JP6731894B2 - デバイス制御方法及び電子機器 - Google Patents

Description

以下の説明は、ユーザの発話位置によるデバイス制御に関する技術であって、より詳細には、音声入力に該当する命令語からユーザの発話位置を追加的で判断してデバイス動作やコンテンツ提供を制御するデバイス制御方法およびシステム、コンピュータと結合してデバイス制御方法をコンピュータに実行させるためにコンピュータで読み取り可能な記録媒体に格納されたコンピュータプログラムとその記録媒体等に関する。

ホームネットワークサービスの人工知能スピーカのように音声を基盤として動作するインタフェースは、マイク（ｍｉｃｒｏｐｈｏｎｅ）を通じてユーザの音声入力を受信し、受信した音声入力に基づいてデバイス動作やコンテンツ提供を制御することができる。

例えば、特許文献１（公開日２０１１年１２月３０日）は、ホームメディアデバイスおよびこれを利用したホームネットワークシステムと方法に関する技術であって、ホームネットワークサービスにおいて移動通信網の他にＷｉ−Ｆｉ（ワイファイ）のような第２通信網を利用してホームネットワークサービスを提供することが可能であり、ホーム内の複数のマルチメディア機器をユーザのボタン操作がなくても音声命令にしたがって多重制御することができる技術を開示している。

このような従来技術では、制御対象デバイスが複数ある場合、予め登録されたデバイス名称を用いた発話によってデバイス制御が可能となる。しかし、同じ役割をするデバイスが複数ある場合には、それぞれのデバイス名称を区分して登録し、更に、登録されたものをユーザがすべて記憶しなければならないという困難がある。主に音声を基盤として動作し、視覚情報は使用しないため、複数のオプションからの選択が必要な場合には、具体的な要求事項や命令形態などを言葉で構造化して表現しなければならないという問題がある。

韓国公開特許第１０−２０１１−０１３９７９７号公報

口語体形態で容易に表現可能な発話形態（例えば、くだけた会話口調）を把握し、ユーザの意図に合ったデバイスを制御することができるデバイス制御方法およびシステム、コンピュータと結合してデバイス制御方法をコンピュータに実行させるためにコンピュータで読み取り可能な記録媒体に格納されたコンピュータプログラムとその記録媒体を提供する。

会話の脈絡を把握し、ユーザの意図に合ったデバイスを制御することができるデバイス制御方法およびシステム、コンピュータと結合してデバイス制御方法をコンピュータに実行させるためにコンピュータで読み取り可能な記録媒体に格納されたコンピュータプログラムとその記録媒体を提供する。

デバイス使用パターンおよび履歴に基づき、ユーザ意図に合ったデバイスを制御することができるデバイス制御方法およびシステム、コンピュータと結合してデバイス制御方法をコンピュータに実行させるためにコンピュータで読み取り可能な記録媒体に格納されたコンピュータプログラムとその記録媒体を提供する。

音声基盤インタフェースを含む電子機器のデバイス制御方法であって、前記音声基盤インタフェースを通じてユーザの音声入力による命令語を受信する段階、前記命令語の分析の結果、位置情報が必要な場合、前記音声入力と関連する位置情報を取得する段階、および前記位置情報を利用して、前記電子機器が制御することが可能なデバイスのうちから制御対象デバイスを特定し、前記命令語に対応する動作を制御対象デバイスに実行させる段階を含む、デバイス制御方法を提供する。

コンピュータと結合して前記デバイス制御方法をコンピュータに実行させるためにコンピュータで読み取り可能な記録媒体に格納された、コンピュータプログラムを提供する。

前記デバイス制御方法をコンピュータに実行させるためのプログラムが記録されている、コンピュータで読み取り可能な記録媒体を提供する。

電子機器であって、音声基盤インタフェース、およびコンピュータで読み取り可能な命令を実行するように実現される少なくとも１つのプロセッサを含み、前記少なくとも１つのプロセッサは、前記音声基盤インタフェースを通じてユーザの音声入力による命令語を受信し、前記命令語の分析の結果、位置情報が必要な場合、前記音声入力と関連する位置情報を取得し、前記位置情報を利用して、前記電子機器が制御することが可能なデバイスのうちから制御対象デバイスを特定し、前記命令語に対応する動作を制御対象デバイスに実行させる、電子機器を提供する。

音声入力に該当する命令語にしたがってユーザの発話位置を追加的に判断し、命令語に適合するデバイスを選択することができる。

命令語に指示代名詞などが含まれる場合、ユーザの位置に基づき、ユーザの意図に合ったデバイスを推定することができる。

会話脈絡からユーザの位置を推定し、ユーザの意図に合ったデバイスを推定することができる。

デバイス使用パターンおよび履歴に基づき、ユーザの意図に合ったデバイスを推定することができる。

本発明の一実施形態における、音声基盤インタフェースを活用したサービス環境の例を示した図である。 本発明の一実施形態における、音声基盤インタフェースを活用したサービス環境の他の例を示した図である。 本発明の一実施形態における、クラウド人工知能プラットフォームの例を示した図である。 本発明の一実施形態における、電子機器およびサーバの内部構成を説明するためのブロック図である。 本発明の一実施形態における、デバイス制御方法の例を示したフローチャートである。 本発明の一実施形態における、指示代名詞が含まれた音声入力にしたがって制御対象デバイスを決定する例を示した図である。 本発明の一実施形態における、指示代名詞が含まれた音声入力にしたがって制御対象デバイスを決定する例を示した図である。 本発明の一実施形態における、位置や指示対象が省略された音声入力にしたがって制御対象デバイスを決定する例を示した図である。 本発明の一実施形態における、位置や指示対象が省略された音声入力にしたがって制御対象デバイスを決定する例を示した図である。 本発明の一実施形態における、ユーザ行動パターン学習に基づいて制御対象デバイスを決定する例を示した図である。

以下、実施形態について、添付の図面を参照しながら詳しく説明する。

本発明の実施形態に係るデバイス制御システムは、音声を基盤として動作するインタフェースを提供する電子機器によって実現されてよい。電子機器は、発話者の音声入力による命令語から発話者の位置を追加的に判断してデバイス動作やコンテンツ提供を制御してよい。ここで、電子機器は、命令語に指示代名詞が含まれるか、命令語が不完全な文章で構成される場合、ユーザの位置に基づいてユーザの意図に合ったデバイスを推定してよい。さらに、電子機器は、発話者の音声入力による会話脈絡を把握するか、デバイス使用パターンやデバイス制御履歴を把握することで、ユーザ意図に合ったデバイスを推定してよい。

