WO2016157662A1 - 情報処理装置、制御方法、およびプログラム - Google Patents

情報処理装置、制御方法、およびプログラム Download PDF

Info

Publication number
WO2016157662A1
WO2016157662A1 PCT/JP2015/086544 JP2015086544W WO2016157662A1 WO 2016157662 A1 WO2016157662 A1 WO 2016157662A1 JP 2015086544 W JP2015086544 W JP 2015086544W WO 2016157662 A1 WO2016157662 A1 WO 2016157662A1
Authority
WO
WIPO (PCT)
Prior art keywords
response
user
information processing
processing apparatus
target user
Prior art date
Application number
PCT/JP2015/086544
Other languages
English (en)
French (fr)
Inventor
淳己 大村
Original Assignee
ソニー株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ソニー株式会社 filed Critical ソニー株式会社
Priority to JP2017509182A priority Critical patent/JP6669162B2/ja
Priority to EP15887804.1A priority patent/EP3279790B1/en
Priority to CN201580078175.7A priority patent/CN107408027B/zh
Priority to US15/559,940 priority patent/US20180074785A1/en
Publication of WO2016157662A1 publication Critical patent/WO2016157662A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/16—Sound input; Sound output
    • G06F3/167—Audio in a user interface, e.g. using voice commands for navigating, audio feedback
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
    • G06F3/04817—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance using icons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0487—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00—Speech synthesis; Text to speech systems
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/10—Speech classification or search using distance or distortion measures between unknown speech and reference templates
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G10L2015/223—Execution procedure of a spoken command

Definitions

  • the present disclosure relates to an information processing device, a control method, and a program.
  • Patent Document 1 when the user interrupts speech in the middle of a response on the system side (that is, during voice output) in voice dialogue with a single user, the system side considers the importance of the response content.
  • a speech dialog control method is disclosed that continues or pauses response.
  • Patent Document 2 there is disclosed a voice dialogue apparatus which makes it easy for the user to recognize who's voice is currently output when a plurality of users are conducting voice dialogue.
  • the voice UI responds by voice output
  • voice output one-to-one use of the system and the user is assumed, and interaction in the environment where multiple users use is not considered. Therefore, for example, when assuming use in a home or a public space, a situation where one user occupies the system is likely to occur.
  • Patent Document 1 is a response system in voice dialogue with a single user, and simultaneous response to a plurality of users has been difficult.
  • Patent Document 2 relates to the system use by a plurality of users, the use of a plurality of users in an audio UI that automatically responds by voice to the user's speech is not assumed.
  • the present disclosure proposes an information processing apparatus, a control method, and a program capable of improving the convenience of the speech recognition system by outputting an appropriate response to each user when a plurality of users speak.
  • a response generation unit that generates a response to an utterance from a plurality of users, and a determination unit that determines a response output method for each user based on the priority according to the utterance order of the plurality of users.
  • an output control unit configured to control to output the generated response according to the determined response output method.
  • generating a response to an utterance from a plurality of users determining a response output method to each user based on the priority according to the utterance order of the plurality of users, and determining And controlling the output control unit to output the generated response according to the response output method.
  • a determination is made to determine a method of outputting a response to each user based on a response generation unit that generates a response to an utterance from a plurality of users and a priority according to the utterance order of the plurality of users.
  • FIG. 1 is a diagram for describing an overview of a speech recognition system according to an embodiment of the present disclosure. It is a figure showing an example of composition of an information processor by this embodiment. It is a flowchart which shows the operation processing of the speech recognition system by this embodiment. It is a figure explaining the response output example by the audio
  • a speech recognition system has a basic function of performing speech recognition and semantic analysis on a user's speech and responding by speech.
  • an outline of a speech recognition system according to an embodiment of the present disclosure will be described with reference to FIG.
  • FIG. 1 is a diagram for describing an overview of a speech recognition system according to an embodiment of the present disclosure.
  • the information processing apparatus 1 illustrated in FIG. 1 has a voice UI agent function that can perform voice recognition and semantic analysis on a user's speech and output a response to the user by voice.
  • the external appearance of the information processing apparatus 1 is not particularly limited, but may be, for example, a cylindrical shape as shown in FIG.
  • a light emitting unit 18 formed of a light emitting element such as a light emitting diode (LED) is provided in a band shape so as to surround the horizontal central region of the side surface.
  • the information processing apparatus 1 can notify the user of the state of the information processing apparatus 1 by lighting the entire light emitting unit 18 or lighting a part thereof.
