音声ユーザーインターフェース
アマゾンエコー
アマゾンエコー

音声ユーザーインターフェース（VUI ）は、音声認識を用いて音声によるコマンドを理解し、質問に答え、通常はテキスト読み上げ機能を用いて応答を再生することで、人間とコンピューターの対話を可能にします。音声コマンドデバイスとは、音声ユーザーインターフェースで制御されるデバイスです。

音声ユーザーインターフェースは、自動車、ホームオートメーションシステム、コンピュータオペレーティングシステム、洗濯機や電子レンジなどの家電製品、テレビのリモコンなどに追加されています。これらは、スマートフォンやスマートスピーカーの仮想アシスタントと対話するための主な手段です。従来の自動応答システム（電話を正しい内線に転送する）や音声自動応答システム（電話を介してより複雑な処理を実行する）は、キーパッドのボタン操作にDTMFトーンを介して応答できますが、完全な音声ユーザーインターフェースを備えたシステムでは、発信者はボタンを押さずに要求や応答を音声で行うことができます。

新しい音声コマンドデバイスは話者に依存しないため、アクセントや方言の影響に関わらず、複数の音声に応答できます。また、複数のコマンドに同時に応答し、音声メッセージを分離し、適切なフィードバックを提供することで、自然な会話を正確に模倣できます。[ 1 ]

概要

VUIは、あらゆる音声アプリケーションへのインターフェースです。ほんの少し前までは、話しかけるだけで機械を制御できるというのはSFの世界の話でした。最近まで、この分野は人工知能（AI ）の領域と考えられていました。しかし、音声合成（TTS）、音声テキスト変換（Speech to Text）、自然言語処理（NLP）、クラウドサービスといった技術の進歩により、こうしたインターフェースは広く普及しました。VUIはより一般的になり、人々はハンズフリー、アイズフリーのインターフェースがもたらす価値を様々な場面で活用しています。

VUIは入力に確実に応答する必要があります。そうでなければ、ユーザーから拒否され、嘲笑されることがよくあります。優れたVUIを設計するには、コンピュータサイエンス、言語学、人間工学心理学といった学際的な才能が必要ですが、これらはすべて高価で入手困難なスキルです。高度な開発ツールを用いても、効果的なVUIを構築するには、実行されるタスクと、最終的なシステムを使用するターゲットユーザーの両方を深く理解する必要があります。VUIがユーザーのタスクのメンタルモデルに近ければ近いほど、ほとんど、あるいは全くトレーニングなしで使いやすくなり、効率とユーザー満足度の両方が向上します。

一般ユーザー向けに設計されたVUIは、使いやすさを重視し、初めて電話をかけるユーザー向けに多くのヘルプとガイダンスを提供する必要があります。一方、少数のパワーユーザー（フィールドサービス担当者を含む）向けに設計されたVUIは、ヘルプやガイダンスよりも生産性に重点を置く必要があります。このようなアプリケーションは、通話フローを合理化し、プロンプトを最小限に抑え、不要な繰り返しを排除し、複雑な「混合主導ダイアログ」を可能にする必要があります。これにより、発信者は1回の発話で複数の情報を任意の順序や組み合わせで入力できます。つまり、音声アプリケーションは、自動化される特定のビジネスプロセスに合わせて慎重に構築する必要があります。

すべてのビジネスプロセスが音声自動化に適しているわけではありません。一般的に、問い合わせや取引が複雑になるほど自動化は困難になり、一般の顧客から受け入れられない可能性が高くなります。場合によっては、自動化が適用できず、ライブエージェントによるサポートが唯一の選択肢となることもあります。例えば、法律相談ホットラインの自動化は非常に困難です。一方、音声は、作業指示書のステータス変更、勤務時間や経費の入力、口座間の資金移動など、迅速かつ定型的な取引の処理に最適です。

歴史

VUI の初期のアプリケーションには、直接、または (通常はBluetooth ) ヘッドセットや車載オーディオ システムを介して音声で電話をダイヤルする機能が含まれていました。

