2017年が「音声インターフェース元年」になった理由

近年、自動音声認識（ASR）のブレークスルーにより、音声は単なる目新しさから、無数のデバイスにおける主要インターフェースへと変貌しました。『IEEE Spectrum』は2017年を「音声認識の年」と称し、ZDNetはCESで「音声が次世代の主要コンピュータインターフェースになる」と報じました。現在の音声エコシステムとそれを支える技術を概観します。

あなたのデバイスはいくつ会話できますか？

音声起動は今や至る所にあります。iPhone 7、Galaxy S7などのフラッグシップスマートフォンには常時稼働の音声アシスタントが搭載され、スマートウォッチ、ウェアラブル、Apple AirPodsやSamsung Gear IconXのようなヒアラブルにも搭載されています。従来型UIを持たないデバイスも多く、音声が唯一の実用的な操作手段となっています。GoPro Hero 5のような新しいカメラはハンズフリー自撮りのために音声コマンドを受け付け、車載インフォテインメントシステムではより安全な運転のために音声制御オーディオが標準化されています。

Amazon Echoが会話型アシスタントブームの火付け役となりました。Amazonの音声サービスAlexaには、ジョーク、スポーツスコア、映画トリビアなど数十のビルトインスキルと数多くのイースターエッグが搭載されています。開発者はAlexa Skills Kit（ASK）で機能を拡張できます。例えば、趣味でiRobot Roombaを音声操作の掃除機に改造した事例もあります。Alexaはフードデリバリー、配車、WhirlpoolやGEなどのスマート家電制御といった実用的サービスにも対応しています。

Amazonが市場をリードしていますが、競合も追い上げています。FacebookはMorgan FreemanをAIアシスタントの声に起用し、Zuckerbergが1年かけて構築したシステムを「Jarvis」と命名しました。このシステムは声紋でユーザーを特定し、顔認識を行い、住宅へのセキュアアクセスを許可します。日本ではGateboxがホログラフィックアシスタント「東雲あずま」を提供し、スピーカー、プロジェクタ、カメラ、モーションセンサを組み合わせてより没入感のある体験を創出しています。

遠距離音声ピックアップはどう機能するか？

BGMが流れている中や部屋の向こう側からの話し言葉を理解するには、いくつかの先進技術が必要です。

ディープラーニング

最新ASRの核心です。大規模データセットで訓練されたニューラルネットワークは、音声および視覚認識で人間の性能に匹敵または超えるレベルに達しています。訓練済みモデルはデバイスハードウェア上でリアルタイム動作します。

適応ビームフォーミング

話者の方向に焦点を合わせることで信頼性を高めます。Echoのようなデバイスは7マイクの六方向アレイを用い、信号到達時間差から話者の方向を検出し、移動する話者を追尾し、複数の声を分離します。

アコースティックエコーキャンセレーション

デバイス自身が出力する音声（音楽、応答音声）を除去し、ユーザーのコマンドを聴き取れるようにします。システムは出力データを解析するか専用マイクを用いて自ら生成した音をモデル化し、入力信号から減算します。これにより、音楽再生中でもユーザーが割って入る（「バージイン」）ことが可能になります。

さらに、デリバレーション（残響除去）などの追加エコー低減技術により、壁やその他の表面からの予測不能な反射をフィルタリングし、ASRエンジンにクリーンな音声サンプルを供給します。

音声インターフェースはまだ進化中

2017年は音声採用の重要なマイルストーンでしたが、レイテンシ、文脈理解、複数話者対応、プライバシーなど多くの課題が残っています。これらの欠点については今後の投稿で掘り下げますので、ご期待ください。

Eran BelaishはCEVAのオーディオおよび音声ポートフォリオのプロダクトマーケティングマネージャーで、音声トリガーからワイヤレスオーディオまでのソリューションを開発しています。音響技術に没頭していないときは、静寂な水中世界でフリーダイビングを楽しんでいます。