JP2002278589A

JP2002278589A - 音声対話装置、音声対話処理方法、音声対話処理プログラムおよびその記録媒体

Info

Publication number: JP2002278589A
Application number: JP2001082632A
Authority: JP
Inventors: Yoshihito Yasuda; 宜仁安田; Kouji Dousaka; 浩二堂坂; Kiyoaki Aikawa; 清明相川
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: Nippon Telegraph and Telephone Corp
Priority date: 2001-03-22
Filing date: 2001-03-22
Publication date: 2002-09-27
Anticipated expiration: 2021-03-22
Also published as: JP3576116B2

Abstract

(57)【要約】【課題】利用者との対話のやりとりの回数を小さくす
る音声対話装置を提供する。【解決手段】ユーザの音声を入力し、音声認識して文
字列に変換する手段１１０、文字列を装置内部の理解状
態に変換する手段１２０、理解状態を入力として、ユー
ザ要求の確率分布を推定する手段１３０と、確認対象の
語彙を入力として、特定の項目に関しての確認の最中で
の期待される音声認識率を推定する手段１４０、理解状
態と特定のユーザ要求種を入力とし、推定された音声認
識率をもとに、ユーザ要求を特定のもと仮定した場合の
期待ターン数を推定する手段１５０、推定したユーザ要
求の確率分布と期待ターン数を入力として、装置の次の
確認あるいは要求を表わす確認内容を決定する手段１６
０、確認内容を音声に変換して出力する手段１７０を具
備する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、音声対話装置に関
し、詳しくは、音声によるやりとりによってユーザの要
求を確認し、ユーザの要求を処理するにあたり、ユーザ
とのやりとりの回数（ターン数）を少なくする技術に関
する。

【０００２】

【従来の技術】音声対話装置では、通常、ユーザの発話
内容は音声認識を経て理解され、ユーザの要求内容を決
定していく。しかしながら、音声認識には限界があり、
認識結果には誤りが含まれている可能性がある。したが
って、音声対話装置がユーザの要求内容を確定するため
には、音声認識結果だけに頼らずに、装置が理解した発
話内容をユーザに確認する必要がある。

【０００３】また、音声対話装置が受け付け可能な語彙
・言い回しとユーザの発話に齟齬がある場合などには、
装置に伝わった範囲の情報では、仮にすべてを確認し終
えたとしても、ユーザの要求内容がはっきりしない場合
がある。こういった場合には、音声対話装置はユーザに
対して情報を要求することが必要となる。

【０００４】このような音声対話装置からの確認や情報
の要求によって発生する装置とユーザとの間の一連のや
りとりは確認対話と呼ばれる。処理できる内容（タス
ク）が変われば、確認対象も変わる。タスクが変更され
た場合でも、対話のやりとりの回数を増やさずに確認を
行う方法が必要である。

【０００５】従来、タスクが変更された場合でも、対話
のやりとりの回数を増やさずに動作する音声対話装置で
は、受け付け可能な要求が１つに限定されていた。

【０００６】また、他の従来技術としては、少ない手間
で対話を行い、複数の要求を受けつけるものがあった。
しかし、タスクが変更された場合に人手により規則を記
述する必要があり、タスクが変更された場合に自動的に
対話のやりとりの回数（ターン数）を増やさないような
確認手順に適応できるものではなかった。

【０００７】

【発明が解決しようとする課題】このように、従来の技
術でタスクが変更された場合でも、ユーザの手間を増や
さずに確認を行うためには、予め処理できるユーザの要
求内容の種類を１つに定めておく必要があった。しか
し、実際にはこういった制約があると実用的ではない。

【０００８】例えばビデオ管理を音声対話装置を用いて
行う場合には、少なくとも「予約」、「予約の変更」、
「予約の確認」程度は行えなければならない。これらだ
けでもすでに３つの要求を受けつけることができなけれ
ばならないことになる。受け付け可能な要求が複数にな
った場合には、要求によって確認する内容が異なってく
るので、事前に決めておいた手順で確認するわけにはい
かない。

【０００９】また、複数の要求を受け付け可能で少ない
手間で対話を行える従来技術は、タスクを変更した場合
には人手で規則を記述する必要があった。

【００１０】本発明の目的は、これら従来技術の制限を
なくし、複数の処理内容を受けつけることができる音声
対話装置において、タスクが変更された場合であって
も、少ない対話のターン数で、利用者の要求を把握でき
るタスク適応型高率対話処理を実現することにある。

