JP2024521024A - コンテキストに応じた音声テキスト変換 - Google Patents

Abstract

方法、コンピュータプログラム製品、およびシステムが提示される。方法、コンピュータプログラム製品、およびシステムは例えば、対話型音声応答（ＩＶＲ）セッションの実行において、ユーザに提示するプロンプトデータを決定し、プロンプトデータを定義するテキストベースのデータをデータリポジトリに格納することと、プロンプトデータをユーザに提示することと、プロンプトデータに応答して、ユーザから返された音声文字列データを受信することと、ユーザの返された音声文字列に関連する複数の候補テキスト文字列を生成することと、プロンプトデータを定義するテキストベースのデータを検査することと、検査の結果に応じて複数の候補テキスト文字列を補強し、返された音声文字列データに関連する複数の補強後候補テキスト文字列を提供することと、返された音声文字列データに関連する複数の補強後候補テキスト文字列のそれぞれを評価することと、補強後候補テキスト文字列のうちの１つを、返された音声文字列データに関連する、返された書き起こしとして選択することと、を含む。

Description

本明細書に記載の実施形態は、一般に音声テキスト変換（speech to text conversion）に関し、より具体的には、コンテキストに応じた音声テキスト変換に関する。

コンピュータシステムの運用を改善するために、データ構造（data structure）が採用されてきた。データ構造とは、コンピュータシステム運用を改善するための、コンピュータ環境におけるデータの構成（organization）を指す。データ構造の種類には、コンテナ、リスト、スタック、キュー、テーブル、グラフなどがある。データ構造は、例えば、アルゴリズム効率、メモリ使用効率、保守性、および信頼性の観点から、コンピュータシステム運用を改善するために採用されてきた。

人工知能（ＡＩ）とは、機械が示す知能を指す。人工知能（ＡＩ）の研究には、検索および数理最適化、ニューラルネットワーク、確率などが含まれる。人工知能（ＡＩ）ソリューションには、コンピュータサイエンス、数学、心理学、言語学、統計学、神経科学にわたる、多種多様な科学技術分野における研究から導出された機能が含まれる。機械学習は、明示的にプログラムすることなく、コンピュータに学習能力を与える研究分野であると説明されている。

一態様において、方法を提供することにより、従来技術の欠点が克服されるとともに、さらなる利点が提供される。方法は、例えば、対話型音声応答（ＩＶＲ）セッションの実行において、ユーザに提示するプロンプトデータを決定し、当該プロンプトデータを定義するテキストベースのデータをデータリポジトリに格納することと、前記プロンプトデータを前記ユーザに提示することと、前記プロンプトデータに応答して、前記ユーザから返された音声文字列データを受信することと、前記ユーザの前記返された音声文字列に関連する複数の候補テキスト文字列を生成することと、前記プロンプトデータを定義する前記テキストベースのデータを検査することと、前記検査の結果に応じて前記複数の候補テキスト文字列を補強し、前記返された音声文字列データに関連する複数の補強後候補テキスト文字列を提供することと、前記返された音声文字列データに関連する前記複数の補強後候補テキスト文字列のそれぞれを評価することと、前記補強後候補テキスト文字列のうちの１つを、前記返された音声文字列データに関連する、返された書き起こしとして選択することと、を含むことができる。

別の態様において、コンピュータプログラム製品を提供することができる。コンピュータプログラム製品は、１つ以上の処理回路によって読み取り可能であり、方法を実行するために１つ以上のプロセッサによって実行される命令を記憶するコンピュータ可読記憶媒体を含むことができる。方法は、例えば、対話型音声応答（ＩＶＲ）セッションの実行において、ユーザに提示するプロンプトデータを決定し、当該プロンプトデータを定義するテキストベースのデータをデータリポジトリに格納することと、前記プロンプトデータを前記ユーザに提示することと、前記プロンプトデータに応答して、前記ユーザから返された音声文字列データを受信することと、前記ユーザの前記返された音声文字列に関連する複数の候補テキスト文字列を生成することと、前記プロンプトデータを定義する前記テキストベースのデータを検査することと、前記検査の結果に応じて前記複数の候補テキスト文字列を補強し、前記返された音声文字列データに関連する複数の補強後候補テキスト文字列を提供することと、前記返された音声文字列データに関連する前記複数の補強後候補テキスト文字列のそれぞれを評価することと、前記補強後候補テキスト文字列のうちの１つを、前記返された音声文字列データに関連する、返された書き起こしとして選択することと、を含むことができる。

さらなる態様において、システムを提供することができる。システムは、例えば、メモリを備えることができる。さらに、システムは、前記メモリと通信する１つ以上のプロセッサを備えることができる。さらに、システムは、方法を実行するために前記メモリを介して１つ以上のプロセッサによって実行可能なプログラム命令を備えることができる。方法は、例えば、対話型音声応答（ＩＶＲ）セッションの実行において、ユーザに提示するプロンプトデータを決定し、当該プロンプトデータを定義するテキストベースのデータをデータリポジトリに格納することと、前記プロンプトデータを前記ユーザに提示することと、前記プロンプトデータに応答して、前記ユーザから返された音声文字列データを受信することと、前記ユーザの前記返された音声文字列に関連する複数の候補テキスト文字列を生成することと、前記プロンプトデータを定義する前記テキストベースのデータを検査することと、前記検査の結果に応じて前記複数の候補テキスト文字列を補強し、前記返された音声文字列データに関連する複数の補強後候補テキスト文字列を提供することと、前記返された音声文字列データに関連する前記複数の補強後候補テキスト文字列のそれぞれを評価することと、前記補強後候補テキスト文字列のうちの１つを、前記返された音声文字列データに関連する、返された書き起こしとして選択することと、を含むことができる。

さらなる特徴が、本明細書に記載する技術によって実現される。方法、コンピュータプログラム製品、およびシステムを含む（ただし、これらに限定されない）他の実施形態および態様が、本明細書において詳細に説明されるとともに、特許請求される発明の一部とみなされる。

本発明の１つ以上の態様が、本明細書の末尾の特許請求の範囲において例として具体的に指摘され、明確に請求される。上述の内容、ならびに本発明の他の目的、特徴、および利点は、添付の図面と併せて行われる以下の詳細な説明から明らかになる。

一実施形態に係る、対話型音声応答（ＩＶＲ）アプリケーションを実行するエンタープライズシステムと、複数のＵＥデバイスとを有するシステムを示す図である。 一実施形態に係る予測モデルを示す図である。 一実施形態に係る予測モデルを示す図である。 一実施形態に係る、ＵＥデバイスと相互運用するエンタープライズシステムが実行する方法を示すフローチャートである。 一実施形態に係るユーザインタフェースを示す図である。 一実施形態に係る、ＩＶＲセッションを誘導するためのダイアログ決定ツリーを示す図である。 一実施形態に係る、ＵＥデバイスと相互運用するエンタープライズシステムが実行する方法を示すフローチャートである。 一実施形態に係るコンピューティングノードを示す図である。 一実施形態に係るクラウドコンピューティング環境を示す図である。 一実施形態に係る抽象化モデルレイヤを示す図である。

図１に、ユーザ音声データの変換を行うためのシステム１００を示す。システム１００は、関連するデータリポジトリを有するエンタープライズシステム１１０と、ユーザ機器（ＵＥ）デバイス１２０Ａ～１２０Ｚとを含むことができる。システム１００は、多数のデバイスを含むことができる。これらのデバイスは、ネットワーク１９０によって接続された、コンピューティングノードベースのデバイスであってもよい。ネットワーク１９０は、物理ネットワークもしくは仮想ネットワークまたはその両方とすることができる。物理ネットワークは、例えば、コンピュータサーバやコンピュータクライアントなどの多数のコンピューティングノードまたはシステムを接続する物理的な電気通信ネットワークとすることができる。仮想ネットワークは、例えば、多数の物理ネットワークまたはその一部を論理仮想ネットワークへと結合することができる。別の例では、単一の物理ネットワーク上に多数の仮想ネットワークを定義することができる。

一実施形態によれば、エンタープライズシステム１１０は、ＵＥデバイス１２０Ａ～１２０Ｚの外部に存在することができる。一実施形態によれば、エンタープライズシステム１１０は、ＵＥデバイス１２０Ａ～１２０Ｚのうちの１つ以上のＵＥデバイスと同じ場所に配置（co-locate）することができる。

異なるＵＥデバイス１２０Ａ～１２０Ｚの各々は、異なるユーザに関連付けることができる。ＵＥデバイス１２０Ａ～１２０Ｚに関して、一実施形態において、１つ以上のＵＥデバイス１２０Ａ～１２０Ｚのコンピュータデバイスは、クライアントコンピュータによって提供されるコンピューティングノードデバイスとすることができる。例えば、１つ以上のプログラム（例えば、ウェブページを開いて表示するためのウェブブラウザを含む）を実行する、モバイルデバイス（例えば、スマートフォンやタブレット）、ラップトップ、スマートウォッチ、またはＰＣである。

本明細書に記載の実施形態は、音声テキスト変換が行われる音声の正確な認識には、依然として課題が存在することを認識するものである。また、本明細書に記載の実施形態は、音声テキスト変換に不正確さが確認される状況における１つのアプローチは、ある状況に特有の訓練データで訓練された、特別訓練予測モデル（specifically trained predictive model）を追加的に展開することであることを認識するものである。一例において、本明細書に記載の実施形態は、対話型音声応答（ＩＶＲ：interactive voice response）システムは、各々がダイアログツリー（dialog tree）における特定のノードに対応するＮ個の会話ステージ（conversation stage）によって特徴付けることができることを認識するものである。ＩＶＲシステムの精度を向上させるための１つのアプローチは、各々がＩＶＲシステムの特定の会話ステージに対応するＮ個の特定の会話ステージ予測モデルを提供し、Ｎ個の会話ステージ予測モデルの各々を、それぞれの過去の訓練データで訓練することである。本明細書に記載の実施形態は、このようなアプローチは、音声テキスト変換の精度を向上させることができ、本明細書で説明する実施形態の補強に有用であり続けることができるものの、システムのコンピューティングリソース要件だけでなく管理タスクも大幅に増加する可能性があることを認識するものである。追加のプロセスとしては、Ｎ個の異なる会話ステージ用の訓練データを別個に記録すること、Ｎ個の異なる会話ステージ特有予測モデル（conversation stage specific predictive model）を別個に訓練および維持すること、実行時にＮ個の異なる会話ステージ特有予測モデルのそれぞれに別個に照会することが含まれる。

データリポジトリ１０８は、様々なデータを格納することができる。データリポジトリ１０８は、モデル領域２１２１に、エンタープライズシステム１１０によって照会される予測モデルを格納することができる。モデル領域２１２１に格納される予測モデルは、１つ以上の言語モデルを表す予測音響モデル（predictive acoustic model）９００２を含むことができる。予測音響モデル９００２は、入力音声データに関連する候補テキスト文字列（candidate text string）を返すために、音声データによって提供されるクエリデータに応答することができる。図２に示すように、予測音響モデル９００２は、音素セット（phoneme set）にマッピングされた音声クリップからなる訓練データセットを使用して訓練することができる。

モデル領域２１２１の予測モデルは、１つ以上の言語モデルを表す予測言語モデル９００４も含むことができる。１つ以上の言語モデルは、１つ以上のテキストベースの言語モデルを含むことができる。図３に示すように、予測言語モデル９００４は、全体的な言語を定義するテキスト文字列からなる訓練データによって訓練することができる。いくつかの使用例では、異なるトピックドメインに対して異なる言語モデルを提供することができる。テキスト文字列からなる訓練データで訓練された予測言語モデル９００４は、互いに関連して共通して現れる用語など、言語内に存在するパターンを学習することができる。

予測言語モデル９００４は、汎用言語モデル（general language model）または会話ステージ特有言語モデルによって提供することができる。一実施形態において、モデル領域２１２１のデータリポジトリは、対話型音声応答（ＩＶＲ）アプリケーション１１１における会話ステージのそれぞれに関連する予測言語モデルの状態および属性を指定する制御レジストリを格納することができる。

決定データ構造（decision data structure）領域２１２２のデータリポジトリ１０８は、例えば、エンタープライズシステム１１０によるアクション決定を返すためのダイアログ決定ツリー（dialog decision tree）および決定テーブルを格納することができる。１つの使用例において、エンタープライズシステム１１０は、対話型音声応答（ＩＶＲ）アプリケーション１１１を実行して、ユーザに音声プロンプトを提示可能なＩＶＲセッションを実行することができる。１つの使用例において、音声テキスト化プロセス（speech to text process）１１３を、対話型音声応答アプリケーション（ＩＶＲ）内に採用することができる。仮想エージェント（ＶＡ）によって提供されるＩＶＲアプリケーションのプロンプトデータは、ダイアログツリーによって提供される決定データ構造によってガイドすることができる。ダイアログ決定ツリーは、ユーザとＶＡとの間の会話フローに対するガイドを提供することができる。

ロギング領域２１２３において、データリポジトリ１０８は、過去のＩＶＲセッションの会話ロギングデータ（conversation logging data）を格納することができる。会話ロギングデータは、仮想エージェント（ＶＡ）のテキストベースのプロンプトデータと、テキスト音声変換を使用して変換されたプロンプトデータに対するユーザ入力のテキストベースの応答データとを含むことができる。ログされたＩＶＲセッションについて、会話データは、各区分した会話セグメントに関する会話ステージおよび対応するダイアログツリーノードを指定するタグを含むことができる。会話ロギングデータは、ユーザＩＤタグ、開始タグ、終了タグなども含むことができる。

一実施形態において、エンタープライズシステム１１０は、ＩＶＲアプリケーション１１１を実行することができる。エンタープライズシステム１１０は、様々なプロセスを実行することができる。エンタープライズシステム１１０がＩＶＲアプリケーション１１１を実行することは、エンタープライズシステム１１０が、プロンプトプロセス１１２および音声テキスト化プロセス１１３を実行することを含むことができる。音声テキスト化プロセス１１３は、生成プロセス１１４、検査プロセス１１５、補強プロセス１１６、およびアクション決定プロセス１１７などの様々なプロセスを含むことができる。

エンタープライズシステム１１０がプロンプトプロセス１１２を実行することは、エンタープライズシステム１１０が、ＵＥデバイス上でユーザにプロンプトデータを提示することを含むことができる。エンタープライズシステム１１０がプロンプトプロセス１１２を実行することは、エンタープライズシステム１１０が、仮想エージェントとユーザとの間の会話をガイドするダイアログ決定ツリーを使用することを含むことができる。カスタマーサポートのステージに応じて、異なるプロンプトを提示することができる。特定のＶＡプロンプトを決定するために、様々な入力を提供することができる。ＶＡが提示するプロンプトデータを決定するために使用可能な入力としては、ＩＶＲセッションのステージを示すパラメータ値、ユーザの過去の応答データ、ユーザの現在の感情などを例示することができる。ＩＶＲアプリケーション１１１のプロンプトプロセス１１２を実行することによってＶＡからプロンプトデータが提示されると、ユーザは応答データを返すことができる。応答データは、ユーザの音声データによって提供することができ、ユーザのＵＥデバイスの音声入力デバイスによって取得することができる。

ユーザから音声データを受信した場合、エンタープライズシステム１１０は、音声テキスト化プロセス１１３を実行することによって音声データを処理し、受信することができる。エンタープライズシステム１１０が音声テキスト化プロセス１１３を実行することは、エンタープライズシステム１１０が、生成プロセス１１４、検査プロセス１１５、補強プロセス１１６、およびアクション決定プロセス１１７を実行することを含むことができる。

エンタープライズシステム１１０が生成プロセス１１４を実行することは、エンタープライズシステム１１０が、音声データ入力から候補テキスト文字列（candidate text string）を生成することを含むことができる。エンタープライズシステム１１０が生成プロセス１１４を実行することは、エンタープライズシステム１１０が、候補テキスト文字列を返すために予測音響モデル９００２に照会することを含むことができる。予測音響モデル９００２は、音声データの訓練データを使用して訓練することができ、音声データに応答するように最適化することができる。一実施形態において、予測音響モデル９００２は、音声クリップの分割（voice clip segmentation）、音素分類（phoneme classification）、および話者識別（speaker identification）などの様々なサブプロセスを実行することができる。

エンタープライズシステム１１０が検査プロセス１１５を実行することは、エンタープライズシステム１１０が、ユーザから受信した音声データのコンテキストを検査することを含むことができる。受信した音声データのコンテキストは、ユーザから受信した音声データに先行してユーザに提示されたプロンプトデータを含むことができる。本明細書における各実施形態は、受信した音声データに先行するプロンプトデータを検査することが、受信した音声データの音声テキスト変換を向上させる上で有用であることを認識するものである。エンタープライズシステム１１０が検査プロセス１１５を実行することは、エンタープライズシステム１１０が、ユーザから受信した音声データに先行してユーザに提示されたプロンプトデータを検査することを含むことができる。エンタープライズシステム１１０が検査プロセス１１５を実行することは、エンタープライズシステム１１０が、プロンプトデータを検査して、当該先行プロンプトデータの文属性（sentence attribute）を識別することを含むことができる。

エンタープライズシステム１１０が補強プロセス１１６を実行することは、エンタープライズシステム１１０が、検査プロセス１１５の１つ以上の結果を使用して、生成プロセス１１４によって提供された候補テキスト文字列を補強（augment）することを含むことができる。エンタープライズシステム１１０が補強プロセス１１６を実行することは、エンタープライズシステム１１０が、検査プロセスの１つ以上の結果に応じて、生成プロセス１１４によって生成された候補テキスト文字列にテキストデータを追加することを含むことができる。エンタープライズシステム１１０が補強プロセス１１６を実行することは、エンタープライズシステム１１０が、検査プロセス１１５の実行によって決定されたプロンプトデータの属性に応じて、生成プロセス１１４によって生成された第１～第Ｎの候補テキスト文字列にテキストデータを追加して、第１～第Ｎの候補テキスト文字列を提供することを含むことができる。