  • the light emitting unit 18 partially illuminates the direction of the user, that is, the direction of the speaker so that the user looks as if the user looks at the user as shown in FIG. Can.
  • the information processing apparatus 1 can also notify the user that processing is in progress by controlling the light to be turning on the side by the light emitting unit 18 during response generation or data search.
  • the voice UI responds by voice output
  • one-to-one use of the system and the user is assumed, and interaction in an environment where a plurality of users use is not considered. Therefore, for example, when assuming use in a home or a public space, a situation where one user occupies the system is likely to occur.
  • the speech recognition system it is possible to improve the convenience of the speech recognition system by outputting an appropriate response to each user when a plurality of users speak.
  • the information processing apparatus 1 has a function of projecting and displaying an image on the wall 20 as shown in FIG. 1, for example, and is capable of response output by display in addition to response output by voice. Thereby, when the information processing apparatus 1 has an utterance from another user while outputting a response by voice, the information processing apparatus 1 displays and outputs an image prompting the user to wait for a moment, etc. It is possible to respond flexibly without ignoring the user's speech or interrupting the response.
  • the information processing apparatus 1 outputs an answer 31 "It looks like it will be fine tomorrow" in response to the speech 30 "Can it be fine tomorrow?" From the user AA.
  • the response image 21b of the clear mark is displayed on the wall 20.
  • the information processing apparatus 1 waits for a response image 21a prompting the user BB to wait for the turn. Display and output. Further, at this time, the information processing apparatus 1 may project an utterance content image 21 c “concerts do you want?” In which the recognized utterance content of the user BB is converted into a text on the wall 20.
  • the user BB can grasp that his / her speech has been correctly recognized by the information processing apparatus 1.
  • the information processing device 1 performs voice response output to the user BB which has been made to stand by.
  • simultaneous use of the system by a plurality of users can be realized by, for example, transitioning the occupancy of the voice response output according to the order of speech.
  • the outline of the speech recognition system according to the present disclosure has been described above.
  • the shape of the information processing apparatus 1 is not limited to the cylindrical shape shown in FIG. 1, and may be, for example, a cube, a sphere, or a polyhedron. Subsequently, a basic configuration and an operation process of the information processing device 1 for realizing the speech recognition system according to an embodiment of the present disclosure will be sequentially described.
  • FIG. 2 is a diagram showing an example of the configuration of the information processing apparatus 1 according to the present embodiment.
  • the information processing apparatus 1 includes a control unit 10, a communication unit 11, a microphone 12, a speaker 13, a camera 14, a distance measurement sensor 15, a projection unit 16, a storage unit 17, and a light emitting unit 18.
  • the control unit 10 controls each component of the information processing apparatus 1.
  • the control unit 10 is realized by a microcomputer including a central processing unit (CPU), a read only memory (ROM), a random access memory (RAM), and a non-volatile memory.
  • the control unit 10 according to the present embodiment is a voice recognition unit 10 a, a semantic analysis unit 10 b, a response generation unit 10 c, a target determination unit 10 d, a response output method determination unit 10 e, and an output control unit 10 f. It also works as
  • the voice recognition unit 10a recognizes the voice of the user collected by the microphone 12 of the information processing device 1, performs conversion to a character string, and acquires a speech text.
  • the voice recognition unit 10a can also identify a person who is producing a voice based on the features of the voice, and can estimate the voice generation source, that is, the direction of the speaker.
  • the semantic analysis unit 10 b performs semantic analysis on the utterance text acquired by the speech recognition unit 10 a using natural language processing or the like. The result of the semantic analysis is output to the response generation unit 10c.
  • the response generation unit 10 c generates a response to the user's utterance based on the semantic analysis result. For example, when the user's utterance is for asking for "the weather of tomorrow", the response generation unit 10c acquires information on "the weather of tomorrow" from the weather forecast server on the network, and generates a response.
  • the target determination unit 10d determines the priority of each user based on a predetermined condition, and the user with the highest priority is the target user, the others. Determine one or more users of as non-target users.
  • the speech from a plurality of users is recognized, the speech of the second user is recognized during the speech of the first user, or the speech of the second user is output during the speech response to the speech of the first user. Assume that speech is recognized.
  • the priority of each user based on a predetermined condition may be, for example, a priority based on the order of speech.
  • the target determination unit 10 d determines the priority of the first user who has started the dialog first, and then the dialog Higher than the second user's priority.
  • the target determination unit 10d may redetermine the priority and change the interrupted non-target user to the target user.