【００１１】

【課題を解決するための手段】本発明による音声対話装
置は、ユーザ要求を特定のものに仮定した場合のユーザ
要求確認終了までの期待ターン数と、各時点における装
置の理解状態に対するユーザ要求の確率分布を利用し
て、対話終了までの期待ターン数ができるだけ小さくな
るように装置の行動を決定することを主要な特徴とする
ものである。

【００１２】音声対話装置の理解状態は属性（項目名、
「曜日」「場所」「面会相手」など）と値（「月曜日」
「第三会議室」「山田課長」など）およびその値の確か
らしさの集合で表わされているとし、このときの属性の
ことをスロットと呼ぶ。ユーザ要求終了までの期待ター
ン数を得るために、特定スロット群を確認するための期
待ターン数を推定する。このターン数はスロット認識率
という特定のスロット群について確認をしている際の音
声認識率を利用して求まる。

【００１３】たとえ確率の高いユーザ要求があったとし
ても、その碓認のために必要なターン数が膨大であるの
であれば、多少確率が低くても短いターン数で確認をし
終えることのできる要求があるのであれば、まずその要
求についての確認を行うことは、たとえ結果的にユーザ
の要求が異なっていたとしても、対話終了までの期待タ
ーン数は短くすることができる場合がある。本発明で
は、各ユーザ要求の確率と各ユーザ要求までのターン数
の期待値を使って、すべての確認順序の中で、もっとも
期待ターン数が小さくなるような確認内容を選択でき
る。さらに、本発明では、タスクが変わった場合でも、
設計者は新たに規則を記述する必要はない。

【００１４】

【発明の実施の形態】以下、本発明の一実施例について
図面により具体的に説明する。図１は、本発明にかかる
音声対話装置の一実施例の機能ブロック図を示す。本音
声対話装置はタスク仕様データベース１００、音声認識
部１１０、言語理解部１２０、ユーザ要求内容確率分布
推定部１３０、スロット認識率推定部１４０、特定要求
までの期待ターン数推定部１５０、確認内容決定部１６
０、出力部１７０などにより構成される。なお、実際に
は、本音声対話装置は、ＣＰＵやメモリ装置、入出力装
置等の、いわゆるコンピュータシステムにより実現され
るものである。

【００１５】通常、音声対話装置では１つのタスクで受
け付けることのできるユーザの要求は複数ある。例え
ば、スケジュール管理を行う音声対話装置であれば、ス
ケジュールの追加、変更、確認といった複数のユーザ要
求が最低でも必要である。本音声対話装置でも、複数の
ユーザ要求の種類があるタスクを取り扱うことができ
る。

【００１６】図２は本音声対話装置の処理フローチャー
トを示したものである。図２により本音声対話装置の全
体的な処理の流れを説明する。なお、ステップ２３０は
ステップ２５０の次でもよい。

【００１７】タスク仕様データベース１００には、装置
が現存処理することができるタスク仕様が記述格納され
ている。タスクの仕様は大きく二つの情報群からなる。
一つ目は、装置で扱うことのできるユーザ要求の種類
と、各ユーザ要求で必要な項目（スロット）とそのスロ
ットに入り得る語彙の値域であり、二つ目は語彙の依存
関係である。このタスク仕様データベース１００の具体
的記述例については後述する。

【００１８】音声対話装置は、人（ユーザ）と音声によ
る会話をしながら特定の仕事（タスク）を実行する。音
声認識部１１０は、ユーザの要求等を表わす音声を入力
し（ステップ２００）、音声認識して文字列に変換する
（ステップ２１０）。言語理解部１２０は、音声認識部
１１０によって得られた文字列を装置の理解状態に変換
する（ステップ２２０）。理解状態は属性（項目名）と
値および値の確からしさの集合で表わされ、このときの
属性のことをスロットと呼ぶことにする。

【００１９】ユーザ要求内容確率分布推定部１３０は、
言語理解部１２０によって得られた理解状態を用いてユ
ーザ要求の確率分布を推定する（ステップ２３０）。こ
こでは、タスク仕様データベース１００に記述されたタ
スク仕様の各ユーザ要求と理解状態との関連度を算出し
て近似的に確率値とする。

