本发明实施例提供一种用于车辆的语音交互方法。该方法包括：采集来自车辆内每个座位的声音信息和视频信息；对声音信息进行语音识别，并基于语音识别结果对声音信息进行第一打分；基于语音识别结果对应的基准口型的视频图像，对视频信息中的乘客的口型进行第二打分；对第一打分结果和第二打分结果进行综合判断，确定是否进行语音交互。本发明实施例还提供一种用于车辆的语音交互系统。本发明实施例利用图像识别算法对每个座位用户的口型进行实时检测识别。通过口型与声音的多重因素判断是否进行语音交互，提升全车内语音识别效果和交互准确率，并且考虑到车内的多种会影响声音信号和视频信号的音素进行弹性处理。从而进一步提升语音交互效果。