真实交通流场景，与浙江德清、阿里云合作，将路口这一城市最复杂场景引入仿真引擎，构建自动驾驶场景库，通过自动驾驶的真实仿真验证，时效性更高、微观交通流更真实，有效破解了城市路口通过“老大难”问题。

最后，MANA认知智能迎来新阶段。通过对覆盖全国的海量人类驾驶进行深度理解，学习常识和动作拟人化，使得毫末辅助驾驶决策更像人类实际驾驶行为，可结合实际情况选择最优路线保证安全，体感更像老司机。

 MANA的再次进化，为毫末城市NOH扫平了“进城”路上的最大障碍。“毫末城市NOH是更懂中国城市路况的导航辅助驾驶。”顾维灏表示，毫末城市NOH采用“重感知、轻地图、大算力”技术路线，在MANA的赋能助力下，具备智能识别交通灯、智能左右转、智能变道、智能躲避障碍物-静态、智能躲避障碍物-动态五大亮点功能，此外“智慧交通流处理”功能也将正式发布。

可以想象在今后辅助驾驶不仅能在高速场景中应用，在我们每天上下班通勤的场景也可以使用，这会极大缓解我们的出行疲劳并提升我们的驾驶舒适感。我个人真是十分期待的。

03 “重感知，轻地图”将会成为未来的行业趋势

现如今许多车企也在做城市辅助驾驶，像特斯拉、华为、小鹏等，毫末选择的路线似乎更贴近特斯拉，就是更看重第一性原理，依靠车辆本身的智能化来实现各类辅助驾驶功能。接下来咱们看看这几家公司的具体技术路线和完成效果到底如何。

先来说说特斯拉，在全球范围内，特斯拉可以说是在辅助驾驶技术上研发技术最快、并且量产速度也最快的，早在去年时，特斯拉FSD就已经支持城市域高级辅助驾驶功能，并在不断迭代后，在一位美国用户的使用下实现了从东海岸到西海岸横跨600多公里的全程零接管辅助驾驶。

不过在国内，因为涉及到数据安全等问题，特斯拉FSD的更新进度并不能和美国同步，这导致国内的特斯拉消费者在已经付费的情况下很难享受到和海外版本同样的使用体验。另一方面，FSD对国内的驾驶环境和消费者驾驶习惯的适应程度还稍显欠缺，有点水土不服的意思，因此也限制了消费者对特斯拉辅助驾驶系统的期待。

对比特斯拉在国内的近乎停滞，华为的进步速度则堪称闪电级。华为在5月初就率先推出了搭载有华为智能驾驶解决方案的极狐阿尔法S华为HI版，搭载由3颗固态激光雷达、6颗毫米波雷达、11颗高清摄像头组成的辅助驾驶硬件，主控芯片来自华为的MDC 810计算平台，算力可达400TOPS。另外最近很火的阿维塔11也同样是在华为的全栈智能汽车解决方案的支持下有着不俗表现的。极狐阿尔法S 华为HI版能够实现城市内的主动跟车、主动变道、大曲率匝道车道保持、行人避让等功能。整体表现确实还不错，但也有弊病咱稍后再说。

作为国内最早、最知名的造车新势力之一，小鹏在辅助驾驶技术方面的发力也是相当迅猛的。据悉，城市NGP版小鹏P5搭载由2颗激光雷达、5个毫米波雷达、12个超声波雷达、13个摄像头组成的辅助驾驶硬件，具备30TOPS算力，在实测中实现了城市中180度调头、红绿灯识别、变道绕行、极端天气/特殊情况应对、无保护左转、大型车辆应对检测、低速跟随判断等众多功能。

华为和小鹏虽然

品牌与商标是不是一回事？

品牌与商标是极易混淆的一对概念，一部分企业错误地认为产品进行商标注册后就成了品牌。

事实上，两者既有联系，又有区别。有时，两个概念可等同替代，而有时却不能混淆使用两个概念；品牌不完全等同于商标，商标也并不完全等同于品牌。

商标（TradeMark）是指文字、图形、字母、数字、三维标志和颜色组合，以及上述要素组合的生产者、经营者把自己的商品或服务区别于别的商品或服务的商品标记。当商标使用时，要用“R”或“注”明示，意指注册商标。

品牌(Brand)是一个集合概念，主要包括品牌名称(BrandName)、品牌标志、商标(BrandMark)和品牌角色四部分。品牌名称是指品牌中可以用语言称谓（可以读出）的部分———词语、字母、数字或词组等的组合，又称“品名”。品牌标志，是指品牌中可以被认出、易于记忆但不能用言语称谓的部分———包括符号、图案或明显的色彩或字体，又称“品标”。商标是经注册后受法律保障其专用权的整个品牌、品牌标志、品牌角色或者各要素的组合。品牌角色是用人或拟人化的标识来代表品牌的方式。

品牌与商标的不同之处主要是商标能够得到法律保护，而未经过注册获得商标权的品牌不受法律保护。所以说，商标是经过注册获得商标专用权从而受到法律保护的品牌。

品牌与商标都是用以识别不同生产经营者的不同种类、不同品质产品的商业名称及其标志。

商标不仅只是一种标志或标记，更多的时候它也包括名称或称谓部分，在品牌注册形成商标的过程中，这两部分常常是一起注册，共同受到法律的保护。在企业的营销实践中，品牌与商标都是为了区别商品来源，便于消费者识别商品，以利竞争。可见，品牌与商标都是传播的基本元素。