  • the explicit interrupt process for example, a predetermined command utterance by voice, a predetermined operation by gesture, a predetermined user situation based on sensing data, and the like are assumed. Details of the interrupt processing will be described later.
  • the response output method determination unit 10e determines a response output method for each user based on the priorities of the plurality of users. For example, the response output method determination unit 10e determines the voice response output / display response output according to whether or not the target determination unit 10d determines the target user. Specifically, for example, the response output method determination unit 10 e assigns different response output methods to the target user and the non-target user so that the target user occupies the voice response output and assigns the non-target user the display response output. . Further, even when the target user is assigned the response output by display, the response output method determination unit 10e can allocate a part of the display area to the non-target user.
  • the output control unit 10 f controls to output the response generated by the response generation unit 10 c according to the response output method determined by the response output method determination unit 10 e.
  • a specific response output example according to the present embodiment will be described later.
  • the communication unit 11 transmits and receives data to and from an external device.
  • the communication unit 11 connects to a predetermined server on the network, and receives information necessary for generating a response by the response generation unit 10c. Further, the communication unit 11 cooperates with peripheral devices, and transmits response data to the target device under the control of the output control unit 10 f.
  • the microphone 12 has a function of picking up surrounding sound and outputting the sound to the control unit 10 as a sound signal. Also, the microphone 12 may be realized by an array microphone.
  • the speaker 13 has a function of converting an audio signal into an audio and outputting the audio according to the control of the output control unit 10 f.
  • the camera 14 has a function of capturing an image of the periphery with an imaging lens provided in the information processing device 1 and outputting a captured image to the control unit 10. Also, the camera 14 may be realized by a 360 degree camera or a wide angle camera.
  • the distance measuring sensor 15 has a function of measuring the distance between the information processing apparatus 1 and the user or a person who is around the user.
  • the distance measurement sensor 15 is realized by, for example, an optical sensor (a sensor that measures the distance to the object based on phase difference information of light emission and light reception timing).
  • the projection unit 16 is an example of a display device, and has a function of displaying an image by projecting (enlarging) an image on a wall or a screen.
  • the storage unit 17 stores a program for causing each component of the information processing apparatus 1 to function.
  • the storage unit 17 may use various parameters used when the target determination unit 10 d calculates the priorities of a plurality of users, or a target / non-target determined based on the priority (or the priority based on the priority) by the response output method determination unit 10 e.
  • the storage unit 17 also stores registration information of the user.
  • User registration information includes personal identification information (features of voice, face images, features of human images (including body images), names, identification numbers, etc.), age, gender, hobbies, preferences, attributes (housewife , Office workers, students, etc.), and information on communication terminals owned by the user.
  • the light emitting unit 18 is realized by a light emitting element such as an LED, and can control all lights, partial lighting, blinking, control of a lighting position, and the like. For example, by partially lighting the direction of the utterer recognized by the voice recognition unit 10a according to the control of the control unit 10, the light emitting unit 18 can make it look as if the line of sight looks toward the utterer.
  • the configuration of the information processing apparatus 1 according to the present embodiment has been specifically described above.
  • the structure shown in FIG. 2 is an example, and this embodiment is not limited to this.
  • the information processing apparatus 1 may further include an infrared (infrared) camera, a depth camera, a stereo camera, a human sensor, or the like in order to acquire information on the surrounding environment.
  • the installation positions of the microphone 12, the speaker 13, the camera 14, the light emitting unit 18 and the like provided in the information processing apparatus 1 are not particularly limited.
  • each function of the control unit 10 according to the present embodiment may be on a cloud connected via the communication unit 11.
  • FIG. 3 is a flowchart showing operation processing of the speech recognition system according to the present embodiment.
  • the control unit 10 of the information processing device 1 determines whether or not there is an utterance from the user. Specifically, the control unit 10 performs voice recognition by the voice recognition unit 10a and semantic analysis by the semantic analysis unit 10b on the voice signal collected by the microphone 12 and determines whether the user's utterance to the system To judge.
  • step S106 the control unit 10 determines whether there is an utterance of a plurality of users. Specifically, the control unit 10 can determine whether or not there is an utterance from two or more users based on the user (utterer) identification by the voice recognition unit 10a.
  • the response output method determination unit 10e of the control unit 10 determines the voice response output method (S112).
  • the unit 10f outputs the voice of the response generated by the response generation unit 10c (S115).
  • step S109 the target determination unit 10d of the control unit 10 determines a target user and a non-target user based on the priority of each user. For example, the target determination unit 10d increases the priority of the first user who uttered first and decides the target user as the target user, and the priority of the second user who utters later is the priority of the first user. Decide to be a non-target user lower than the degree.