【００２０】スロット認識率推定部１４０は、タスク仕
様データベース１００から、言語理解部１２０によって
得られた理解状態の確認対象（スロット）の語彙を入力
して、音声認識部１１０の現確認最中での期待される認
識率を推定する（ステップ２４０）。この推定された認
識率のことをスロット認識率と呼ぶことにする。特定要
求までの期待ターン数推定部１５０は、言語理解部１２
０から理解状態、スロット認識率推定部１４０からスロ
ット認識率を入力として、タスク仕様データベース１０
０のタスク仕様をもとに、装置が扱えるすべてのユーザ
要求種類について、ユーザ要求を特定のものと仮定した
場合のそれぞれ期待ターン数を推定する（ステップ２５
０）。

【００２１】確認内容決定部２００は、ユーザ要求内容
確率分布推定部１３０からのユーザ要求の確率分布（現
理解状態と各ユーザ要求の関連度）と期待ターン数推定
部１５０からの各ユーザ要求までの期待ターン数を入力
として、装置の次の確認内容を決定する（ステップ２６
０）。出力部１７０は、確認内容決定部１６０で決定さ
れた確認内容（確認／要求）を音声に変換して出力する
（ステップ２７０）。

【００２２】上記ステップ２００〜２７０を、ユーザと
会話しながら所望の回数繰り返して特定の仕事（タス
ク）が終了となるが、本音声対話装置では、各時点にお
ける理解状態に対するユーザ要求の確率分布と各ユーザ
要求確認終了までの期待ターン数を用いて次の確認／要
求を決定しているため、対話終了までのターン数が小さ
くなる。

【００２３】なお、図２に示すような処理手順をコンピ
ュータに実行させるためのプログラムは、フロッピー
（登録商標）やＣＤ−ＲＯＭ、その他、コンピュータで
読み取り可能な記録媒体に記録して提供することが可能
である。このような記録媒体に記録されたプログラムを
コンピュータにロードすることにより、図１の各部の所
期の機能が達成される。

【００２４】次に、本音声対話装置の各構成について詳
述する。〔音声認識部１１０〕ユーザは音声によって本音声対話
装置へ要求内容を伝達する。ユーザからの音声は、音声
認識部１１０によって文字列に変換される。この音声認
識部１１０は既存の物を利用することができる。

【００２５】〔言語理解部１２０〕音声認識部１１０よ
り得られた文字列は、言語理解部１２０によって理解状
態に変換される。この言語理解部１２０も既存の物を利
用することができる。理解状態に必要な値の確からしさ
は、例えばＨＭＭベースの音声認識器の音響スコアなど
を使うことができる。

【００２６】〔ユーザ要求内容確率分布推定部〕ユーザ
要求内容確率分布推定部１３０では、ある時点での装置
の理解状態を用いて、ユ−ザ要求の確率分布を推定す
る。実際に確率分布を得ることは困難なため、ここで
は、タスク仕様データベース１００のタスク仕様をもと
に、タスクで取り扱うことができる各ユーザ要求と理解
状態との関連度を定め、近似的に確率値とする方法を考
える。

【００２７】いま、理解状態のスロットｓ_iの値をｖ_iと
表し、その値の確からしさをｃ_iとする。装置が確認を
終えたスロットの確からしきは１とする。確認対象とな
っているユーザ要求Ｇ_jにおいて必要なスロットの数を
Ｎ_Gjとする。スロットの値ｖ_iが値域となりうるユーザ
要求の数をＭ_viとしたとき、その時点で理解状態Ｓとユ
ーザ要求Ｇ_jとの関連度Ｒｅｌ（Ｓ，Ｇ_j）を、以下のよ
うに定める。Ｇ_jの値域として認められている値が入っ
ているｖｉについて、

【数１】とする。

【００２８】〔スロット認識率推定部１４０〕本音声対
話装置は、対話の局面に応じて必要な語彙を切り換え
る。例えば、装置がユーザに対して「何曜日の予定です
か？」と問合せたとする。この場合に認識することが必
要となる語彙は、「月曜日」「火曜日」など曜日に言及
する語彙と、「はい」「いいえ」など対話を進める上で
一般的に必要となる語彙である。一方、「何曜日にどこ
で打ちあわせですか？」と問合せたとする。この場合に
必要と思われる語彙は前述の語彙に加えて「第三会議
室」「応接室」など場所に言及する語彙が必要となる。
一般に語彙数が増えると音声認識部１１０での認識誤り
の可能性が増える。

