Loading article…
音声ユーザー インターフェイス( VUI ) は、音声認識を使用して音声によるコマンドを理解して質問に答え、通常はテキストを音声に変換して応答を再生することで、人間とコンピューターの音声による対話を可能にします。音声コマンド デバイスは、音声ユーザー インターフェイスで制御されるデバイスです。
音声ユーザー インターフェイスは、自動車、ホーム オートメーションシステム、コンピューターのオペレーティング 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方法です。古い自動応答システム(電話を正しい内線にルーティングする) や対話型音声応答システム (電話でより複雑なトランザクションを実行する) は、 DTMFトーンを介してキーパッドのボタンの押下に応答できますが、完全な音声ユーザー インターフェイ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話すことができます。
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係なく、複数の音声に応答できます。また、一度に複数のコマンドに応答し、音声メッセージを分離し、適切なフィードバックを提供して、自然な会話を正確に模倣することもできます。[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イスです。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のはSFの世界だけでした。最近まで、この分野は人工知能と考えられていました。しかし、テキスト読み上げ、音声テキスト変換、自然言語処理、クラウド サービスなどの技術の進歩により、これらのタイプのインターフェイスが広く採用されるようになりました。VUI はより一般的になり、人々はさまざまな状況でこれらのハンズフリー、アイズフリーのインターフェイスが提供する 価値を活用しています。
VUI は入力に対して確実に応答する必要があります。そうしないと、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、コンピューター サイエンス、言語学、人間工学心理学の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使用したとしても、効果的な VUI を構築するには、実行するタスクと、最終的なシステムを使用する対象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、ほとんどまたはまったくトレーニングなしで簡単に使用でき、効率とユーザー満足度が向上します。
一般向けに設計された VUI は、使いやすさを重視し、初めて電話をかける人に対して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 ワーカーを含む) 向けに設計された VUI は、ヘルプと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「混合イニシアチブダイアログ」を許可する必要があります。これにより、発信者は 1 回の発話で、任意の順序または組み合わせで複数の情報を入力できます。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作成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、自動化が難しくなり、一般の人々に受け入れられない可能性が高くなります。自動化がまったく適用できないシナリオもあり、その場合はライブ エージェントによるサポートが唯一の選択肢となります。たとえば、法律相談ホットラインを自動化するのは非常に困難です。一方、音声は、作業指示書のステータスの変更、時間や経費の入力の完了、口座間の資金移動など、迅速で日常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10億ドルを超える産業であり、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、世界はさまざま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、人間の声を使用する革新的な方法が常に生み出されています。たとえば、Business Week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許可しており、ジョブズは新しいApple TVにそのような機能があ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人のために、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、ユーザーは主流のアプリケーションで文書やメールを口述したり、アプリケーションを起動したり切り替えたり、オペレーティングシステムを制御したり、文書をフォーマットしたり保存したり、ファイルを編集したり、エラーを効率的に修正したり、Web上のフォームに記入したりできます。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、音声認識は英語（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）で利用できます。さらに、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ために使用できます。[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、機能の使用方法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から独立しており、ユーザーは「メニューをナビゲートしてキーボード ショートカットを入力したり、チェックボックス名、ラジオ ボタン名、リスト項目、ボタン名を音声で入力したり、アプリケーションを開いたり、閉じたり、制御したり、切り替えたりすることができます。」[7]ただし、Apple の Web サイトでは、 Dictateという市販の製品を購入することを推奨しています。[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用の音声認識ソフトウェアが内蔵されていない場合は、Windows PC用のBraina ProやDragonNaturallySpeakingなどの市販製品や、 Mac OS用の同じソフトウェアの名前であるDictateを試してみることができます。[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 を実行しているすべてのモバイル デバイスには、音声コマンド機能が備わっています。各携帯電話のオペレーティング システムに組み込ま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 )、またはBlackBerry App World)からサード パーティの音声コマンド 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と呼ばれる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、連絡先への電話、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る。[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るが、設定は英語にする必要がある。[10] Googleはユーザーが言語を変更できるようにしており、ユーザーが初めて音声認識機能を使用するときに、音声データをGoogleアカウントに添付するかどうかを尋ねられる。ユーザーがこのサービスにオプトインすることを決定した場合、Googleはソフトウェアをユーザーの声に合わせてトレーニングすることができる。[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 デバイスのオペレーティング システムです。Windows Phone 7.5 では、音声アプリはユーザーから独立しており、連絡先リストの誰かに電話をかける、任意の電話番号に電話をかける、最後の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、予定を読む、電話の状態を照会する、Web を検索するなどの操作を行うことができます。 [12] [13] さらに、音声は通話中にも使用でき、通話中に番号を押す、スピーカー フォンをオンにする、誰かに電話をかける (現在の通話を保留にする) などの操作が可能です。[13]