  • the response output method determination unit 10e determines a response output method according to the target / non-target determined by the target determination unit 10d. For example, the target user decides on an answer output method by voice (that is, makes the target user occupy the voice answer output method), and the non-target user decides on an answer output method by display.
  • step S115 the output control unit 10f determines the response to the utterance of each user generated by the response generation unit 10c with respect to the semantic analysis result of the utterance by the semantic analysis unit 10b by the response output method determination unit 10e. It controls to output each with the above output method.
  • the first user can be determined by the target user and can occupy the audio output method.
  • the control unit 10 f can continue without interrupting the response.
  • the output control unit 10f performs the second operation in parallel with the voice response output to the first user.
  • the display response output can be performed to the user of.
  • the output control unit 10f outputs a display response indicating that the second user is instructed to wait for the order of response, and after the voice response to the first user is completed, the second user is notified to the second user Voice response output of
  • the priority of the second user is increased, and the user is changed to the target user and the voice response output can be occupied.
  • the response output method determination unit 10e controls the single user to occupy the voice response output. Do.
  • the voice UI system according to the present embodiment can flexibly cope with the utterances of a plurality of users, and the convenience of the voice UI system can be improved.
  • a specific response output example for a plurality of users according to this embodiment will be described later.
  • step S118 when there is an explicit interrupt process during the response (S118 / Yes), the control unit 10 changes the targets / non-targets of the plurality of users by the target determination unit 10d (S109). Specifically, the target determination unit 10d sets the priority of the interrupt user higher than that of the current target user, determines the interrupt user as the target user, and changes the current target user to the non-target user. Then, the control unit 10 performs control to switch to a response output method determined again according to the change and to respond (S112, S115).
  • the explicit interrupt process may be, for example, a process by voice or gesture as described below.
  • a voice interrupt process when a system name is uttered such as "SS (system name), weather is taught", a predetermined command for interrupt is uttered such as "interrupt, weather is taught", or If the user utters a term indicating that the user is in a hurry or an important task, such as "Tell me weather, hurry up!", The priority of the interrupting user is raised. In addition, even if the user speaks louder or louder than the user's normal voice (or general voice size), it is judged as an explicit interrupt process, and the interrupt user's priority is given. The degree may be increased.
  • an interrupt process with a gesture for example, when an utterance is performed with a predetermined operation such as raising a hand, the priority of the interrupt user may be increased.
  • an interrupt processing function is added to a remote controller for operating the information processing apparatus 1, a physical button provided in the information processing apparatus 1, etc. It is also good.
  • the explicit interrupt process may be determined based on the content detected by the camera 14 or the distance measuring sensor 15 or the like, for example.
  • the schedule information of the target user may be acquired from a predetermined server or the like, and if the interrupt user has a schedule immediately after this, it may be determined that the interrupt processing is explicit and the priority may be raised.
  • the explicit interrupt processing has been described above, but in the present embodiment, in addition to the above-described interrupt processing, it is also possible to perform interrupt processing according to the attribute of the target user. That is, when the information processing apparatus 1 can identify the speaker, static or dynamic priority is assigned to each user. Specifically, for example, when the user AA is a "son", the user BB is registered as a "mother”, and it is set that the priority of the "mother” is higher than that of the "son”, with the user AA When the user BB utters and interrupts during the dialogue, control is performed such that the priority of the user BB is higher than that of the user BB. As a result, the response to the user AA switches from voice output to display output.
  • FIG. 4 is a diagram for explaining an example of response output by speech and display for simultaneous speech of a plurality of persons according to the present embodiment.
  • the information processing apparatus 1 recognizes the speech 32 from the user BB while outputting the response 31 in voice to the speech 30 from the user AA, the dialogue is started earlier The determined user AA is determined as the target user, and the voice output of the response 31 is continued.
  • the information processing apparatus 1 determines the user BB uttered later as a non-target user, and displays and outputs a response image 21a prompting the user BB to wait.
  • the information processing apparatus 1 makes a voice response 33 “Wait for a while to wait for the user BB who has been waiting. Next week's "It is Friday" is output.
  • the information processing apparatus 1 can also project the response image 21d on the wall 20 to perform display output, if necessary.
  • the information processing apparatus 1 clearly indicates that the direction of the user BB is one in the light emitting unit 18 of the information processing apparatus 1 in order to clearly indicate that the occupation of the voice response output has been shifted to the user BB. By controlling to turn on the part, the user BB may be shown to look like.