エンタープライズシステム１１０がアクション決定プロセス１１７を実行することは、エンタープライズシステム１１０が、補強プロセス１１６の実行によって返された補強後のテキスト文字列を使用して提供された第１～第Ｎの候補テキスト文字列の間で選択される、アクション決定を実行すること含むことができる。エンタープライズシステム１１０がアクション決定プロセス１１７を実行することは、エンタープライズシステム１１０が、それぞれの補強後候補テキスト文字列を使用して、言語モデルとして構成可能な予測言語モデル９００４に対して照会を行うことを含むことができる。予測言語モデル９００４は、補強後の候補テキスト文字列によって定義されたクエリデータに応答して、補強後の候補テキスト文字列のそれぞれに関連する信頼スコア（confidence score）を返すように構成することができる。ここで、信頼スコアは、補強後の候補テキスト文字列がユーザの発話意図を正確に表しているかに関して決定された尤度を示す。エンタープライズシステム１１０がアクション決定プロセス１１７を実行することは、ユーザの発話を書き起こしたもの（transcribed utterance）として、信頼スコアが最も高い補強後候補テキスト文字列を選択することを含むことができる。

ＵＥデバイス１２０Ａと協働するエンタープライズシステム１１０の動作方法を、図４のフローチャートを参照して説明する。ブロック１２０１にて、ＵＥデバイス１２０Ａは、エンタープライズシステム１１０を受信先として、ユーザ定義登録データを送信することができる。登録データは、図５に示すユーザインタフェース３００などのユーザインタフェースを使用して定義されるユーザ定義登録データとすることができる。ユーザインタフェース３００は、ＵＥデバイス１２０Ａのディスプレイ上に表示されるユーザインタフェースとすることができ、ユーザによるテキストベースのデータ入力のための領域３０２と、テキストベースのデータもしくはグラフィカルデータまたはその両方をユーザに提示するための領域３０４とを含むことができる。登録データは、例えば、ユーザの連絡先データや、エンタープライズシステム１１０が本明細書に規定する音声データを含むユーザの様々なデータを使用することを許可するユーザの許可データを含むことができる。登録データを受信したことに応じて、エンタープライズシステム１１０は、ブロック１１０１に進むことができる。ブロック１１０１にて、エンタープライズシステム１１０は、ユーザから受信した登録データを送信し、データリポジトリ１０８に格納させることができる。登録データは、ブロック１０８１にて、データリポジトリ１０８によって格納することができる。

ブロック１１０２にて、エンタープライズシステム１１０は、ＵＥデバイス１２０Ａによる受信およびインストール用に、インストールパッケージを送信することができる。ＵＥデバイス１２０Ａは、ブロック１２０２にて、インストールパッケージを受信しインストールすることができる。インストールパッケージデータは、ＵＥデバイス１２０Ａにインストールされるインストールパッケージを含むことができる。インストールパッケージは、例えば、システム１００内で動作するためにＵＥデバイス１２０Ａの性能を補強可能な実行可能コードのライブラリを含むことができる。いくつかの実施形態において、ＵＥデバイス１２０Ａがエンタープライズシステム１１０から受信する準備データ（provisioning data）は最小限であってもよく、ＵＥデバイス１２０Ａはシンクライアント（thin client）として動作することができる。他の実施形態において、図４のフローチャートに示す方法はブロック１１０２を有していなくてもよく、ＵＥデバイス１２０Ａは、通信セッションの開始時にＵＥデバイス１２０Ａに送信されるウェブページデータを使用して、システム１００内で最適動作を行うように準備することができる。例えば、いくつかの実施形態において、本明細書に記載するＩＶＲ機能は、ウェブブラウジングセッション中に実行することができる。ウェブブラウジングセッションにおいては、システム１００内でＵＥデバイス１２０Ａが最適動作を行えるようにする準備データが、ブラウジングセッション中にエンタープライズシステム１１０から返されて受信されるウェブページと共に受信される。他の実施形態において、図４のフローチャートに示す方法は、ブロック１１０２を有していなくてもよく、ＵＥデバイス１２０Ａは、エンタープライズシステム１１０に音声データを送信するように最小限の準備を行うことができる。ブロック１２０１、１１０１、および１０８１に示す登録プロセスは、例えば、エンタープライズシステム１１０がユーザをゲストユーザとして登録する場合など、非公式（informal）なものとすることができる。

ＵＥデバイス１２０Ａのユーザがシステム１００に登録され、エンタープライズシステム１１０に許可が提示されると、ＵＥデバイス１２０Ａは、ブロック１２０３に進むことができる。ブロック１２０３にて、ＵＥデバイス１２０Ａは、エンタープライズシステム１１０を受信先として、チャット開始データ（chat initiating data）を送信することができる。ブロック１２０３にて、チャット開始データは、ＵＥデバイス１２０Ａのユーザが適切な制御を開始すること（例えば、音声通話を開始すること、もしくは表示されたユーザインタフェース３００上の音声チャットボタンをクリックすること、またはその両方を行うこと）によって、ＵＥデバイス１２０Ａが送信することができる。

チャット開始データを受信したことに応じて、エンタープライズシステム１１０は、ブロック１１０３に進むことができる。ブロック１１０３にて、エンタープライズシステム１１０は、プロンプトプロセス１１２を実行して、プロンプトデータをユーザに提示することができる。ユーザに提示されるプロンプトデータは、ＵＥデバイス１２０Ａの音声出力デバイス上に出力される音声プロンプトデータの形態であってもよいし、もしくは、ＵＥデバイス１２０Ａのユーザインタフェース３００上の領域３０２（図５）に表示されるテキストプロンプトデータを含んでもよいし、その両方であってもよい。ブロック１１０３の初回パス（initial pass）において、プロンプトデータは、例えば、所定の基本挨拶データ（baseline greeting data）を含むことができる。ブロック１１０３にてプロンプトデータを決定したことに応じて、エンタープライズシステム１１０は、ブロック１１０４に進むことができる。

一実施形態において、エンタープライズシステム１１０は、ブロック１１０３にて決定されるユーザに提示するためのＶＡプロンプトデータを決定するために、図６に規定するようなダイアログ決定ツリー３００２を使用することができる。ブロック１１０３にて、エンタープライズシステム１１０は、人工知能（ＡＩ）による応答決定を返すことができる。すなわち、エンタープライズシステム１１０が定めたＶＡによってユーザに提示するための応答として、ユーザから直近に受信された音声データに基づいてインテリジェントに生成された応答を決定することができる。あるいは、応答は、ＩＶＲセッションが開始されたばかりの場合には、ルートノードの内容によって制御することができる。一態様において、エンタープライズシステム１１０は、図６に示すようなダイアログ決定ツリー３００２を参照して、ＡＩによる応答決定を返すことができる。

最初の挨拶後に有効化するダイアログ決定ツリーのセグメントを、ダイアログ決定ツリー３００２のノード３０１１によって示す。図６のダイアログ決定ツリー３００２は、カスタマーサービスシナリオにおけるＶＡとユーザとの間の会話フローを制御することができ、それぞれのノードは、ＩＶＲセッションのそれぞれの会話ステージを定義することができる。図６のダイアログ決定ツリーを参照すると、ノードは、ＶＡによる質問を決定するための検査の対象となる内容をエンコードすることができる。ノード間のエッジは、ＶＡの質問に対するユーザの応答を書き起こしたものを検査することによって決定することができる、ＩＶＲセッションのインテント（intent）を定義することができる。ユーザの応答データの所与のセットに対して、エンタープライズシステム１１０は意味解析（semantic analysis）を使用して、応答データを、候補インテントのセットから選択されたインテントに分類することができる。本明細書の各実施形態は、適切な決定状態を決定することは、ユーザの音声の正確な書き起こし（transcription）が得られるか否かに依存する場合があることを認識するものである。エンタープライズシステム１１０は、現在のＩＶＲセッションに参加しているユーザに提示すべき次のＶＡ質問に関するアクション決定を返すために、ダイアログ決定ツリー３００２を参照するように構成することができる。「製品」と題されたエッジによって示されるインテントに対して、「どのような問題が起きていますか（What problem are you having?）」という所定のＶＡ応答を指定するノード３０１１に示すように、ＶＡ音声応答を事前に決定することができる。「ソフトウェア」および「ハードウェア」と題されたエッジによって参照されるインテントによって示されるような他のシナリオにおいて、ＶＡの応答は、候補質問セットのメニュー、例えば、ノード３０２１の質問セットＡまたはノード３０２２の質問セットＢから選択することができる。エンタープライズシステム１１０は、様々なパラメータ値（例えば、ダイアログ決定ツリー３００２の現在アクティブなノードによって示されるＩＶＲセッションのステージを示すパラメータ値）、ユーザの過去の応答データ、およびユーザの現在の感情に基づいて、ユーザに提示するＩＶＲプロンプトデータを決定するように構成することができる。いくつかのシナリオにおいて、ユーザの過去の応答データもしくは現在の感情またはその両方を使用して、ダイアログツリーノードによって定義される会話ステージ用にエンコードされた質問候補から選択することができる。いくつかのシナリオにおいて、ユーザの過去の応答データもしくは現在の感情またはその両方を使用して、ある会話ステージノードに関連する基準プロンプトデータを修正することができる。なお、いくつかの実施形態において、ユーザから受信した特定の音声データに応じて、多種多様なダイアログ決定ツリーがエンタープライズシステム１１０によって起動される可能性がある。ＩＶＲセッションの途中で、エンタープライズシステム１１０は、第１のダイアログ決定ツリーを無効化し、第２のダイアログ決定ツリーを有効化することができる。ダイアログ決定ツリー３００２は、ＩＶＲセッションのそれぞれの会話ステージを定義するノード３０１１、３０２１～３０２２、３０３１～３０３５、および３０４１～３０５０を含むことができる。

ＩＶＲアプリケーション１１１を実行しているエンタープライズシステム１１０は、ＶＡからのプロンプトデータと同様に、受信したユーザ音声データからもＮＬＰ出力パラメータ値を抽出するための自然言語処理（ＮＬＰ）を実行することができる。エンタープライズシステム１１０は、メッセージのトピックを決定し、１つ以上のトピックＮＬＰ出力パラメータ値を出力するトピック分類プロセス、メッセージの感情パラメータ値（例えば、極性感情（polar sentiment）ＮＬＰ出力パラメータ「否定的」、「肯定的」、もしくは、非極性感情（non-polar）ＮＬＰ出力パラメータ（例えば、「怒り（anger）」、「嫌悪（disgust）」、「恐怖（fear）」、「喜び（joy）」、および／もしくは「悲しみ（sadness）」）、またはその両方）を決定する感情分析プロセス、および、１つ以上の他のＮＬＰ出力パラメータ値（例えば、１つ以上の「社会的傾向（social tendency）」ＮＬＰ出力パラメータ、１つ以上の「文体（writing style）」ＮＬＰ出力パラメータ、もしくは１つ以上の品詞（part of speech）ＮＬＰ出力パラメータ値、またはその組み合わせ）を出力するための他の分類プロセスのうちの１つ以上を実行することができる。品詞タグ付け方法には、例えば、制約文法（Constraint Grammar）、Ｂｒｉｌｌタガー（Brill tagger）、Ｂａｕｍ－Ｗｅｌｃｈアルゴリズム（前向き－後ろ向きアルゴリズム（forward-backward algorithm））、および、隠れマルコフモデルの使用を採用できるＶｉｔｅｒｂｉアルゴリズムの使用を含むことができる。隠れマルコフモデルは、Ｖｉｔｅｒｂｉアルゴリズムを使用して実装することができる。Ｂｒｉｌｌタガーは、ルールパターンのセットを学習することができ、統計的な量を最適化するのではなく、これらのパターンを適用することができる。自然言語処理を適用することは、文分割（sentence segmentation）を実行することも含むことができる。文分割は、例えば、省略形を示すピリオドを考慮しながらピリオドを検索するなど、文の終わりを特定することを含むことができる。

エンタープライズシステム１１０が自然言語処理を実行することは、エンタープライズシステム１１０が（ａ）受信メッセージに対するトピック分類および１つ以上のトピックＮＬＰ出力パラメータの出力、（ｂ）受信メッセージに対する感情分類（sentiment classification）および１つ以上のセンチメントＮＬＰ出力パラメータ値の出力、または（ｃ）受信メッセージに対する他のＮＬＰ分類および１つ以上の他のＮＬＰ出力パラメータの出力を実行することを含むことができる。トピック分類およびＮＬＰ出力パラメータ値の出力のためのトピック分析は、あるメッセージ内の複数のトピックを識別するためのトピック分割（topic segmentation）を含むことができる。トピック分析は、様々な技術（例えば、隠れマルコフモデル（ＨＭＭ）、人工連鎖（artificial chains）、単語の共起を利用したパッセージ類似度（passage similarities）、トピックモデリング、クラスタリング）の１つ以上を適用することができる。感情分類および１つ以上の感情ＮＬＰパラメータの出力のための感情分析は、何らかのトピック、またはある文書の全体的な文脈極性（contextual polarity）に関する話者または書き手の態度（attitude）を決定することができる。態度は、著者の判断もしくは評価、感情状態（執筆時の著者の感情状態）、または、意図された感情的コミュニケーション（著者が読者に与えたい感情的な効果）であってもよい。一実施形態において、感情分析は、表現された意見が肯定的、否定的、または中立的であるかどうかについて、所与のテキストの極性を分類することができる。高度な感情分類では、所与のテキストの極性を超えて分類することができる。高度な感情分類では、感情状態を感情分類として分類することができる。感情分類には、「怒り」、「嫌悪」、「恐怖」、「喜び」、「悲しみ」の分類が含まれる。

ブロック１１０４にて、エンタープライズシステム１１０は、ＵＥデバイス１２０Ａを介してユーザに提示するためのプロンプトデータをＵＥデバイス１２０Ａに送信することができる。ブロック１１０４にて送信されるプロンプトデータは、ブロック１１０３にて決定されたプロンプトデータとすることができる。一実施形態において、ブロック１１０３にて決定されたプロンプトデータは、テキストベースのプロンプトデータとすることができ、ブロック１１０４にて送信されるデータは、テキストベースのプロンプトデータから合成された合成音声ベースのデータとすることができる。エンタープライズシステム１１０は、テキスト音声変換プロセスを使用して、テキストベースのデータから合成音声ベースのデータを生成することができる。

プロンプトデータを受信したことに応じて、ＵＥデバイス１２０Ａのユーザは、ブロック１２０４にて、ＵＥデバイス１２０Ａの音声入力デバイスを使用してユーザによって定義された返信音声データを送信することができる。音声データを受信したことに応じて、エンタープライズシステム１１０は、ブロック１１０５、１１０６、１１０７、および１１０８を実行して、受信した音声データを処理することができる。

生成ブロック１１０５にて、エンタープライズシステム１１０は、生成プロセス１１４を実行して、ブロック１２０４にて送信されエンタープライズシステム１１０が受信した音声文字列データに関連する１つ以上の候補テキスト文字列を生成することができる。エンタープライズシステム１１０が生成ブロック１１０５を実行することは、エンタープライズシステム１１０が生成プロセス１１４を実行して、モデル領域２１２１の予測音響モデル９００２に照会することを含むことができる。予測音響モデル９００２は、音声文字列によって定義された受信音声データに対応する候補テキスト文字列を出力するように構成することができる。

予測音響モデル９００２は、例えば、音素分割、音素分類、もしくは話者識別またはその組み合わせを含む様々な処理を実行することができる。一実施形態において、予測音響モデル９００２は隠れマルコフモデルを採用することができる。隠れマルコフモデルは、それぞれの音素がそれぞれ異なる出力分布を有することができるように採用することができる。音素のシーケンスに対する隠れマルコフモデルは、別々の音素に対して個別に訓練された各隠れマルコフモデルを連結することによって作成することができる。予測音響モデル９００２は、これに加えて、またはこれに代えて、動的時間伸縮法（ＤＴＷ：dynamic time warping）もしくはニューラルネットワークまたはその両方を採用することができる。予測音響モデル９００２は、ある言語内の音素のセットを定義する過去の音声クリップで構成される訓練データを使用して訓練することができる。過去の音声クリップは、システム１００の非ユーザのものであってもよいし、システム１００のユーザのものであってもよい。
予測音響モデル９００２は、ユーザを識別することなく、入力音声文字列に対応する候補テキスト文字列を返すことができる。ただし、いくつかの実施形態において、予測音響モデル９００２の性能を最適化するために、入力音声文字列に関連するユーザを決定することができる。検出された現在のユーザに関して予測音響モデル９００２の性能を最適化する場合、予測音響モデル９００２は、当該現在のユーザに特有の訓練データを使用して訓練することができる。

ブロック１１０５が完了すると、エンタープライズシステム１１０は、ブロック１２０４にてユーザから送信された音声文字列データに関連する複数の候補テキスト文字列を生成できている。生成ブロック１１０５の完了に応じて、エンタープライズシステム１１０は、検査ブロック１１０６に進むことができる。検査ブロック１１０６にて、エンタープライズシステム１１０は、検査プロセス１１５を実行して、ブロック１１０５にて生成された１つ以上の候補テキスト文字列およびブロック１２０４にて送信された音声データ文字列に関連する先行プロンプトデータを検査することができる。

先行プロンプトデータを検査することは、先行プロンプトデータに対して自然言語処理を用いたテキスト構文解析を行うことを含むことができる。これには、例えば、文分割（sentence segmentation）、トピック分割、および品詞タグ付けを含む文法構文解析が含まれる。文分割は、例えば、省略形を示すピリオドを考慮しながらピリオドを検索するなど、文の終わりを特定することを含むことができる。トピック分割は、ある文中の連続する単語のセットにトピックを割り当てることを含むことができる。ある識別された文中の異なる単語グループにそれぞれ関連するトピックを識別することで、１つの文を分割することができる。品詞タグ付けは、ある文中の単語を特定の品詞に属するものとしてタグ付けすることを含むことができ、例えば、文中の名詞、動詞、形容詞、副詞、および代名詞にタグ付けすることができる。エンタープライズシステム１１０は、ブロック１１０７にて補強後の候補テキスト文字列を生成するために、テキスト分割パラメータ値（例えば、文分割、トピック詳細、および品詞タグ付けを指定）を使用することができる。テキスト構文解析は、様々な自然言語処理ツールを用いて実行することができる。自然言語処理ツールは、例えば、International Business Machines Corporation製のWATSON DISCOVERY(TM)、WATSON NATURAL LANGUAGE UNDERSTANDING(TM)、およびWATSON ASSISTANT(TM)である。

