连续指令与可见即可说正在成为标配，多模态交互的竞争焦点已从“听清”转向“听懂+可视”，2026年新车的语音系统开始把方言识别、声纹分区和视线追踪打包进同一套座舱方案。
一、交互能力从单轮指令走向连续对话
连续识别：部分车型已支持一次唤醒后连续执行多条指令，识别准确率在实验室条件下可达95%，唤醒响应约200毫秒。
可见即可说：屏幕上显示的菜单按钮，用户直接说出名称即可完成操作，不需要先找物理按键或触控位置，降低不熟悉车机逻辑的家庭成员的上手门槛。
四音区定位：系统可区分主驾、副驾及后排的语音来源，各座位独立唤醒、独立执行空调、车窗、导航等操作，避免全车指令互相干扰。
二、多模态融合让座舱“认得人”
声纹识别：通过多人声纹注册，车辆能识别不同家庭成员的身份，自动切换座椅位置、歌单和空调偏好，家越07等车型已将方言混说与声纹分区作为主打场景。
方言与口音适配：部分方案规划在后续迭代中支持粤语、四川话等方言，让不习惯普通话的老年乘客也能直接下达指令。
视觉与语音联动：语音形象Avatar会根据对话内容显示不同动画表情，同时车内摄像头可结合视线方向判断指令对象——主驾说“调低温度”不会误操作副驾区域。
三、语音交互的边界与法规约束在收紧
功能执行依赖条件：语音控车受网络状态、账号开通及本地数据影响，海外演示的功能不一定适用于所有市场；嘈杂环境或识别偏差时，物理按键和屏幕操作仍是兜底入口。
车灯语音新规：相关征求意见稿拟规定语音只能开灯、不能关灯，手势控灯被禁，外部车灯不得显示文字或表情包，存量车型最长有48个月过渡期。
演示与量产有差距：酷炫的语音演示不代表所有场景可用，功能落地需以本地网络、语言支持和数据覆盖为前提。