本発明の実施形態に係るデバイス制御方法は、上述した電子機器で実行されてよい。ここで、電子機器には、本発明の一実施形態に係るコンピュータプログラムがインストールおよび駆動されてよく、電子機器は、駆動するコンピュータプログラムの制御にしたがって本発明の一実施形態に係るデバイス制御方法を実行してよい。上述したコンピュータプログラムは、コンピュータによって実現される電子機器と結合してデバイス制御方法をコンピュータに実行させるためにコンピュータで読み取り可能な記録媒体に格納されてよい。

図１は、本発明の一実施形態における、音声基盤インタフェースを活用したサービス環境の例を示した図である。図１の実施形態では、スマートホーム（ｓｍａｒｔ ｈｏｍｅ）やホームネットワークサービスのように宅内のデバイスを連結して制御する技術において、音声を基盤として動作するインタフェースを提供する電子機器１００がユーザ１１０の発話「電気を消して」という音声入力を受信して認識および分析し、宅内で電子機器１００と内部ネットワークを介して連携する宅内照明機器１２０のライト電源を制御する例を示している。

例えば、宅内のデバイスは、上述した宅内照明機器１２０の他にも、テレビ、ＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）、周辺機器、エアコン、冷蔵庫、ロボット掃除機などのような家電製品はもちろん、水道、電気、冷暖房機器などのようなエネルギー消費装置、ドアロックや監視カメラなどのような保安機器など、オンライン上で連結して制御されることができる多様なデバイスを含んでよい。また、内部ネットワークは、イーサネット（登録商標（Ｅｔｈｅｒｎｅｔ））、ＨｏｍｅＰＮＡ、ＩＥＥＥ １３９４のような有線ネットワーク技術や、ブルートゥース（登録商標（Ｂｌｕｅｔｏｏｔｈ））、ＵＷＢ（Ｕｌｔｒａ Ｗｉｄｅ Ｂａｎｄ）、ジグビー（ＺｉｇＢｅｅ）、Ｗｉｒｅｌｅｓｓ １３９４、Ｈｏｍｅ ＲＦのような無線ネットワーク技術などが活用されてよい。

電子機器１００は、宅内のデバイスのうちの１つであってよい。例えば、電子機器１００は、宅内に備えらえた人工知能スピーカやロボット清掃機などのようなデバイスの１つであってよい。また、電子機器１００は、スマートフォン（ｓｍａｒｔ ｐｈｏｎｅ）、携帯電話、ノート型パンコン、デジタル放送用端末、ＰＤＡ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔｓ）、ＰＭＰ（Ｐｏｒｔａｂｌｅ Ｍｕｌｔｉｍｅｄｉａ Ｐｌａｙｅｒ）、タブレットなどのようなユーザ１１０のモバイル機器であってもよい。このように、電子機器１００は、ユーザ１１０の音声入力を受信して宅内のデバイスを制御するために宅内のデバイスと連結可能な機能を含む機器であれば、特に制限されることはない。また、実施形態によっては、上述したユーザ１１０のモバイル機器が宅内のデバイスとして含まれてもよい。

図２は、本発明の一実施形態における、音声基盤インタフェースを活用したサービス環境の他の例を示した図である。図２は、音声を基盤として動作するインタフェースを提供する電子機器１００がユーザ１１０の発話「今日の天気」という音声入力を受信して認識および分析し、外部ネットワークを介して外部サーバ２１０から今日の天気に関する情報を取得し、取得した情報を「今日の天気は・・・」のように音声で出力する例を示している。

例えば、外部ネットワークは、ＰＡＮ（ｐｅｒｓｏｎａｌ ａｒｅａ ｎｅｔｗｏｒｋ）、ＬＡＮ（ｌｏｃａｌ ａｒｅａ ｎｅｔｗｏｒｋ）、ＣＡＮ（ｃａｍｐｕｓ ａｒｅａ ｎｅｔｗｏｒｋ）、ＭＡＮ（ｍｅｔｒｏｐｏｌｉｔａｎ ａｒｅａ ｎｅｔｗｏｒｋ）、ＷＡＮ（ｗｉｄｅ ａｒｅａ ｎｅｔｗｏｒｋ）、ＢＢＮ（ｂｒｏａｄｂａｎｄ ｎｅｔｗｏｒｋ）、インターネットなどのネットワークうちの１つ以上の任意のネットワークを含んでよい。

図２の実施形態でも、電子機器１００は、宅内のデバイスの１つであるか、ユーザ１１０のモバイル機器の１つであってよく、ユーザ１１０の音声入力を受信して処理するための機能と、外部ネットワークを介して外部サーバ２１０に接続して外部サーバ２１０が提供するサービスやコンテンツをユーザ１１０に提供するための機能を含む機器であれば、特に制限されることはない。

このように、本発明の実施形態に係る電子機器１００は、音声基盤インタフェースを通じてユーザ１１０の発話によって受信する音声入力を少なくとも含むユーザ命令を処理することができる機器であれば、特に制限されることはない。例えば、電子機器１００は、ユーザの音声入力を直接に認識および分析して音声入力に適した動作を実行することによってユーザ命令を処理してもよいが、実施形態によっては、ユーザの音声入力に対する認識や認識された音声入力の分析、ユーザに提供される音声の合成などの処理を、電子機器１００と連係する外部のプラットフォームで実行することも可能である。

図３は、本発明の一実施形態における、クラウド人工知能プラットフォームの例を示した図である。図３は、電子機器３１０、クラウド人工知能プラットフォーム３２０、およびコンテンツ・サービス３３０を示している。

一例として、電子機器３１０は、宅内に備えられるデバイスを意味してよく、少なくとも上述した電子機器１００を含んでよい。このような電子機器３１０や電子機器３１０にインストールおよび駆動されるアプリケーション（以下、アプリ）は、インタフェースコネクト３４０を通じてクラウド人工知能プラットフォーム３２０と連係してよい。ここで、インタフェースコネクト３４０は、電子機器３１０や電子機器３１０にインストールおよび駆動されるアプリの開発のためのＳＤＫ（Ｓｏｆｔｗａｒｅ Ｄｅｖｅｌｏｐｍｅｎｔ Ｋｉｔ）および／または開発文書を開発者に提供してよい。また、インタフェースコネクト３４０は、電子機器３１０や電子機器３１０にインストールおよび駆動されるアプリがクラウド人工知能プラットフォーム３２０の提供する機能を活用することができるＡＰＩ（Ａｐｐｌｉｃａｔｉｏｎ Ｐｒｏｇｒａｍ Ｉｎｔｅｒｆａｃｅ）を提供してよい。具体的な例として、開発者は、インタフェースコネクト３４０が提供するＳＤＫ（Ｓｏｆｔｗａｒｅ Ｄｅｖｅｌｏｐｍｅｎｔ Ｋｉｔ）および／または開発文書を利用して開発した機器やアプリは、インタフェースコネクト３４０が提供するＡＰＩを利用してクラウド人工知能プラットフォーム３２０が提供する機能を活用できるようになる。