【００２９】スロット認識率推定部１４０では、装置が
確認対象としているスロット（複数でも良い）が与えら
れた場合に、確認の最中で期待される音声認識率を推定
する。この推定された認識率のことを「スロット認識
率」と呼ぶ。

【００３０】ある語彙数ｎ_bのときの認識率ｒ_bは分かっ
ているとする。対象スロット群に入り得る語彙数はｎ_b
であるとする。ここでは、この条件下で、スロット認識
率ｒを推定するような方法を２つ挙げる。

【００３１】（方法１）認識誤り率は、語彙数の平方根
に比例するという経験則が知られている。この経験則を
利用し、

【数２】とする。

【００３２】（方法２）一つの単語の尤度に対して、別
の単語の尤度がその尤度を越える確率がｐのとき、ｎ個
の単語の全てがその尤度を越えない確率は、（１−ｐ）
のｎ剰である。語彙がｎ_bのときの認識率をｒ_bとしたの
で、

【数３】が成り立つはずなので、ｎ語の時の認識率を

【数４】とする。

【００３３】〔特定ユーザ要求確定までの期待ターン数
推定部１５０〕特定ユーザ要求までの期待ターン数推定
部１５０では、ユーザ要求の推定を正確に行えたと仮定
した場合の、その特定のユーザ要求についての確認を終
了するまでの期待ターン数を推定する。この状況を、ス
ケジュール管理を行う音声対話装置の例でたとえれば、
ユーザはスケジュールの確認やその他のことではなくス
ケジュールの追加を行いたいのだ、ということが正確に
判明している時点で、曜日やスケジュールの内容などを
音声対話装置が把握するまでにかかるターン数を推定す
ることに相当する。

【００３４】そのために、まず、スロット認識率が与え
られた場合の、一回の確認／要求完了するまでの期待タ
ーン数を推定する方法を考える。ユーザは音声対話装置
からの確認に対しては、最低でもＹｅｓ／Ｎｏ相当を装
置伝えるとし、しかもＹｅｓ／Ｎｏは装置に必ず正確に
伝わると仮定すれば、スロット認識率がｒのときに、確
認／要求に必要な期待ターン数を以下のように求めるこ
とができる。確認が終了するまでに必要な期待ターン数
ｔ_conf

【数５】要求が終了するまでに必要な期待ターン数ｔ_req

【数６】複数のスロットを同時に確認あるいは要求する場合に必
要な期待ターン数も同様に考えることができる。

【００３５】次に、スロット認識率が与えられた場合
の、特定ユーザ要求確定までの期待ターン数を推定する
方法を考える。ある時点での音声対話装置の理解状態に
おいて、特定のユーザ要求の確定までに必要な行動は、
スロットの名前とそのスロットについて必要な行動（確
認なのか要求なのか）の対の集合で表すことができる。
この必要な行動対の集合が決まった場合の、その中で最
小の期待ターンを返す確認の順序を考えることができ
る。なぜなら、必要な行動の集合のすべての分け方の、
すべての順列には期待ターン数を考えることができるか
らである。この最小の期待ターン数を返すものを、今の
状態から必要な行動対の集合を与えたユーザ要求までの
期待ターン数とする。

【００３６】〔確認内容決定部１６０〕確認内容決定部
１６０では、各時点において装置は次にどれとどれを確
認／要求すれば良いかを決定する。確認内容決定部１６
０からの出力は、スロット名（一般には複数）と確認な
のか要求なのかという情報である。

【００３７】確認内容決定部１６０は、入力として、ユ
ーザ要求の確率分布（各ユーザ要求と理解状態の関連
度）と、各ユーザ要求までの期待ターン数を受け付け、
対話終了までの期待ターン数を小さくするような確認内
容を決定する。入力として、ユーザ要求の確率分布と、
各ユーザ要求までの期待ターン数を受け付ける理由は、
どんなに確認終了までのターン数が小さなユーザ要求で
あっても、その可能性が非常に小さいのであれば、その
ユーザ要求が正しいかどうかを確認するのは、結局、対
話全体のターン数を大きくすることになりかねないから
である。