2007年、CNNのビジネス記事は、音声コマンドが10億ドル規模の産業であり、GoogleやAppleなどの企業が音声認識機能の開発に取り組んでいると報じました。[ 2 ] 記事が公開されてから数年で、世界は様々な音声コマンドデバイスを目撃しました。さらに、GoogleはPico TTSと呼ばれる音声認識エンジンを開発し、AppleはSiriをリリースしました。音声コマンドデバイスはより広く利用できるようになり、人間の声を利用するための革新的な方法が常に生み出されています。例えば、Business Week誌は、将来のリモコンは人間の声になると示唆しています。現在、Xbox Liveはそのような機能をサポートしており、ジョブズは新しいApple TVにそのような機能が搭載されることを示唆しました。[ 3 ]

コンピューティングデバイス上の音声コマンドソフトウェア製品

Apple MacとWindows PC はどちらも、最新のオペレーティング システムに音声認識機能を組み込んでいます。

マイクロソフトウィンドウズ

マイクロソフトの2つのオペレーティングシステム、Windows 7とWindows Vistaは音声認識機能を提供しています。マイクロソフトは、マウスとキーボードの使用を制限しながらも、全体的な生産性を維持または向上させたいユーザーのために、音声コマンドをオペレーティングシステムに統合しました。[ 4 ]

ウィンドウズ ビスタ

Windows Vistaの音声コントロールを使用すると、ユーザーは主要アプリケーションで文書やメールの音声入力、アプリケーションの起動と切り替え、オペレーティングシステムの制御、文書のフォーマット、保存、ファイルの編集、エラーの効率的な修正、Webフォームへの入力を行うことができます。音声認識ソフトウェアはユーザーが使用するたびに自動的に学習し、英語（米国）、英語（英国）、ドイツ語（ドイツ）、フランス語（フランス）、スペイン語（スペイン）、日本語、中国語（繁体字）、中国語（簡体字）で音声認識が利用できます。さらに、このソフトウェアには対話型のチュートリアルが付属しており、ユーザーと音声認識エンジンの両方をトレーニングすることができます。[ 5 ]

ウィンドウズ7

Windows Vistaで提供されるすべての機能に加えて、Windows 7ではマイクを設定するためのウィザードと機能の使い方に関するチュートリアルが提供されます。[ 6 ]

マックOSX

すべてのMac OS Xコンピュータには、音声認識ソフトウェアがプリインストールされています。このソフトウェアはユーザーに依存しておらず、「メニューの操作やキーボードショートカットの入力、チェックボックス名、ラジオボタン名、リスト項目、ボタン名の音声入力、アプリケーションの起動、終了、操作、切り替え」が可能です。[ 7 ]ただし、Appleのウェブサイトでは、 Dictateという市販製品の購入を推奨しています。[ 7 ]

市販製品

ユーザーが内蔵の音声認識ソフトウェアに満足していない場合、またはOSに音声認識ソフトウェアが組み込まれていない場合は、Windows PC用のBraina ProやDragonNaturallySpeakingなどの市販製品を試してみることができます。 [ 8 ] また、Mac OS用の同じソフトウェアの名前であるDictateもあります。[ 9 ]

音声コマンドモバイルデバイス

Android OS、Microsoft Windows Phone、iOS 9以降、またはBlackberry OSを搭載したモバイルデバイスは、音声コマンド機能を備えています。各携帯電話のオペレーティングシステムに内蔵されている音声認識ソフトウェアに加えて、ユーザーは各オペレーティングシステムのアプリケーションストア（Apple App Store、Google Play、Windows Phone Marketplace（当初はWindows Marketplace for Mobile）、Blackberry App World ）からサードパーティ製の音声コマンドアプリケーションをダウンロードできます。

アンドロイドOS

GoogleはAndroidというオープンソースのオペレーティングシステムを開発しており、これによりユーザーはテキストメッセージの送信、音楽の聴取、道順の取得、企業への電話、連絡先への通話、メールの送信、地図の表示、ウェブサイトへのアクセス、メモの作成、Google検索などの音声コマンドを実行できます。[ 10 ] 音声認識ソフトウェアはAndroid 2.2「Froyo」以降のすべてのデバイスで利用できますが、設定を英語に設定する必要があります。[ 10 ] Googleはユーザーが言語を変更できるようにしており、音声認識機能を初めて使用するときに、音声データをGoogleアカウントに関連付けるかどうかを確認するメッセージが表示されます。ユーザーがこのサービスにオプトインすると、Googleはソフトウェアをユーザーの音声に合わせてトレーニングできます。[ 11 ]