ここで、クラウド人工知能プラットフォーム３２０は、音声基盤のサービスを提供するための機能を提供してよい。例えば、クラウド人工知能プラットフォーム３２０は、受信した音声を認識し、出力する音声を合成するための音声処理モジュール３２１、受信した映像や動画を分析して処理するためのビジョン処理モジュール３２２、受信した音声にしたがって適合する音声を出力するために適切な会話を決定するための会話処理モジュール３２３、受信した音声に適した機能を勧めるための推薦モジュール３２４、人工知能がデータ学習に基づいて文章単位で言語を翻訳するように支援する人工神経網基盤機械翻訳（Ｎｅｕｒａｌ Ｍａｃｈｉｎｅ Ｔｒａｎｓｌａｔｉｏｎ：ＮＭＴ）３２５などのように、音声基盤サービスを提供するための多様なモジュールを含んでよい。

例えば、図１および図２の実施形態において、電子機器１００は、ユーザ１１０の音声入力を、インタフェースコネクト３４０から提供されるＡＰＩを利用してクラウド人工知能プラットフォーム３２０に送信してよい。この場合、クラウド人工知能プラットフォーム３２０は、受信した音声入力を上述したモジュール３２１〜３２５を活用して認識および分析してよく、受信した音声入力にしたがって適切な返答音声を合成して提供したり、適切な動作を勧めたりしてよい。

また、拡張キット３５０は、第三者のコンテンツ開発者または会社がクラウド人工知能プラットフォーム３２０を基盤として新たな音声基盤機能を実現することができる開発キットを提供してよい。例えば、図２の実施形態において、電子機器１００は、受信したユーザ１１０の音声入力を外部サーバ２１０に送信してよく、外部サーバ２１０は、拡張キット３５０から提供されるＡＰＩを通じてクラウド人工知能プラットフォーム３２０に音声入力を送信してよい。この場合、上述した説明と同じように、クラウド人工知能プラットフォーム３２０は、受信した音声入力を認識および分析して適切な返答音声を合成して提供したり、音声入力にしたがって処理されるべき機能に関する推薦情報を外部サーバ２１０に提供したりしてよい。一例として、図２において、外部サーバ２１０は、音声入力「今日の天気」をクラウド人工知能プラットフォーム３２０に送信してよく、クラウド人工知能プラットフォーム３２０から、音声入力「今日の天気」の認識によって抽出されるキーワード「今日の」および「天気」を受信してよい。この場合、外部サーバ２１０は、キーワード「今日の」および「天気」に基づいて「今日の天気は・・・」のようなテキスト情報を生成し、再びクラウド人工知能プラットフォーム３２０に生成されたテキスト情報を送信してよい。ここで、クラウド人工知能プラットフォーム３２０は、テキスト情報を音声で合成して外部サーバ２１０に提供してよい。外部サーバ２１０は、合成された音声を電子機器１００に送信してよく、電子機器１００は、合成された音声「今日の天気は・・・」をスピーカから出力することにより、ユーザ１１０から受信した音声入力「今日の天気」が処理されてよい。

このとき、電子機器１００は、音声入力に対応するデバイス動作やコンテンツ提供のために、本発明の実施形態に係るデバイス制御方法を実行してよい。

図４は、本発明の一実施形態における、電子機器およびサーバの内部構成を説明するためのブロック図である。図４の電子機器４１０は、上述した電子機器１００に対応してよく、サーバ４２０は、上述した外部サーバ２１０やクラウド人工知能プラットフォーム３２０を実現する１つのコンピュータ装置に対応してよい。

電子機器４１０とサーバ４２０は、メモリ４１１、４２１、プロセッサ４１２、４２２、通信モジュール４１３、４２３、および入力／出力インタフェース４１４、４２４を含んでよい。メモリ４１１、４２１は、コンピュータで読み取り可能な記録媒体であって、ＲＡＭ（ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）、ＲＯＭ（ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ）、およびディスクドライブのような永久大容量記憶装置（ｐｅｒｍａｎｅｎｔ ｍａｓｓ ｓｔｏｒａｇｅ ｄｅｖｉｃｅ）を含んでよい。ここで、ＲＯＭとディスクドライブのような永久大容量記憶装置は、メモリ４１１、４２１とは区分される別の永久格納装置として電子機器４１０やサーバ４２０に含まれてもよい。また、メモリ４１１、４２１には、オペレーティングシステム（ＯＳ）と、少なくとも１つのプログラムコード（一例として、電気機器４１０にインストールされて特定のサービスの提供のために電子機器４１０で駆動するアプリケーションなどのためのコード）が格納されてよい。このようなソフトウェア構成要素は、メモリ４１１、４２１とは別のコンピュータで読み取り可能な記録媒体からロードされてよい。このような別のコンピュータで読み取り可能な記録媒体は、フロッピー（登録商標）ドライブ、ディスク、テープ、ＤＶＤ／ＣＤ−ＲＯＭドライブ、メモリカードなどのコンピュータで読み取り可能な記録媒体を含んでよい。他の実施形態において、ソフトウェア構成要素は、コンピュータで読み取り可能な記録媒体ではない通信モジュール４１３、４２３を通じてメモリ４１１、４２１にロードされてもよい。例えば、少なくとも１つのプログラムは、開発者またはアプリケーションのインストールファイルを配布するファイル配布システムがネットワーク４３０を介して提供するファイルによってインストールされるプログラム（一例として、上述したアプリケーション）に基づいて電子機器４１０のメモリ４１１にロードされてよい。

プロセッサ４１２、４２２は、基本的な算術、ロジック、および入出力演算を実行することにより、コンピュータプログラムの命令を処理するように構成されてよい。命令は、メモリ４１１、４２１または通信モジュール４１３、４２３によって、プロセッサ４１２、４２２に提供されてよい。例えば、プロセッサ４１２、４２２は、メモリ４１１、４２１のような記録装置に格納されたプログラムコードにしたがって受信される命令を実行するように構成されてよい。