【００３８】真のユーザの要求がＧ_iである確率を
ｐ_Gi，Ｇ_iまでの期待ターン数をｔ_Giと表す。装置が仮
定したユーザの要求が真のユーザの要求とは異なるとい
うことが分かるまでのターン数が、ユーザ要求確定まで
の期待ターン数と同じであるという仮定を置く。この場
合、例えば可能なユーザ要求が２つの装置でＧ₁，Ｇ₂の
順に対話をすすめていった場合の対話終了までの期待タ
ーン数は

【数７】と考えることができ、逆にＧ₂、Ｇ₁の順に対話をすすめ
ていった場合の対話終了までの期待ターン数は、

【数８】であると考えることができる。

【００３９】一般に音声対話装置が、複数のユーザ要求
を受け付けることができる場合でも、

【数９】がもっとも小さくなるようなユーザ要求の選択順ａ
（１），ａ（２），…ａ（ｎ）を選択する。この選択順
の先頭であるＧ_a(1)というユーザ要求を仮定した場合
に、特定ユーザ要求確定までの期待ターン数推定部１３
０が出力する、確認内容を確認内容決定部１６０の出力
とする。

【００４０】〔出力部１７０〕出力部１７０は、確認内
容決定部１６０によって出力されたスロット名と確認／
要求の種類を入力として受け取り、音声を出力する。こ
の出力部１７０は、例えば、既存のテンプレートべース
の言語生成器と、既存の音声合成器の組み合わせによっ
て実現することができる。

【００４１】以下に、本音声対話装置における処理の具
体例を示す。ここでは会社の秘書タスクを想定し、ユー
ザ要求の種類としては「社内便の手配」「社員の呼び出
し」「コピー受け付け」「買物内容の確認」が扱えると
し、それぞれに必要な情報は、以下の通りであるとす
る。（ｉ）「社内便の配送受け付け」商品名（社内にあるもの）、目的部署名（全部署）、目
的人名（全員）、数量（１−１０）（ii）「社員の呼び出し」部署名（関連部署）、人名（関連人員）、日を表す数
（１−３０）（iii）「コピー受け付け」コピーの対象（書類のどれか）、部数（１−１００）（iv）「買物内容の確認」メーカー名（カタログにある全メーカー）、商品名（カ
タログにある商品）、数量（１−５０）部署は全体で１００、人名の種類は１０００、商品名の
種類は５００、書類名は５０、メーカー名の種類は１０
０、「はい」「いいえ」などを含む一般的に対話に必要
な語彙数を１００とする。また、認識部１１０の基本性
能として、語彙数が５００であれば０．８の確率で認識
に成功するとする。

【００４２】〔タスク仕様データベース１００〕タスク
仕様データベース１００には大きく、次の２つの情報が
記述してある。（１）各ユーザ要求で必要なスロットとそのスロットに
入り得る語彙の値域（２）語彙の依存関係

【００４３】ここでは、（１）の例としては、次のよう
な情報が記述されることになる。（ｉ）「社内便の配送受け付け」商品名（社内にあるもの）、目的部署名（全部署）、目
的人名（全員）、数量（１−１０）（ii）「社員の呼び出し」部署名（関連部署）、人名（関連人員）、日を表す数
（１−３０）（iii）「コピー受け付け」コピーの対象（書類のどれか）、部数（１−１００）（iv）「買物内容の確認」メーカー名（カタログにある全メーカー）、商品名（カ
タログにある商品）、数量（１−５０）

【００４４】また、（２）の例としては、次のような情
報が記述される。所属が（営業部）→名前は（杉山、阿部、近藤、岡、鈴
木）のいずれか所属が（企業部）→名前は（阿部、勝野、小林、安藤）
のいずれか所属が（研究部）→名前は（相川、中野、垣添、安藤、
鈴木）のいずれか所属が（総務部）→名前は（中野、小林、鈴木、永井）
のいずれか名前が（杉山）→所属は（営業部）名前が（阿部）→所属は（営業部、企画部）のいずれか名前が（近藤）→所属は（営業部）名前が（岡）→所属は（営業部）名前が（鈴木）→所属は（営業部、研究部、総務部）の
いずれか名前が（勝野）→所属は（企画部）名前が（小林）→所属は（企画部、総務部）のいずれか名前が（安藤）→所属は（企画部、研究部）のいずれか名前が（相川）→所属は（研究部）名前が（中野）→所属は（研究部、総務部）のいずれか名前が（垣添）→所属は（研究部）名前が（永井）→所属は（総務部）