为什么互联网公司logo都喜欢用动物来表示？

老百姓给自家的娃起名无外乎这么几种：找风水先生求来的，也有脑袋一拍随便来的等等。但你是否留意过，各大互联网公司给自己的产品起名，特别喜欢用动物来做Logo呢？如京东的狗、天猫的猫、腾讯的企鹅等等等等，当然这一切都是有缘由的。

天猫的猫。

取天猫这个名字主要是因为“天猫”跟tmall发音接近。为了和自己淘宝网相独立又要与阿里巴巴大平台挂钩，天猫就诞生了，“天猫”致力于提供一个定位和风格更加清晰的B2C消费平台。猫是性感而有品位的，天猫网购，代表的就是时尚、性感、潮流和品质；猫天生挑剔，挑剔品质，挑剔品牌，挑剔环境，这恰好就是天猫网购要全力打造的品质之城。所以说用猫做Logo可不是空穴来风哦。

2.      QQ企鹅。

其实在十多年前，QQ的前身OICQ刚上线的时候，Logo还是当时流行的寻呼机。当时的马化腾等人决定使用小动物来做Logo，这样用户会比较容易接受 。在设计师画出了鸽子、企鹅等几种小动物形象之后，大家投票决定用企鹅。当时还是一只瘦企鹅，在后来，腾讯找来了专业的设计团队，将QQ彻底“催肥”，加上了红围巾红围巾，一只眼睛圆咕噜噜的，另一只则眨巴着。QQ企鹅就这样诞生了。所以说，是腾讯的员工们投票选择了企鹅。

3、京东的狗。

京东商城官方对金属狗吉祥物的诠释是：对主人忠诚而著称，拥有正直的品行和快捷的奔跑速度，当然也有民间的一些坊间传闻流传，说是刘强东因为要和阿里巴巴的天猫对标，所以选择狗这一Logo形象，这一更改也引发天猫与京东“猫狗大战”的猜想。

除此之外YY的狸猫、去哪儿的骆驼还有美团外卖的袋鼠等等，都是使用动物的Logo，除了可以完美地代表其产品之外，背后也应该都有一段属于它们自己的品牌故事。

智能外呼系统效率怎么样？

在人工智能时代，这样的问题AI技术可以轻松解决。网谱携手智能外呼 系统利用阿里云全球领先的语音识别、语音合成、自然语言理解等人工智能技术，结合多样化的外呼场景进行智能语音交互，构建了一个“话术标准、应答智能、语音真实、情绪稳定、永不疲倦、成本低廉”的外呼系统。

网谱携手智能外呼机器人能够使用标准话术，不会受情绪影响，能够准确理解用户的回答及意图，像人与人交流一样对话。智能外呼系统可导入待呼叫客户号码等信息，批量生成外呼任务，并在规定时间，针对不同的场景进行批量合规化处理，自动完成外呼成功解决了催收中的质量保证及效率提升的问题。

此外，系统可根据业务特点随时调整话术，持续快速切入市场，灵活应对市场变化，同时可语音转写对话信息并存储，并给予大数据分析从而挖掘市场热点动态，支撑营销决策。

自有核心技术

网谱携手智能外呼系统应用独立自主研发的语音识别、语义理解、语音合成技术，可自主学习，识别准确率稳居行业第一

智能化沟通对话

支持语义打断，即时响应客户中途插话；客户反复追问，不同话术回复，告别死板；支持话术带参，合成播报客户姓名等变量信息，拟人度高，真实自然

灵活应对场景变化

通话过程中，发现客户意向强烈或持续追问，可随机应变，转接人工坐席，通话结束后，可向客户直接发送短信，进行信息确认、内容推送

场景话术丰富

国内首创外呼机器人，多年落地经验，行业知识库丰富，可根据行业特点，面向不同客户群，灵活配置外呼策略，量身定制场景话术，快速达到理想效果；

录音转写调听

全程存储通话语音，实时转写通话文本，对话记录全文检索，通话状态在线监控，随时调听通话录音，还原客户原始意图

数据分析挖掘

提供时间、场景、任务、产品等多维度数据报表，可视化分析关键运营指标，协助各层级管理人员了解服务运营情况，轻松完成外呼任务量化指标

客户意向分类

分析客户通话记录，根据到达节点、交互轮次、通话时长，真实跟踪用户意图，根据不同条件设定，完成客户等级分类，精准筛选优质客户，支撑人工跟进

多种合作服务模式

公有云部署，成本低，使用灵活，可快速上线；私有云部署，数据本地流转，隐私数据安全可控；针对有线路有资源的客户，可合作运营

在某房地产公司，用网谱携手智能外呼机器人向数据库中的购房者推荐楼盘，并邀请有意向的客户到门店看房，客户到了门店再由房产经纪人接待看房，形成“智能外呼机器人泛筛选+房产经纪人精准接待”的新型房产售卖模式。

在金融、房地产、招聘、交通、快递、教育、调研等众多领域，阿里云正在构建“AI+人工”，人机协同工作的客户服务新模式、新风向。用人工智能赋能企业，从而实现AI技术辅助提升企业竞争力，成为阿里云人工智能技术及产品应用的目标。阿里云也将继续专注于人工智能技术的研发与应用，实现促进外呼行业产业升级。

阿里云拟人的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于云可以是什么拟人、阿里云拟人的信息别忘了在本站进行查找喔。