通信モジュール４１３、４２３は、ネットワーク４３０を介して電子機器４１０とサーバ４２０が互いに通信するための機能を提供してもよく、電子機器４１０および／またはサーバ４２０が他の電子機器または他のサーバと通信するための機能を提供してもよい。一例として、電子機器４１０のプロセッサ４１２がメモリ４１１のような記録装置に格納されたプログラムコードにしたがって生成した要求が、通信モジュール２１３の制御にしたがってネットワーク４３０を介してサーバ４２０に伝達されてよい。これとは逆に、サーバ４２０のプロセッサ４２２の制御にしたがって提供される制御信号や命令、コンテンツ、ファイルなどが、通信モジュール２２３とネットワーク４３０を経て電子機器４１０の通信モジュール２１３を通じて電子機器４１０に受信されてもよい。例えば、通信モジュール２１３を通じて受信したサーバ４２０の制御信号や命令、コンテンツ、ファイルなどは、プロセッサ４１２やメモリ４１１に伝達されてよく、コンテンツやファイルなどは、電子機器４１０がさらに含むことのできる格納媒体（上述した永久格納装置）に格納されてよい。

入力／出力インタフェース４１４は、入力／出力装置４１５とのインタフェースのための手段であってよい。例えば、入力装置は、マイク、キーボード、またはマウスなどの装置を、出力装置は、ディスプレイやスピーカのような装置を含んでよい。他の例として、入力／出力インタフェース４１４は、タッチスクリーンのように入力と出力のための機能が１つに統合された装置とのインタフェースのための手段であってもよい。入力／出力装置４１５は、電子機器４１０と１つの装置で構成されてもよい。また、サーバ４２０の入力／出力インタフェース４２４は、サーバ４２０と連結するかサーバ４２０が含むことのできる入力または出力のための装置（図示せず）とのインタフェースのための手段であってよい。

また、他の実施形態において、電子機器４１０およびサーバ４２０は、図４の構成要素よりも多くの構成要素を含んでもよい。しかし、大部分の従来技術的構成要素を明確に図に示す必要はない。例えば、電子機器４１０は、上述した入力／出力装置４１５のうちの少なくとも一部を含むように実現されてもよいし、トランシーバ、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）モジュール、カメラ、各種センサ、データベースなどのような他の構成要素をさらに含んでもよい。より具体的な例として、電子機器４１０がスマートフォンである場合、一般的にスマートフォンが含んでいる加速度センサやジャイロセンサ、カメラモジュール、物理的な各種ボタン、タッチパネルを利用したボタン、入力／出力ポート、振動のための振動器などの多様な構成要素が電子機器４１０にさらに含まれるように実現されてよい。

本実施形態において、電子機器４１０は、ユーザの音声入力を受信するためのマイクを入力／出力装置４１５として基本的に含んでよく、ユーザの音声入力に対応する返答音声やオーディオコンテンツのような音を出力するためのスピーカを入力／出力装置４１５としてさらに含んでよい。

図５は、本発明の一実施形態における、デバイス制御方法の例を示したフローチャートである。本発明の実施形態に係るデバイス制御方法は、上述した電子機器４１０のようなコンピュータ装置によって実行されてよい。このとき、電子機器４１０のプロセッサ４１２は、メモリ４１１が含むオペレーティングシステムのコードや少なくとも１つのプログラムのコードによる制御命令（ｉｎｓｔｒｕｃｔｉｏｎ）を実行するように実現されてよい。ここで、プロセッサ４１２は、電子機器４１０に格納されたコードが提供する制御命令にしたがい、電子機器４１０が図５のデバイス制御方法に含まれる段階５１０〜５４０を実行するように電子機器４１０を制御してよい。

段階５１０で、電子機器４１０は、音声基盤インタフェースを通じて発話者から音声入力による命令語を受信してよい。例えば、電子機器４１０は、電子機器４１０が含むマイクまたは電子機器４１０と連動するマイクのような音声入力装置を通じてユーザの発話による音声入力を受信してよい。発話者の音声入力を受信する技術は、音声認識に関する周知の技術から当業者が容易に理解できるであろう。

段階５２０で、電子機器４１０は、発話者の音声入力によって受信した命令語の分析結果、位置判断が必要な場合、音声入力と関連する発話者の位置情報を取得してよい。一例として、電子機器４１０は、命令語に指示代名詞（例えば、ここ、そこ、あそこ、こちら、そちら、あちら、こっち、そっち、あっち、その場所など）が含まれる場合あるいは命令語が場所や指示対象などが省略された不完全文章で構成される場合、位置判断のための追加的な処理が行われてもよい。したがって、電子機器４１０は、音声入力による命令語だけでは制御対象位置や制御対象デバイスの特定が難しい場合には、命令語に基づいて発話者の位置情報を追加的に取得してよい。電子機器４１０は、位置判断に対する推定が必要な場合に音声入力と関連する発話者の位置情報を取得するが、このとき、音声入力と関連する発話者の位置情報は、音声入力の受信と関連する時点または期間に測定される電子機器４１０に対する発話者の相対的な位置や方向、相対的な位置や方向の変化の有無、および相対的な位置や方向の変化方向のうちの少なくとも１つを含んでよい。

例えば、電子機器４１０は、音声基盤インタフェースが含む複数のマイクに入力される音声入力の位相偏移（ｐｈａｓｅ ｓｈｉｆｔ）に基づいて音声入力と関連する位置情報を取得してよい。複数のマイクに入力される同じ音信号の位相偏移を利用して音信号の発生位置を測定する技術は、ビームフォーミング（ｂｅａｍ ｆｏｒｍｉｎｇ）技術のように周知の技術から当業者が簡単に理解できるであろう。この場合、位置情報が発話者の音声入力によって測定されるため、発話者が特定の方向を向いている必要がなく、発話者の発話の認識が可能な距離以内であれば発話者の位置が制限されることもない。また、音声基盤インタフェース以外の別の装置が電子機器４１０に追加される必要はなく、発話者の位置情報を取得することが可能となる。

実施形態によっては、発話者の位置情報を取得するために、電子機器４１０がカメラやセンサのような追加装備を含む場合も考慮できるが、音声基盤インタフェースを通じて測定される発話者の位置情報とカメラやセンサのような追加装備を利用して測定される発話者の位置情報が活用されてもよい。カメラおよび／またはセンサを活用する場合、電子機器４１０は、音声入力が受信する場合のカメラおよび／またはセンサの出力値に基づいて音声入力と関連する位置情報を取得してよい。