  • simultaneous use of the system by a plurality of users can be realized by transitioning the occupation of the speech response output in accordance with the user's speech order.
  • the standby instruction to the non-target user is not limited to the projection of the response image 21a as shown in FIG.
  • some modified examples will be described.
  • Modification 1 For example, when the display response output is also occupied by the target user, the information processing apparatus 1 outputs a standby instruction to the non-target user using the sub display or the light emitting unit 18 provided in the information processing apparatus 1. Is possible.
  • the information processing apparatus 1 may output a standby instruction using color information of an icon or light.
  • notification of the standby user using the sub display will be described with reference to FIGS. 5A and 5B.
  • the output control unit 10f may visualize a non-target user waiting for the current response by a display such as a queue. .
  • a display such as a queue.
  • the output control unit 10f visualizes a non-target user waiting for the current response by a display such as a queue.
  • a display such as a queue.
  • the user's ID and name may be clearly indicated, and may be displayed in the color of the registered target user. In the example shown in FIG. 5B, it can be intuitively grasped who is currently waiting for a response.
  • FIG. 6 is a diagram for explaining an example in which responses to non-target users are indicated by icons to save a display area.
  • the information processing apparatus 1 that recognizes the utterance 34 “show calendar” from the user AA outputs a response 35 “It is a calendar” and projects the corresponding calendar image 22 a on the wall 20. .
  • the display area 200 is widely used. Therefore, when the user BB's speech 36 "Is mail coming?" Is recognized in the middle, a space for displaying the response image 21a and the speech content image 21c as shown on the left of FIG. 4 can not be secured. As shown in FIG. 6, the icon image 22b of the mail is displayed. As a result, the user BB can intuitively recognize that his / her speech is correctly recognized and is in a response waiting state.
  • FIG. 7 is a diagram for explaining simultaneous voice response using directivity.
  • the information processing apparatus 1 recognizes the position of each speaker using the content sensed by the camera 14 or the microphone 12, and as shown in FIG. 7, the response 37 for the user AA and the response 38 for the user BB Voice output toward the position of and make simultaneous response.
  • the information processing apparatus 1 may divide the display area, assign display areas to a plurality of users, and display the response image 23a for the user AA and the response image 23b for the user BB. Further, the information processing apparatus 1 may make the display area corresponding to the target user larger than the display area corresponding to the non-target user.
  • the speech recognition system it is possible to simultaneously respond to voices to a plurality of users by using directivity, and to realize simultaneous use of the system by a plurality of users.
  • the information processing apparatus 1 can also be controlled in cooperation with an external device so as to make a response to a non-target user from the external device.
  • the information processing apparatus 1 may be a portable communication terminal owned by the non-target user, a wearable terminal, a TV near or in the room of the non-target user, or other places. Control to output a response to a non-target user from another voice UI system or the like.
  • the information processing device 1 may display that the external device performs a response output on the sub display provided in the information processing device 1, or the mobile communication terminal or the wearable terminal responds “from here” Or the like may be output to notify the non-target user of the response terminal.
  • simultaneous response to a plurality of users can be enabled in cooperation with an external device, and simultaneous use of the system by a plurality of users can be realized.
  • the information processing apparatus 1 can also determine the response output method in accordance with the state of the speaker. For example, when the user is not near the information processing apparatus 1 and utters a voice from a distant place, there is a possibility that the voice output or display output from the information processing apparatus 1 may not be transmitted to the user. Therefore, the information processing apparatus 1 may determine the response output method in cooperation with an external device such as a mobile communication terminal or a wearable device owned by the user. Alternatively, the response content may be temporarily stored in the information processing device 1, and the response content may be output when the user moves within the effective range of the voice output or display output of the information processing device 1.
  • the voice output and the display output of the information processing apparatus 1 are avoided from being occupied, and the voice output and the display output are It can be assigned to nearby non-target users.
  • the information processing apparatus 1 can also determine the response output method according to the content of the response. For example, when the response has a large amount of information such as calendar display, the information processing apparatus 1 may preferentially assign the display output method to the response, and the voice output method may be available to other users. . Further, in the case of a simple confirmation item (the user's utterance "Yamanote line is not delayed, right?", The response of the information processing apparatus 1 is "Yes" only), the voice output is completed and the image display is unnecessary. Since the information processing apparatus 1 is used, the display output method may be made available to other users. In addition, when the user's utterance is only an instruction for display such as "show calendar", the information processing apparatus 1 may make the voice output method available to other users.
  • the target user can perform display output and voice output. It is possible to avoid occupying all and realize simultaneous use of the system by multiple users.
