融合必然是未来人机交互的趋势。
以AIUI为例，在定义之初，就没有把语音作为唯一的交互方式，而是把它设想为结合了人脸、人体追踪、手势、红外等多种方式为一体的人机交互解决方案。
我们也在不断的尝试把语音和其他方式相结合，比如我们现在已经上线的人脸、声纹融合身份验证，即是最直接的例子，通过这种方式将能够有效解决用户的身份认证问题。
在AIUI中，也有很多的场景需要借助于不同方式来相互配合。举个例子，在AIUI中，为解决远场的持续交互，使用了麦克风阵列，采用定向拾音的方式来解决这个问题，但是由于定向拾音的角度有限，造成持续交互过程中，说话人的移动成为问题，这个时候，就需要有移动的声源定位和追踪，简单依靠声音的辨识和追踪，很难有效解决这个问题，这个时候如果能结合人体的追踪，比如图像和红外手段，将可以进一步降低出错概率。其他的场景还有人的年龄、性别等属性识别，如果采用图像、声音相结合方式，将可以极高提升精准度，提升机器的感知能力，AI也将更加智能。