一例として、電子機器４１０は、発話者の位置を視覚的に特定するために光学デバイスをポーリングしてよい。カメラのような光学デバイスは、ユーザを識別するための認識ソフトウェア（例えば、顔認識、特徴認識など）を利用してよい。ここで、ポーリングは、光学デバイスで光学情報を取得することに対し、情報を要求するか又は要求せずに情報を受信することを含んでよい。光学デバイスの他にも、発話者の位置を視覚的に特定するために音声デバイスをポーリングすることも可能である。音声ツールは、事前に記録された音声プロファイルに基づいて音声入力による発話者を識別するために使用されてよい。

さらに、電子機器４１０は、発話者の音声入力による会話脈絡やデバイス制御履歴に基づいて音声入力と関連する発話者の位置情報を取得してよい。言い換えれば、電子機器４１０は、発話者の以前会話の脈絡やデバイス制御履歴を把握して発話者の相対的な位置や方向、相対的な位置や方向の変化の有無、および相対的な位置や方向の変化方向のうちの少なくとも１つを含む位置情報を取得してよい。例えば、ここ最近、音声を基盤として動作するインタフェースを通じて料理のレシピに関する質問や料理のためのタイマー設定などの動作履歴があれば、該当の動作を指示した音声入力の会話脈絡やデバイス制御履歴に基づき、発話者の現在位置あるいは最近の位置が「台所」であることを推定してよい。

段階５３０で、電子機器４１０は、発話者の音声入力によって受信した命令語に対し、発話者の位置情報に基づいて制御対象デバイスを特定してよい。電子機器４１０は、音声入力による命令語だけでは制御対象位置や制御対象デバイスの特定が難しい場合には、音声入力と関連する発話者の位置情報を基準として発話者の音声入力に適したデバイスを特定してよい。

一例として、電子機器４１０は、発話者の音声入力によって受信した命令語に指示代名詞が含まれる場合、発話者の位置情報に基づいて制御対象デバイスを特定してよい。例えば、電子機器４１０は、発話者の音声入力に対応する動作が可能なデバイスのうち、発話者から最も近い位置にあるデバイス、あるいは発話者から最も遠い位置にあるデバイス、あるいは発話者の方向に位置するデバイス、あるいは発話者の方向とは反対の場所に位置するデバイスなどを制御対象デバイスとして特定してよい。一例として、発話者の音声入力によって受信した命令語に「ここ」、「こちら」、「こっち」などのような意味の指示代名詞が含まれる場合には、発話者から最も近い位置にあるデバイスまたは発話者の方向に位置するデバイスを制御対象デバイスとして特定してよい。他の例として、発話者の音声入力によって受信した命令語に「あそこ」、「あちら」、「あっち」などのような意味の指示代名詞が含まれる場合には、発話者から最も遠い位置にあるデバイスまたは発話者の方向とは反対の場所に位置するデバイスを制御対象デバイスとして特定してよい。さらに他の例として、発話者の音声入力によって受信した命令語に「そこ」、「その場所」などのような意味の指示代名詞が含まれる場合には、発話者が最近までいた以前の位置にあるデバイスを制御対象デバイスとして特定してよい。

他の例として、電子機器４１０は、発話者の音声入力によって受信した命令語が、場所や指示対象などが省略された不完全文章で構成される場合、発話者の位置情報に基づいて制御対象デバイスを特定してよい。すなわち、電子機器４１０は、会話脈絡から省略された指示対象に対する部分を発話者の位置情報に基づいて推定してよい。このとき、電子機器４１０は、発話者の音声入力による以前会話の脈絡やデバイス制御履歴から推定された発話者の位置情報に基づいて制御対象デバイスを特定してよい。例えば、音声入力「動画をつけて」のように場所や指示対象が省略された命令語の場合には、発話者の音声入力に対応する動作が可能なデバイスのうちから発話者が最近までいた位置にあるデバイスを制御対象デバイスとして特定してよい。

電子機器４１０は、発話者の音声入力によって受信した命令語に対応する１つの制御動作に対する制御対象デバイスとして２つ以上のデバイスが特定された場合、デバイス使用パターンやデバイス制御履歴に基づいて発話者の意図に合ったデバイスを選択してよい。電子機器４１０は、音声入力による命令語だけでは制御対象位置や制御対象デバイスの特定が難しい場合（対象候補が複数存在する場合）、音声入力と関連する発話者の位置情報に基づいて制御対象デバイスを特定する。このとき、複数の制御対象デバイスが特定された場合には、特定されたデバイスのうちからユーザ行動パターン学習に基づいてより適したデバイスを選択してよい。例えば、音声入力「アニメーションキャラクタＡの動画をつけて」のような命令語を受信した場合、該当のコンテンツが主に再生されていることを示すデバイス履歴を把握し、履歴が最も多いデバイスを制御対象デバイスとして選定してよい。

したがって、電子機器４１０は、音声入力による命令語だけでは制御対象デバイスの特定が難しい場合には、音声入力と関連する発話者の位置情報に基づいて発話者の意図に合ったデバイスを推定することができる。さらに、電子機器４１０は、発話者の音声入力による会話脈絡を把握するか、デバイス使用パターンまたはデバイス制御履歴を把握することにより、より適した制御対象デバイスを選択することができる。

段階５４０で、電子機器４１０は、発話者の音声入力によって受信した命令語に対応する動作を制御するために、段階５３０で特定された制御対象デバイスに該当の命令語を伝達してよい。電子機器４１０は、発話者の意図に合った動作が制御対象デバイスで行われるように、発話者の音声入力による命令語を該当のデバイスに伝達してよい。電子機器４１０は、発話者の音声入力による命令語を制御対象デバイスに伝達するに先立ち、制御対象の位置や制御対象デバイスの確認、推薦のための情報を音声で出力してよい。例えば、電子機器４１０は、音声入力「電気を消して」を認識および分析し、位置や対象を特定の情報、例えば「リビングの電気を消しましょうか？」のような確認または推薦音声をスピーカから出力してよく、これにより、音声入力「うん」が受信されることにより、リビングにある照明機器の電源を消すように該当のデバイスに命令を伝達してよい。