  • the information processing apparatus 1 may display an error when the number of simultaneous speakers allowed is exceeded.
  • an example will be described with reference to FIG.
  • FIG. 8 is a view showing an example of an error display according to the present embodiment.
  • the information processing apparatus 1 that has recognized the speech 40 from the user AA outputs a voice of the response 41 and projects the response image 24 b.
  • an utterance 42 from the user BB "Concert When?”
  • An utterance 43 from the user CC "Show the TV program schedule!”
  • An utterance 44 from the user DD "What's the news about today?" If the number of simultaneous speakers permitted by the information processing apparatus 1 (for example, two) is exceeded, the error image 24a is projected as shown in FIG.
  • the error image 24a may include, for example, a content prompting the user to take measures to avoid an error, such as "Please request one by one!.
  • a content prompting the user to take measures to avoid an error such as "Please request one by one!”.
  • the information processing apparatus 1 may transfer the response content to a device or the like associated with each non-target user.
  • a computer program for causing the hardware such as the CPU, the ROM, and the RAM built in the above-described information processing apparatus 1 to exhibit the functions of the information processing apparatus 1 can also be created.
  • a computer readable storage medium storing the computer program is also provided.
  • a response generation unit that generates a response to an utterance from a plurality of users;
  • a determination unit that determines a response output method to each user based on the priority according to the utterance order of the plurality of users;
  • An output control unit configured to control to output the generated response according to the determined response output method;
  • An information processing apparatus comprising: (2) When the determination unit recognizes an utterance from a user different from the user in the dialog, the determination unit makes the priority of the user who has started the dialog earlier than the priority of the user who has started the dialog next (1 The information processing apparatus according to the above.
  • the information processing apparatus determines, as a target user, one user with the highest priority as a target user, and one or more other users as non-target users.
  • the determination unit causes the target user to occupy the response output method by voice and assigns the response output method by display to the non-target user.
  • the response generation unit generates a response for prompting the non-target user to wait,
  • the information processing apparatus according to (4), wherein the output control unit controls to display an image of a response prompting the non-target user to stand by.
  • the response generation unit generates, for the non-target user, a response indicating a speech recognition result of the utterance of the non-target user.
  • the information processing apparatus controls to display an image of a response indicating a speech recognition result of the utterance of the non-target user.
  • the information processing apparatus controls to display an image of a response indicating a speech recognition result of the utterance of the non-target user.
  • the information processing apparatus controls to display an image of a response indicating a speech recognition result of the utterance of the non-target user.
  • the information processing apparatus controls to display an image of a response indicating a speech recognition result of the utterance of the non-target user.
  • the output control unit performs control to specify a non-target user waiting for a response.
  • the determination unit according to any one of (4) to (7), which causes the voice response output method occupied by the target user to transition to the non-target user after the interaction with the target user is ended.
  • the determination unit assigns, to the non-target user, an output method of a response in cooperation with an external device.
  • Information processor as described.
  • the determination unit determines, as the non-target user, a response output method different from the response output method determined according to the content of the response to the target user.
  • the determination unit assigns an audio output method to a non-target user when the response output method to the target user occupies display.
  • the determination unit determines an output method of the response according to a state of the target user.
  • the information processing apparatus (14) The information processing apparatus according to (13), wherein the determination unit assigns an output method of a response in cooperation with an external apparatus when the target user is at a place separated from the information processing apparatus 1 by a predetermined value or more. (15) The information processing apparatus according to any one of (2) to (14), wherein the determination unit changes the priority according to an explicit interrupt process. (16) The information processing apparatus according to (1), wherein the determination unit allocates, to a plurality of users, a response output method from an audio output unit having directivity. (17) The information processing apparatus according to any one of (1) to (16), wherein the output control unit performs error notification when an allowable number of speakers is exceeded based on a result of voice recognition.

