JP6526399B2 - 音声対話装置、音声対話装置の制御方法、および制御プログラム - Google Patents

Description

本発明は音声対話装置に関する。

音声でユーザに質問を投げかけて、ユーザに音声によって選択肢を選ばせる技術としてＩＶＲ（自動音声応答）が知られている。音声対話装置が、ユーザに多数の選択肢を提示して選択を求める場合がある。このようなときに、単純に多数の選択肢を列挙されると、選択肢の読み上げが完了するまでに長い時間がかかる。また、ユーザは多数の選択肢を覚えきれないという不都合が生じる。

特許文献１には、多肢択一式の質問に関して選択肢の数に閾値を与えて少ない数の選択肢に制限し、質問の際に全ての選択肢をユーザに提示する技術が記載されている。また、音声対話または自動応答に関する技術が、特許文献２〜４に記載されている。

特開平０７−０９２９８７号公報（１９９５年４月７日公開） 特開２００４−３５６８９６号公報（２００４年１２月１６日公開） 特開２００７−２３２８２９号公報（２００７年９月１３日公開） 特開２０１０−１０２１６３号公報（２０１０年５月６日公開）

しかしながら、例えば、特許文献１に記載の技術では、一度に提示される選択肢の個数が制限されるため、他にどのくらいの選択肢が残っているのかユーザは認識することができない。それゆえ、ユーザは、選択肢を回答すべきか、何個あるか分からない残りの選択肢も聞くべきか、判断しにくい。

本発明は、ユーザが回答しやすいように質問を行う音声対話装置を提供することを目的とする。

本発明の一態様に係る音声対話装置は、質問に対してユーザに選択させる複数の選択肢を含む選択肢群のうち、一部の選択肢を発話内容に含ませ、さらに上記選択肢群のうちの残りの選択肢の個数を上記発話内容に含ませる発話内容生成手段と、音声によるユーザの回答から、いずれの選択肢が選択されたのかを判定する回答判定手段とを備える。

本発明の一態様によれば、ユーザは、回答すべき内容を知覚しやすくなる。それゆえ、ユーザは質問に対して回答しやすくなる。

本発明の一実施形態に係る音声対話装置の要部構成を示すブロック図である。 上記音声対話装置における音声対話の処理フローを示す図である。 上記音声対話装置とユーザとの対話例を示す図である。 上記音声対話装置とユーザとの対話例を示す図である。 上記音声対話装置とユーザとの対話例を示す図である。 上記音声対話装置とユーザとの対話例を示す図である。 上記音声対話装置とユーザとの対話例を示す図である。 上記音声対話装置とユーザとの対話例を示す図である。 上記音声対話装置とユーザとの対話例を示す図である。 上記音声対話装置とユーザとの対話例を示す図である。

以下の説明では音声対話装置の一例として、音声によってユーザとコミュニケーションを行うロボットを例にして説明を行うが、これに限定されるものではなく、音声によってユーザと自動で対話する電子機器であれば、本発明を適用することができる。電子機器（音声対話装置）としては、例えば、ロボット、スマートフォン、携帯電話、タブレット端末、家電製品（電子レンジ、洗濯機、エアコン等）、自動販売機、ＡＴＭ（Automated Teller Machine）、カーナビゲーション、電話の自動音声応答装置等が含まれる。また、音声入力機能および音声出力機能を有する電子機器と通信により連携して、該電子機器の発話内容を生成する装置（例えばクラウドサーバ）も、本発明の一態様に係る音声対話装置に含まれる。

〔実施形態１〕
（音声対話装置１の構成）
図１は、本発明の一実施形態に係る音声対話装置の要部構成を示すブロック図である。音声対話装置１（音声対話システム）は、制御部２、音声入力部３、音声出力部４、および記憶部５を備える。ここでは、音声対話装置１は、ユーザと音声によってコミュニケーションを行うロボットである。このロボットは、ユーザに対して質問をし、質問に対する回答を蓄積することで、ユーザの嗜好等を学習する。これにより、ロボットは、学習した内容に応じた動作または音声対話を行うことができる。

音声入力部３は、マイク等の音声入力装置を備え、音声の入力を受け付ける。音声入力部３は、入力された音声を制御部２に出力する。音声出力部４は、スピーカ等の音声出力装置を備え、音声の出力を行う。音声出力部４は、制御部２から出力された音声信号にしたがって、音声の出力を行う。なお、音声出力部４は、制御部２から発話内容のデータを受け取り、発話内容を音声信号に変換してもよい。