したがって、電子機器４１０は、位置や指示対象などが特定されない音声入力に対して発話者の位置を追加的に判断することにより、発話者の意図に合ったデバイス動作やコンテンツ提供を制御することができる。これにより、指示代名詞を利用した発話形態や、位置や指示対象などが省略された発話形態であっても、発話者の位置に基づき、多数のディスプレイや照明、多数のスピーカ、部屋別の温度制御装置など、宅内に存在する同じ機能の複数デバイスに対する選択的な制御が可能となる。

図６〜図７は、本発明の一実施形態における、指示代名詞が含まれた音声入力にしたがって制御対象デバイスを決定する例を示した図である。

図６は、音声基盤インタフェースを含む電子機器４１０がユーザ１１０の発話「ここのＴＶをつけて」を認識および分析し、電子機器４１０と内部ネットワークを介して連動する宅内ＴＶ６１０の電源を制御する（すなわち、電源をＯＮにする）例を示している。ユーザ１１０の音声入力「ここのＴＶをつけて」に指示代名詞「ここ」が含まれているため、位置判断に対する推定が必要となり、これにより、ユーザ１１０の位置情報を追加的に取得し、これに基づいてユーザ１１０が意図する制御対象デバイスを選定してよい。

指示代名詞によって発話者とデバイス間の位置関係が事前に定められてもよく、例えば、「ここ」、「こちら」、「こっち」などのような意味の指示代名詞が含まれる場合には、発話者から最も近い位置にあるデバイスまたは発話者の方向に位置するデバイスを、「あそこ」、「あちら」、「あっち」などのような意味の指示代名詞が含まれる場合には、発話者から最も遠い位置にあるデバイスまたは発話者の方向とは反対の場所に位置するデバイスを、「そこ」、「その場所」などのような意味の指示代名詞が含まれる場合には、発話者が最近までいた以前位置にあるデバイスを、制御対象デバイスとして特定してよい。

電子機器４１０は、電子機器４１０と連動する複数の互いに異なるデバイスの位置を管理してよい。ここで、宅内のデバイスの位置は、多様な方式に設定されてよい。例えば、このような位置は、ユーザ１１０や管理者によって電子機器４１０に入力および設定されてもよいし、電子機器４１０が他の電子機器と通信するために送受信する信号の強度などのように周知の位置測位技術を活用して測定されてもよい。モバイル機器の場合には、位置測位技術を活用してその位置が動的に測定されてよい。このとき、電子機器４１０は、ユーザ１１０の位置と複数の他のデバイスの位置に基づいて測定されるユーザ１１０と複数の他の電子機器間の距離をさらに利用して制御対象デバイスを決定してよい。ここで、ユーザ１１０の位置がユーザ１１０の発話を基盤として測定されることは、上述したとおりである。

例えば、図６に示すように、ユーザ１１０がリビングに立って「ここのＴＶをつけて」を発話した場合、音声入力に指示代名詞「ここ」が含まれることによってユーザ１１０の位置を推定し、宅内の複数のＴＶのうちからユーザ１１０の位置と最も近いリビングにあるＴＶ６１０を制御対象デバイスとして選択してよい。

他の例として、図７は、音声基盤インタフェースを含む電子機器４１０がユーザ１１０の発話「あっちの部屋のエアコンをつけて」を認識および分析し、電子機器４１０と内部ネットワークを介して連動する宅内温度制御装置７１０の電源を制御する例を示している。ユーザ１１０がリビングに立って「あっちの部屋のエアコンをつけて」を発話した場合、音声入力に指示代名詞「あっち」が含まれることによってユーザ１１０の位置を推定し、宅内温度制御装置のうちからユーザ１１０の位置と最も遠い部屋にある温度制御装置７１０を制御対象デバイスとして選択してよい。

図８〜図９は、本発明の一実施形態における、位置や指示対象が省略された音声入力にしたがって制御対象デバイスを決定する例を示した図である。

図８は、音声基盤インタフェースを含む電子機器４１０がユーザ１１０の発話「動画をつけて」を認識および分析し、電子機器４１０と内部ネットワークを介して連動する宅内ディスプレイ８１０を制御する（ＯＮにする、或いは、動画を再生する）例を示している。例えば、ユーザ１１０が音声基盤インタフェースを通じてレシピに関する質問または料理のためのタイマー設定などの動作をした後、所定の時間以内に「動画をつけて」を発話した場合、以前の音声入力の会話脈絡やデバイス制御履歴からユーザ１１０が台所に位置することを推定し、台所付近に設置されたディスプレイ（例えば、ＴＶや冷蔵庫ディスプレイなど）８１０に該当のコンテンツを伝達してよい。あるいは、ユーザ１１０の発話「プルコギのレシピ動画をつけて」に対して発話内容自体の会話脈絡を分析し、ユーザ１１０の位置が台所付近であることを推定することも可能である。

図９を参照すると、ユーザ１１０が音声基盤インタフェースを通じて台所で料理に関する要求をした後、リビングに戻ってきて「そこの電気を消して」を発話した場合、音声入力に指示代名詞「そこ」が含まれることによってユーザ１１０の位置を推定し、宅内照明のうちからユーザ１１０が最近までいた以前位置の照明９１０を制御対象デバイスとして選択してよい。

図１０は、本発明の一実施形態における、ユーザ行動パターン学習に基づいて制御対象デバイスを決定する例を示した図である。

図１０は、音声基盤インタフェースを含む電子機器４１０がユーザ１１０の発話「アニメーションキャラクタＡの動画をつけて」を認識および分析し、電子機器４１０と内部ネットワークを介して連動する宅内ディスプレイ１０１０を制御する例を示している。電子機器４１０は、ユーザ１１０の発話「アニメーションキャラクタＡの動画をつけて」には位置や指示対象などが省略されているため、ユーザ１１０の位置を追加的に判断してよく、ユーザ１１０の位置を基準として制御対象デバイスを選択してよい。例えば、ユーザ１１０が位置するリビングに動画再生が可能なデバイスとしてＴＶ６１０とタブレット１０１０が存在する場合、該当のコンテンツが主に再生されたデバイス履歴を把握し、ＴＶ６１０とタブレット１０１０のうちから該当の履歴が最も多いデバイスを選定してコンテンツ再生を制御してよい。これと同様に、ユーザ１１０の発話「ヒップホップをかけて」に対し、ユーザ１１０の周辺に音声コンテンツ出力が可能なデバイスが複数存在する場合には、該当の音楽ジャンルが主に再生されたデバイス履歴を把握し、該当の履歴が最も多いデバイスを制御対象デバイスとして選定してコンテンツ再生を制御してよい。