【００４５】〔音声認識部１１０〕音声認識部１１０で
はユーザの発生した音声を受け取り、文字列を出力す
る。今、ユーザは「石元さんに送りたい」と言ったとす
る。これは適切に認識されるとは限らず、「石元さん、
日本通…」と誤まった認識結果（文字列）を出力するす
ことがある。以後の記述は、この誤った出力の場合の動
作例を示したものである。

【００４６】〔言語理解部１２０〕言語理解部１２０で
は、認識部１１０からの文字列を入力し、理解状態を出
力する。理解状態は（スロット名、値、確からしさの集
合）で表わされる。いま、「石元さん、日本通…」の認
識結果、理解部１２０では、（名前＝石元、確からしさ＝０．８）（メーカー＝日本通、確からしさ＝０．７）といった装置の理解状態を出力したとする。

【００４７】〔ユーザ要求内容確率分布推定部１３０〕
ユーザ要求内容確率分布推定部１３０では、現在の理解
状態から推定される、ユーザ要求の確率を算出するが、
ここでは、装置で扱える各ユーザ要求と理解状態との関
連度を（１）式で算出する。

【００４８】現在の理解状態は、（名前＝石元、確から
しさ＝０．８）および（メーカー＝富士通、確からしさ
＝０．７）である。ユーザ要求「社内便の配送受け付
け」で必要なスロット数は商品名、目的部署名、目的人
名、数量の４つなので、Ｎ＿｛Ｇ＿ｊ｝＝４となる。一
方、「名前＝石元」という値域が認められるのは社内便
と、呼び出しの２つなので、Ｍ＿｛名前＝石元｝＝２と
なる。

【００４９】よって、現在の理解状態と社内便との関連
度はＲｅｌ｛Ｓ，Ｇ＿｛社内便｝｝＝１／４＊０．８／２＝
０．１となる。同様にして、Ｒｅｌ｛Ｓ，Ｇ＿｛呼び出し｝｝＝１／３＊０．８／２
＝０．１３Ｒｅｌ｛Ｓ，Ｇ＿｛コピー｝｝＝０Ｒｅｌ｛Ｓ，Ｇ＿｛買物｝｝＝１／３＊０．７／１＝
０．２３となる。さらに、確率値の和が１になるように各関連度
を正規化する。これにより、各ユーザ要求の確率は次の
ようになる。「社内便の手配」＝０．２２「社員の呼び出し」＝０．２８「コピー受け付け」＝０「買物内容の確認」＝０．５

【００５０】〔スロット認識率推定部１４０〕スロット
認識率推定部１４０では、確認対象の語彙が与えられた
場合に、音声認識部１１０がどの程度の確率で正しく認
識を行えるかどうかを推定する。ここでは、（２）式あ
るいは（４）式を用いてスロット認識率ｒを算出する。

【００５１】いま、今理解状態の中に確定した情報がな
い中で、スロット「名前」を装置が尋ねる場合に必要な
語彙数は１０００（名前）＋（一般的な語彙）＝１１００となる。

【００５２】方法（１）を使った場合ｒ＝１−（１−０．８）＊ｓｑｒｔ（１１００）／ｓｑ
ｒｔ（５００）＝０．７０３となる。また、方法（２）を使った場合ｒ＝０．８の（１１００／５００）剰＝０．６１となる。

【００５３】〔特定要求までの期待ターン数推定部１５
０〕ここでは、装置が扱えるすべてのユーザ要求種類に
ついて、ユーザ要求の推定を正確に行えたと仮定して、
特定ユーザ要求確定までの期待ターン数を算出する。出
力はターン数と、その際の行動（確認／要求）である。

【００５４】例えば、ユーザ要求「社内便配送受け付
け」を仮定した場合、現在の理解状態（名前＝石元、確からしさ＝０．８）（メーカー＝日本通、確からしさ＝０．７）から、必要な行動は、（商品名、要求）（目的部署名、
要求）（目的人名、確認）（数量、要求）となる（メイ
カーは無視される）。