Windows 10 では、Windows フォン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、iOSデバイスファミリーに音声コントロールを追加しました。iPhone 4S、iPad 3、iPad Mini 1G、iPad Air、iPad Pro 1G、iPod Touch 5G以降にはすべて、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有効にすることができます。Siriは、ユーザーに依存しない組み込みの音声認識機能で、ユーザーは音声コマンドを発行できます。Siriの助けを借りて、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、サンプル音声コマンドクエリの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）で生成したパーソナライズされたバージョンを作成し、テキスト読み上げアプリケーションで使用することができます。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音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に過ぎませんでした。最終的に、音声で家電を制御できる目新しいデバイスに変わりました。現在、電球や温度など、ほぼすべての家電がAlexaで制御できます。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て、家を施錠したり、温度を制御したり、さまざまなデバイスを起動したりすることができます。この形式のAIでは、誰かが単に質問をするだけで、Alexaが検索して見つけ、答えを読み上げます。[19]
車内の音声認識
自動車技術の向上に伴い、より多くの機能が車に追加され、これらの機能がドライバーの注意をそらす可能性があります。CNET によると、自動車の音声コマンドは、ドライバー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ります。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ました。[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には約 50 ～ 60 の音声コマンドしかありませんでしたが、Ford Sync には 10,000 の音声コマンドがありました。[20]ただし、CNET は、ユーザーが運転中に実行したいタスクの複雑さと多様性を考えると、10,000 の音声コマンドでも十分ではないと示唆しました。[20]自動車の音声コマンドは、携帯電話やコンピューターの音声コマンドとは異なります。ドライバーは、この機能を使用して、近くのレストラン、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できます。[20]現在、テクノロジーにより、ドライバーはGarminなどのポータブル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できます。 [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リスト:
- フォードシンク
- レクサス音声コマンド
- クライスラー UConnect
- ホンダ アコード
- GMインテリリンク
- BMW
- メルセデス
- 開拓
- ハーマン
- ヒュンダイ
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は、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]がある。この作品は、マイク入力に反応するように改造された1950年代のクラシックなブレンダーで構成されている。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る。ブレンダーは、ユーザーの低音の唸り声に反応してゆっくりと回転し、高音の発声に反応して速度が上がる。
もう一つの例は、運動能力が限ら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、ブラシの方向にマッピングされた母音を調整することで、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。他のパラ言語的特徴（声の大きさなど）を調整することで、ブラシストロークの太さなど、描画のさまざまな特徴を制御できます。
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まだ発展途上です。[28]
発見可能性
音声のみの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傾向があります。[28]ユーザーがシステムの機能の範囲を理解するのは困難です。システムが視覚的な表示なしで何ができるかを伝えるには、利用可能なオプションを列挙する必要があり、これは面倒で実行不可能になる可能性があります。発見可能性が低いと、ユーザーが何を言うことが「許可されている」かについて混乱したり、システムの理解の範囲に関する期待が一致しなかったりすることがよくあります。[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（医療用語など）や、ミュージシャン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多く発生する傾向があります。[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、未だ研究の余地がある。会話状態を解釈し管理する音声ユーザーインターフェースは、共参照解決、名前付きエンティティ認識、情報検索、ダイアログ管理などの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、設計が困難である。[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るが、狭い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る。[34]
プライバシーへの影響
音声コマンドは暗号化されていない形式で音声ユーザーインターフェースプロバイダーに提供され、第三者と共有され、許可されていない、または予期しない方法で処理され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コンテンツに加えて、ユーザーの表現方法と音声特性には、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