一実施形態によれば、ブロック１１０６にて、エンタープライズシステム１１０は、特定のデータを破棄（discard）することができる。エンタープライズシステム１１０は、ルールベースの基準を適用して、例えば、複数の文を含むと判定されたプロンプトデータから、プロンプトデータによって定義された最後の文以外のすべての文を破棄することができる。エンタープライズシステム１１０は、ルールベースの基準を適用して、例えば、複数のトピックを有すると判定された識別された最後の文から、最後のトピックを定義する単語のセットを除くすべての単語を破棄することができる。ブロック１１０６が完了すると、エンタープライズシステム１１０は、補強ブロック１１０７に進むことができる。

補強ブロック１１０７にて、エンタープライズシステム１１０は、補強プロセス１１６を実行して、ブロック１１０５にて生成された候補テキスト文字列を補強することができる。候補テキスト文字列を補強するために、エンタープライズシステム１１０は様々なルールを適用して、ブロック１２０４にて受信されたユーザの応答データに関連する候補テキスト文字列に先頭付加データ（prepended data）として追加するために、プロンプトデータを変換後データ（transformed data）に変換することができる。

補強ブロック１１０７における変換ルールには例えば次のものが含まれる。（ａ）プロンプトデータの三人称代名詞を一人称代名詞に置き換える（例えば、「your（あなたの）」→「my（私の）」、「you（あなた）」→「I（私）」など）。（ｂ）質問を定義するプロンプトデータのテキストを声明文（statement）に変更する（例えば、「What state are you traveling to（どの州に旅行予定ですか）」→「I am traveling to the state（私はその州に旅行予定です）」）など。（ｃ）プロンプトデータのユーザ指示文を一人称の宣言文に言い換える（例えば、「Please state your destination（目的地を言ってください）」→「My destination is（私の目的地は）」など）。（ｄ）変換を実行できない場合、そのコンテキストのセグメントはそのまま次のステージに渡されるか、またはまったく使用されない。エンタープライズシステム１１０は、プロンプトデータテキスト内のテキスト文字列のうちテンプレートテキスト文字列に一致するものを識別し、変換テキストをテンプレートテキスト文字列にマッピングするマッピング決定データ構造（mapping decision data structure）を使用して、（ｂ）および（ｃ）の変換を実行することができる。変換（ｂ）を実行するためのマッピング決定データ構造は、表１に示すように、データリポジトリ１０８の決定データ構造領域２１２２に格納されたマッピングデータ構造を含むことができる。

三人称代名詞を有するテキスト文字列について、表１を用いたテンプレート一致が特定された場合、変換ルール（ａ）よりも変換ルール（ｂ）を優先することができる。

変換（ｃ）を実行するためのマッピング決定データ構造は、表２に示すように、データリポジトリ１０８の決定データ構造領域２１２２に格納されたマッピングデータ構造を含むことができる。

三人称代名詞を有する文字列について、表２を用いたテンプレート一致が特定された場合、プロンプトデータの三人称代名詞を一人称代名詞に置き換える変換ルール（ａ）よりも、プロンプトデータの指示文を一人称宣言文に言い換える変換ルール（ｃ）を優先することができる。これにより、変換テキスト文字列が大幅に削減され、マッピング決定データ構造がさらに単純化されるため、予測と保守が容易になる。表１および表２を参照すると、エンタープライズシステム１１０が変換（ｂ）および（ｃ）を実行することは、エンタープライズシステム１１０が、（ｉ）プロンプトデータテキスト文字列を自然言語処理の品詞タグ付けに供して、当該テキスト文字列の単語に品詞タグを適用することと、（ｉｉ）プロンプトデータテキスト文字列のテキスト文字列と、データリポジトリ１０８に格納されているテンプレートテキスト文字列であって、その文字列中の１つ以上の単語が品詞としてワイルドカード形式で表現されているテンプレートテキスト文字列との間の一致を特定することと、を含むことができる。

変換プロセス（ａ）～（ｄ）に関連して説明したように、プロンプトデータを定義するテキストがブロック１１０７で変換されると、エンタープライズシステム１１０はブロック１１０７にてさらに、変換後のテキストを使用して、ブロック１１０５で生成された候補テキスト文字列を補強することができる。エンタープライズシステム１１０が、変換後のテキストを使用して候補テキスト文字列を補強することは、エンタープライズシステム１１０が、変換プロセス（ａ）～（ｄ）から得られた変換後のテキストを、ブロック１１０５にて生成された候補テキスト文字列の先頭に付加することを含むことができる。エンタープライズシステム１１０がブロック１１０７にて候補テキスト文字列を補強することは、候補テキスト文字列を長くすること、すなわち、候補テキスト文字列の先頭の前にテキストを追加することを含むことができる。エンタープライズシステム１１０がブロック１１０７にて候補テキスト文字列を補強することは、補強後の候補テキスト文字列を提供すること、例えば、候補テキスト文字列が、変換プロセス（ａ）～（ｄ）によってプロンプトデータを変換して得られた先頭付加テキストを有することを含むことができる。

補強ブロック１１０７が完了すると、エンタープライズシステム１１０は、決定ブロック１１０８に進むことができる。決定ブロック１１０８にて、エンタープライズシステム１１０は、ブロック１１０７の補強プロセスを使用して提供された補強後の候補テキスト文字列から選択を行うことができる。ブロック１１０８を実行するために、エンタープライズシステム１１０は、アクション決定プロセス１１７を実行して、受信音声データから得られた書き起こしとして、候補テキスト文字列のセットから特定の補強後の候補テキスト文字列を選択することができる。エンタープライズシステム１１０がブロック１１０８を実行することは、エンタープライズシステム１１０が、ブロック１１０７にて提供された補強後の候補テキスト文字列を使用して、予測言語モデル９００４に照会することを含むことができる。

予測言語モデル９００４は、未補強のテキスト文字列および補強後のテキスト文字列を含む、それぞれの候補テキスト文字列に関連する信頼度パラメータ値を返すように構成することができる。信頼度パラメータ値は、１つ以上の分類を有することができる。
予測言語モデル９００４は、候補テキスト文字列を含むクエリデータに応答して、１つ以上の信頼度パラメータ値を返すように構成された言語モデルとすることができる。信頼度パラメータ値は、候補テキスト文字列が、ユーザからの受信音声データが意図する内容を表す尤度を示すことができる。

言語モデルとして構成された予測言語モデル９００４は、単語シーケンスに対する確率分布を提供することができる。長さｍの単語シーケンスが与えられると、予測言語モデル９００４は、当該シーケンス全体に確率を割り当てることができる。予測言語モデル９００４は、言語関数を近似するためのニューラルネットワークにおける重みの非線形組み合わせとして、単語を分散的に表現するためにニューラルネットワークを採用することができる。採用するニューラルネットワークアーキテクチャは、例えば、フィードフォワードニューラルネットワークまたはリカレントニューラルネットワークとすることができる。予測言語モデル９００４を定義するニューラルネットワークは、例えば、逆伝播を伴う確率的勾配降下法（stochastic radiant descent）などのニューラルネットワーク訓練アルゴリズムを使用して、語彙にわたる確率分布を予測するように訓練することができる。予測言語モデル９００４を訓練するための訓練データセットは、一の言語を定義するテキスト文字列を含むことができる。

本明細書における予測言語モデル９００４は、汎用言語モデル、または会話ステージ特有言語モデルとして訓練することができる。汎用言語モデルは、一般的なトピック領域（例えば、現在のＩＶＲアプリケーション、現在のＩＶＲアプリケーションの企業、もしくは、現在のＩＶＲアプリケーションおよび企業の業界、またはその組み合わせの一般的なトピック領域）の訓練データを使用して訓練することができる。本明細書における汎用言語モデルは、市販の（ＣＯＴＳ：commercial off the shelf）言語モデル、すなわち、主要な言語（例えば、英語）で一般的に学習された、すぐに使用可能な（out of box）言語モデルによって提供することもできる。ＣＯＴＳの汎用言語モデルによって提供される汎用言語モデルを訓練するための訓練データは、例えば、指定された言語で一般的な数千から数百万のテキスト文字列で構成することができる。

汎用言語モデルとして訓練された予測言語モデル９００４は、訓練済みモデルとして利用可能であり、これを使用することにより、予測言語モデルのカスタム訓練に付随するタスクを軽減することができる。

予測言語モデル９００４を汎用言語モデルとして提供することは、ＩＶＲアプリケーション１１１に一般的に関連する訓練データを使用して予測言語モデル９００４を訓練することを含むことができる。このような訓練データは、例えば、特定の会話ステージおよびダイアログツリーノードへの関連付けのために会話データを構文解析および追跡する必要のない、ＩＶＲセッションの一般的な会話ログを含むことができる。予測言語モデル９００４を汎用言語モデルとして提供することは、ＩＶＲアプリケーション１１１に関連する企業に一般的に関係する訓練データを使用して予測言語モデル９００４を訓練することを含むことができる。このような訓練データは、例えば、サービス製品、訓練文書、手順書などを含む、当該企業によって提供される製品の製品仕様からのテキスト文字列で構成することができる。予測言語モデル９００４を汎用言語モデルとして提供することは、ＩＶＲアプリケーション１１１に関連する業界に一般的に関係する訓練データを使用して予測言語モデル９００４を訓練することを含むことができる。このような訓練データは、例えば、トピックドメインが情報技術である場合には情報技術の教科書からのテキスト文字列、あるいはトピックドメインが医学である場合には医学の教科書からのテキスト文字列を含むことができる。予測言語モデル９００４を汎用言語モデルとして提供することは、訓練済みのＣＯＴＳ汎用言語モデルを使用することも含むことができる。ＩＶＲアプリケーション１１１、その関連する企業、もしくは関連する業界またはその組み合わせに一般的に関連する訓練データを適用することによって、予測言語モデル９００４を汎用言語モデルとして提供することは、（ａ）訓練済みのＣＯＴＳ汎用言語モデルに追加訓練データを適用すること、または（ｂ）訓練済みではない汎用言語モデルに訓練データを適用することを含むことができる。（ａ）の使用例では、ＣＯＴＳ汎用言語モデルを出発点として使用することができ、ＩＶＲアプリケーション、企業、もしくは業界またはその組み合わせに特有のテキスト訓練データを使用してＣＯＴＳ汎用言語モデルをさらに訓練することにより、当該汎用言語モデルをＩＶＲアプリケーション、企業、もしくは業界またはその組み合わせに対応した汎用言語モデルとして適合させることができる。

一実施形態において、予測言語モデル９００４は、会話ステージ特有言語モデルとして構成することができる。予測言語モデル９００４は、ＩＶＲセッションにおける特定の会話ステージのトピック領域、例えば、ＩＶＲセッションにおけるあるダイアログステージに関連する会話専用の、会話ステージ特有トピックドメイン言語モデルとして提供することができる。このダイアログステージは、図６に示すように、ダイアログ決定ツリー３００２における一のノードに関連付けることができる。特定の会話ステージに関する会話ステージ特有言語モデルを訓練するための訓練データは、当該特定の会話ステージに関連する利用データ履歴を含むことができる。会話ステージ特有言語モデルは、例えば、ＩＶＲセッションにおける特定の会話ステージ（例えば、ＩＶＲセッションの動作を制御するダイアログツリーにおける特定のダイアログツリーノードによって定義される）の訓練データを使用して選択的に訓練することができる。
本明細書の実施形態は、会話ステージ特有言語モデルを展開することは有益となり得るが、その使用にあたっては、例えば、訓練データの収集および適用の点で、追加のプログラムがより複雑になること、およびコンピューティングリソースが追加で消費されることを認識するものである。

本明細書におけるいくつかの使用例では、会話ステージ特有言語モデルの使用を回避することができる。本明細書におけるいくつかの使用例では、会話ステージ特有言語モデルの使用は、当該使用に関連する複雑さおよびコンピューティングリソースコストを考慮して管理することができる。

本明細書の実施形態は、会話ステージ特有言語モデルの使用に関連する複雑さおよびコンピューティングリソース消費を認識するものである。会話ステージ特有言語モデルを訓練するための訓練データは、その性質上限りがあるため、会話ステージ特有言語モデルを展開するには、多数のモデルを展開し、記憶し、照会するだけでなく、訓練データとして適用するための利用データ履歴を反復的に収集し、維持するとともに、モデル（複数の会話ステージ特有言語モデルが展開される場合、複数のモデル）の最適化のためにこのような訓練データを適用することを必要とする場合がある。本明細書の実施形態は、本明細書に記載する汎用言語モデルを使用することによって、複雑さおよびコンピューティングリソース節約の点で利益が得られることを認識するものである。汎用言語モデルを使用することにより、会話ステージ特有言語モデル（例えば、図６のダイアログ決定ツリー３００２の各ノードに対応する、ＩＶＲセッションにおけるそれぞれの会話ステージに関連する会話ステージ特有言語モデル）の展開、記憶、照会、または訓練に関連する複雑さおよびコンピューティングリソース利用を低減することができる。

ブロック１１０８にて、エンタープライズシステム１１０は、ブロック１２０４にてユーザから入力された入力音声文字列データに関連する複数の候補テキスト文字列を用いて、予測言語モデル９００４に照会することができる。
本明細書の実施形態は、汎用言語モデルとして構成された予測言語モデル９００４の使用を促進することができる。汎用言語モデルの使用により、システム１００のコンピューティングリソース要件を低減することができる。本明細書の実施形態は、ブロック１１０７にてテキスト文字列を補強することによって、ブロック１１０８における汎用言語モデルの使用を促進することができ、ブロック１１０８における会話ステージ特有言語モデルへの依存を低減することができることを認識するものである。本明細書の実施形態は、追加の単語を有する補強後のテキスト文字列を適用することによって、汎用言語モデルが、信頼できる結果を返す可能性が高くなることを認識するものである。例えば、より多くの単語を有するより長い入力テキスト文字列は、より短いテキスト文字列よりも、言語モデルを訓練するための訓練データとして使用された過去のテキスト文字列と一致する可能性が高い。会話ステージ特有言語モデルではなく汎用言語モデルを使用することで、複数の会話ステージ特有言語モデルの展開、訓練、および訓練の更新に関連するコンピューティングリソースの利用を低減することができる。ブロック１１０７およびブロック１１０８にて照会を行う予測言語モデルを決定するために、エンタープライズシステム１１０は、モデル領域２１２１の制御レジストリを調べることができる。制御レジストリの一例は、表４に示されている。一実施形態において、エンタープライズシステム１１０は、汎用言語予測モデルがアクティブである場合、もしくは現在の会話ステージに関する性能監視の対象となっている場合、またはその両方の場合に、補強ブロック１１０７を選択的に実行するように構成することができる。

ブロック１１０８にて予測言語モデル９００４に入力される複数の候補テキスト文字列は、入力音声文字列データに応じてブロック１１０５にて予測音響モデル９００２によって生成される各候補テキスト文字列、およびブロック１１０９にてエンタープライズシステム１１０によって返される各補強後の候補テキスト文字列を含むことができる。予測言語モデル９００４に入力された各入力候補テキスト文字列に対して、予測言語モデル９００４は、１つ以上の信頼度パラメータ値を返すことができる。１つ以上の信頼度パラメータ値は、例えば、コンテキスト信頼度パラメータ値、書き起こし信頼度パラメータ値、およびドメイン信頼度パラメータ値を含むことができる。予測言語モデル９００４は、複数の連続する単語で構成される入力テキスト文字列が、予測モデルを訓練するための訓練データとして使用された過去のテキスト文字列と強く一致する場合、基準よりも高いコンテキスト信頼度パラメータ値を返すことができる。予測言語モデル９００４は、入力テキスト文字列を定義する個々の単語が、予測言語モデル９００４を訓練するための訓練データとして使用された過去のテキスト文字列の個々の単語と強く一致する場合、基準よりも高い書き起こし信頼度パラメータ値を返すことができる。予測言語モデル９００４は、入力テキスト文字列を定義する１つ以上の単語が、現在のＩＶＲセッションに関連する現在のトピックドメイン（例えば、業界トピックドメイン、企業トピックドメイン、もしくは会話トピックドメインまたはその組み合わせ）を特徴付ける個々の１つ以上の単語と強く一致する場合、基準よりも高いトピックドメイン信頼度パラメータ値を返すことができる。

エンタープライズシステム１１０は、ブロック１１０８にて、返された信頼度パラメータ値を受信すると、それぞれの候補入力テキスト文字列に対する信頼度パラメータ値を集計することができる。そして、ブロック１１０８にて、ブロック１２０４にて送信された入力音声データ文字列に対して返される書き起こしとして、最も高い集計信頼度スコアを有する候補入力テキスト文字列を選択するアクション決定を返すことができる。
信頼度パラメータ値を集計することは、例えば、値の平均値を提供すること、値の加重平均値を提供すること、値の幾何平均を提供することなどを含むことができる。

エンタープライズシステム１１０は、ブロック１１０８にて、返されたテキストベースの書き起こしを送信し、ブロック１０８３にてデータリポジトリ１０８に格納させることができる。そして、データリポジトリ１０８は、ブロック１０８３にて、返された書き起こしを、データリポジトリ１０８のロギング領域２１２３に格納することができる。ブロック１１０８にて返されたテキストを送信する際に、エンタープライズシステム１１０は、返された書き起こしのメタデータとして、現在の会話ステージの識別子をタグ付けすることができる。この会話ステージの会話は、図６に示したダイアログ決定ツリー３００２を参照して説明したように、現在のＩＶＲセッションのダイアログ決定ツリーのノード識別子にマッピングすることができる。次に、ＩＶＲアプリケーション１１１を実行するエンタープライズシステム１１０は、この返された書き起こしを使用して、例えば、意味解析によって、ユーザのインテントを導出することができる。インテントが導出されると、ＩＶＲアプリケーション１１１を実行するエンタープライズシステム１１０は、例えば、図６に示すダイアログ決定ツリー３００２を使用して、ＩＶＲセッションを適切な次の会話ステージに進めることができる。インテントを導出するための一例として、ＩＶＲアプリケーション１１１を実行するエンタープライズシステム１１０は、図６のダイアログ決定ツリー３００２のエッジに関連付けられる候補インテントなど、複数の候補インテントに関連して、返された書き起こしの対応スコアを提供することができる。本明細書の実施形態は、ブロック１１０８にて誤った書き起こしが返された場合、エンタープライズシステム１１０は、ユーザに関して誤ったインテントを導出する可能性があり、現在のＩＶＲセッションを不適切な次の段階に進める可能性があることを認識するものである。