以上のように、本発明の実施形態によると、発話者の音声入力による命令語にしたがって発話者の位置を追加的に判断した後、命令語に適したデバイスを選定してデバイス動作やコンテンツ提供を制御することができる。特に、命令語に指示代名詞が含まれるか、命令語から位置や指示対象が省略された不完全文章で構成される場合、ユーザの位置を基盤としてユーザ意図に適したデバイスを推定することができると同時に、発話者の音声入力による会話脈絡を把握するか、デバイス使用パターンやデバイス制御履歴を把握することにより、ユーザの意図に合ったデバイスを推定することができる。

上述したシステムまたは装置は、ハードウェア構成要素、ソフトウェア構成要素、またはハードウェア構成要素とソフトウェア構成要素との組み合わせによって実現されてよい。例えば、実施形態で説明された装置および構成要素は、例えば、プロセッサ、コントローラ、ＡＬＵ（ａｒｉｔｈｍｅｔｉｃ ｌｏｇｉｃ ｕｎｉｔ）、デジタル信号プロセッサ、マイクロコンピュータ、ＦＰＧＡ（ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）、ＰＬＵ（ｐｒｏｇｒａｍｍａｂｌｅ ｌｏｇｉｃ ｕｎｉｔ）、マイクロプロセッサ、または命令を実行して応答することができる様々な装置のように、１つ以上の汎用コンピュータまたは特殊目的コンピュータを利用して実現されてよい。処理装置は、オペレーティングシステム（ＯＳ）および前記ＯＳ上で実行される１つ以上のソフトウェアアプリケーションを実行してよい。また、処理装置は、ソフトウェアの実行に応答し、データにアクセスし、データを格納、操作、処理、および生成してもよい。理解の便宜のために、１つの処理装置が使用されるとして説明される場合もあるが、当業者は、処理装置が複数個の処理要素および／または複数種類の処理要素を含んでもよいことが理解できるであろう。例えば、処理装置は、複数個のプロセッサまたは１つのプロセッサおよび１つのコントローラを含んでよい。また、並列プロセッサのような、他の処理構成も可能である。

ソフトウェアは、コンピュータプログラム、コード、命令、またはこれらのうちの１つ以上の組み合わせを含んでもよく、思うままに動作するように処理装置を構成したり、独立的または集合的に処理装置に命令したりしてよい。ソフトウェアおよび／またはデータは、処理装置に基づいて解釈されたり、処理装置に命令またはデータを提供したりするために、いかなる種類の機械、コンポーネント、物理装置、仮想装置、コンピュータ格納媒体または装置に具現化されてよい。ソフトウェアは、ネットワークによって接続されたコンピュータシステム上に分散され、分散された状態で格納されても実行されてもよい。ソフトウェアおよびデータは、１つ以上のコンピュータで読み取り可能な記録媒体に格納されてよい。

実施形態に係る方法は、多様なコンピュータ手段によって実行可能なプログラム命令の形態で実現されてコンピュータで読み取り可能な媒体に記録されてよい。前記コンピュータで読み取り可能な媒体は、プログラム命令、データファイル、データ構造などを単独でまたは組み合わせて含んでよい。媒体は、コンピュータによって実行可能なプログラムを継続して格納するものであってもよいし、実行またはダウンロードのために臨時格納するものであってもよい。また、媒体は、単一または複数のハードウェアが結合した形態の多様な記録手段または格納手段であってよいが、いずれかのコンピュータシステムに直接接続される媒体に限定されることはなく、ネットワーク上に分散存在するものであってもよい。媒体の例としては、ハードディスク、フロッピー（登録商標）ディスク、および磁気テープのような磁気媒体、ＣＤ−ＲＯＭおよびＤＶＤのような光媒体、フロプティカルディスク（ｆｌｏｐｔｉｃａｌ ｄｉｓｋ）のような光磁気媒体、およびＲＯＭ、ＲＡＭ、フラッシュメモリなどを含んでプログラム命令語が格納されるように構成されたものであってよい。また、他の媒体の例として、アプリケーションを流通するアプリストアや、その他にも多様なソフトウェアを供給あるいは流通するサイト、サーバなどで管理する記録媒体あるいは格納媒体も挙げられる。プログラム命令の例には、コンパイラによって生成されるもののような機械語コードだけではなく、インタプリタなどを使用してコンピュータによって実行される高級言語コードを含む。

以上のように、実施形態を、限定された実施形態と図面に基づいて説明したが、当業者であれば、上述した記載から多様な修正および変形が可能であろう。例えば、説明された技術が、説明された方法とは異なる順序で実行されたり、かつ／あるいは、説明されたシステム、構造、装置、回路などの構成要素が、説明された方法とは異なる形態で結合されたりまたは組み合わされたり、他の構成要素または均等物によって対置されたり置換されたとしても、適切な結果を達成することができる。

したがって、異なる実施形態であっても、特許請求の範囲と均等なものであれば、添付される特許請求の範囲に属する。

３１０：電子機器
３２０：クラウド人工知能プラットフォーム
３３０：コンテンツ・サービス
３４０：インタフェースコネクト
３５０：拡張キット

Claims (16)