記憶部５は、質問内容のテンプレート、質問において提示される選択肢群、および所定のコマンドに対応するキーワード等のデータ、ならびに制御部２が実行する制御プログラムをあらかじめ記憶している。

制御部２は、音声対話装置１の動作および処理を統括的に制御するものである。制御部２は、音声認識部１１、回答解釈部１２（回答判定手段）、および発話内容生成部１３（発話内容生成手段、選択肢抽出手段）を含む。制御部２は、音声対話だけでなく、ロボットの動作制御も行う。

音声認識部１１は、音声入力部３から入力された音声を、言葉として認識する音声認識処理を行う。音声認識処理としては既存の技術を用いることができる。音声認識部１１は、例えば、ユーザが回答（入力）した音声データを、辞書等を用いて対応する文字データに変換する。音声認識部１１は、音声認識処理されたユーザの回答（文字データ）を回答解釈部１２に出力する。

回答解釈部１２は、選択肢群および所定のコマンドに対応するキーワードのリストを参照し、ユーザの回答が何を指すのかを判定する。具体的には、回答解釈部１２は、ユーザの回答が、いずれかの選択肢を指定しているものか、または、所定のコマンドを指定しているものか判定する。回答解釈部１２は、ユーザの回答を解釈した結果を発話内容生成部１３に出力する。

発話内容生成部１３は、音声出力する発話内容を自動で生成する。発話内容生成部１３は、記憶部５から、質問内容、および質問内容に対応する複数の選択肢を含む選択肢群のデータを取得する。発話内容生成部１３は、取得したデータを使用して、質問内容および複数の選択肢を含む発話内容を生成する。一度にユーザに提示する選択肢の数が多くなりすぎないように、１つの発話内容に含まれる選択肢の数の上限が設定されている。発話内容生成部１３は、選択肢群のうちの一部（上限個数）の選択肢を発話内容に含ませ、さらに、選択肢群のうちの残りの選択肢の個数を該発話内容に含ませる。発話内容生成部１３は、生成した発話内容を音声信号に変換し、発話内容を示す音声信号を音声出力部４に出力する。また、発話内容生成部１３は、ユーザに行った質問内容に対応する選択肢群を回答解釈部１２に出力する。

（音声対話の処理フロー）
図２は、音声対話装置１における音声対話の処理フローを示す図である。ここでは、音声対話装置１が、複数の選択肢から１つの選択肢をユーザに選択させる質問を行う場合について説明する。ここでは、１つの発話内容に含まれる選択肢の数の上限は「３」と設定されているとする。また、質問に対する選択肢は８個あるとする。もちろん、上記上限は任意の数でよい。

発話内容生成部１３は、選択肢群のうちから、一度に読み上げる３つの選択肢（第１選択肢、第２選択肢、および第３選択肢）を抽出する（Ｓ１）。選択肢群のうち読み上げられない残りの選択肢の個数は５個である。発話内容生成部１３は、質問内容、全選択肢の個数「８個」の情報、抽出された３つの選択肢、および残りの選択肢の個数「５個」の情報を含む発話内容を生成する。

音声対話装置１は、生成された発話内容を音声出力し、ユーザの回答を待つ（Ｓ２）。音声出力が完了してから所定期間内にユーザの回答（音声入力）がなければ、音声対話装置１は、再度同じ発話内容を音声出力する。

ユーザの回答が音声入力されると、回答解釈部１２は、上記質問の選択肢群の中に、ユーザの回答に対応する選択肢が存在するか否かを判定する（Ｓ３）。なお、回答解釈部１２は、完全一致していなくても、ユーザの回答とある選択肢とが類似（部分一致）していれば、それらは対応していると判定してもよい。

選択肢群の中にユーザの回答に対応する選択肢が存在する場合（Ｓ３でＹｅｓ）、回答解釈部１２は、さらに、ユーザの回答が、所定のコマンドに対応するキーワード、または順番を表す言葉に対応しているか否かを判定する（Ｓ４）。例えば、「次」「他」「前」「もう一度」「キャンセル」「やめる」等のキーワードは、所定のコマンドを表す予約語としてあらかじめ記憶部５に登録されている。また、「２番目」「Ｂ」等の言葉は、選択肢の順番（複数の選択肢における位置）を表す言葉として解釈されうる。