GoogleはAndroid 7.0「Nougat」でGoogleアシスタントを導入しました。これは以前のバージョンよりもはるかに進化しています。

Amazon.com には、Amazon のカスタムバージョンの Android を使用して音声インターフェースを提供する Echoがあります。

マイクロソフトウィンドウズ

Windows Phoneは、 Microsoftのモバイルデバイス用オペレーティングシステムです。Windows Phone 7.5では、音声認識アプリはユーザーに依存しておらず、連絡先リストに登録されている相手に電話をかける、任意の電話番号に電話をかける、最後にかけた番号にリダイヤルする、テキストメッセージを送信する、ボイスメールを呼び出す、アプリケーションを開く、予定を読み上げる、電話の状態を問い合わせる、ウェブを検索するなどの操作が可能です。[ 12 ] [ 13 ] さらに、音声認識は通話中にも使用でき、番号を押す、スピーカーフォンをオンにする、電話をかける（通話を保留にする）などの操作が可能です。[ 13 ]

Windows 10 では、Windows Phone で以前使用されていた音声制御に代わる音声制御システムである Cortanaが導入されています。

iOS

AppleはiPhone OS 3の新機能として音声コントロールをiOSデバイスファミリーに追加しました。iPhone 4S、iPad 3、iPad Mini 1G、iPad Air、iPad Pro 1G、iPod Touch 5G以降には、より高度な音声アシスタントであるSiriが搭載されています。音声コントロールは、新しいデバイスの設定メニューから引き続き有効にすることができます。Siriは、ユーザーに依存しない内蔵の音声認識機能で、ユーザーは音声コマンドを発行できます。Siriの支援を受けて、ユーザーはテキストメッセージの送信、天気の確認、リマインダーの設定、情報の検索、会議のスケジュール設定、電子メールの送信、連絡先の検索、アラームの設定、道順の取得、株価の追跡、タイマーの設定、音声コマンドクエリのサンプル例の質問などのコマンドを発行できます。[ 14 ] さらに、SiriはBluetoothと有線ヘッドフォンで動作します。[ 15 ]

Appleは、2023年9月18日にリリースされたiOS 17で、アクセシビリティ機能としてパーソナルボイスを導入しました。 [ 16 ]この機能により、ユーザーは自分の声を機械学習（AI）で生成し、テキスト読み上げアプリケーションで使用できるようにパーソナライズできます。特に発話障害のある人向けに設計されたパーソナルボイスは、ユーザーの声の独特な響きを維持するのに役立ちます。よりパーソナライズされた包括的なユーザーエクスペリエンスを提供することで、 Siriやその他のアクセシビリティツールを強化します。パーソナルボイスは、Appleのアクセシビリティとイノベーションへの継続的な取り組みを反映しています。[ 17 ] [ 18 ]

アマゾンアレクサ

2014年、AmazonはAlexaスマートホームデバイスを発表しました。その主な目的は、消費者が音声でデバイスを制御できるスマートスピーカーでした。最終的に、音声で家電を制御できる目新しいデバイスへと変化しました。現在では、電球や温度など、ほぼすべての家電がAlexaで制御可能です。音声制御を可能にすることで、Alexaはスマートホームテクノロジーに接続し、家の鍵をかけたり、温度を調節したり、さまざまなデバイスを起動したりできるようになります。この形式のAIにより、ユーザーは単に質問をするだけで、Alexaが検索して見つけ出し、答えを読み上げます。[ 19 ]

車内の音声認識

自動車の技術が向上するにつれて、より多くの機能が車に追加されるが、これらの機能は潜在的に運転手の注意をそらす可能性がある。CNETによると、自動車用の音声コマンドは、運転手が気を散らすことなくコマンドを発行できるようにする必要がある。 CNET は、Nuance が将来、Siri に似たソフトウェアを自動車用に作成することを示唆していると述べた。[ 20 ] 2011 年に市場に出回っていたほとんどの音声認識ソフトウェアは音声コマンドが 50 ～ 60 個程度しかなかったが、Ford Sync には 10,000 個あった。[ 20 ]ただし、CNET は、運転中にユーザーが実行したいタスクの複雑さと多様性を考えると、10,000 個の音声コマンドでも十分ではないと示唆した。[ 20 ]自動車用の音声コマンドは、携帯電話やコンピュータの音声コマンドとは異なり、運転手はこの機能を使用して近くのレストランやガソリンスタンド、運転ルート、道路状況、最寄りのホテルの場所を検索することがある。[ 20 ]現在、技術により、運転者はガーミンのようなポータブルGPSと自動車メーカーのナビゲーションシステムの両方で音声コマンドを発行することが可能となっている。[ 21 ]