ブロック１１０９が完了すると、エンタープライズシステム１１０は、ブロック１１１０に進むことができる。ブロック１１１０にて、エンタープライズシステム１１０は、予測言語モデル９００４の訓練を実行することができる。ブロック１１１０での訓練は、ブロック１１０９にて送信され、データリポジトリ１０８に格納された書き起こしを使用して、予測言語モデル９００４（図３）の訓練を更新することを含むことができる。データリポジトリ１０８は、受信／応答ブロック１０８４にて、格納されたロギングデータに対する要求に応答することができる。モデル領域２１２１に格納された予測モデルの訓練は、ブロック１１０３～１１１１のループによって定義されるプロセスなどの他のプロセスの実行と同時に、バックグラウンドで継続的に行うことができる。ブロック１１１０にて訓練を行うことができるが、本明細書の実施形態は、予測言語モデル９００４の訓練をほとんどまたは全く更新せずに、信頼性を提供することができる。予測言語モデル９００４が複数の会話ステージ用の共通の汎用言語モデルとして構成されるいくつかの使用例において、エンタープライズシステム１１０がＩＶＲアプリケーション１１１を実行することは、エンタープライズシステム１１０が、予測言語モデル９００４を訓練するための軽量訓練手順（lightweight training procedure）を実行することを含むことができる。軽量訓練手順は、ＩＶＲセッションの終了時（ブロック１１１１）に、完了したセッションから得られたロギング領域２１２３のセッションロギングデータを、訓練データとして共通汎用言語モデルに適用することを含むことができる。ブロック１１１０にて訓練を実行するか否かを決定するために、エンタープライズシステム１１０は、モデル領域２１２１の制御レジストリを調べることができる。制御レジストリの例は、表４に示されている。一実施形態において、エンタープライズシステム１１０は、現在の会話ステージに対して会話ステージ特有言語モデルがアクティブである場合に、ブロック１１１０にて選択的に訓練を実行するように構成することができる。一実施形態において、エンタープライズシステム１１０は、現在の会話ステージに対して汎用言語モデルのみがアクティブである場合に、ブロック１１１０における訓練を行わずに回避するように構成することができる。一実施形態において、エンタープライズシステム１１０は、１つ以上の会話ステージに対して共通汎用言語モデルがアクティブである場合、上述の軽量訓練手順を使用するように構成することができる。この場合、ＩＶＲセッションの終了時（ブロック１１１１）に、完了したセッションから得られたロギング領域２１２３のセッションロギングデータが、共通汎用言語モデルの訓練データとして適用される。

本明細書で規定するように、補強プロセス１１６の実行による候補テキスト文字列の補強などの特徴によって、予測言語モデル９００４は、予測言語モデル９００４の訓練を反復的に更新することなく、入力候補テキスト文字列に関連する信頼度パラメータ値を返すにあたって信頼度高く使用できる汎用言語モデルとして構成することができる。一方、予測言語モデル９００４が会話ステージ特有言語モデルとして構成される場合、当該予測言語モデルを訓練するための特定の会話ステージ訓練データが限られている場合があり、モデルを信頼度高く使用するには、予測モデルの訓練を反復的に更新することに依存する場合がある。したがって、いくつかの実施形態において、ブロック１１０８にて使用された予測言語モデル９００４が会話ステージ特有言語モデルとして構成されていた場合に、ブロック１１１０での訓練動作を実行することができ、ブロック１１０８にて使用された予測言語モデル９００４が会話ステージ特有言語モデルとして構成されていた場合に、ブロック１１１０での訓練を回避することができる。また、いくつかの実施形態では、ブロック１１０８にて使用された予測言語モデル９００４が汎用言語モデルとして構成されていた場合も、ブロック１１１０での訓練動作を実行することができる。

ブロック１１１０が完了すると、エンタープライズシステム１１０はブロック１１１１に進むことができる。ブロック１１１１にて、エンタープライズシステム１１０は、現在のＩＶＲセッションが、例えば、ユーザによる選択やタイムアウトなどによって終了したか否かを判定することができる。現在のＩＶＲセッションが終了していない間、エンタープライズシステム１１０は、ブロック１１０３～１１１１のループを反復的に実行することができる。以降のプロンプトブロック１１０３の実行において、すなわち、最初の挨拶の後、エンタープライズシステム１１０は、ブロック１１０９で送信された、返された書き起こしを使用して、例えば、インテントおよび適切な次の段階を導出するとともに、ブロック１１０３にて決定されブロック１１０４で提示されるプロンプトデータをさらに適合させることができる。エンタープライズシステム１１０は、ブロック１１０９にて送信された、以前に返された書き起こしを自然言語処理に供して、トピックパラメータ値およびセンチメントパラメータ値を抽出するとともに、導出したトピックパラメータ値もしくはセンチメントパラメータ値またはその両方を使用して、プロンプトデータを定義する記憶済みの候補テキスト文字列から選択することができる。また、導出したトピックパラメータ値およびセンチメントパラメータ値を使用して、記憶済みのテキストを、プロンプトデータとして使用するためのテキスト文字列（例えば、検出された特定のユーザ感情に適合されたプロンプトデータ）に追加することもできる。

エンタープライズシステム１１０が、ブロック１１１１にてセッションが終了したと判定した場合、エンタープライズシステム１１０は、ブロック１１１２に進むことができる。ブロック１１１２にて、エンタープライズシステム１１０は、ブロック１１０３の前の段階に戻り、次のチャット開始データを待つことができる。

本明細書の実施形態のさらなる態様を、実施例１を参照して説明する。

（実施例１）
ブロック１１０３にて、ＩＶＲアプリケーション１１１を実行しているエンタープライズシステム１１０は、プロンプトデータ「What state are you traveling to?」を決定し、このプロンプトデータをブロック１０８１にてデータリポジトリ１０８に格納させる。ＩＶＲアプリケーションを実行しているエンタープライズシステム１１０は、テキストベースのプロンプトデータをテキスト音声変換に供して、ブロック１１０４にて、合成された音声ベースのプロンプトデータをユーザに提示する。ユーザはブロック１２０４にて、音声文字列データを送信する。ＩＶＲアプリケーション１１１を実行しているエンタープライズシステム１１０は、この音声文字列データを、予測音響モデル９００２にクエリデータとして供給する。エンタープライズシステム１１０が候補テキスト文字列を生成するために、予測音響モデル９００２はブロック１１０５にて、候補テキスト文字列（ａ）「I’ll ask her（彼女に聞いてみます）」および（ｂ）「Alaska（アラスカ）」を出力する。ブロック１１０６にて、ＩＶＲアプリケーション１１１を実行しているエンタープライズシステム１１０は、ブロック１０８２にて記憶された記憶済みプロンプトデータをテキスト解析によって検査し、プロンプトデータを特徴付けるデータを抽出する。ブロック１１０７にて、ＩＶＲアプリケーション１１１を実行しているエンタープライズシステム１１０は、プロンプトデータを特徴付けるデータおよびプロンプトデータの内容を使用して、候補テキスト文字列を補強する。ブロック１１０７にて、エンタープライズシステム１１０は、候補テキスト文字列に追加する先頭付加テキストを「I am traveling to state of（私は～の州に旅行予定です）」として決定する。ブロック１１０７にて、エンタープライズシステム１１０は、以前に決定済みの候補テキスト文字列に先頭付加テキストを追加することによって、補強後の候補テキスト文字列を生成する。ブロック１１０７にて、エンタープライズシステム１１０は、補強後のテキスト文字列（ｃ）「I am traveling to state of I’ll ask her（私は彼女に聞いてみますの州に旅行予定です）」、および（ｄ）「I am traveling to state of Alaska（私はアラスカ州に旅行予定です）」を生成することができる。ブロック１１０８にて、ＩＶＲアプリケーション１１１を実行しているエンタープライズシステム１１０は、複数の候補テキスト文字列を使用して、汎用言語モデルとして構成された予測言語モデル９００４に照会を行う。候補テキスト文字列には、上述した候補テキスト文字列である（ａ）「I’ll ask her」、（ｂ）「Alaska」、（ｃ）「I’m traveling to state of I’ll ask her」および（ｄ）「I am traveling to state of Alaska」が含まれる。予測言語モデル９００４は、クエリデータに応答して、信頼度パラメータ値を返すように構成することができる。予測言語モデル９００４は、コンテキスト信頼度パラメータ値、書き起こし信頼度パラメータ値、およびドメイン信頼度パラメータ値を返すことができる。予測言語モデル９００４は、表３に示すような信頼度パラメータ値を返すことができる。

例示したデータに係る表３を参照すると、コンテキスト信頼度パラメータ値が強いことから、候補文字列（ｄ）を選択できることがわかる。また、候補テキスト文字列の先頭にテキストを付加する候補テキスト文字列補強がなければ、ＩＶＲアプリケーション１１１を実行しているエンタープライズシステム１１０は、候補テキスト文字列（ｂ）「Alaska」よりも候補テキスト文字列（ａ）「I’ll ask her」を選択する可能性があることがわかる。

＜実施例１の結び＞
一実施形態において、実施例１で言及したように、エンタープライズシステム１１０は、ユーザの各入力音声文字列、すなわち、予測音響モデル９００２によって出力された各候補テキスト文字列に対して、ブロック１１０７にて説明した補強を実行するように構成することができる。別の実施形態において、エンタープライズシステム１１０は、例えば、特定の条件を満たす音声文字列に対してのみ、ブロック１１０７にて選択的に補強を適用することができる。
表３を参照すると、汎用言語モデルとして構成された予測言語モデル９００４は、ユーザの入力音声文字列について、予測音響モデル９００２によって出力された未補強の候補テキスト文字列（ａ）および（ｂ）に対する信頼度パラメータ値を出力できることが分かる。一実施形態によれば、エンタープライズシステム１１０は、１つ以上の候補テキスト文字列に対して予測言語モデル９００４から返された信頼度パラメータ値が閾値を満たすという条件に基づいて、受信音声文字列に対してブロック１１０７にて補強を行わないように構成することができる。一実施形態によれば、エンタープライズシステム１１０は、予測音響モデル９００２によって出力された１つ以上の候補テキスト文字列に対して予測言語モデル９００４（共通汎用言語モデルとして構成することができる）から返された集計後の信頼度パラメータ値が閾値０．５５を満たすという条件に基づいて、受信音声文字列に対してブロック１１０７にて補強を行わないように構成することができる。表３に例示したデータを参照すると、候補テキスト文字列（ａ）または（ｂ）に対する集計後の信頼度パラメータ値がいずれも閾値を満たさないため、ブロック１１０７での補強が実際に行われる。表３に例示したデータに基づいて説明した実施例を参照すると、未補強の候補テキスト文字列のうちのいずれかが、集計後の信頼度パラメータ値で０．５５を示した場合、エンタープライズシステム１１０は、ブロック１１０７での補強の実行を回避し、その代わりに、最もスコアが高い未補強の候補テキスト列を使用する。

代替条件または追加条件を使用して、ブロック１１０７における補強の実行をトリガすることができる。本明細書の実施形態は、音声テキスト変換は、音声文字列に含まれる単語もしくは音素またはその両方の数が少ない場合に信頼性が低下する可能性があることを認識するものである。一実施形態によれば、エンタープライズシステム１１０は、予測音響モデル９００２から返された１つまたはそれ以上の候補テキスト文字列の単語数が閾値を満たすという条件に基づいて、受信音声文字列に対してブロック１１０７にて補強を実行しないように構成することができる。一実施形態によれば、エンタープライズシステム１１０は、予測音響モデル９００２から返された１つ以上の候補テキスト文字列の音素数が閾値を満たすという条件に基づいて、受信音声文字列に対してブロック１１０７にて補強を実行しないように構成することができる。一実施形態によれば、エンタープライズシステム１１０は、返された各テキスト文字列について予測音響モデル９００２から返された信頼度パラメータ値が閾値未満であるという条件に基づいて、受信音声文字列に対してブロック１１０７にて補強を実行するように構成することができる。一実施形態によれば、エンタープライズシステム１１０は、予測音響モデル９００２から返された、各返されたテキスト文字列の単語カウントが閾値未満であるという条件に基づいて、受信音声文字列に対してブロック１１０７にて補強を実行するように構成することができる。一実施形態によれば、エンタープライズシステム１１０は、予測音響モデル９００２から返された、各返されたテキスト文字列の音素カウントが閾値未満であるという条件に基づいて、受信音声文字列に対してブロック１１０７にて補強を実行するように構成することができる。一実施形態によれば、エンタープライズシステム１１０は、（ａ）（予測言語モデル９００４によって出力された）信頼度パラメータ値、（ｂ）予測音響モデル９００２から返された１つ以上の候補単語文字列の単語カウント、または（ｃ）予測音響モデル９００２から返された１つ以上の候補単語文字列の音素カウントのうちの１つ以上に依存する条件に基づいて、受信音声文字列に対してブロック１１０７に補強を実行するように構成することができる。

本明細書の実施形態は、観察された条件に基づいて選択的にのみブロック１１０７にて補強が実行されるようにＩＶＲアプリケーション１１１を構成することにより、動作速度を向上できるとともに、コンピューティングリソースを節約できる（これは、同時に実行されるＩＶＲアプリケーション１１１のインスタンス数が増加するにつれて、その重要性が増す可能性がある）ことを認識するものである。

いくつかの実施形態において、エンタープライズシステム１１０は、ＩＶＲアプリケーション１１１のそれぞれの会話ステージに関連する１つ以上の予測言語モデルの属性を指定する制御レジストリを、データリポジトリ１０８のモデル領域２１２１に格納し、更新することができる。制御レジストリデータの例を表４に示す。

本明細書に規定する特徴により、ＩＶＲセッションの複数のノードに対する共通汎用言語予測モデルの使用を促進することができる。共通汎用言語予測モデルを使用することにより、会話ステージに関連する予測を返すための会話ステージ特有言語予測モデルの使用を最小限にする、または使用しないようにすることが容易になる。

いくつかの実施形態において、ＩＶＲアプリケーション１１１は、ＩＶＲセッションの各可能な会話ステージ（例えば、図６のダイアログ決定ツリー３００２の各ノードにマッピングされる）について、汎用言語モデルとして構成された予測言語モデル９００４を最初に展開するように構成することができ、各ステージおよびノードに対して、同一の共通汎用言語モデルを展開することができる。ただし、システム１００の展開中、エンタープライズシステム１１０は、例えば、次の会話ステージにおけるユーザ音声文字列入力を検査することによって、各ノードに対して共通に展開された汎用言語モデルの性能を監視することができる。エンタープライズシステム１１０は、自然言語処理を実行して、前のステージにおける書き起こしが誤っていることを示すキーワード（例えば、「I did not ask that question（私はその質問をしていません）」）や、低い閾値を下回るユーザの否定的な感情が存在するか否かを監視することができる。これに加えて、またはこれに代えて、エンタープライズシステム１１０は、表３に示すような補強後の候補テキスト文字列を含む候補テキスト文字列に対して予測言語モデル９００４が出力した信頼度パラメータ値を監視することによって、性能を監視することができる。エンタープライズシステム１１０は、同じまたは異なるユーザ用の１つまたは複数のＩＶＲセッションの時間ウィンドウにわたって、各会話ステージ（ノードにマッピングされる）を反復的にスコア付けすることができる。そして、１つ以上のセッションの時間ウィンドウにわたって、特定の会話ステージおよびダイアログ決定ツリーノードの信頼度スコアが低い閾値を下回る場合に、エンタープライズシステム１１０は、当該会話ステージおよびダイアログ決定ツリーノードに対して、当該会話ステージに特有の会話ステージ特有言語モデルを展開することができる。

特定の会話ステージ用の新たな会話ステージ特有言語モデルを展開する際に、エンタープライズシステム１１０は、データリポジトリ１０８に格納され、当該会話ステージおよび当該ステージのダイアログ決定ツリーノードを示すメタデータでタグ付けされた、当該ステージについて返された過去の書き起こしを使用して、当該ステージ用の新たな会話ステージ特有言語モデルを訓練することができる。いくつかの使用例では、性能監視に応じて、特定の会話ステージおよびダイアログツリーノード用に会話ステージ特有モデルが展開される場合、エンタープライズシステム１１０は、当該特定の会話ステージおよびダイアログツリーノードに特に関連する過去のセッションの会話データが存在するか、ロギング領域２１２３の会話ロギングデータ履歴をマイニングすることができ、その選択的に得られた会話データを、新たに展開された会話ステージ特有予測モデルの訓練に選択的に使用することができる。

別の例において、エンタープライズシステム１１０がＩＶＲアプリケーション１１１を実行することは、エンタープライズシステム１１０が、（ａ）ダイアログツリーノードにマッピングされた特定の会話ステージについて音声テキスト変換を返すために、会話ステージ特有言語モデルを使用することと、（ｂ）１つ以上のＩＶＲセッションにわたって、当該特定のステージに対する汎用言語モデルの使用性能を監視することと、（ｃ）複数のダイアログツリーノードに対して共通に適用できる汎用言語モデルが、閾値を超える信頼度結果を生じているという条件に基づいて、当該会話ステージ特有言語モデルの使用を停止（decommission）することと、を含むことができる。この使用停止に伴って、コンピューティングリソースの節約のためにモデルの削除を行うことができる。そして、同じプロセスを、異なるＩＶＲダイアログツリーノードにマッピングされた複数の会話ステージに対して実施することができる。

いくつかの実施形態において、エンタープライズシステム１１０は、ダイアログ決定ツリーノードにマッピングされた各会話ステージに対して、第１の汎用言語モデルおよび第２の会話ステージ特有モデルなどの複数のモデルを記憶することができる。ＩＶＲアプリケーション１１１を実行するエンタープライズシステム１１０は、ブロック１１０８にて、アンサンブルモデル技法（ensemble model technique）を使用して両方のモデルに対して照会を行うことができる。

エンタープライズシステム１１０は、ＩＶＲアプリケーション１１１の実行において、例えば必要に応じてのみ、会話ステージ特有予測モデルを選択的にインスタンス化できるように構成することができる。必要に応じて会話ステージ特有予測モデルを起動することは、性能監視に応じて行うことができる。例えば、書き起こしに欠陥があることを表現する音声文字列、またはユーザの感情が監視される。これに代えて、またはこれに加えて、性能監視は、予測言語モデル９００４から返された信頼レベルの監視を含むことができる。