ユーザの回答が所定のコマンドに対応するキーワードにも順番を表す言葉にも対応していない場合（Ｓ４でＮｏ）、回答解釈部１２は、ユーザの回答に対応する選択肢がユーザに指定されたと暫定的に判定する。発話内容生成部１３は、確認のため、対応する選択肢がユーザの意図した選択肢（回答）か否かを質問する新たな発話内容を生成する。音声対話装置１は、該発話内容を音声出力し、ユーザの回答を待つ（Ｓ５）。音声出力が完了してから所定期間内にユーザの回答（音声入力）がなければ、音声対話装置１は、再度同じ発話内容を音声出力する。

回答解釈部１２は、対応する選択肢がユーザの意図した選択肢である（ユーザの回答が肯定的である）か否かを判定する（Ｓ６）。

確認のための質問に対するユーザの回答が肯定的なものであれば（Ｓ６でＹｅｓ）、回答解釈部１２は、ユーザの回答は上記対応する選択肢を指定したものと判定し、選択肢の選択を確定する。音声対話装置１は、選択された選択肢に応じた動作または処理を行う（Ｓ７）。例えば、制御部２は、ユーザに選択された選択肢を、質問内容と関連付けて記憶部５に記憶し、ユーザの選択を学習する。

一方、確認のための質問に対するユーザの回答が否定的なものであれば（Ｓ６でＮｏ）、音声対話装置１は、Ｓ２に戻り、改めて質問内容、抽出された３つの選択肢、および残りの選択肢の個数「５個」等の情報を含む発話内容を音声出力し、ユーザの回答を待つ。なお、２回目以降の発話では、重複する情報（質問内容等）は省略してもよい。

また、選択肢群の中にユーザの回答に対応する選択肢が存在しない場合（Ｓ３でＮｏ）、回答解釈部１２は、さらに、ユーザの回答が、順番を表す言葉、または所定のコマンドに対応するキーワードに対応しているか否かを判定する（Ｓ１１〜Ｓ１４）。

ユーザの回答が順番を表す言葉（例えば「２番目」「Ｂ」等）に対応する場合（Ｓ１１でＹｅｓ）、回答解釈部１２は、該順番の選択肢（例えば２番目の選択肢、または項目Ｂの選択肢）がユーザに指定されたと暫定的に判定する。発話内容生成部１３は、確認のため、該順番の選択肢がユーザの意図した選択肢か否かを質問する新たな発話内容を生成し、処理はＳ５に移る。

ユーザの回答が再度の読み上げを指示するコマンドに対応するキーワード（例えば「もう一度」等）に対応する場合（Ｓ１２でＹｅｓ）、処理はＳ２に戻る。音声対話装置１は、改めて質問内容、抽出された３つの選択肢、および残りの選択肢の個数「５個」等の情報を含む発話内容を音声出力し、ユーザの回答を待つ。

ユーザの回答が他の選択肢の提示を指示するコマンドに対応するキーワードに対応する場合（Ｓ１３でＹｅｓ）、処理はＳ１に戻る。例えば「他」「次」「前」等のキーワードが、他の選択肢の提示を指示するコマンドに対応する。例えば「他」「次」等のキーワードが回答された場合、発話内容生成部１３は、選択肢群から次の３個の選択肢（第４選択肢、第５選択肢、第６選択肢）を抽出し、抽出された選択肢を新たな（次の）発話内容に含める。「前」等のキーワードが回答された場合、発話内容生成部１３は、直前に提示した選択肢（例えば第４〜第６選択肢）の組の前に提示した３個の選択肢（第１〜第３選択肢）を選択肢群から抽出し、抽出された選択肢を新たな発話内容に含める。

ユーザの回答が質問の中止を指示するコマンドに対応するキーワードに対応する場合（Ｓ１４でＹｅｓ）、発話内容生成部１３は質問を終了する旨の発話内容を生成し、質問を中止する。音声対話装置１は該発話内容の音声出力を行い、ユーザへの質問に関する処理を中止（終了）する。例えば「キャンセル」「やめる」「中止」等のキーワードが、質問の中止を指示するコマンドに対応する。１つのコマンドに対して複数のキーワードが対応付けられていてもよい。