モーターメーカーが提供する音声コマンドシステムの一覧:

非言語入力

ほとんどの音声ユーザーインターフェースは人間の話し言葉を介したインタラクションをサポートするように設計されていますが、最近では人間の非言語的な音を入力として取り入れるインターフェースの設計も検討されています。[ 22 ] [ 23 ]これらのシステムでは、ユーザーはハミング、口笛、マイクに息を吹き込むなどの非音声音を発することでインターフェースを制御します。[ 24 ]

非言語音声ユーザーインターフェースの一例として、ケリー・ドブソンが制作したインタラクティブなアートインスタレーション「Blendie」[ 25 ] [ 26 ]が挙げられます。この作品は、1950年代のクラシックなブレンダーを改造したもので、マイク入力に反応するように作られています。ブレンダーを操作するには、ユーザーはブレンダーが通常発する機械音を真似する必要があります。ユーザーが低音で唸るとブレンダーはゆっくりと回転し、高音で発声すると回転速度が上がります。

もう一つの例は、運動能力が制限されている人でもデジタル描画を可能にする研究システムであるVoiceDraw [ 27 ]です。VoiceDrawでは、筆の方向とマッピングされた母音を調整することで、ユーザーはデジタルキャンバスにストロークを「描く」ことができます。また、他のパラ言語的特徴（例えば、声の大きさ）を調整することで、筆のストロークの太さなど、描画の様々な特徴を制御することができます。

他のアプローチとしては、非言語音を採用してタッチベースのインターフェース（携帯電話など）を拡張し、指入力だけでは不可能な新しいタイプのジェスチャーをサポートすることが挙げられる。[ 24 ]

設計上の課題

音声インターフェースは、ユーザビリティに関して多くの課題を抱えています。グラフィカルユーザーインターフェース（GUI）とは対照的に、音声インターフェース設計のベストプラクティスは依然として発展途上です。[ 28 ]

発見可能性

音声のみによるインタラクションでは、音声ユーザーインターフェースは発見可能性が低いという問題を抱えがちです。[ 28 ]ユーザーがシステムの機能の範囲を理解することは困難です。視覚的な表示なしに何が可能なのかを伝えるには、利用可能なオプションを列挙する必要があり、これは面倒であったり、実現不可能であったりする可能性があります。発見可能性が低いと、ユーザーは自分が何を「発言できる」のか混乱したり、システムの理解範囲に関する期待に反したりすることがしばしばあります。[ 29 ] [ 30 ]

転写

近年、音声認識技術は大幅に向上しましたが、音声ユーザーインターフェースでは、ユーザーの音声が正しく解釈されない解析エラーや転写エラーが依然として発生しています。 [ 31 ]これらのエラーは、音声コンテンツに専門用語（例：医療用語）や音楽アーティスト名や曲名などの非標準的な綴りが使用されている場合に特に発生しがちです。[ 32 ]

理解

会話理解を最大限に高めるための効果的なシステム設計は、未だ未解明な研究領域です。会話状態を解釈・管理する音声ユーザーインターフェースは、共参照解決、固有表現認識、情報検索、対話管理といった複雑な自然言語処理タスクを統合することが本質的に難しいため、設計が困難です。[ 33 ]今日のほとんどの音声アシスタントは、単一のコマンドを非常にうまく実行できますが、限られたタスクや会話中の数回のターンを超えた対話を管理する能力には限界があります。[ 34 ]

プライバシーへの影響

音声コマンドは音声ユーザーインターフェースの提供者に暗号化されていない形で提供され、第三者と共有されたり、不正または予期しない方法で処理されたりする可能性があるため、プライバシーに関する懸念が生じます。[ 35 ] [ 36 ]録音された音声の言語内容に加えて、ユーザーの表現方法や音声特性には、生体認証、性格特性、体型、身体的および精神的健康状態、性別、ジェンダー、気分や感情、社会経済的地位、地理的起源に関する情報が暗黙的に含まれている可能性があります。[ 37 ]