Landscapes

  • Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • User Interface Of Digital Computer (AREA)
  • Telephonic Communication Services (AREA)

Abstract

複数ユーザ発話時に各ユーザに適切な応答出力を行うことで音声認識システムの利便性を向上することが可能な情報処理装置、制御方法、およびプログラムを提供する。情報処理装置は、複数ユーザからの発話に対して応答を生成する応答生成部と、前記複数ユーザの発話順に応じた優先度に基づいて各ユーザへの応答出力方法を決定する決定部と、前記決定された応答出力方法で前記生成された応答を出力するよう制御する出力制御部と、を備える。

Description

情報処理装置、制御方法、およびプログラム
　本開示は、情報処理装置、制御方法、およびプログラムに関する。
　従来から、ユーザの発話に対して音声認識・意味解析を行い、音声により応答する技術の開発が行われている。特に昨今の音声認識アルゴリズムの進歩とコンピュータ技術の発展により、音声認識処理を実用的な時間で行うことが可能となり、音声を用いたＵＩ（ユーザインタフェース）がスマートフォンやタブレット端末等において普及してきている。
　例えばスマートフォンやタブレット端末等に搭載された音声ＵＩのアプリケーションでは、ユーザの音声による質問に対して音声で応答したり、ユーザの音声による指示に対して対応する処理を実行したりすることが可能となる。
　例えば下記特許文献１では、単一ユーザとの音声対話において、システム側の応答の途中（すなわち音声出力中）にユーザが発話割込みを行った場合に、システム側で応答内容の重要度を考慮して応答の継続または一時停止を行う音声対話制御方法が開示されている。
　また、下記特許文献２では、複数人のユーザが音声対話を行っている際に、現在誰の声が出力されているかをユーザが認識しやすい音声対話装置が開示されている。
特開２００４－３２５８４８号公報 特開２００９－２６１０１０号公報
　しかしながら、音声ＵＩは音声出力により応答を行うという特性上、システムとユーザの１対１による利用が想定され、複数ユーザが利用する環境下での対話は考慮されていなかった。したがって、例えば家庭や公共スペースでの利用を想定する場合、１人のユーザがシステムを占有してしまう状況が発生しやすい。
　また、上記特許文献１に記載の技術は、単一ユーザとの音声対話における応答システムであって、複数ユーザへの同時応答は困難であった。また、上記特許文献２に記載の技術は、複数ユーザによるシステム利用に関するものであるが、ユーザの発話に対して自動的に音声で応答する音声ＵＩにおける複数ユーザの利用は想定されていない。
　そこで、本開示では、複数ユーザ発話時に各ユーザに適切な応答出力を行うことで音声認識システムの利便性を向上することが可能な情報処理装置、制御方法、およびプログラムを提案する。
　本開示によれば、複数ユーザからの発話に対して応答を生成する応答生成部と、前記複数ユーザの発話順に応じた優先度に基づいて各ユーザへの応答出力方法を決定する決定部と、前記決定された応答出力方法で前記生成された応答を出力するよう制御する出力制御部と、を備える、情報処理装置を提案する。
　本開示によれば、複数ユーザからの発話に対して応答を生成することと、前記複数ユーザの発話順に応じた優先度に基づいて各ユーザへの応答出力方法を決定することと、前記決定された応答出力方法で前記生成された応答を出力するよう出力制御部により制御することと、を含む制御方法を提案する。
　本開示によれば、コンピュータを、複数ユーザからの発話に対して応答を生成する応答生成部と、前記複数ユーザの発話順に応じた優先度に基づいて各ユーザへの応答出力方法を決定する決定部と、前記決定された応答出力方法で前記生成された応答を出力するよう制御する出力制御部と、として機能させるためのプログラムを提案する。
　以上説明したように本開示によれば、複数ユーザ発話時に各ユーザに適切な応答出力を行うことで音声認識システムの利便性を向上することが可能となる。
　なお、上記の効果は必ずしも限定的なものではなく、上記の効果とともに、または上記の効果に代えて、本明細書に示されたいずれかの効果、または本明細書から把握され得る他の効果が奏されてもよい。
本開示の一実施形態による音声認識システムの概要を説明するための図である。 本実施形態による情報処理装置の構成の一例を示す図である。 本実施形態による音声認識システムの動作処理を示すフローチャートである。 本実施形態の複数人同時発話に対する音声および表示による応答出力例について説明する図である。 本実施形態によるサブディスプレイを用いた待機ユーザの通知について説明する図である。 本実施形態によるサブディスプレイを用いた待機ユーザの通知について説明する図である。 非ターゲットユーザへの応答をアイコンで示して表示領域を節約する例について説明する図である。 本実施形態による指向性を用いた音声による同時応答について説明する図である。 本実施形態によるエラー表示の一例を示す図である。