一方、ユーザの回答が、順番を表す言葉にも、所定のコマンドに対応するキーワードにも対応していない場合（Ｓ１１〜Ｓ１４の全てにおいてＮｏ）、音声対話装置１は、ユーザの回答に該当する選択肢およびコマンドが存在しないことを音声出力する。そして、音声対話装置１は、他の選択肢を読み上げることを音声出力し、処理はＳ１に戻る。発話内容生成部１３は、他の選択肢の提示を指示するコマンドが指示された場合と同じように、選択肢群から次の３個の選択肢を抽出し、抽出された選択肢を新たな発話内容に含める。あるいは、再度の読み上げを指示するコマンドが指示された場合と同じように、Ｓ１に戻らずにＳ２に戻り、音声対話装置１は、同じ３個の選択肢を改めてユーザに提示してもよい。

また、ユーザの回答が、選択肢にも対応し、かつ、所定のコマンドに対応するキーワードまたは順番を表す言葉にも対応している場合（Ｓ４でＹｅｓ）、発話内容生成部１３は、ユーザの意図を確認するための新たな発話内容を生成する。具体的には、発話内容生成部１３は、ユーザの回答が、ある選択肢を指しているのか、ある順番の選択肢を指しているのか、あるコマンドを指しているのかを質問する発話内容を生成する。音声対話装置１は、該発話内容を音声出力し、ユーザの回答を待つ（Ｓ８）。音声出力が完了してから所定期間内にユーザの回答（音声入力）がなければ、音声対話装置１は、再度同じ発話内容を音声出力する。

回答解釈部１２は、確認のための質問に対するユーザの回答が、ある選択肢を指しているのか、ある順番の選択肢を指しているのか、あるコマンドを指しているのかのうち、いずれか１つに特定できるかを判定する。いずれか１つに特定できれば、音声対話装置１は、特定された選択肢またはコマンドに応じた上述の処理を行う（Ｓ９）。音声対話装置１は、いずれか１つに特定できるまで、確認のための質問（Ｓ８）を繰り返す。

（音声対話例：選択肢の読み上げ）
図３は、音声対話装置１とユーザとの対話例を示す図である。本図では、選択肢の読み上げに関する対話例が示されている。

（Ａ）音声対話装置１は、質問内容、全選択肢の個数「８件」、抽出された３つの選択肢「りんご、みかん、ぶどう」、および残りの選択肢の個数「５件」を音声出力する（図２のＳ２）。図では質問内容は省略しているが、例えば、好きな食べ物を質問する内容等であってよい。

（Ｂ）これに対して、ユーザが「次」と回答（音声入力）すると、音声対話装置１は、選択肢群から次の３個の選択肢「もも、バナナ、ニンジン」を抽出し、残りの選択肢の個数「５件」と共に音声出力する。ここでは、一度に読み上げる３つの選択肢以外の選択肢の個数を残りの選択肢の個数（５件）としている。一方、既読の選択肢（６件）以外の選択肢の個数を残りの選択肢の個数（２件）として音声出力してもよい。ユーザは音声コマンドにより、次の選択肢の読み上げを促すことができる。なお、抽出は、最後の選択肢まで到達したら、また最初の選択肢に戻る。例えば、音声対話装置１は、第７選択肢および第８選択肢を抽出する場合、一度に読み上げる３つの選択肢として、さらに第１選択肢を加えてもよいし、加えずに２件だけ読み上げてもよい。

（Ｃ）また、ユーザが「前」と回答すると、音声対話装置１は、選択肢群から前の３個の選択肢「りんご、みかん、ぶどう」を再度抽出し、残りの選択肢の個数「５件」と共に音声出力する。ユーザは音声コマンドにより、前の選択肢の読み上げを促すことができる。

（Ｄ）また、ユーザが「もう一度」と回答すると、音声対話装置１は、同じ３つの選択肢を再度音声出力する。ユーザは音声コマンドにより、直前に読み上げられた選択肢の再度の読み上げを促すことができる。

本実施形態によれば、音声対話装置１は、一度にユーザに音声で提示する選択肢の個数を３個に制限する。さらに、音声対話装置１は、提示した選択肢以外の、残りの選択肢の個数を併せてユーザに音声で提示する。そのため、ユーザは、回答すべき内容を知覚しやすくなる。例えば、残り個数が少なければ、ユーザは提示された３件の選択肢をより慎重に考慮しようと判断することができる。残り個数が多ければ、残りの選択肢の方に回答すべき選択肢がある可能性も高いので、ユーザは提示された３件の選択肢を忘れてもよいと判断することもできる。それゆえ、より自然な音声対話での入力を実現することができる。