別の態様において、エンタープライズシステム１１０は、特定のダイアログツリーノードにマッピングされる特定の会話ステージ用に限定して必要に応じて、会話ステージ特有予測モデルがインスタンス化され展開されると、性能監視が実行され、共通汎用言語予測モデルが満足な性能を提供できると判定された場合に、当該特定の会話ステージに対する会話ステージサービス提供を、当該共通汎用言語予測モデルによるサービス提供に戻すことができるように構成することができる。

１つの使用例において、エンタープライズシステム１１０は、ＩＶＲアプリケーション１１１の初回セッションにおいて、ＩＶＲセッションのすべての会話ステージが各ノードに対する共通汎用言語予測モデルによってサービス提供されるように構成することができる。特定の会話ステージについてユーザ音声文字列が受信されると、共通汎用言語予測モデルの性能を監視することができる。すなわち、現在のセッションについて、または複数のセッションの時間ウィンドウにわたって監視することができる。予測言語モデル９００４の性能を監視することは、表３に示したような補強後の候補テキスト文字列を含む候補テキスト文字列に対して、共通汎用言語モデルとして構成された予測言語モデル９００４が出力した信頼度パラメータ値の監視を含むことができる。監視の結果、特定の会話ステージについて、所定の基準に従って性能が満足のいくものではないことが示された場合、当該特定の会話ステージについて、会話ステージ特有予測モデルをインスタンス化することができる。

特定の会話ステージについて会話ステージ特有予測モデルをインスタンス化した後、エンタープライズシステム１１０は、当該特定の会話ステージについての共通汎用言語モデルの出力を、例えば、１つまたは複数のセッションの時間ウィンドウにわたって監視し続けることができるが、共通汎用言語モデルは、書き起こしを返す目的では非アクティブ化されている場合がある（また、アンサンブルモデル構成ではアクティブ化されている場合もある）。予測言語モデル９００４の性能を監視することは、表３に示したような補強後の候補テキスト文字列を含む候補テキスト文字列に対して、共通汎用言語モデルとして構成された予測言語モデル９００４が出力した信頼度パラメータ値の監視を含むことができる。エンタープライズシステム１１０は、汎用言語モデルの性能（例えば、信頼度パラメータ値の監視による）が満足のいくものであると判定された場合に、特定の会話ステージについてのサービス提供を戻すように構成することができる。

エンタープライズシステム１１０は、共通汎用言語予測モデルの性能監視によって、特定の会話ステージについて共通汎用言語予測モデルが満足のいくものであることが示された場合、当該会話ステージについて会話ステージ特有予測モデルを非アクティブ化し、当該会話ステージについてのサービス提供を汎用共通言語予測モデルに戻すことができるように構成することができる。したがって、特定の会話ステージ特有予測モデルについての訓練データの収集、整理および適用に費やされるコンピューティングリソースを低減することができる。

いくつかのシナリオにおいて、共通汎用言語予測モデルの性能レベルは、ＩＶＲアプリケーション１１１の初回実行後、時間と共に向上する可能性がある。特定のＩＶＲアプリケーションの複数のＩＶＲセッションから得られるＩＶＲアプリケーション特有訓練データ（例えば、会話ログデータ）を使用して共通汎用言語予測モデルが訓練される場合、複数のＩＶＲセッションを実行するために実行されるＩＶＲアプリケーション１１１の複数のインスタンスにわたって、共通汎用言語予測モデルとして構成された予測言語モデル９００４の性能は、（特に、このような共通汎用言語予測モデルの性能を補強する補強プロセス１１６によって）向上する可能性がある。

いくつかの使用例では、会話ステージ特有予測モデルは、ＩＶＲアプリケーションの初回実行後の一定期間、特定の会話ステージについて共通汎用言語予測モデルよりも優れた性能を示す場合がある。しかしながら、ＩＶＲアプリケーション１１１における複数のセッション履歴を経て、共通汎用言語予測モデルは、多くの訓練によってより賢くなる可能性があり、したがって、本明細書に記載した複雑さの低減およびコンピューティングリソース上の利点を実現することに加えて、会話ステージ予測モデルよりも優れた性能を有する選択肢となり得る。本明細書の実施形態は、特定の会話ステージに対するサービス提供に関して、性能監視によって、共通汎用言語予測モデルと会話ステージ特有予測モデルの切り替えを容易にすることができる。

表４を参照すると、様々なステータスが考えられる。会話ステージＡ００１については、共通汎用言語予測モデルはアクティブであり、当該会話ステージに対して会話ステージ特有言語予測モデルは一度もインスタンス化されていない。会話ステージＡ００３を参照すると、会話ステージ特有予測モデルはインスタンス化されてアクティブであり、共通汎用言語予測モデルは、書き起こしを返してＩＶＲ決定を行わせる目的では非アクティブであるが、当該特定の会話ステージＡ００３に対して共通汎用言語予測モデルに切り替えてサービス提供を行う可能性があるため、その性能を監視できるようにする目的で、出力を生成し続けている。
会話ステージＡ００６を参照すると、共通汎用言語予測モデルと会話ステージ特有予測モデルの両方がアクティブである。

本明細書の実施形態のさらなる態様を、図７のフローチャートを参照して説明する。ブロック７１０２を参照すると、予測音響モデル９００２を、例えば、システム１００のユーザまたは他のユーザの音声データを使用して訓練することができる。ブロック７１０４を参照すると、ＩＶＲアプリケーション１１１を実行しているエンタープライズシステム１１０は、例えば、導出したインテント、ダイアログ、またはエンティティに応じて、ユーザに送信するプロンプトデータを決定することができる。ブロック７１０６Ａにて、エンタープライズシステム１１０は、テキストベースのプロンプトデータをテキスト音声変換に供して、合成音声プロンプトデータをユーザに送信することができ、ユーザはブロック７１０６Ｃにて、合成音声プロンプトデータに応答して、音声文字列データをエンタープライズシステム１１０に送信することができる。
ＩＶＲアプリケーション１１１を実行しているエンタープライズシステム１１０は、受信した音声文字列データを使用して予測音響モデル９００２に照会し、当該音声文字列データに関連する候補テキスト文字列を返すことができる。ブロック７１０６Ｂにて、ＩＶＲアプリケーション１１１を実行しているエンタープライズシステム１１０は、プロンプトデータをデータリポジトリ１０８にコンテキストとして格納することができる。ブロック７１０６Ｄにて、ＩＶＲアプリケーション１１１を実行しているエンタープライズシステム１１０は、ＩＶＲプロンプトデータをテキスト解析に供して、このテキストベースプロンプトデータを特徴付けるデータを抽出することができる。ブロック７１１０にて、ＩＶＲアプリケーション１１１を実行しているエンタープライズシステム１１０は、ブロック７１０２にて予測音響モデル９００２が出力した候補テキスト文字列に追加するための先頭付加テキストを決定することができる。ブロック７１１４にて、ＩＶＲアプリケーション１１１を実行しているエンタープライズシステム１１０は、ブロック７１１０にて決定された先頭付加テキストを、ブロック７１０２にて予測音響モデル９００２が出力した候補テキスト文字列に追加することができる。ブロック７１１４にて、ＩＶＲアプリケーション１１１を実行しているエンタープライズシステム１１０は、複数の候補テキスト文字列を使用して予測言語モデル９００４に照会することができる。これらの複数のテキスト文字列は、予測音響モデル９００２が出力した候補テキスト文字列、およびブロック７１１０にて決定された先頭付加テキストを追加することによって修正された、これら候補テキスト文字列の補強版を含むことができる。ブロック７１１４にて、予測言語モデル９００４は照会に応じて、１つ以上の信頼度パラメータ値のセットを返すことができる。ブロック７１１６にて、ＩＶＲアプリケーション１１１を実行しているエンタープライズシステム１１０は、返された信頼度の値を調べ、返される書き起こしとして、最もスコアが高い候補テキスト文字列を選択することができる。そして、ブロック７１０４の次の反復において、ＩＶＲアプリケーション１１１を実行しているエンタープライズシステム１１０は、この返された書き起こしを使用して、ユーザに提示する次のプロンプトデータを決定することができる。

ブロック７１０２を参照すると、予測音響モデル９００２を訓練することができる。（ａ）開発者ユーザは、予測音響モデルを訓練して予測音響モデル９００２を提供してもよいし、すぐに使用可能な市販の音響モデル（ＣＯＴＳ）を使用して予測音響モデル９００２を提供してもよい。
ブロック７１０４を参照すると、音声モデルを会話コンテキストに使用することができる。ＩＶＲセッションを円滑にするために、市販の音声チャットソリューション（例えば、音声対話用のWatson Assistant（TM））を展開することができる。ブロック７１０６Ａを参照すると、システムはユーザに対してプロンプトを行い、ＳＴＴ認識要求を開始することができる。ブロック７１０６Ｂを参照すると、最後のプロンプトをコンテキストとして保存することができる。ブロック７１０６Ｃを参照すると、認識には既存のＡＰＩ（例えば、ウェブソケット接続）を使用することができる。ブロック７１０６Ｄを参照すると、コンテキストがユーザ音声とともに渡される。ブロック７１０８を参照すると、システムはコンテキスト文字列を、最小限の有用なコンポーネントに分割する。コンテキスト文字列は、典型的な文法解析（文、品詞）を通して送信することができる。コンテキストが単一の短文である場合、分割が実行されなくてもよい。コンテキストが複数の文を含んでいる場合、最後の文を使用することができる。コンテキストが１つの文中に複数の文節を含んでいる場合、最後の文節を使用することができる。ブロック７１１０を参照すると、コンテキスト文字列に対して文法ツリー操作（grammar tree manipulation）を実行して、先頭付加に適したものにすることができる。実行可能な様々な変換として、以下を含むことができる：（ａ）代名詞を置き換える：例：「your」→「my」、「you」→「I」、（ｂ）質問文を声明文に変更する：「What state are you traveling to」→「I am traveling to the state」、（ｃ）例えばテンプレートを用いて、声明文を切り詰める：「Please state your destination」→「My destination is」、（ｄ）操作を実行できない場合、コンテキストセグメントをそのまま渡すか、まったく使用しないようにすることができる。ブロック７１１２を参照すると、ＳＴＴベースのモデルとして構成された予測音響モデル９００２は、音声を仮説の（hypotheses）テキスト候補文字列に書き起こすことができる。ブロック７１１４を参照すると、仮説のテキストは、（ａ）最初にそのまま評価され、（ｂ）次に、先頭付加された文脈テキストと共に評価される。評価された各仮説は、「コンテキスト一致」信頼度および書き起こし信頼度によってスコア付けすることができる。
例えば、（ｉ）「I'm traveling to the state of Alaska」は、高いコンテキスト一致信頼度および中程度の書き起こし信頼度、（ｉｉ）「I'm traveling to the state I'll ask her」は、低いコンテキスト一致信頼度および高い書き起こし信頼度（「to the state I'll ask her」というフレーズは、コンテキスト信頼度が低い（文法的に変則的））、（ｉｉｉ）「I'll ask her」は、中程度のコンテキスト一致信頼度および高い書き起こし信頼度となる。コンテキスト信頼度は、文法構造（品詞、文法）が適切であることから導くことができる。また、ドメイン信頼度もスコア化することができる（書き起こしにドメイン特有の単語やフレーズが含まれているか）。書き起こしスコアは、コンテキスト信頼度、ドメイン信頼度、および書き起こし信頼度の加重平均や幾何平均などとすることができる。最も書き起こしスコアが高い書き起こし候補を返すことができる。

本明細書の実施形態は、音声テキスト変換サービスは、特定のタスク用に訓練することができ、特別に訓練された場合に非常に良好に動作することを認識するものである。本明細書の実施形態は、複数のモデルを使用することができ、適切なタスクに対して適切なモデルを選択するために、オーケストレータを提供することができることを認識するものである。本明細書の実施形態は、複数のモデルを用いるアプローチは、開発者に対して大きな開発負担をかける可能性があり、例えば、複数のモデルを訓練する点などにおいて、コンピューティングリソースコストが発生し得ることを認識するものである。

一例によると、チャットボット（例えば、ＶＡ）は次のプロンプトを提示することができる：「What state are you traveling to?」。そして、ユーザは次のように話す：「Alaska」。カスタム訓練を行っていない汎用言語モデルの場合、「I'll ask her」と書き起こす可能性がある。特定の文法または特定の言語モデルを使用する会話ステージ特有言語モデルでは、「Alaska」と書き起こすことができる。本明細書の実施形態は、複数のモデルを使用することによって、複数のモデル用の訓練データの記憶および適用に伴う負担など、開発およびコンピューティングリソースの負担が生じ得ることを認識するものである。本明細書の実施形態は、チャットボット（例えば、ＩＶＲアプリケーション）での汎用言語モデルの使用を促進することができる。

本明細書の実施形態は、ＩＶＲアプリケーションにおける複数の会話ステージ、いくつかの使用例においてはすべての会話ステージに対して、共通かつ単一の汎用モデルの使用を促進することができる。このようなアーキテクチャにより、単純化した訓練が容易になる。訓練は、会話ログから収集されたテキストデータを単一の汎用言語モデルに使用することで達成することができる。本明細書の実施形態は、ＡＩサービス（例えば、チャット、書き起こし）は、一貫した共同の目標を果たすためではなく、独立したマイクロサービスとして開発されてきたことを認識するものである。

本明細書の実施形態は、ＩＶＲアプリケーションにおける複数の会話ステージ、いくつかの使用例においてはすべての会話ステージの各々に対して、共通かつ単一の汎用モデルの使用を促進することができる。本明細書の実施形態は、「音声認識」アプリケーションプログラムインタフェース（ＡＰＩ）を、認識された音声文字列データをプロンプトしたテキストを含む、コンテキストメッセージで補足することができる。音声認識システムは、上述のコンテキストメッセージを仮説テキスト評価段階で使用して、書き起こされた応答が、最初の要求のコンテキスト中で意味をなすことを確実にすることができる。コンテキストメッセージは、発話仮説（utterance hypothesis）と組み合わされる先頭付加テキスト文字列に変換することができる。説明した例では、ユーザに送信されるコンテキストメッセージは、「What state are you traveling to?」とすることができる。評価時に、当該メッセージは「I'm traveling to the state of ‘The hypothesis’（私は『仮説』の州に旅行予定です）」に変換することができる。このようにして、「I'm traveling to the state of Alaska」を選択し、「I'm traveling to the state I'll ask her」を却下することができる。

本明細書の実施形態は、チャットボットのプロンプトデータを先頭付加テキストに変換し、当該先頭付加テキストを、入力音声文字列データに関連する候補テキスト文字列に追加することにより、ＩＶＲステージの複数の会話ステージ（例えば、すべての会話ステージ）に対して、単一の共通汎用言語モデルを使用することが容易になることを認識するものである。一態様によれば、単語が追加されたより長いテキスト文字列は、汎用言語モデルを訓練するために使用された過去の訓練データのテキスト文字列履歴と一致する可能性が高くなる。共通汎用言語モデルは、訓練を行わずに使用できるか、または、簡略化された訓練手順によって訓練することができる。簡略化された訓練手順には、異なるＩＶＲダイアログ決定ツリーノードにマッピングされる特定のそれぞれの会話ステージに関連する特別な会話データを個別に保存して適用するのではなく、単に、ＩＶＲセッション全体に関連する会話ログから関連データを抽出し、会話ログ全体を共通モデルに適用することを含むことができる。

本明細書の特定の実施形態は、コンピュータシステムの領域から生じる問題に対処するためのコンピューティング上の利点を含む、様々な技術的コンピューティング上の利点および実践的な応用を提供することができる。例えば、本明細書の実施形態は、通信ステージにおけるそれぞれの会話ステージがダイアログ決定ツリーにおけるノードにマッピング可能な複数の通信ステージを有するＩＶＲアプリケーションに使用するための、機械学習モデル訓練手順を提供することができる。本明細書の実施形態は、ＩＶＲセッションの第１～第Ｎの会話ステージで使用するための、汎用言語モデルによって提供される単一の共通予測モデルを特徴とすることができる。第１～第Ｎの会話ステージに対して共通の予測モデルを使用することにより、ＩＶＲアプリケーションのそれぞれの会話ステージに対応する複数の会話ステージ特有言語モデル用の別々の訓練データを編成し維持する必要性が低減される。本明細書における機械学習訓練手順は、開発者に対して設計の複雑さを低減することができるとともに、例えば、訓練データの維持作業および訓練データの適用作業を低減することにより、コンピューティングリソースの利用を低減することができる。本明細書に規定するＩＶＲアプリケーションに使用するための機械学習手順は、単に、完了したＩＶＲセッションの会話ログから一般的な会話ログデータを抽出することと、別々の会話ステージ用の別々の学習データを別々に編成して記憶することや、複数の異なる会話フォーム特有言語モデルを別々に訓練することなどの多くのコンピューティングリソースを要する作業を行うことなく、会話ログデータを訓練データとして適用することと、を含むことができる。本明細書の実施形態は、ＶＡなどのチャットボットによってユーザに提示されたプロンプトデータを定義するテキストベースのデータを検査することを含むことができる。当該検査は、テキストデータのデータをテキスト構文解析（例えば、プロンプトデータを定義するテキストベースのデータに品詞タグを付ける品詞タグ付けを実行するための文法構文解析）にかけることを含むことができる。検査結果に基づいて、例えば、品詞タグを使用して、ＩＶＲアプリケーションの実行により、プロンプトデータを定義するテキストベースのデータを変換して、変換後のテキストを提供することができる。プロンプトデータに応答して送信されたユーザ音声文字列に関連する候補テキスト文字列を、変換後のテキストを使用して補強し、補強後の候補テキスト文字列を生成することができる。補強後の候補テキスト文字列は、言語モデルとして構成された予測モデルを使用して評価することができる。言語モデルは、一実施形態において、関連する訓練手順を行うことなく、あるいは、開発の複雑さおよびコンピューティングリソース利用を低減した本明細書に記載の軽量訓練手順を通じて、第１～第Ｎの会話ステージに共通して展開される汎用言語モデルとすることができる。様々な決定データ構造を使用して、人工知能（ＡＩ）の意思決定を推進することができる。本明細書に規定する決定データ構造は、機械学習によって更新することができ、リソースを消費するルール多用型（rules intensive）処理を行うことなく、精度および信頼性が経時的かつ反復的に向上する。機械学習プロセスは、精度を高めるために、かつ、ルールベースの基準への依存を低減し、したがって、計算オーバヘッドを低減するために実行することができる。計算精度を高めるために、各実施形態は、人工知能プラットフォームや機械学習プラットフォームなど、コンピュータネットワークの領域にのみ存在する計算プラットフォームを特徴とすることができる。
本明細書の実施形態は、データ構造化プロセス、例えば、非構造化データをコンピュータ処理用に最適化された形式に変換するための処理を使用することができる。本明細書の実施形態は、非構造化データを、コンピュータベースの解析および意思決定を可能にする構造化された形式に変換するための改良されたプロセスを特徴とする、人工知能処理プラットフォームを含むことができる。本明細書の実施形態は、リッチデータをデータリポジトリに収集するための特定の構成、および、そのようなデータを更新し、かつ当該データを使用して人工知能の意思決定を推進するための追加の特定の構成の両方を含むことができる。特定の実施形態は、サブスクリプションの種類に基づいて、サービスとしてのソフトウェア（ＳａａＳ：Software-as-a-Service）、サービスとしてのプラットフォーム（ＰａａＳ：Platform-as-a-Service）、サービスとしてのデータベース（ＤＢａａＳ：Database-as-a-Service）、およびこれらの組み合わせを含む、様々な種類のクラウドプラットフォーム／データセンタを使用して実装することができる。