1. 音声基盤インタフェースを含む電子機器が実行するデバイス制御方法であって、
   前記音声基盤インタフェースを通じてユーザの音声入力による命令語を受信する段階、
   前記命令語の分析の結果、位置情報が必要な場合、前記音声基盤インタフェースが含む複数のマイクに入力された前記音声入力の位相偏移に基づいて、前記音声入力と関連する位置情報を取得する段階、および
   前記位置情報を利用して、前記電子機器による制御が可能なデバイスのうち制御対象デバイスを特定し、前記命令語に対応する動作を前記制御対象デバイスに実行させる段階
   を含み、前記位置情報を取得する段階において、前記命令語に指示代名詞が含まれる場合に、前記命令語に含まれた前記指示代名詞によって前記ユーザと前記制御対象デバイスとの間の位置関係が決まり、
   前記制御対象デバイスを特定することは、前記位置情報を基準として前記指示代名詞によって決まる位置関係にあるデバイスを前記制御対象デバイスとして特定することを含む、デバイス制御方法。
2. 前記取得する段階は、
   前記命令語が場所や指示対象が省略された不完全文章で構成される場合、前記音声入力と関連する位置情報を取得する、
   請求項１に記載のデバイス制御方法。
3. 前記音声入力と関連する位置情報は、
   前記音声入力の受信と関連する時点または期間に測定される前記電子機器に対する前記ユーザの相対的な位置や方向、前記相対的な位置や方向の変化の有無、および前記相対的な位置や方向の変化方向のうちの少なくとも１つを含む、
   請求項１に記載のデバイス制御方法。
4. 音声基盤インタフェースを含む電子機器が実行するデバイス制御方法であって、
   前記音声基盤インタフェースを通じてユーザの音声入力による命令語を受信する段階、
   前記命令語の分析の結果、位置情報が必要な場合、前記音声入力と関連する位置情報を取得する段階、および
   前記位置情報を利用して、前記電子機器による制御が可能なデバイスのうち制御対象デバイスを特定し、前記命令語に対応する動作を前記制御対象デバイスに実行させる段階
   を含み、前記取得する段階は、
   前記命令語に指示代名詞が含まれているかを判定し、前記命令語が指示代名詞を含むと判定される場合に、位置判定のための追加ロジックにより前記音声入力と関連する位置情報を取得し、
   前記命令語に含まれた前記指示代名詞によって前記ユーザと前記制御対象デバイスとの間の位置関係が決まり、
   前記制御対象デバイスを特定することは、前記位置情報を基準として前記指示代名詞によって決まる位置関係にあるデバイスを前記制御対象デバイスとして特定することを含む、デバイス制御方法。
5. 前記電子機器は、カメラおよびセンサのうちの少なくとも１つを含み、
   前記取得する段階は、
   前記音声入力が受信された場合の前記カメラおよびセンサのうちの少なくとも１つの出力値に基づいて前記音声入力と関連する位置情報を取得する、
   請求項１に記載のデバイス制御方法。
6. 前記取得する段階は、
   前記音声入力に該当する会話脈絡と前記音声基盤インタフェースによる前記ユーザのデバイス制御履歴のうちの少なくとも１つを把握して前記音声入力と関連する位置情報を取得する、
   請求項１に記載のデバイス制御方法。
7. 前記特定する段階は、
   前記音声入力と関連する位置情報と共に、前記音声基盤インタフェースによる前記ユーザのデバイス使用パターンを利用して前記制御対象デバイスを特定する、
   請求項１に記載のデバイス制御方法。
8. 前記特定する段階は、
   前記命令語に対応する動作を実行することが可能なデバイスが複数存在する場合、前記音声基盤インタフェースによる前記ユーザのデバイス使用パターンを利用して複数のデバイスのうちから使用頻度が相対的に多いデバイスを前記制御対象デバイスとして特定する、
   請求項１に記載のデバイス制御方法。
9. 請求項１〜８のうちのいずれか一項に記載のデバイス制御方法をコンピュータに実行させるコンピュータプログラム。
10. 請求項１〜８のうちのいずれか一項に記載のデバイス制御方法をコンピュータに実行させるためのプログラムが記録されているコンピュータで読み取り可能な記録媒体。
11. 電子機器であって、
    音声基盤インタフェース、および
    コンピュータで読み取り可能な命令を実行するように実現される少なくとも１つのプロセッサ
    を含み、
    前記少なくとも１つのプロセッサは、
    前記音声基盤インタフェースを通じてユーザの音声入力による命令語を受信し、
    前記命令語の分析の結果、位置情報が必要な場合、前記音声基盤インタフェースが含む複数のマイクに入力された前記音声入力の位相偏移に基づいて、前記音声入力と関連する位置情報を取得し、
    前記位置情報を利用して、前記電子機器による制御が可能なデバイスのうちから制御対象デバイスを特定し、前記命令語に対応する動作を前記制御対象デバイスに実行させ、前記位置情報を取得する場合において、前記命令語に指示代名詞が含まれる場合に、前記命令語に含まれた前記指示代名詞によって前記ユーザと前記制御対象デバイスとの間の位置関係が決まり、
    前記制御対象デバイスを特定することは、前記位置情報を基準として前記指示代名詞によって決まる位置関係にあるデバイスを前記制御対象デバイスとして特定することを含む、電子機器。
12. 前記音声入力と関連する位置情報は、
    前記音声入力の受信と関連する時点または期間に測定される前記電子機器に対する前記ユーザの相対的な位置や方向、前記相対的な位置や方向の変化の有無、および前記相対的な位置や方向の変化方向のうちの少なくとも１つを含む、
    請求項１１に記載の電子機器。
13. 電子機器であって、
    音声基盤インタフェース、および
    コンピュータで読み取り可能な命令を実行するように実現される少なくとも１つのプロセッサ
    を含み、前記少なくとも１つのプロセッサは、
    音声基盤インタフェースを含む電子機器が実行するデバイス制御方法であって、
    前記音声基盤インタフェースを通じてユーザの音声入力による命令語を受信する段階、
    前記命令語の分析の結果、位置情報が必要な場合、前記音声入力と関連する位置情報を取得する段階、および
    前記位置情報を利用して、前記電子機器による制御が可能なデバイスのうち制御対象デバイスを特定し、前記命令語に対応する動作を前記制御対象デバイスに実行させる段階
    を実行し、前記取得する段階は、
    前記命令語に指示代名詞が含まれているかを判定し、前記命令語が指示代名詞を含むと判定される場合に、位置判定のための追加ロジックにより前記音声入力と関連する位置情報を取得し、
    前記命令語に含まれた前記指示代名詞によって前記ユーザと前記制御対象デバイスとの間の位置関係が決まり、
    前記制御対象デバイスを特定することは、前記位置情報を基準として前記指示代名詞によって決まる位置関係にあるデバイスを前記制御対象デバイスとして特定することを含む、電子機器。
14. 前記電子機器は、カメラおよびセンサのうちの少なくとも１つを含み、
    前記少なくとも１つのプロセッサは、前記音声入力と関連する位置情報を取得するために、
    前記音声入力が受信された場合の前記カメラおよびセンサのうちの少なくとも１つの出力値に基づいて前記音声入力と関連する位置情報を取得する、
    請求項１１に記載の電子機器。
15. 前記少なくとも１つのプロセッサは、前記音声入力と関連する位置情報を取得するために、
    前記音声入力に該当する会話脈絡と前記音声基盤インタフェースによる前記ユーザのデバイス制御履歴のうちの少なくとも１つを把握して前記音声入力と関連する位置情報を取得する、
    請求項１１に記載の電子機器。
16. 前記少なくとも１つのプロセッサは、前記制御対象デバイスを特定するために、
    前記音声入力と関連する位置情報と共に、前記音声基盤インタフェースによる前記ユーザのデバイス使用パターンを利用して前記制御対象デバイスを特定する、
    請求項１１に記載の電子機器。

Images