（音声対話例：ユーザの回答例）
図４は、音声対話装置１とユーザとの対話例（ユーザの回答例）を示す図である。

音声対話装置１の、抽出された３つの選択肢を含む発話に対して、ユーザの回答がある選択肢「りんご」に対応している。（Ａ）音声対話装置１は、選択肢「りんご」がユーザの意図した回答であるかを確認する質問をする。これに対するユーザの回答が確認を肯定する「はい」である場合、音声対話装置１は、質問に対する選択肢として「りんご」が選ばれたと判定する。もしユーザが「いいえ」と回答すると、改めて質問内容と選択肢の提示が行われる。

図５は、音声対話装置１とユーザとの対話例（ユーザの回答例）を示す図である。本図は、音声対話装置１が提示した選択肢「りんご、みかん、ぶどう」に対して、ユーザがそれ以外の選択肢「バナナ」を回答した場合を示す。

ユーザの回答した選択肢が質問の選択肢群に含まれている場合、その選択肢「バナナ」が既に提示されていたか否かに関わらず（未提示であっても）、音声対話装置１は、ユーザの回答がその選択肢「バナナ」を指定する回答と判定する。経験したことがある質問、または選択肢が予想できる質問では、ユーザは選択肢を推測して回答することができる。そのため、ユーザは、音声対話装置１が該当の選択肢を読み上げるのを待つ必要がなく、円滑な対話を行うことができる。

図６は、音声対話装置１とユーザとの対話例（ユーザの回答例）を示す図である。本図は、音声対話装置１が提示した選択肢「りんご、みかん、ぶどう」に対して、ユーザが選択肢の順番「２つめ」を回答した場合を示す。

ユーザが選択肢の順番を回答した場合、音声対話装置１は、直前に提示された選択肢のうち該順番（２番目）の選択肢「みかん」が選択されたと判定する。そして、音声対話装置１は、確認のための質問「選択肢２の『みかん』ですね？」を音声出力する。

（選択肢の内容が順番を表す言葉と一致する場合）
図７は、音声対話装置１とユーザとの対話例を示す図である。ここでは簡単のために選択肢の総数は３個としており、残りの選択肢の個数は０個であるので、ユーザへの通知を省略している。もちろん、上述の例のように、選択肢の総数が上限の３個を超えていてもよい。本図では、質問としてクイズが出題されている。

ある選択肢の内容「さん（sun）」は、３番目の「３」と発音が同じである。このように選択肢の内容と順番を表す言葉とが一致または類似している場合、ユーザがいずれを回答したのか判断が難しい。ユーザの回答「さん」は、選択肢の内容と順番（３番目）との両方に対応している。（Ａ）このような場合、音声対話装置１は、「選択肢３の『ふれあ』」か、「選択肢２の『さん』」か、ユーザがいずれを意図したのかを質問する。

（Ｂ）ユーザが「選択肢２の『さん』」と回答すれば、音声対話装置１は、２番目の選択肢「さん」が選ばれたと特定することができる。例えば、ユーザが再度「さん」とだけ回答した場合、いずれを意図しているのか判別できないので、音声対話装置１は、いずれを意図しているのか判別できるまで、ユーザの意図を確認する質問を繰り返す。

（選択肢の内容がコマンドに対応するキーワードと一致する場合）
図８は、音声対話装置１とユーザとの対話例を示す図である。ある選択肢の内容「キャンセル」は、質問の中止を指示するコマンドに対応するキーワード「キャンセル」と一致している。このように選択肢の内容とコマンドを表すキーワードとが一致または類似している場合、ユーザがいずれを回答したのか判断が難しい。（Ａ）このような場合、音声対話装置１は、「選択肢１の『キャンセル』」か、「回答をキャンセルする」（音声コマンドが指定された）か、ユーザがいずれを意図したのかを質問する。

（Ｂ）ユーザが「終了します」「コマンドのキャンセル」または「回答をキャンセルする」等と回答すれば、音声対話装置１は、質問を中止するコマンドの「キャンセル」が指定されたと特定することができる。

（ユーザの回答が選択肢にも順番にもコマンドにも対応しない場合）
図９は、音声対話装置１とユーザとの対話例を示す図である。音声対話装置１は、ユーザの回答「よん」が選択肢群のいずれかに対応するかを判定する。ここでは、ユーザの回答「よん」は、選択肢群のいずれの選択肢にも対応しない。ユーザの回答「よん」は「４番目」と解釈することができるが、提示した選択肢は１〜３番目までであり、未読の選択肢をユーザが順番で指定することは考えにくい。また、ユーザの回答「よん」はコマンドを意味するいずれのキーワードにも対応しない。