図８～１０は、本明細書に規定する１つ以上の態様に係る、コンピュータシステムおよびクラウドコンピューティングを含むコンピューティングの様々な態様を示す図である。

本開示は、クラウドコンピューティングに関する詳細な説明を含むが、本明細書に記載された教示の実装形態は、クラウドコンピューティング環境に限定されないことがあらかじめ理解される。むしろ、本発明の実施形態は、現在公知のまたは後に開発される任意の他のタイプのコンピューティング環境と組み合わせて実施することが可能である。

クラウドコンピューティングは、設定可能なコンピューティングリソース（例えばネットワーク、ネットワーク帯域幅、サーバ、処理、メモリ、記憶装置、アプリケーション、仮想マシンおよびサービス）の共有プールへの簡便かつオンデマンドのネットワークアクセスを可能にするためのサービス提供のモデルであり、リソースは、最小限の管理労力または最小限のサービスプロバイダとのやり取りによって速やかに準備（provision）およびリリースできるものである。このクラウドモデルは、少なくとも５つの特性、少なくとも３つのサービスモデル、および少なくとも４つの展開モデルを含むことができる。

特性は以下の通りである。

オンデマンド・セルフサービス：クラウドの消費者は、サービスプロバイダとの人的な対話を必要することなく、必要に応じて自動的に、サーバ時間やネットワークストレージなどのコンピューティング能力を一方的に準備することができる。

ブロード・ネットワークアクセス：コンピューティング能力はネットワーク経由で利用可能であり、また、標準的なメカニズムを介してアクセスできる。それにより、異種のシンまたはシッククライアントプラットフォーム（例えば、携帯電話、ラップトップ、ＰＤＡ）による利用が促進される。

リソースプーリング：プロバイダのコンピューティングリソースはプールされ、マルチテナントモデルを利用して複数の消費者に提供される。様々な物理リソースおよび仮想リソースが、需要に応じて動的に割り当ておよび再割り当てされる。一般に消費者は、提供されたリソースの正確な位置を管理または把握していないため、位置非依存（location independence）の感覚がある。ただし消費者は、より高い抽象レベル（例えば、国、州、データセンタ）では場所を特定可能な場合がある。

迅速な柔軟性（elasticity）：コンピューティング能力は、迅速かつ柔軟に準備することができるため、場合によっては自動的に、直ちにスケールアウトし、また、速やかにリリースされて直ちにスケールインすることができる。消費者にとって、準備に利用可能なコンピューティング能力は無制限に見える場合が多く、任意の時間に任意の数量で購入することができる。

サービスの測定：クラウドシステムは、サービスの種類（例えば、ストレージ、処理、帯域幅、アクティブユーザアカウント）に適したある程度の抽象化レベルでの計量機能（metering capability）を活用して、リソースの使用を自動的に制御し最適化する。リソース使用量を監視、制御、および報告して、利用されるサービスのプロバイダおよび消費者の両方に透明性を提供することができる。

サービスモデルは以下の通りである。

サービスとしてのソフトウェア（ＳａａＳ）：消費者に提供される機能は、クラウドインフラストラクチャ上で動作するプロバイダのアプリケーションを利用できることである。当該そのアプリケーションは、ウェブブラウザ（例えばウェブメール）などのシンクライアントインタフェースを介して、各種のクライアント装置からアクセスできる。消費者は、ネットワーク、サーバ、オペレーティングシステム、ストレージや、個別のアプリケーション機能さえも含めて、基礎となるクラウドインフラストラクチャの管理や制御は行わない。ただし、ユーザ固有の限られたアプリケーション構成の設定はその限りではない。

サービスとしてのプラットフォーム（ＰａａＳ）：消費者に提供される機能は、プロバイダによってサポートされるプログラム言語およびツールを用いて、消費者が作成または取得したアプリケーションを、クラウドインフラストラクチャに展開（deploy）することである。消費者は、ネットワーク、サーバ、オペレーティングシステム、ストレージを含む、基礎となるクラウドインフラストラクチャの管理や制御は行わないが、展開されたアプリケーションを制御でき、かつ場合によってはそのホスティング環境の構成も制御できる。

サービスとしてのインフラストラクチャ（ＩａａＳ）：消費者に提供される機能は、オペレーティングシステムやアプリケーションを含む任意のソフトウェアを消費者が展開および実行可能な、プロセッサ、ストレージ、ネットワーク、および他の基本的なコンピューティングリソースを準備することである。消費者は、基礎となるクラウドインフラストラクチャの管理や制御は行わないが、オペレーティングシステム、ストレージ、および展開されたアプリケーションを制御でき、かつ場合によっては一部のネットワークコンポーネント（例えばホストファイアウォール）を部分的に制御できる。

展開モデルは以下の通りである。

プライベートクラウド：このクラウドインフラストラクチャは、特定の組織専用で運用される。このクラウドインフラストラクチャは、当該組織または第三者によって管理することができ、オンプレミスまたはオフプレミスで存在することができる。

コミュニティクラウド：このクラウドインフラストラクチャは、複数の組織によって共有され、共通の関心事（例えば、ミッション、セキュリティ要件、ポリシー、およびコンプライアンス）を持つ特定のコミュニティをサポートする。このクラウドインフラストラクチャは、当該組織または第三者によって管理することができ、オンプレミスまたはオフプレミスで存在することができる。

パブリッククラウド：このクラウドインフラストラクチャは、不特定多数の人々や大規模な業界団体に提供され、クラウドサービスを販売する組織によって所有される。

ハイブリッドクラウド：このクラウドインフラストラクチャは、２つ以上のクラウドモデル（プライベート、コミュニティまたはパブリック）を組み合わせたものとなる。それぞれのモデル固有の実体は保持するが、標準または個別の技術によってバインドされ、データとアプリケーションの可搬性（例えば、クラウド間の負荷分散のためのクラウドバースティング）を実現する。

クラウドコンピューティング環境は、ステートレス性（statelessness）、低結合性（low coupling）、モジュール性（modularity）および意味論的相互運用性（semantic interoperability）に重点を置いたサービス指向型環境である。クラウドコンピューティングの中核にあるのは、相互接続されたノードのネットワークを含むインフラストラクチャである。

ここで図８に、コンピューティングノードの一例の概略図を示す。なお、コンピューティングノード１０は、クラウドコンピューティングノードとしての使用に適したコンピューティングノードの一例に過ぎず、本明細書に記載する本発明の実施形態の使用範囲または機能に関するいかなる限定も示唆することを意図していない。いずれにせよ、コンピューティングノード１０は、本明細書に記載の機能のいずれかを実装すること、もしくは実行すること、またはその両方を行うことが可能である。コンピューティングノード１０は、クラウドコンピューティング環境におけるクラウドコンピューティングノードとして実装することもできるし、クラウドコンピューティング環境以外のコンピューティング環境におけるコンピューティングノードとして実装することもできる。

コンピューティングノード１０内には、コンピュータシステム１２が存在する。コンピュータシステム／サーバ１２は、他の多くの汎用または専用コンピューティングシステム環境または構成とともに動作可能である。コンピュータシステム１２とともに使用するのに適した周知のコンピューティングシステム、環境、もしくは構成またはその組み合わせの例としては、特に限定されないが、パーソナルコンピュータシステム、サーバコンピュータシステム、シンクライアント、シッククライアント、ハンドヘルドまたはラップトップデバイス、マルチプロセッサシステム、マイクロプロセッサベースのシステム、セットトップボックス、プログラマブル家電、ネットワークＰＣ、ミニコンピュータシステム、メインフレームコンピュータシステム、および、これらのシステムまたはデバイスのいずれかを含む分散型クラウドコンピューティング環境などが挙げられる。

コンピュータシステム１２は、コンピュータシステムによって実行されるプログラムプロセスなどの、コンピュータシステム実行可能命令との一般的な関連において説明することができる。一般に、プログラムプロセスは、特定のタスクを実行するかまたは特定のデータ型を実装するルーチン、プログラム、オブジェクト、コンポーネント、ロジック、データ構造などを含むことができる。コンピュータシステム１２は、通信ネットワークを介してリンクされたリモート処理デバイスによってタスクが実行される分散型クラウドコンピューティング環境で実施することができる。分散型クラウドコンピューティング環境において、プログラムプロセスは、メモリストレージデバイスを含む、ローカルおよびリモート両方のコンピュータシステム記憶媒体に記憶することができる。

図８に示すように、コンピューティングノード１０内のコンピュータシステム１２は、コンピューティングデバイスとして示されている。コンピュータシステム１２のコンポーネントは、特に限定されないが、１つ以上のプロセッサ１６、システムメモリ２８、および、システムメモリ２８を含む様々なシステムコンポーネントをプロセッサ１６に接続するバス１８を含んでもよい。一実施形態において、コンピューティングノード１０は、非クラウドコンピューティング環境におけるコンピューティングノードである。一実施形態において、コンピューティングノード１０は、図９～図１０に関連して本明細書に規定するようなクラウドコンピューティング環境におけるコンピューティングノードである。

バス１８は、様々なバスアーキテクチャのいずれかを使用するメモリバスまたはメモリコントローラ、周辺バス、アクセラレーテッドグラフィックスポート（ＡＧＰ）、およびプロセッサまたはローカルバスを含む複数種類のバス構造のうち１つ以上の任意のものを表す。非限定的な一例として、このようなアーキテクチャは、インダストリスタンダードアーキテクチャ（ＩＳＡ）バス、マイクロチャネルアーキテクチャ（ＭＣＡ）バス、拡張ＩＳＡ（ＥＩＳＡ）バス、ビデオエレクトロニクススタンダーズアソシエーション（ＶＥＳＡ）ローカルバス、およびペリフェラルコンポーネントインターコネクト（ＰＣＩ）バスを含む。

コンピュータシステム１２は一般的に、様々なコンピュータシステム可読媒体を含む。このような媒体は、コンピュータシステム１２がアクセス可能な任意の利用可能な媒体とすることができ、揮発性媒体および不揮発性媒体の両方と、取り外し可能媒体および取り外し不可能媒体の両方とを含む。

システムメモリ２８は、揮発性メモリとしてのコンピュータシステム可読媒体（ＲＡＭ３０もしくはキャッシュメモリ３２またはその両方など）を含むことができる。コンピュータシステム１２はさらに、他の取り外し可能／取り外し不可能な揮発性／不揮発性コンピュータシステム可読媒体を含んでもよい。あくまでも一例として、ストレージシステム３４は、取り外し不可能な不揮発性磁気媒体（不図示。一般的に「ハードドライブ」と呼ばれる）への読み書きのために設けることができる。また、図示は省略するが、取り外し可能な不揮発性磁気ディスク（例えば、「フロッピーディスク」）への読み書きのための磁気ディスクドライブ、および取り外し可能な不揮発性光学ディスク（ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭや他の光学媒体など）への読み書きのための光学ディスクドライブを設けることができる。これらの例において、それぞれを、１つ以上のデータ媒体インタフェースによってバス１８に接続することができる。以下でさらに図示および説明するように、メモリ２８は、本発明の実施形態の機能を実行するように構成されたプログラムプロセスのセット（例えば、少なくとも１つ）を有する少なくとも１つのプログラム製品を含んでもよい。

非限定的な一例として、プログラムプロセス４２のセット（少なくとも１つ）を有する１つ以上のプログラム４０は、オペレーティングシステム、１つ以上のアプリケーションプログラム、他のプログラムプロセス、およびプログラムデータと同様に、メモリ２８に記憶することができる。プログラムプロセス４２を含む１つ以上のプログラム４０は、一般に、本明細書に規定する機能を実行することができる。一実施形態において、エンタープライズシステム１１０は、１つ以上のコンピューティングノード１０を含むことができるとともに、図４のフローチャートに示したように、エンタープライズシステム１１０およびＩＶＲアプリケーション１１１を参照して説明した機能を実行するための１つ以上のプログラム４０を含むことができる。一実施形態において、エンタープライズシステム１１０は、１つ以上のコンピューティングノード１０を含むことができるとともに、図７のフローチャートに示したように、エンタープライズシステム１１０およびＩＶＲアプリケーション１１１を参照して説明した機能を実行するための１つ以上のプログラム４０を含むことができる。一実施形態において、複数のＵＥデバイスのうちの１つ以上のＵＥデバイスは、１つ以上のコンピューティングノード１０を含むことができるとともに、図４のフローチャートに示したように、ＵＥデバイスを参照して説明した機能を実行するための１つ以上のプログラム４０を含むことができる。一実施形態において、複数のＵＥデバイスのうちの１つ以上のＵＥデバイスは、１つ以上のコンピューティングノード１０を含むことができるとともに、図７のフローチャートに示したように、ＵＥデバイスを参照して説明した機能を実行するための１つ以上のプログラム４０を含むことができる。一実施形態において、図１に示したコンピューティングノードベースのシステムおよびデバイスは、このようなコンピューティングノードベースのシステムおよびデバイスを参照して説明した機能を実行するための１つ以上のプログラムを含むことができる。

また、コンピュータシステム１２は、キーボード、ポインティングデバイス、ディスプレイ２４などの１つ以上の外部デバイス１４、ユーザとコンピュータシステム１２とのインタラクションを可能にする１つ以上のデバイス、もしくはコンピュータシステム１２と１つ以上の他のコンピューティングデバイスとの通信を可能にする任意のデバイス（例えば、ネットワークカードやモデムなど）またはこれらの組み合わせと通信することができる。このような通信は、入力／出力（Ｉ／Ｏ）インタフェース２２を介して行うことができる。さらに、コンピュータシステム１２は、ネットワークアダプタ２０を介して１つ以上のネットワーク（ローカルエリアネットワーク（ＬＡＮ）、汎用ワイドエリアネットワーク（ＷＡＮ）、もしくはパブリックネットワーク（例えばインターネット）またはこれらの組み合わせなど）と通信することができる。図示するように、ネットワークアダプタ２０は、バス１８を介してコンピュータシステム１２の他のコンポーネントと通信する。なお、図示は省略するが、他のハードウェアコンポーネントもしくはソフトウェアコンポーネントまたはその両方を、コンピュータシステム１２と併用することができる。それらの一例としては、特に限定されないが、マイクロコード、デバイスドライバ、冗長化処理ユニット、外付けディスクドライブアレイ、ＲＡＩＤシステム、テープドライブ、データアーカイブストレージシステムなどが挙げられる。ユーザインタフェース機能を提供するように構成可能な外部デバイス１４およびディスプレイ２４を有することに加えて、またはこれに代えて、コンピューティングノード１０は一実施形態において、バス１８に接続されたディスプレイ２５、もしくはバス１８に接続された１つ以上の音声出力デバイスなどの他の出力デバイス、またはその両方を含むことができる。一実施形態において、ディスプレイ２５は、タッチスクリーンディスプレイとして構成することができ、ユーザインタフェース機能を提供するように構成することができる。例えば、ディスプレイ２５は、仮想キーボード機能および合計データの入力を容易にすることができる。また、一実施形態において、コンピュータシステム１２は、バス１８に接続された１つ以上のセンサデバイス２７を含むことができる。あるいは、１つ以上のセンサデバイス２７は、Ｉ／Ｏインタフェース２２を介して接続されてもよい。１つ以上のセンサデバイス２７は、一実施形態において全地球測位センサ（ＧＰＳ）デバイスを含むことができ、コンピューティングノード１０の位置を提供するように構成することができる。これに代えて、またはこれに加えて、１つ以上のセンサデバイス２７は一実施形態において、例えば、カメラ、ジャイロスコープ、温度センサ、湿度センサ、脈拍センサ、血圧（ｂｐ）センサ、または音声入力デバイスのうちの１つ以上を含むことができる。コンピュータシステム１２は、１つ以上のネットワークアダプタ２０を含むことができる。図９では、コンピューティングノード１０は、クラウドコンピューティング環境内に実装されたものとして示されており、したがって、図９との関連ではクラウドコンピューティングノードと呼ばれる。

ここで、図９に例示的なクラウドコンピューティング環境５０を示す。図示するように、クラウドコンピューティング環境５０は１つ以上のクラウドコンピューティングノード１０を含む。これらに対して、クラウド消費者が使用するローカルコンピュータ装置（例えば、ＰＤＡもしくは携帯電話５４Ａ、デスクトップコンピュータ５４Ｂ、ラップトップコンピュータ５４Ｃ、もしくは自動車コンピュータシステム５４Ｎまたはこれらの組み合わせなど）は通信を行うことができる。ノード１０は互いに通信することができる。ノード１０は、例えば、上述のプライベート、コミュニティ、パブリックもしくはハイブリッドクラウドまたはこれらの組み合わせなど、１つ以上のネットワークにおいて、物理的または仮想的にグループ化（不図示）することができる。これにより、クラウドコンピューティング環境５０は、サービスとしてのインフラストラクチャ、プラットフォームもしくはソフトウェアまたはこれらの組み合わせを提供することができ、クラウド消費者はこれらについて、ローカルコンピュータ装置上にリソースを維持する必要がない。なお、図９に示すコンピュータ装置５４Ａ～Ｎの種類は例示に過ぎず、コンピューティングノード１０およびクラウドコンピューティング環境５０は、任意の種類のネットワークもしくはネットワークアドレス指定可能接続（例えば、ウェブブラウザの使用）またはその両方を介して、任意の種類の電子装置と通信可能であることを理解されたい。