参照

参考文献

  1. ^ 「洗濯機の音声コントロール」 . Appliance Magazine . 2011年11月3日時点のオリジナルよりアーカイブ。2018年12月20日閲覧。
  2. ^ Borzo, Jeanette (2007年2月8日). 「Now You're Talking」 . CNN Money . 2012年4月25日閲覧。
  3. ^ 「音声コントロール、テレビリモコンの終焉か？」Bloomberg.com、ビジネスウィーク、2011年12月9日。2011年12月8日時点のオリジナルよりアーカイブ。 2012年5月1日閲覧。
  4. ^ 「Windows Vistaの音声認識機能内蔵」 Windows Vista . 2012年4月25日閲覧。
  5. ^ 「Vista での音声操作」。Microsoft。
  6. ^ 「音声認識のセットアップ」。Microsoft。
  7. ^ a b「身体能力と運動能力」。Apple。
  8. ^ 「DragonNaturallySpeaking PC」。Nuance。
  9. ^ 「DragonNaturallySpeaking Mac」。Nuance。
  10. ^ a b「音声アクション」。
  11. ^ 「Android向けGoogle音声検索があなたの声に「トレーニング」できるようになりました」 2010年12月14日。 2012年4月24日閲覧。
  12. ^ 「音声コマンドの使用」。Microsoft 。2012年4月24日閲覧。
  13. ^ a b「音声コマンドの使用」。Microsoft 。 2012年4月27日閲覧。
  14. ^ 「Siri、iPhone 3GS & 4、iPod 3 & 4には、Express Siriのような音声コントロール機能が搭載されており、音楽の再生、一時停止、サッフル、FaceTime、通話機能などが可能です。」Apple . 2012年4月27日閲覧。
  15. ^ 「Siriに関するFAQ」。Apple。
  16. ^ 「iOS 17搭載iPhoneでパーソナルボイスを使う方法」 Engadget 2023年12月6日2024年8月21日閲覧。
  17. ^ Jason England (2023年7月13日). 「iOS 17でパーソナルボイスを設定して使う方法 — iPhoneの音声を自分らしく」 . LaptopMag . 2024年8月21日閲覧。
  18. ^ 「パーソナルボイスによる音声アクセシビリティの向上」 Apple機械学習研究。 2024年8月21日閲覧。
  19. ^ 「Amazon Echoはいかにしてスマートスピーカーから家庭の中心へと変貌したか」 Business Insider。
  20. ^ a b c d「Siriのような音声」 CNET。
  21. ^ 「音声付きポータブルGPS」 CNET。
  22. ^ブラットナー、ミーラ・M.、グリーンバーグ、ロバート・M. (1992). 「非音声オーディオを通じたコミュニケーションと学習」.マルチメディア・インターフェース・デザイン・イン・エデュケーション. pp.  133– 143. doi : 10.1007/978-3-642-58126-7_9 . ISBN 978-3-540-55046-4。
  23. ^ヘレフォード、ジェームズ、ウィン、ウィリアム（1994年10月）「人間とコンピュータのインタラクションにおける非音声音：レビューと設計ガイドライン」Journal of Educational Computing Research . 11 (3): 211– 233. doi : 10.2190/mkd9-w05t-yj9y-81nm . ISSN 0735-6331 . S2CID 61510202 .  
  24. ^ a b坂本大輔、小松孝典、五十嵐健夫 (2013年8月27日). 「音声拡張操作 | Proceedings of the 15th international conference on Human-computer interaction with mobile devices and services」 : 69– 78. doi : 10.1145/2493190.2493244 . S2CID 6251400. 2019年2月27日閲覧。 {{cite journal}}:ジャーナルを引用するには|journal=（ヘルプ）が必要です
  25. ^ Dobson, Kelly (2004年8月). 「Blendie | Proceedings of the 5th conference on Designing interactive systems: processes, practices, methods, and techniques」 : 309. doi : 10.1145/1013115.1013159 . 2019年2月27日閲覧。{{cite journal}}:ジャーナルを引用するには|journal=（ヘルプ）が必要です
  26. ^ “Kelly Dobson: Blendie” . web.media.mit.edu . 2022年5月10日時点のオリジナルよりアーカイブ。2019年2月27日閲覧。