この場合、音声対話装置１は、ユーザの回答「よん」に対応する選択肢は存在しないことをユーザに通知する。その上で、音声対話装置１は、他の選択肢または直前に読み上げた選択肢を改めて音声出力する。

図１０は、音声対話装置１とユーザとの対話例を示す図である。音声対話装置１は、ユーザの回答「内閣総理大臣」が選択肢群のいずれかに対応するかを判定するここでは、ユーザの回答「内閣総理大臣」は、選択肢群のいずれの選択肢にも対応しない。また、ユーザの回答「内閣総理大臣」は、順番にも対応しない。また、ユーザの回答「内閣総理大臣」は、コマンドを意味するいずれのキーワードにも対応しない。

この場合、音声対話装置１は、ユーザの回答「内閣総理大臣」に対応する選択肢は存在しないことをユーザに通知する。その上で、音声対話装置１は、他の選択肢または直前に読み上げた選択肢を改めて音声出力する。

〔変形例〕
上述したように、音声入力部３、音声出力部４、音声認識部１１、回答解釈部１２、発話内容生成部１３および記憶部５のそれぞれは、互いに通信を行う異なる複数の装置に搭載されていてもよい。例えば、電話の自動音声応答装置は、実際に音の入出力を行うのはユーザ側の電話機であり、自動音声応答装置は、電話機と電話回線で接続される。本発明の一態様に係る自動音声応答装置は、ユーザの電話機に対して、発話内容および回答に関する音声信号を送受信する。音声入力部３および音声出力部４は、外部に対して音声信号を入出力するものであってもよい。

また、本発明の一態様に係る音声対話装置は、上記一部の機能ブロックを、通信で接続された別の外部装置で実現し、外部装置の出力を受信するシステムであってもよい。

上述の説明では、発話内容生成部１３が１つの発話内容に含める選択肢の個数は所定値であるとしたが、発話内容生成部１３は、発話内容に含める選択肢の言葉の長さに応じて、１つの発話内容に含める選択肢の個数を変更してもよい。例えば、発話内容に含まれる選択肢の言葉の長さが長い場合、通常の３個ではなく、１つの発話内容に含める選択肢の個数を２個に減らしてもよい。例えば、発話内容生成部１３は、一度に提示する選択肢の言葉の長さが所定の長さ以下に収まるように、１つの上記発話内容に含まれる選択肢の数を変更することができる。これにより、ユーザが長い選択肢の内容を多数覚えなければならない状況を改善することができる。

〔ソフトウェアによる実現例〕
音声対話装置１の制御ブロック（特に音声入力部３、音声出力部４、音声認識部１１、回答解釈部１２、発話内容生成部１３）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ＣＰＵ（Central Processing Unit）を用いてソフトウェアによって実現してもよい。

後者の場合、音声対話装置１は、各機能を実現するソフトウェアであるプログラムの命令を実行するＣＰＵ、上記プログラムおよび各種データがコンピュータ（またはＣＰＵ）で読み取り可能に記録されたＲＯＭ（Read Only Memory）または記憶装置（これらを「記録媒体」と称する）、上記プログラムを展開するＲＡＭ（Random Access Memory）などを備えている。そして、コンピュータ（またはＣＰＵ）が上記プログラムを上記記録媒体から読み取って実行することにより、本発明の目的が達成される。上記記録媒体としては、「一時的でない有形の媒体」、例えば、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本発明は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。

〔まとめ〕
本発明の態様１に係る音声対話装置（１）は、質問に対してユーザに選択させる複数の選択肢を含む選択肢群のうち、一部の選択肢を発話内容に含ませ、さらに上記選択肢群のうちの残りの選択肢の個数を上記発話内容に含ませる発話内容生成手段（発話内容生成部１３）と、音声によるユーザの回答から、いずれの選択肢が選択されたのかを判定する回答判定手段（回答解釈部１２）とを備える。

上記の構成によれば、音声対話装置は、一度にユーザに音声で提示する選択肢の個数を制限する。さらに、音声対話装置は、提示した選択肢以外の、残りの選択肢の個数を併せてユーザに音声で提示することができる。そのため、ユーザは、回答すべき内容を知覚しやすくなる。例えば、残り個数が少なければ、ユーザは提示された一部の選択肢をより慎重に考慮しようと判断することができる。残り個数が多ければ、残りの選択肢の方に回答すべき選択肢がある可能性も高いので、ユーザは提示された一部の選択肢を忘れてもよいと判断することもできる。それゆえ、より自然な音声対話での入力を実現することができる。