- ^ 「洗濯機の音声コントロール」アプライアンスマガジン。
- ^ Borzo, Jeanette (2007年2月8日). 「Now You're Talking」. CNN Money . 2012年4月25日閲覧。
- ^ 「音声コントロール、テレビリモコンの終焉か？」Bloomberg.com . Business Week. 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。
- ^ 「Windows Vista のビルトイン音声機能」。Windows Vista。2012年4 月 25 日閲覧。
- ^ 「Vista での音声操作」。Microsoft。
- ^ 「音声認識のセットアップ」。Microsoft。
- ^ ab 「身体能力と運動能力」。Apple。
- ^ 「DragonNaturallySpeaking PC」。Nuance。
- ^ 「DragonNaturallySpeaking Mac」。Nuance。
- ^ ab 「音声アクション」。
- ^ 「Android 向け Google 音声検索が、ユーザーの声に合わせて「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。
- ^ 「音声コマンドの使用」。Microsoft。2012年4 月 24 日閲覧。
- ^ ab 「音声コマンドの使用」。Microsoft。2012年4 月 27 日閲覧。
- ^ 「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あり、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。
- ^ 「Siri FAQ」。Apple。
- ^ 「iOS 17搭載iPhoneでパーソナルボイスを使用する方法」Engadget 2023年12月6日2024年8月21日閲覧。
- ^ Jason England (2023-07-13). 「iOS 17でパーソナルボイスを設定して使用する方法 — iPhoneの音声を自分らしくする」. LaptopMag . 2024-08-21閲覧。
- ^ 「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。
- ^ 「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。
- ^ abcd 「Siriのような音声」。CNET。
- ^ 「音声付きポータブル GPS」CNET。
- ^ Blattner, Meera M.; Greenberg, Robert M. (1992). 「非音声オーディオによる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 デザイン教育。pp. 133–143。doi : 10.1007 / 978-3-642-58126-7_9。ISBN 978-3-540-55046-4。
- ^ Hereford, James; Winn, William (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 。
- ^ ab 坂本 大輔; 小松 孝典; 五十嵐 健夫 (2013年8月27日). 「音声補助操作 | 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に関する第15回国際会議議事録」: 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 - ^ Dobson, Kelly (2004 年 8 月). 「Blendie | Proceedings of the 5th conference on Designing interactive systems: processes, practice, methods, and technologies」: 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 - ^ 「Kelly Dobson: Blendie」. web.media.mit.edu . 2019年2月27日閲覧。
- ^ 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 - ^ ab 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 - ^ Yankelovich, Nicole; Levow, Gina-Anne; Marx, Matt (1995 年 5 月). 「Designing SpeechActs | Proceedings of the SIGCHI Conference on Human Factors in Computing Systems」: 369–376. doi :10.1145/223904.223952. S2CID 9313029 . 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 - ^ 「何と言えばいいでしょうか? | 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に関する第18回国際会議議事録」。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 - ^ Myers, Chelsea; Furqan, Anushay; Nebolsky, Jessica; Caro, Karina; Zhu, Jichen (2018 年 4 月 19 日)。「音声ユーザー インターフェースでユーザーが障害を克服するためのパターン | 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 - ^ Springer, Aaron; Cramer, Henriette (2018年4月21日). 「Play PRBLMS」 | Proceedings of the 2018 CHI Conference on Human Factors in Computing Systems」: 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 - ^ 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。
- ^ パール、キャシー (2016-12-06)。音声ユーザーインターフェイスの設計: 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。
- ^ 「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」Fortune 2019年8月5日2020年5月13日閲覧。
- ^ Hern, Alex (2019-04-11). 「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。
- ^ Kröger, Jacob Leon; Lutz, Otto Hans-Martin; Raschke, Philip (2020). 「音声および音声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。 Vol. 576。 pp. 242–258。doi：10.1007/978-3-030-42504-3_16。ISBN 978-3-030-42503-6. ISSN 1868-4238。
外部リンク
- 音声インターフェース: 潜在能力の評価 (Jakob Nielsen 著)
- 音声の台頭：タイムライン
- Voice First 用語集
- 声を第一に読書リスト