ここで、クラウドコンピューティング環境５０（図９）によって提供される機能的抽象化レイヤのセットを図１０に示す。なお、図１０に示すコンポーネント、レイヤおよび機能は例示に過ぎず、本発明の実施形態はこれらに限定されないことをあらかじめ理解されたい。図示するように、以下のレイヤおよび対応する機能が提供される。

ハードウェアおよびソフトウェアレイヤ６０は、ハードウェアコンポーネントおよびソフトウェアコンポーネントを含む。ハードウェアコンポーネントの例には、メインフレーム６１、縮小命令セットコンピュータ（ＲＩＳＣ）アーキテクチャベースのサーバ６２、サーバ６３、ブレードサーバ６４、記憶装置６５、ならびにネットワークおよびネットワークコンポーネント６６が含まれる。いくつかの実施形態において、ソフトウェアコンポーネントは、ネットワークアプリケーションサーバソフトウェア６７およびデータベースソフトウェア６８を含む。

仮想化レイヤ７０は、抽象化レイヤを提供する。当該レイヤから、例えば、仮想サーバ７１、仮想ストレージ７２、仮想プライベートネットワークを含む仮想ネットワーク７３、仮想アプリケーションおよびオペレーティングシステム７４、ならびに仮想クライアント７５などの仮想エンティティを提供することができる。

一例として、管理レイヤ８０は以下の機能を提供することができる。リソース準備８１は、クラウドコンピューティング環境内でタスクを実行するために利用されるコンピューティングリソースおよび他のリソースの動的な調達を可能にする。計量および価格設定８２は、クラウドコンピューティング環境内でリソースが利用される際のコスト追跡、およびこれらのリソースの消費に対する請求またはインボイス送付を可能にする。一例として、これらのリソースはアプリケーションソフトウェアのライセンスを含んでもよい。セキュリティは、データおよび他のリソースに対する保護のみならず、クラウド消費者およびタスクの識別確認を可能にする。ユーザポータル８３は、消費者およびシステム管理者にクラウドコンピューティング環境へのアクセスを提供する。サービスレベル管理８４は、要求されたサービスレベルが満たされるように、クラウドコンピューティングリソースの割り当ておよび管理を可能にする。サービス品質保証（ＳＬＡ）の計画および履行８５は、ＳＬＡに従って将来必要になると予想されるクラウドコンピューティングリソースの事前手配および調達を可能にする。

ワークロードレイヤ９０は、クラウドコンピューティング環境の利用が可能な機能の例を提供する。このレイヤから提供可能なワークロードおよび機能の例には、マッピングおよびナビゲーション９１、ソフトウェア開発およびライフサイクル管理９２、仮想教室教育の配信９３、データ分析処理９４、取引処理９５、および、本明細書に規定する、音声文字列データに関連する書き起こしテキストを返すための処理コンポーネント９６が含まれる。処理コンポーネント９６は、図８で説明した１つ以上のプログラム４０を使用して実装することができる。

本発明は、任意の可能な技術詳細レベルで統合されたシステム、方法もしくはコンピュータプログラム製品またはそれらの組み合わせとすることができる。コンピュータプログラム製品は、プロセッサに本発明の態様を実行させるためのコンピュータ可読プログラム命令を記憶したコンピュータ可読記憶媒体を含んでもよい。

コンピュータ可読記憶媒体は、命令実行デバイスによって使用される命令を保持し、記憶することができる有形のデバイスとすることができる。コンピュータ可読記憶媒体は、一例として、電子ストレージデバイス、磁気ストレージデバイス、光ストレージデバイス、電磁ストレージデバイス、半導体ストレージデバイスまたはこれらの適切な組み合わせであってもよい。コンピュータ可読記憶媒体のより具体的な一例としては、ポータブルコンピュータディスケット、ハードディスク、ＲＡＭ、ＲＯＭ、消去可能プログラマブルＲＯＭ（ＥＰＲＯＭまたはフラッシュメモリ）、スタティックランダムアクセスメモリ（ＳＲＡＭ）、ＣＤ－ＲＯＭ、ＤＶＤ、メモリスティック、フロッピーディスク、パンチカードまたは溝内の隆起構造などに命令を記録した機械的に符号化されたデバイス、およびこれらの適切な組み合せが挙げられる。本明細書で使用されるコンピュータ可読記憶媒体は、電波もしくは他の自由に伝播する電磁波、導波管もしくは他の伝送媒体を介して伝播する電磁波（例えば、光ファイバケーブルを通過する光パルス）、またはワイヤを介して送信される電気信号のような、一過性の信号それ自体として解釈されるべきではない。

本明細書に記載のコンピュータ可読プログラム命令は、コンピュータ可読記憶媒体からそれぞれのコンピューティングデバイス／処理デバイスへダウンロードすることができる。あるいは、ネットワーク（例えばインターネット、ＬＡＮ、ＷＡＮもしくは無線ネットワークまたはこれらの組み合わせ）を介して、外部コンピュータまたは外部ストレージデバイスへダウンロード可能である。ネットワークは、銅製伝送ケーブル、光伝送ファイバ、ワイヤレス伝送、ルータ、ファイアウォール、スイッチ、ゲートウェイコンピュータもしくはエッジサーバまたはこれらの組み合わせを備えることができる。各コンピューティングデバイス／処理デバイス内のネットワークアダプタカードまたはネットワークインタフェースは、ネットワークからコンピュータ可読プログラム命令を受信し、当該コンピュータ可読プログラム命令を、各々のコンピューティングデバイス／処理デバイスにおけるコンピュータ可読記憶媒体に記憶するために転送する。

本発明の動作を実施するためのコンピュータ可読プログラム命令は、アセンブラ命令、命令セットアーキテクチャ（ＩＳＡ）命令、機械命令、機械依存命令、マイクロコード、ファームウェア命令、状態設定データ、集積回路用構成データ、または、スモールトークやＣ＋＋などのオブジェクト指向プログラミング言語、および「Ｃ」プログラミング言語や類似のプログラミング言語などの手続き型プログラミング言語を含む、１つ以上のプログラミング言語の任意の組み合わせで記述されたソースコードもしくはオブジェクトコードのいずれかとすることができる。コンピュータ可読プログラム命令は、スタンドアロン型ソフトウェアパッケージとして完全にユーザのコンピュータ上で、または部分的にユーザのコンピュータ上で実行可能である。あるいは、部分的にユーザのコンピュータ上でかつ部分的にリモートコンピュータ上で、または、完全にリモートコンピュータもしくはサーバ上で実行可能である。後者の場合、リモートコンピュータは、ＬＡＮやＷＡＮを含む任意の種類のネットワークを介してユーザのコンピュータに接続してもよいし、外部コンピュータに（例えば、インターネットサービスプロバイダを使用してインターネットを介して）接続してもよい。いくつかの実施形態において、例えばプログラマブル論理回路、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、プログラマブル論理アレイ（ＰＬＡ）を含む電子回路は、本発明の態様を実行する目的で当該電子回路をカスタマイズするために、コンピュータ可読プログラム命令の状態情報を利用することによって、コンピュータ可読プログラム命令を実行することができる。

本発明の態様は、本明細書において、本発明の実施形態に係る方法、装置（システム）、およびコンピュータプログラム製品のフローチャートもしくはブロック図またはその両方を参照して説明されている。フローチャートもしくはブロック図またはその両方における各ブロック、および、フローチャートもしくはブロック図またはその両方における複数のブロックの組み合わせは、コンピュータ可読プログラム命令によって実行可能である。

これらのコンピュータ可読プログラム命令は、機械を生産するために、コンピュータまたは他のプログラマブルデータ処理装置のプロセッサに提供することができる。これにより、このようなコンピュータまたは他のプログラマブルデータ処理装置のプロセッサを介して実行されるこれらの命令が、フローチャートもしくはブロック図またはその両方における１つ以上のブロックにて特定される機能／動作を実行するための手段を創出する。これらのコンピュータ可読プログラム命令はさらに、コンピュータ、プログラマブルデータ処理装置もしくは他のデバイスまたはこれらの組み合わせに対して特定の態様で機能するよう命令可能なコンピュータ可読記憶媒体に記憶することができる。これにより、命令が記憶された当該コンピュータ可読記憶媒体は、フローチャートもしくはブロック図またはその両方における１つ以上のブロックにて特定される機能／動作の態様を実行するための命令を含む製品を構成する。

また、コンピュータ可読プログラム命令を、コンピュータ、他のプログラマブル装置、または他のデバイスにロードし、一連の動作ステップを当該コンピュータ、他のプログラマブル装置、または他のデバイス上で実行させることにより、コンピュータ実行プロセスを生成してもよい。これにより、当該コンピュータ、他のプログラマブル装置、または他のデバイス上で実行される命令が、フローチャートもしくはブロック図またはその両方における１つ以上のブロックにて特定される機能／動作を実行する。

図面におけるフローチャートおよびブロック図は、本発明の種々の実施形態に係るシステム、方法およびコンピュータプログラム製品の可能な実装形態のアーキテクチャ、機能性、および動作を示している。この点に関して、フローチャートまたはブロック図における各ブロックは、特定の論理機能を実行するための１つ以上の実行可能な命令を含む、命令のモジュール、セグメント、または部分を表すことができる。他の一部の実装形態において、ブロック内に示した機能は、各図に示す順序とは異なる順序で実行されてもよい。例えば、関係する機能に応じて、連続して示される２つのブロックが、実際には、１つの工程として達成されてもよいし、同時もしくは略同時に実行されてもよいし、部分的もしくは全体的に時間的に重複した態様で実行されてもよいし、ブロックが場合により逆順で実行されてもよい。なお、ブロック図もしくはフローチャートまたはその両方における各ブロック、および、ブロック図もしくはフローチャートまたはその両方における複数のブロックの組み合わせは、特定の機能もしくは動作を行う、または専用ハードウェアとコンピュータ命令との組み合わせを実行する、専用ハードウェアベースのシステムによって実行可能である。

本明細書で使用される用語は、特定の実施形態を説明することのみを目的としており、限定することを意図するものではない。本明細書において、単数形「ある（a）」、「ある（an）」および「その（the）」は、文脈上そうではないことが明らかでない限り、複数形も含むことを意図している。さらに、「備える（comprise）」（および、「備える（comprises）」、「備える（comprising）」などの「備える（comprise）」の任意の形態）、「有する（have）」（および、「有する（has）」、「有する（having）」などの「有する（have）」の任意の形態）、「含む（include）」（および、「含む（includes）」、「含む（including）」などの「含む（include）」の任意の形態）、ならびに、「含有する（contain）」（および、「含有する（contains）」、「含有する（containing）」などの「含有する（contain）」の任意の形態）という用語は、オープンエンドの連結動詞であることが理解される。その結果、１つ以上のステップまたは要素を「備える（comprises）」、「有する（has）」、「含む（includes）」、または「含有する（contains）」方法またはデバイスは、それら１つ以上のステップまたは要素を有するが、それら１つ以上のステップまたは要素のみを有することに限定されない。同様に、１つ以上の特徴を「備える（comprises）」、「有する（has）」、「含む（includes）」、または「含有する（contains）」方法のステップまたはデバイスの要素は、それら１つ以上の特徴を有するが、それら１つ以上の特徴のみを有することに限定されない。本明細書における「基づく（based on）」という用語の形態は、要素が部分的に基づく場合の関係性、および要素が完全に基づく場合の関係性を包含する。ある特定の数の要素を有するものとして記載された方法、製品、およびシステムは、その特定の数よりも少ないまたは多い数の要素を用いて実施されてもよい。さらに、ある特定の態様で構成されたデバイスまたは構造は、少なくともその特定の態様で構成されるが、記載されていない態様で構成されてもよい。

本明細書に記載される数値および他の値は、明示的に記述されているか、本開示の説明から本質的に導き出されるかを問わず、「約（about）」という用語によって修飾されることが企図される。本明細書において使用される「約」という用語は、特に限定されないが、当該用語で修飾される数値を含むそれ以下の許容範囲および値を含むように、修飾される値の数値境界を定義するものである。つまり、数値は、明示的に記述されている実際の値、および、本開示において示唆もしくは記載またはその両方がなされている実際の値の少数値、分数値、もしくは他の倍数値であるか、またはそれらであり得る他の値を含むことができる。

以下の特許請求の範囲におけるすべてのミーンズプラスファンクション要素またはステッププラスファンクション要素の対応する構造、材料、動作、および均等物は、存在する場合、具体的に特許請求された他の特許請求要素と組み合わせて機能を実行するための任意の構造、材料、または動作を含むことを意図している。本明細書に記載の説明は、例示および説明を目的として提示されたものであり、網羅的であることや、開示した形態に限定することを意図したものではない。本開示の範囲から逸脱することなく、多くの変更および変形が当業者には明らかである。本実施形態は、本明細書に記載の１つ以上の態様の原理および実際の応用例を最もよく説明するために、かつ他の当業者が、企図している特定の用途に適した各種の変更を伴う各種の実施形態について、本明細書に記載の１つ以上の態様を理解できるように選択され記載されたものである。

ブロック１１０８にて予測言語モデル９００４に入力される複数の候補テキスト文字列は、入力音声文字列データに応じてブロック１１０５にて予測音響モデル９００２によって生成される各候補テキスト文字列、およびブロック１１０７にてエンタープライズシステム１１０によって返される各補強後の候補テキスト文字列を含むことができる。予測言語モデル９００４に入力された各入力候補テキスト文字列に対して、予測言語モデル９００４は、１つ以上の信頼度パラメータ値を返すことができる。１つ以上の信頼度パラメータ値は、例えば、コンテキスト信頼度パラメータ値、書き起こし信頼度パラメータ値、およびドメイン信頼度パラメータ値を含むことができる。予測言語モデル９００４は、複数の連続する単語で構成される入力テキスト文字列が、予測モデルを訓練するための訓練データとして使用された過去のテキスト文字列と強く一致する場合、基準よりも高いコンテキスト信頼度パラメータ値を返すことができる。予測言語モデル９００４は、入力テキスト文字列を定義する個々の単語が、予測言語モデル９００４を訓練するための訓練データとして使用された過去のテキスト文字列の個々の単語と強く一致する場合、基準よりも高い書き起こし信頼度パラメータ値を返すことができる。予測言語モデル９００４は、入力テキスト文字列を定義する１つ以上の単語が、現在のＩＶＲセッションに関連する現在のトピックドメイン（例えば、業界トピックドメイン、企業トピックドメイン、もしくは会話トピックドメインまたはその組み合わせ）を特徴付ける個々の１つ以上の単語と強く一致する場合、基準よりも高いトピックドメイン信頼度パラメータ値を返すことができる。

エンタープライズシステム１１０は、ブロック１１０９にて、返されたテキストベースの書き起こしを送信し、ブロック１０８３にてデータリポジトリ１０８に格納させることができる。そして、データリポジトリ１０８は、ブロック１０８３にて、返された書き起こしを、データリポジトリ１０８のロギング領域２１２３に格納することができる。ブロック１１０９にて返されたテキストを送信する際に、エンタープライズシステム１１０は、返された書き起こしのメタデータとして、現在の会話ステージの識別子をタグ付けすることができる。この会話ステージの会話は、図６に示したダイアログ決定ツリー３００２を参照して説明したように、現在のＩＶＲセッションのダイアログ決定ツリーのノード識別子にマッピングすることができる。次に、ＩＶＲアプリケーション１１１を実行するエンタープライズシステム１１０は、この返された書き起こしを使用して、例えば、意味解析によって、ユーザのインテントを導出することができる。インテントが導出されると、ＩＶＲアプリケーション１１１を実行するエンタープライズシステム１１０は、例えば、図６に示すダイアログ決定ツリー３００２を使用して、ＩＶＲセッションを適切な次の会話ステージに進めることができる。インテントを導出するための一例として、ＩＶＲアプリケーション１１１を実行するエンタープライズシステム１１０は、図６のダイアログ決定ツリー３００２のエッジに関連付けられる候補インテントなど、複数の候補インテントに関連して、返された書き起こしの対応スコアを提供することができる。本明細書の実施形態は、ブロック１１０９にて誤った書き起こしが返された場合、エンタープライズシステム１１０は、ユーザに関して誤ったインテントを導出する可能性があり、現在のＩＶＲセッションを不適切な次の段階に進める可能性があることを認識するものである。

本明細書で規定するように、補強プロセス１１６の実行による候補テキスト文字列の補強などの特徴によって、予測言語モデル９００４は、予測言語モデル９００４の訓練を反復的に更新することなく、入力候補テキスト文字列に関連する信頼度パラメータ値を返すにあたって信頼度高く使用できる汎用言語モデルとして構成することができる。一方、予測言語モデル９００４が会話ステージ特有言語モデルとして構成される場合、当該予測言語モデルを訓練するための特定の会話ステージ訓練データが限られている場合があり、モデルを信頼度高く使用するには、予測モデルの訓練を反復的に更新することに依存する場合がある。したがって、いくつかの実施形態において、ブロック１１０８にて使用された予測言語モデル９００４が会話ステージ特有言語モデルとして構成されていた場合に、ブロック１１１０での訓練動作を実行することができ、ブロック１１０８にて使用された予測言語モデル９００４が汎用言語モデルとして構成されていた場合に、ブロック１１１０での訓練を回避することができる。また、いくつかの実施形態では、ブロック１１０８にて使用された予測言語モデル９００４が汎用言語モデルとして構成されていた場合も、ブロック１１１０での訓練動作を実行することができる。