本発明の態様２に係る音声対話装置では、上記態様１において、上記回答判定手段は、ユーザの回答が既に提示された選択肢を示す場合だけでなく未だ提示されていない選択肢を示す場合であっても、該ユーザの回答は未だ提示されていない上記選択肢を指定する回答であると判定する構成であってもよい。

上記の構成によれば、提示されていない選択肢が予想できる場合、ユーザは、選択肢の提示を待たずに回答を行うことができる。そのため、より円滑な対話を行うことができる。

本発明の態様３に係る音声対話装置では、上記態様１または２において、上記回答判定手段は、ユーザの回答が順番を示す言葉である場合、該ユーザの回答は該順番の選択肢を指定する回答であると判定する構成であってもよい。

上記の構成によれば、ユーザはより多くの回答方法で回答を行うことができる。例えばユーザは、複雑な選択肢の内容を正確に覚えることなく、選択肢の順番を回答することができる。

本発明の態様４に係る音声対話装置では、上記態様３において、ユーザの回答が順番および選択肢の内容の両方を示す言葉である場合、上記発話内容生成手段は、ユーザの回答が上記順番を示していたのか、上記選択肢の内容を示していたのかを問い合わせる発話内容を生成する構成であってもよい。

上記の構成によれば、ユーザの回答が順番を示すのか、選択肢の内容を示すのか紛らわしい場合に、ユーザの意図を確認することができる。

本発明の態様５に係る音声対話装置では、上記態様３において、上記回答判定手段は、所定のキーワードを示すユーザの回答を、所定のコマンドを指定する回答であると判定し、上記発話内容生成手段は、上記所定のコマンドに対応した所定の処理を行い、ユーザの回答が選択肢の内容および上記所定のコマンドの両方を示しうる言葉である場合、上記発話内容生成手段は、ユーザの回答が上記所定のコマンドを示していたのか、上記選択肢の内容を示していたのかを質問する発話内容を生成する構成であってもよい。

上記の構成によれば、ユーザの回答がコマンドを示すのか、選択肢の内容を示すのか紛らわしい場合に、ユーザの意図を確認することができる。質問中であっても、ユーザは音声によって所定のコマンドを発話内容生成手段に実行させることができる。

本発明の態様６に係る音声対話装置では、上記態様５において、上記発話内容生成手段は、上記所定のコマンドに応じて、ユーザへの質問を中止する、または、残りの選択肢のうちの一部の選択肢を次の発話内容に含ませる構成であってもよい。

本発明の態様７に係る音声対話装置では、上記態様１から６において、上記発話内容生成手段は、一度に提示する選択肢の言葉の長さが所定の長さ以下に収まるように、１つの上記発話内容に含まれる選択肢の数を変更する構成であってもよい。

上記の構成によれば、ユーザが長い選択肢の内容を多数覚えなければならない状況を改善することができる。

本発明の各態様に係る音声対話装置は、コンピュータによって実現してもよく、この場合には、コンピュータを上記音声対話装置が備える各手段として動作させることにより上記音声対話装置をコンピュータにて実現させる音声対話装置の制御プログラム、およびそれを記録したコンピュータ読み取り可能な記録媒体も、本発明の範疇に入る。

本発明の態様８に係る音声対話装置の制御方法は、音声出力される発話内容を自動で生成する発話内容生成ステップであって、質問に対してユーザに選択させる複数の選択肢を含む選択肢群のうち、一部の選択肢を上記発話内容に含ませ、さらに上記選択肢群のうちの残りの選択肢の個数を上記発話内容に含ませる発話内容生成ステップと、音声によるユーザの回答から、いずれの選択肢が選択されたのかを判定する回答判定ステップとを含む。

本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。さらに、各実施形態にそれぞれ開示された技術的手段を組み合わせることにより、新しい技術的特徴を形成することができる。

本発明は、音声対話装置に利用することができる。

１ 音声対話装置
２ 制御部
３ 音声入力部
４ 音声出力部
５ 記憶部
１１ 音声認識部
１２ 回答解釈部（回答判定手段）
１３ 発話内容生成部（発話内容生成手段）

Claims (10)