【００５５】ここで、情報要求と確認を同時に行えない
とすれば、行動の組み合わせはＡ．（商品）（部署）（人名）（数量）Ｂ．（商品部署）（人名）（数量）Ｃ．（商品数量）（部署）（人名）Ｄ．（商品）（部署数量）（人名）Ｅ．（商品部署数量）（人名）（同じかっこ内の項目を同時に確認する）の５通りとな
る。

【００５６】さらに、それぞれについて「どの順序で確
認あるいは要求を行うのか」がＡ．４！＝２４Ｂ．３！＝６Ｃ．３！＝６Ｄ．３！＝６Ｅ．２！＝２の４４通りとなる。これら、４４通りの行動の組合せそ
れぞれについて、ユーザ要求内容確定までにどれくらい
のターン数が必要かどうかを推定する。

【００５７】例えば、（人名）→（部署数量）→（商
品）という行動系列での期待ターン数を考える。（人
名）の部分での期待ターン数は、語彙数（人名の種類＋
一般的な語彙）から、スロット認識率推定部１４０によ
って出力された認識率ｒ＿１から、１／ｒ＿１と推定で
きる。（部署数量）の部分での語彙数は、先に（人
名）が確定したはずであり、人名が定まっていれば部署
は全部署を対象とするのではなく、「石元」という名前
の人が所属する部署にだけ語彙を絞ることができる。こ
の時の語彙数から、スロット認識率推定部１４０によっ
て推定された認識率ｒ＿から、（部署数量）を確定す
るために必要なターン数は、１／ｒ＿２と推定できる。

【００５８】同様に（商品）の部分での認識率ｒ＿３
も、語彙数（商品の数＋一般的な語彙）から推定でき、
必要なターン数は１／ｒ＿３と推定できる。よって、
（人名）→（部署数量）→（商品）に必要な期待ター
ン数は、１／ｒ＿１＋１／ｒ＿２＋１／ｒ＿３となる。

【００５９】同様の計算を４４通りの組合せすべてにつ
いて行う。この中で最も小さい値となる組合せが、この
特定要求までの期待ターン数推定部１５０の出力とな
る。

【００６０】〔確認内部決定部１６０〕ここでは、特定
ユーザ要求確定までの期待ターン数推定部１５０が出力
したターン数と、ユーザ要求内部確率分布推定部１３０
が出力した確率分布から、次に装置が何を確認あるいは
情報要求するのかを決定する。

【００６１】いま、特定要求までの期待ターン数推定部
１５０、ユーザ要求内容確率分布推定部１３０の出力と
して、「社内便の手配」８ターン、０．２２「社員の呼び出し」１０ターン、０．２８「コピー受け付け」１２ターン、０「買物内容の確認」５ターン、０．５というターン数と確率分布が得られたとする。

【００６２】仮に、次の順序で確認をするとする。１．ユーザの要求内容は「社内便の手配」なのかどうか
を８ターンかけて確認。成功すればおしまい。失敗すれ
ば元の理解状態を仮定して２へ。２．ユーザの要求内容は「社員の呼び出し」なのかどう
かを８ターンかけて確認。成功すればおしまい。失敗す
れば元の理解状態を仮定して３へ。３．ユーザの要求内容は「コピー受け付け」なのかどう
かを８ターンかけて確認。成功すればおしまい。失敗す
れば元の理解状態を仮定して４へ。４．ユーザの要求内容は「買物内容の確認」以外にあり
えないので、「買物内容の確認」の要求内容を８ターン
かけて確認。

【００６３】この場合の期待ターンを、０．２２＊８＋０．２８＊（８＋１０）＋０＊（８＋１
０＋１２）＋０．５＊（８＋１０＋１２＋５）とする。

【００６４】以上の計算を「社内便の手配」「社員の呼
び出し」「コピー受け付け」「買物内容の確認」の順序
を入れかえた４！＝２４通り、すべてについて行う。こ
れが最も小さくなるような順序を選び、その際に最初に
確認すべきユーザ要求内容について、特定ユーザ要求確
定までの期待ターン数推定部１５０が出力した行動を出
力する。