（実施例１）
ブロック１１０３にて、ＩＶＲアプリケーション１１１を実行しているエンタープライズシステム１１０は、プロンプトデータ「What state are you traveling to?」を決定し、このプロンプトデータをブロック１０８２にてデータリポジトリ１０８に格納させる。ＩＶＲアプリケーションを実行しているエンタープライズシステム１１０は、テキストベースのプロンプトデータをテキスト音声変換に供して、ブロック１１０４にて、合成された音声ベースのプロンプトデータをユーザに提示する。ユーザはブロック１２０４にて、音声文字列データを送信する。ＩＶＲアプリケーション１１１を実行しているエンタープライズシステム１１０は、この音声文字列データを、予測音響モデル９００２にクエリデータとして供給する。エンタープライズシステム１１０が候補テキスト文字列を生成するために、予測音響モデル９００２はブロック１１０５にて、候補テキスト文字列（ａ）「I’ll ask her（彼女に聞いてみます）」および（ｂ）「Alaska（アラスカ）」を出力する。ブロック１１０６にて、ＩＶＲアプリケーション１１１を実行しているエンタープライズシステム１１０は、ブロック１０８２にて記憶された記憶済みプロンプトデータをテキスト解析によって検査し、プロンプトデータを特徴付けるデータを抽出する。ブロック１１０７にて、ＩＶＲアプリケーション１１１を実行しているエンタープライズシステム１１０は、プロンプトデータを特徴付けるデータおよびプロンプトデータの内容を使用して、候補テキスト文字列を補強する。ブロック１１０７にて、エンタープライズシステム１１０は、候補テキスト文字列に追加する先頭付加テキストを「I am traveling to state of（私は～の州に旅行予定です）」として決定する。ブロック１１０７にて、エンタープライズシステム１１０は、以前に決定済みの候補テキスト文字列に先頭付加テキストを追加することによって、補強後の候補テキスト文字列を生成する。ブロック１１０７にて、エンタープライズシステム１１０は、補強後のテキスト文字列（ｃ）「I am traveling to state of I’ll ask her（私は彼女に聞いてみますの州に旅行予定です）」、および（ｄ）「I am traveling to state of Alaska（私はアラスカ州に旅行予定です）」を生成することができる。ブロック１１０８にて、ＩＶＲアプリケーション１１１を実行しているエンタープライズシステム１１０は、複数の候補テキスト文字列を使用して、汎用言語モデルとして構成された予測言語モデル９００４に照会を行う。候補テキスト文字列には、上述した候補テキスト文字列である（ａ）「I’ll ask her」、（ｂ）「Alaska」、（ｃ）「I’m traveling to state of I’ll ask her」および（ｄ）「I am traveling to state of Alaska」が含まれる。予測言語モデル９００４は、クエリデータに応答して、信頼度パラメータ値を返すように構成することができる。予測言語モデル９００４は、コンテキスト信頼度パラメータ値、書き起こし信頼度パラメータ値、およびドメイン信頼度パラメータ値を返すことができる。予測言語モデル９００４は、表３に示すような信頼度パラメータ値を返すことができる。

代替条件または追加条件を使用して、ブロック１１０７における補強の実行をトリガすることができる。本明細書の実施形態は、音声テキスト変換は、音声文字列に含まれる単語もしくは音素またはその両方の数が少ない場合に信頼性が低下する可能性があることを認識するものである。一実施形態によれば、エンタープライズシステム１１０は、予測音響モデル９００２から返された１つまたはそれ以上の候補テキスト文字列の単語数が閾値を満たすという条件に基づいて、受信音声文字列に対してブロック１１０７にて補強を実行しないように構成することができる。一実施形態によれば、エンタープライズシステム１１０は、予測音響モデル９００２から返された１つ以上の候補テキスト文字列の音素数が閾値を満たすという条件に基づいて、受信音声文字列に対してブロック１１０７にて補強を実行しないように構成することができる。一実施形態によれば、エンタープライズシステム１１０は、返された各テキスト文字列について予測言語モデル９００４から返された信頼度パラメータ値が閾値未満であるという条件に基づいて、受信音声文字列に対してブロック１１０７にて補強を実行するように構成することができる。一実施形態によれば、エンタープライズシステム１１０は、予測音響モデル９００２から返された、各返されたテキスト文字列の単語カウントが閾値未満であるという条件に基づいて、受信音声文字列に対してブロック１１０７にて補強を実行するように構成することができる。一実施形態によれば、エンタープライズシステム１１０は、予測音響モデル９００２から返された、各返されたテキスト文字列の音素カウントが閾値未満であるという条件に基づいて、受信音声文字列に対してブロック１１０７にて補強を実行するように構成することができる。一実施形態によれば、エンタープライズシステム１１０は、（ａ）（予測言語モデル９００４によって出力された）信頼度パラメータ値、（ｂ）予測音響モデル９００２から返された１つ以上の候補単語文字列の単語カウント、または（ｃ）予測音響モデル９００２から返された１つ以上の候補単語文字列の音素カウントのうちの１つ以上に依存する条件に基づいて、受信音声文字列に対してブロック１１０７に補強を実行するように構成することができる。

Claims (20)

1. 対話型音声応答（ＩＶＲ）セッションの実行において、ユーザに提示するプロンプトデータを決定し、当該プロンプトデータを定義するテキストベースのデータをデータリポジトリに格納することと、
   前記プロンプトデータを前記ユーザに提示することと、
   前記プロンプトデータに応答して、前記ユーザから返された音声文字列データを受信することと、
   前記ユーザの前記返された音声文字列に関連する複数の候補テキスト文字列を生成することと、
   前記プロンプトデータを定義する前記テキストベースのデータを検査することと、
   前記検査の結果に応じて前記複数の候補テキスト文字列を補強し、前記返された音声文字列データに関連する複数の補強後候補テキスト文字列を提供することと、
   前記返された音声文字列データに関連する前記複数の補強後候補テキスト文字列のそれぞれを評価することと、
   前記補強後候補テキスト文字列のうちの１つを、前記返された音声文字列データに関連する、返された書き起こしとして選択することと、
   を含む、コンピュータ実装方法。
2. 前記評価することは、前記返された音声文字列データに関連する前記複数の補強後候補テキスト文字列のそれぞれを用いて、汎用言語モデルによって提供される予測モデルに照会することと、当該照会の結果得られた、返された信頼度パラメータ値を検査することと、を含む、請求項１に記載のコンピュータ実装方法。
3. 前記検査および前記補強の前に、前記評価を実行するために使用される予測言語モデルに対して、前記複数の候補テキスト文字列をクエリデータとして適用することと、当該複数の候補テキスト文字列をクエリデータとして当該予測言語モデルに適用したことに応じて、当該予測言語モデルの性能を確認することと、当該確認に基づいて、当該予測言語モデルが前記ユーザの前記返された音声文字列データに対して満足に動作しないと判定することと、当該判定に応じて、前記検査および前記補強を選択的に実行することと、を含む、請求項１に記載のコンピュータ実装方法。
4. 前記検査および前記補強の前に、前記複数の候補テキスト文字列を使用して、前記評価を実行するために使用される予測言語モデルの性能を確認することと、当該確認に基づいて、当該予測言語モデルが前記ユーザの前記返された音声文字列データに対して満足に動作しないと判定することと、当該判定に応じて、前記検査および前記補強を選択的に実行することと、を含む、請求項１に記載のコンピュータ実装方法。
5. 前記補強することは、データリポジトリに格納されたマッピングデータ構造内で参照される、前記プロンプトデータを定義する前記テキストベースのデータ内の特定のテキスト文字列を識別することを含み、当該マッピングデータ構造は、テキスト文字列を変換後テキスト文字列にマッピングし、当該補強は、当該マッピングデータ構造内で当該特定のテキスト文字列に関連する特定の変換後テキスト文字列を使用することを含む、請求項１に記載のコンピュータ実装方法。
6. 前記検査することは、前記プロンプトデータを定義する前記テキストベースのデータを、当該テキストベースのデータに品詞タグを割り当てるための自然言語処理にかけることを含み、前記補強することは、データリポジトリに格納されたマッピングデータ構造内のテンプレートテキスト文字列に一致する、当該プロンプトデータを定義する当該テキストベースのデータ内の特定のテキスト文字列を識別することを含み、データリポジトリに格納された当該テンプレートテキスト文字列は、品詞としてワイルドカード形式で表現された１つ以上の用語を含む、請求項１に記載のコンピュータ実装方法。
7. 前記提示することは、テキスト音声変換を使用して前記プロンプトデータを合成音声で前記ユーザに提示することを含む、請求項１に記載のコンピュータ実装方法。
8. 前記検査することは、前記プロンプトデータを定義する前記テキストベースのデータを、当該テキストベースのデータのそれぞれの用語に品詞タグを割り当てるための自然言語処理にかけることと、前記品詞タグを使用して、前記プロンプトデータを定義するテキストベースのデータを変換することと、を含む、請求項１に記載のコンピュータ実装方法。
9. 前記補強することは、前記プロンプトデータを定義する前記テキストベースのデータを変換して、変換後のプロンプトデータを提供することと、当該プロンプトデータを前記複数の候補テキスト文字列のそれぞれの候補テキスト文字列の先頭に付加することとを含む、請求項１に記載のコンピュータ実装方法。
10. 前記評価することは、前記返された音声文字列データに関連する前記複数の補強後候補テキスト文字列のそれぞれを用いて、特定の汎用言語モデルによって提供される予測モデルに照会することと、当該照会の結果得られた、返された信頼度パラメータ値を検査することと、を含み、
    前記ユーザに提示する前記プロンプトデータは、前記ＩＶＲセッションの第１の会話ステージ用の当該プロンプトデータを決定することを含み、
    前記方法は、前記返された書き起こしに応じて、前記ＩＶＲセッションの第２の会話ステージ用の第２のプロンプトデータを決定することと、当該第２のプロンプトデータを定義する第２のテストベースのデータを前記データリポジトリに格納することと、を含み、
    前記方法は、前記第２のプロンプトデータを前記ユーザに提示することと、当該第２のプロンプトデータに応答して、第２の返された音声文字列データを当該ユーザから受信することと、当該ユーザの当該返された音声文字列に関連する第２の複数の候補テキスト文字列を生成することと、当該第２のプロンプトデータを定義するテキストベースのデータの検査を実行することと、当該検査の実行結果に応じて、当該第２の複数の候補テキスト文字列を補強して、当該第２の返された音声文字列データに関連する第２の複数の補強後候補テキスト文字列を提供することと、当該検査の実行結果に応じて、当該第２の複数の補強後候補テキスト文字列のそれぞれを用いて、前記特定の汎用言語モデルに照会し、信頼度データを返すことと、当該複数の補強後候補テキスト文字列のうちの１つを、第２のユーザ音声文字列データに関連する第２の返された書き起こしとして選択することと、をさらに含む、請求項１に記載のコンピュータ実装方法。
11. 前記方法は、前記プロンプトデータに関連する特定の会話ステージを含むＩＶＲセッションのそれぞれの会話ステージに関連する予測言語モデルについてのステータス情報を定める制御レジストリを維持することを含み、
    前記方法は、前記特定の会話ステージに関連する前記制御レジストリのステータスデータを分析して、当該制御レジストリで参照される特定の予測言語モデルを識別することと、当該制御レジストリで参照される当該特定の予測言語モデルを使用して前記評価を実行することと、を含む、請求項１に記載のコンピュータ実装方法。
12. 前記方法は、前記プロンプトデータに関連する特定の会話ステージを含むＩＶＲセッションのそれぞれの会話ステージに関連する予測言語モデルについてのステータス情報を定める制御レジストリを維持することを含み、
    前記方法は、ＩＶＲセッションを実行するＩＶＲアプリケーションの後続のセッションにおいて、前記特定の会話ステージに関連する書き起こしを返すために使用される共通汎用言語モデルの性能を監視することと、当該共通汎用言語モデルの性能の当該監視によって、当該共通汎用言語モデルは満足のいく書き起こしを生成しないことが示された場合に、当該特定の会話ステージに関連する書き起こしを返すために会話ステージ特有言語モデルをインスタンス化することと、を含む、請求項１に記載のコンピュータ実装方法。
13. 前記方法は、前記プロンプトデータに関連する特定の会話ステージを含むＩＶＲセッションのそれぞれの会話ステージに関連する予測言語モデルについてのステータス情報を定める制御レジストリを維持することを含み、
    前記方法は、ＩＶＲセッションを実行するＩＶＲアプリケーションの後続のセッションにおいて、前記特定の会話ステージに関連する書き起こしを返すために使用される共通汎用言語モデルの性能を監視することと、当該共通汎用言語モデルの性能の当該監視によって、当該共通汎用言語モデルは満足のいく書き起こしを生成しないことが示された場合に、当該特定の会話ステージに関連する書き起こしを返すために会話ステージ特有言語モデルをインスタンス化することと、を含み、
    前記方法は、前記インスタンス化した後、前記特定の会話ステージに関して前記共通汎用言語モデルの性能の継続監視を実行することと、当該継続監視によって、当該共通汎用言語モデルが当該特定の会話ステージについて満足のいく書き起こしを出力すると判定された場合に、当該特定の会話ステージについてのサービス提供を当該共通汎用言語モデルに戻すことと、を含む、請求項１に記載のコンピュータ実装方法。
14. 前記評価することは、前記返された音声文字列データに関連する前記複数の補強後候補テキスト文字列のそれぞれを用いて、特定の汎用言語モデルによって提供される予測モデルに照会することと、当該照会の結果得られた、返された信頼度パラメータ値を検査することと、を含み、
    前記ユーザに提示する前記プロンプトデータは、前記ＩＶＲセッションの第１の会話ステージ用の当該プロンプトデータを決定することを含み、
    前記方法は、前記返された書き起こしに応じて、前記ＩＶＲセッションの第２の会話ステージ用の第２のプロンプトデータを決定することと、当該第２のプロンプトデータを定義する第２のテストベースのデータを前記データリポジトリに格納することと、を含み、
    前記方法は、前記第２のプロンプトデータを前記ユーザに提示することと、当該第２のプロンプトデータに応答して、第２の返された音声文字列データを当該ユーザから受信することと、当該ユーザの当該返された音声文字列に関連する第２の複数の候補テキスト文字列を生成することと、当該第２のプロンプトデータを定義するテキストベースのデータの検査を実行することと、当該検査の実行結果に応じて、当該第２の複数の候補テキスト文字列を補強して、当該第２の返された音声文字列データに関連する第２の複数の補強後候補テキスト文字列を提供することと、当該検査の実行結果に応じて、当該第２の複数の補強後候補テキスト文字列のそれぞれを用いて、前記特定の汎用言語モデルに照会し、信頼度データを返すことと、当該複数の補強後候補テキスト文字列のうちの１つを、第２のユーザ音声文字列データに関連する第２の返された書き起こしとして選択することと、をさらに含み、
    前記ＩＶＲセッションを実行するＩＶＲアプリケーションは、当該ＩＶＲアプリケーションの前記第１の会話ステージに関連する前記返された書き起こしを返すために、かつ当該ＩＶＲアプリケーションの前記第２の会話ステージに関連する第２の返された書き起こしを返すために、前記特定の汎用言語モデルに共通して照会する、請求項１に記載のコンピュータ実装方法。
15. 前記ユーザの前記返された音声文字列に関連する前記複数の候補テキスト文字列を生成することは、予測音響モデルに照会することを含む、請求項１に記載のコンピュータ実装方法。
16. 前記検査することは、前記プロンプトデータを定義する前記テキストベースのデータを品詞タグ付けに供して、当該プロンプトデータを定義する当該テキストベースのデータに関連する品詞タグを提供することを含み、
    前記補強することは、前記品詞タグのタグを用いて、前記プロンプトデータを定義する前記テキストベースのデータを変換して変換後テキスト文字列を提供することと、当該変換後テキスト文字列を、複数の候補テキスト文字列のうちのテキスト文字列の先頭に付加することと、を含む、請求項１に記載のコンピュータ実装方法。
17. 前記提示することは、テキスト音声変換を使用して前記プロンプトデータを合成音声で前記ユーザに提示することを含み、
    前記評価することは、前記返された音声文字列データに関連する前記複数の補強後候補テキスト文字列のそれぞれを用いて、汎用言語モデルによって提供される予測モデルに照会することを含む、請求項１に記載のコンピュータ実装方法。
18. 前記提示することは、テキスト音声変換を使用して前記プロンプトデータを合成音声で前記ユーザに提示することを含み、
    前記ユーザの前記返された音声文字列に関連する前記複数の候補テキスト文字列を生成することは、予測音響モデルに照会することを含み、
    前記評価することは、前記返された音声文字列データに関連する前記複数の補強後候補テキスト文字列のそれぞれを用いて、汎用言語モデルによって提供される予測モデルに照会することと、当該照会の結果得られた、返された信頼度パラメータ値を検査することと、を含む、請求項１に記載のコンピュータ実装方法。
19. １つ以上の処理回路によって読み取り可能であり、方法を実行するために１つ以上のプロセッサによって実行される命令を記憶するコンピュータ可読記憶媒体を含むコンピュータプログラム製品であって、当該方法は、
    対話型音声応答（ＩＶＲ）セッションの実行において、ユーザに提示するプロンプトデータを決定し、当該プロンプトデータを定義するテキストベースのデータをデータリポジトリに格納することと、
    前記プロンプトデータを前記ユーザに提示することと、
    前記プロンプトデータに応答して、前記ユーザから返された音声文字列データを受信することと、
    前記ユーザの前記返された音声文字列に関連する複数の候補テキスト文字列を生成することと、
    前記プロンプトデータを定義する前記テキストベースのデータを検査することと、
    前記検査の結果に応じて前記複数の候補テキスト文字列を補強し、前記返された音声文字列データに関連する複数の補強後候補テキスト文字列を提供することと、
    前記返された音声文字列データに関連する前記複数の補強後候補テキスト文字列のそれぞれを評価することと、
    前記補強後候補テキスト文字列のうちの１つを、前記返された音声文字列データに関連する、返された書き起こしとして選択することと、
    を含む、コンピュータプログラム製品。
20. メモリと、
    前記メモリと通信する少なくとも1つのプロセッサと、
    方法を実行するために前記メモリを介して1つ以上のプロセッサによって実行可能なプログラム命令と、を備えるシステムであって、当該方法は、
    対話型音声応答（ＩＶＲ）セッションの実行において、ユーザに提示するプロンプトデータを決定し、当該プロンプトデータを定義するテキストベースのデータをデータリポジトリに格納することと、
    前記プロンプトデータを前記ユーザに提示することと、
    前記プロンプトデータに応答して、前記ユーザから返された音声文字列データを受信することと、
    前記ユーザの前記返された音声文字列に関連する複数の候補テキスト文字列を生成することと、
    前記プロンプトデータを定義する前記テキストベースのデータを検査することと、
    前記検査の結果に応じて前記複数の候補テキスト文字列を補強し、前記返された音声文字列データに関連する複数の補強後候補テキスト文字列を提供することと、
    前記返された音声文字列データに関連する前記複数の補強後候補テキスト文字列のそれぞれを評価することと、
    前記補強後候補テキスト文字列のうちの１つを、前記返された音声文字列データに関連する、返された書き起こしとして選択することと、
    を含む、システム。