1. 質問に対してユーザに選択させる複数の選択肢を含む選択肢群のうち、一部の選択肢を発話内容に含ませ、さらに上記選択肢群のうちの残りの選択肢の個数を上記発話内容に含ませる発話内容生成手段と、
   音声によるユーザの回答から、いずれの選択肢が選択されたのかを判定する回答判定手段とを備え、
   上記回答判定手段は、所定のキーワードを示すユーザの回答を、所定のコマンドを指定する回答であると判定し、
   上記発話内容生成手段は、上記所定のコマンドに対応した所定の処理を行い、
   ユーザの回答が選択肢の内容および上記所定のコマンドの両方を示しうる言葉である場合、上記発話内容生成手段は、ユーザの回答が上記所定のコマンドを示していたのか、上記選択肢の内容を示していたのかを質問する発話内容を生成することを特徴とする音声対話装置。
2. 質問に対してユーザに選択させる複数の選択肢を含む選択肢群のうち、一部の選択肢を発話内容に含ませ、さらに上記選択肢群のうちの残りの選択肢の個数を上記発話内容に含ませる発話内容生成手段と、
   音声によるユーザの回答から、いずれの選択肢が選択されたのかを判定する回答判定手段とを備え、
   上記回答判定手段は、ユーザの回答が既に提示された選択肢を示す場合だけでなく未だ提示されていない選択肢を示す場合であっても、該ユーザの回答は未だ提示されていない上記選択肢を指定する回答であると判定することを特徴とする音声対話装置。
3. 上記回答判定手段は、ユーザの回答が順番を示す言葉である場合、該ユーザの回答は該順番の選択肢を指定する回答であると判定することを特徴とする請求項１または２に記載の音声対話装置。
4. ユーザの回答が順番および選択肢の内容の両方を示す言葉である場合、上記発話内容生成手段は、ユーザの回答が上記順番を示していたのか、上記選択肢の内容を示していたのかを問い合わせる発話内容を生成することを特徴とする請求項３に記載の音声対話装置。
5. 上記発話内容生成手段は、上記所定のコマンドに応じて、ユーザへの質問を中止する、または、残りの選択肢のうちの一部の選択肢を次の発話内容に含ませることを特徴とする請求項１に記載の音声対話装置。
6. 上記発話内容生成手段は、一度に提示する選択肢の言葉の長さが所定の長さ以下に収まるように、１つの上記発話内容に含まれる選択肢の数を変更することを特徴とする請求項１から５のいずれか一項に記載の音声対話装置。
7. 請求項１から６のいずれか一項に記載の音声対話装置としてコンピュータを機能させるための制御プログラムであって、コンピュータを上記各手段として機能させるための制御プログラム。
8. 音声出力される発話内容を自動で生成する発話内容生成ステップであって、質問に対してユーザに選択させる複数の選択肢を含む選択肢群のうち、一部の選択肢を上記発話内容に含ませ、さらに上記選択肢群のうちの残りの選択肢の個数を上記発話内容に含ませる発話内容生成ステップと、
   音声によるユーザの回答から、いずれの選択肢が選択されたのかを判定する回答判定ステップとを含み、
   上記回答判定ステップにおいて、所定のキーワードを示すユーザの回答を、所定のコマンドを指定する回答であると判定し、
   上記所定のコマンドに対応した所定の処理を行う、処理ステップをさらに含み、
   ユーザの回答が選択肢の内容および上記所定のコマンドの両方を示しうる言葉である場合、上記処理ステップにおいて、ユーザの回答が上記所定のコマンドを示していたのか、上記選択肢の内容を示していたのかを質問する発話内容を生成することを特徴とする音声対話装置の制御方法。
9. 上記処理ステップにおいて、上記所定のコマンドに応じて、ユーザへの質問を中止する、または、残りの選択肢のうちの一部の選択肢を次の発話内容に含ませることを特徴とする請求項８に記載の音声対話装置の制御方法。
10. 音声出力される発話内容を自動で生成する発話内容生成ステップであって、質問に対してユーザに選択させる複数の選択肢を含む選択肢群のうち、一部の選択肢を上記発話内容に含ませ、さらに上記選択肢群のうちの残りの選択肢の個数を上記発話内容に含ませる発話内容生成ステップと、
    音声によるユーザの回答から、いずれの選択肢が選択されたのかを判定する回答判定ステップとを含み、
    上記回答判定ステップにおいて、ユーザの回答が既に提示された選択肢を示す場合だけでなく未だ提示されていない選択肢を示す場合であっても、該ユーザの回答は未だ提示されていない上記選択肢を指定する回答であると判定することを特徴とする音声対話装置の制御方法。
    

Images