エッジAIとマイク技術の進化が音声アシスタント普及を加速

150年以上前に電話が発明されて以来、通信革命が始まりました。今日、新たな量子的飛躍が進行中です：AIが音から意味を抽出できるようになり、デバイスが話し言葉によるコマンドにより自然かつ直感的に応答できるようになっています。本記事では現状を概観し、音声アシスタントを日常のパートナーにするテクノロジーを展望します。

「ワトソン君、こちらへ来てくれ…」

アレクサンダー・グラハム・ベルの1876年の宣言は、音が電気的に伝送された最初の瞬間であり、私たちの働き方、暮らし方、遊び方を一変させたブレイクスルーでした。この基盤的イノベーションは、今日のヒューマンマシンインタラクションの進歩を支え続けています。

電話網の最初の1世紀は世界中の人々をつなぎました。過去50年間のエレクトロニクスブームにより、音声と映像がポータブルかつワイヤレスな会話へと進化。そして現在の10年間で、人間同士のハンズフリー通話から、機械との会話へと移行し、次世代イノベーションの波を牽引しています。

クラウドベース音声アシスタントの現状と課題

最新のスマートフォン、スマートスピーカー、その他の接続デバイスには、クラウドベースの深層学習モデルで動作する組み込み音声アシスタントが搭載されています。ユーザーはシンプルな話し言葉で質問し、アクションを実行できます。Statistaによると、2020年までに推定18億人が、携帯デバイスや自宅、オフィスなどの追加プラットフォームで音声アシスタントを利用可能になる見込みです。

急速な普及にもかかわらず、音声アシスタントには依然として大きなハードルがあります。最大の課題はレイテンシです：人間の会話は100ミリ秒未満の応答時間に依存しますが、現在のシステムでは数秒の遅延が生じることが多々あります。この遅延は、音声をローカルで録音し、クラウドに送信して処理し、応答を返す必要があるためです。帯域幅削減のため低品質な音声ストリームを送信するとエラー率が上昇し、インターネット速度の変動がタイミングの不整合をさらに悪化させます。

これらの制約にもかかわらず、消費者の熱意は高いままです。組み込み音声アシスタントを搭載した最初のデバイスカテゴリであるスマートスピーカーの売上は、スマートフォン初期のブームに匹敵するペースで急増。2018年には米国で40%成長、6,640万台が販売され、総数は1.33億台に達しました。これは米国成人の26%以上に相当します（voicebot.ai調べ）。

エッジコンピューティングが鍵を握る

会話の自然な流れを実現するには、処理をユーザーの近くに移すことが不可欠です。エッジコンピューティングによりAI推論をデバイス自体で実行できるため、クラウド接続への依存度を低減。メリットは明確です：高速応答、低消費電力、音声データがローカル環境から出ないためプライバシーが向上。

Infineonが最近デモした、世界最低消費電力のエッジキーワード認識チップはこのトレンドを象徴しています。音声取得、演算、ストレージをローカル化することで、睡眠時無呼吸検出に用いる呼吸音などの機密データをクラウドに送信せずに処理可能。ユーザーがインサイトの共有方法とタイミングを決められるため、ヘルスモニタリングアプリへの安心感が高まります。

専用ディープラーニングチップが展開を加速

Syntiantなどのパートナーによる専用ディープラーニングチップなど、ハードウェアの進歩がエッジデバイスへのAI展開を加速しています。数年以内に、数十億人がほぼ人間のように感じられる音声アシスタントと日常的に対話し、基盤技術が電池駆動の音声認識を幅広いユースケースで支えるようになるでしょう。

産業・社会インフラへの展開

コンシューマーデバイスを超えて、音声対応AIはスマートマシンのセンサースイートに統合され、インダストリー4.0、自律走行車、スマートファクトリー、都市規模の安全システムに貢献します。例えば、車両が交通音を「聞いて」視界外の障害物を検知し、工場が音響シグネチャで設備トラブルを予兆診断し、スマートシティインフラがガラス破損や事故を検知して当局に警告するといった用途が想定されます。

— Pradyumna Mishra、Infineon Technologies Entrepreneur-in-Residence