  27. ^原田 進; ウォブロック ジェイコブ・O.; ランデイ ジェームズ・A. (2007年10月15日). 「Voicedraw | Proceedings of the 9th international ACM SIGACCESS conference on Computers and accessibility」 : 27– 34. doi : 10.1145/1296843.1296850 . S2CID 218338. 2019年2月27日閲覧。 {{cite journal}}:ジャーナルを引用するには|journal=（ヘルプ）が必要です
  28. ^ a b Murad, Christine; Munteanu, Cosmin; Clark, Leigh; Cowan, Benjamin R. (2018年9月3日). 「ハンズフリー音声インタラクションの設計ガイドライン | Proceedings of the 20th International Conference on Human-Computer Interaction with Mobile Devices and Services Adjunct」 : 269– 276. doi : 10.1145/3236112.3236149 . S2CID 52099112. 2019年2月27日閲覧。 {{cite journal}}:ジャーナルを引用するには|journal=（ヘルプ）が必要です
  29. ^ Yankelovich, Nicole; Levow, Gina-Anne; Marx, Matt (1995年5月). 「SpeechActsの設計 | SIGCHI Conference on Human Factors in Computing Systemsの議事録」 : 369– 376. doi : 10.1145/223904.223952 . S2CID 9313029 . {{cite journal}}:ジャーナルを引用するには|journal=（ヘルプ）が必要です
  30. ^ 「何が言えるでしょうか？ | 第18回モバイルデバイスおよびサービスにおけるヒューマンコンピュータインタラクション国際会議議事録」 . doi : 10.1145/2935334.2935386 . S2CID 6246618 . {{cite journal}}:ジャーナルを引用するには|journal=（ヘルプ）が必要です
  31. ^ Myers, Chelsea; Furqan, Anushay; Nebolsky, Jessica; Caro, Karina; Zhu, Jichen (2018年4月19日). 「音声ユーザーインターフェースにおけるユーザーの障害克服パターン | Proceedings of the 2018 CHI Conference on Human Factors in Computing Systems」 : 1– 7. doi : 10.1145/3173574.3173580 . S2CID 5041672. 2019年2月27日閲覧. {{cite journal}}:ジャーナルを引用するには|journal=（ヘルプ）が必要です
  32. ^ Springer, Aaron; Cramer, Henriette (2018年4月21日). "「Play PRBLMS」| 2018年CHIコンピューティングシステムにおけるヒューマンファクターに関する会議議事録： 1～ 13。doi： 10.1145/3173574.3173870。S2CID 5050837。2019年2月27日閲覧。 {{cite journal}}:ジャーナルを引用するには|journal=（ヘルプ）が必要です
  33. ^ Galitsky, Boris (2019). 『エンタープライズチャットボットの開発：言語構造の学習』（第1版）. シャム、スイス：Springer. pp.  13– 24. doi : 10.1007/978-3-030-04299-8 . ISBN 978-3-030-04298-1. S2CID  102486666 .
  34. ^パール、キャシー（2016年12月6日）『音声ユーザーインターフェースの設計：会話体験の原則』（第1版）セバストポル、カリフォルニア州：オライリーメディア、pp.  16– 19. ISBN 978-1-491-95541-3。
  35. ^ 「Apple、Google、Amazonがデジタルアシスタントのコマンドを見直し、プライバシーを侵害した可能性がある」 Fortune 、 2019年8月5日。 2020年5月13日閲覧。
  36. ^ Hern, Alex (2019年4月11日). 「Amazonのスタッフが顧客のAlexaの録音を聞いていると報道」 .ガーディアン. 2020年5月21日閲覧。
  37. ^ Kröger, Jacob Leon; Lutz, Otto Hans-Martin; Raschke, Philip (2020). 「音声・発話分析のプライバシーへの影響 ― 推論による情報開示」.プライバシーとアイデンティティ管理. より良い生活のためのデータ：AIとプライバシー. IFIP 情報通信技術の進歩. 第576巻. pp.  242– 258. doi : 10.1007/978-3-030-42504-3_16 . ISBN 978-3-030-42503-6. ISSN  1868-4238 .
「 https://en.wikipedia.org/w/index.php?title=Voice_user_interface&oldid=1333151016」より取得