【００６５】行動は、スロット名と要求あるいは確認お
よびスロット値であり、例えば、「部署、要求、なし」
あるいは「人名、確認、石元」などとなる。

【００６６】〔出力部１７０〕出力部１７０では、確認
内容決定部１６０の出力を入力としてユーザに音声を出
力する。たとえば、「部署、要求、なし」が入力された
場合には、「部署名を教えてください」と出力する。ま
た、「人名、確認、石元」が入力された場合には、「お
名前は石元さまでよろしいですね？」と出力する。

【００６７】なお、従来の音声対話装置であれば、予め
決められた確認手順を取ることになる。たとえば、１．
理解状態中の未確認のものには１つずつ確認するという
確認手順であれば、「石元さんですね？」と確認するこ
とになるし、２．理解状態中の未確認のものはまとめて確認するとい
う確認手順であれば、「石元さん、日本通ですね？」と
確認することになるし、３．ユーザの関求内容を特定できるまでは、予め決めら
れた順序でユーザに発話を要請する、という確認手順で
あれば、「姓は何ですか？」といったことを聞くことに
なる。いずれにしても、対話終了までの対話のやりとり
の回数の増加はまぬがれないものである。

【００６８】

【発明の効果】以上説明したように、本発明による音声
対話装置を用いると、タスクが変更されても少ない対話
のやりとりの回数で確認を行い、対話終了までの対話の
やりとりの回数を小さくすることが可能である。

【図面の簡単な説明】

【図１】本発明の音声対話装置の一実施例のブロック図
である。

【図２】図１の処理フローチャートである。

【符号の説明】

１００タスク仕様データベース１１０音声認識部１２０言語理解部１３０ユーザ要求内容確率分布推定部１４０スロット認識率推定部１５０特定要求までの期待ターン数推定部１６０確認内容決定部１７０出力部

───────────────────────────────────────────────────── フロントページの続き (72)発明者相川清明東京都千代田区大手町二丁目３番１号日本電信電話株式会社内Ｆターム(参考） 5D015 AA05 GG04 LL12 5D045 AB30

Claims

【特許請求の範囲】

【請求項１】利用者（ユーザ）と音声によるやりとり
によってユーザの要求を確認し、ユーザの要求を処理す
る音声対話装置において、ユーザの音声を入力し、音声認識して文字列に変換する
手段と、前記文字列を装置内部の理解状態に変換する手段と、前記理解状態を入力として、ユーザ要求の確率分布を推
定する手段と、確認対象の語彙を入力し、特定の項目に関しての確認の
最中での期待される音声認識率を推定する手段と、前記理解状態と特定のユーザ要求種を入力とし、前記推
定された音声認識率をもとに、ユーザ要求を特定のもと
仮定した場合の期待ターン数を推定する手段と、前記推定したユーザ要求の確率分布と期待ターン数を入
力として、装置の次の確認あるいは要求を表わす確認内
容を決定する手段と、前記確認内容を音声に変換して出力する手段と、を有す
ることを特徴とする音声対話装置。
【請求項２】請求項１記載の音声対話装置において、
装置が処理することのできるタスクの仕様として、少な
くともユーザ要求の種類と各ユーザ要求で必要な項目と
その項目に入り得る語彙の値域および語彙の依存関係を
記述したデータベースを有することを特徴とする音声対
話装置。
【請求項３】音声対話装置が利用者（ユーザ）と音声
によるやりとりによってユーザの要求を確認し、ユーザ
の要求を処理する音声対話処理方法において、ユーザの音声を入力し、音声認識して文字列に変換する
ステップと、前記文字列を装置内部の理解状態に変換するステップ
と、前記理解状態を入力として、ユーザ要求の確率分布を推
定するステップと、確認対象の語彙を入力し、特定の項目に関しての確認の
最中での音声認識の認識率を推定するステップと、前記理解状態と特定のユーザ要求種を入力とし、前記推
定された音声認識の認識率をもとに、ユーザ要求を特定
のもと仮定した場合の期待ターン数を推定するステップ
と、前記推定したユーザ要求の確率分布と期待ターン数を入
力として、装置の次の確認あるいは要求を表わす確認内
容を決定するステップと、前記確認内容を音声に変換して出力するステップと、を
有することを特徴とする音声対話処理方法。
【請求項４】請求項３記載の音声対話処理方法の処理
をコンピュータで実行させるためのプログラム。
【請求項５】請求項３記載の音声対話処理方法の処理
をコンピュータで実行させるためのプログラムを記録し
たコンピュータ読み取り可能な記録媒体。