　以下に添付図面を参照しながら、本開示の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。
　また、説明は以下の順序で行うものとする。
　１．本開示の一実施形態による音声認識システムの概要
　２．構成
　３．動作処理
　４．応答出力例
　　４－１．音声および表示による応答
　　４－２．指向性を用いた同時応答
　　４－３．外部装置との連携による応答
　　４－４．発話者の状態に応じた応答
　　４－５．発話内容に応じた応答
　　４－６．エラー応答
　５．まとめ
　＜＜１．本開示の一実施形態による音声認識システムの概要＞＞
　本開示の一実施形態による音声認識システムは、ユーザの発話に対して音声認識・意味解析を行い、音声により応答を行う基本機能を有する。以下、図１を参照して本開示の一実施形態による音声認識システムの概要について説明する。
　図１は、本開示の一実施形態による音声認識システムの概要を説明するための図である。図１に示す情報処理装置１は、ユーザの発話に対して音声認識・意味解析を行い、ユーザへの応答を音声により出力することが可能な音声ＵＩエージェント機能を有する。情報処理装置１の外観は特に限定しないが、例えば図１に示すような円柱形状であってもよく、部屋の床やテーブルの上等に設置される。また、情報処理装置１には、ＬＥＤ（Light Emitting Diode）等の発光素子により形成された発光部１８が側面の水平方向中央領域を囲むよう帯状に設けられている。情報処理装置１は、発光部１８の全体を光らせたり、一部を光らせたりすることで、ユーザに対して情報処理装置１の状態を知らせることが可能である。例えば情報処理装置１は、ユーザと対話している際は発光部１８においてユーザの方向すなわち発話者方向を一部光らせることで、図１に示すようにユーザに視線を向けているように見せることができる。また、情報処理装置１は、応答生成中やデータ検索中は発光部１８で光が側面上を回っているように制御することで、処理中であることをユーザに知らせることができる。
　ここで、従来、音声ＵＩは音声出力により応答を行うという特性上、システムとユーザの１対１による利用が想定され、複数ユーザが利用する環境下での対話は考慮されていなかった。したがって、例えば家庭や公共スペースでの利用を想定する場合、１人のユーザがシステムを占有してしまう状況が発生しやすい。
　そこで、本開示による一実施形態による音声認識システムでは、複数ユーザ発話時に各ユーザに適切な応答出力を行うことで音声認識システムの利便性を向上することを可能とする。
　具体的には、情報処理装置１は、例えば図１に示すように壁２０に画像を投影して表示する機能を有し、音声による応答出力の他、表示による応答出力が可能である。これにより、情報処理装置１は、音声による応答出力中に他のユーザから発話があった際に、「ちょっと待ってね」等の待機を促す画像を表示出力することで、応答出力中における他のユーザからの発話を無視したり応答を中断したりすることなく、柔軟に対応することができる。
　具体的には、例えば図１に示すように、ユーザＡＡからの発話３０「明日は晴れるかな？」に対し、情報処理装置１は、応答３１「明日は晴れるようですよ」を音声出力すると共に、晴れマークの応答画像２１ｂを壁２０に表示する。ここで、応答３１の音声出力の途中でユーザＢＢからの発話３２「コンサートいつだっけ？」が認識されると、情報処理装置１は、ユーザＢＢに順番待ちを促す応答画像２１ａ「ちょっと待ってね」を表示出力する。また、この際、情報処理装置１は、認識したユーザＢＢの発話内容をテキスト化した発話内容画像２１ｃ「コンサートいつだっけ？」を壁２０に投影してもよい。これによりユーザＢＢは、自身の発話が情報処理装置１に正しく認識されたことを把握することができる。
　そして、情報処理装置１は、ユーザＡＡへの音声による応答出力が終了した後、待機させていたユーザＢＢに対して音声による応答出力を行う。このように、本実施形態による音声認識システムでは、例えば発話順に応じて音声応答出力の占有を遷移させることで、複数ユーザによるシステムの同時利用を実現することができる。
　以上、本開示による音声認識システムの概要について説明した。なお情報処理装置１の形状は図１に示す円柱形状に限定されず、例えば立方体、球体、多面体等であってもよい。続いて、本開示の一実施形態による音声認識システムを実現する情報処理装置１の基本構成および動作処理について順次説明する。
　＜＜２．基本構成＞＞
　図２は、本実施形態による情報処理装置１の構成の一例を示す図である。図２に示すように、情報処理装置１は、制御部１０、通信部１１、マイクロホン１２、スピーカ１３、カメラ１４、測距センサ１５、投影部１６、記憶部１７、および発光部１８を有する。
　（制御部１０）
　制御部１０は、情報処理装置１の各構成を制御する。制御部１０は、ＣＰＵ（Central　Processing　Unit）、ＲＯＭ（Read　Only　Memory）、ＲＡＭ（Random　Access　Memory）、および不揮発性メモリを備えたマイクロコンピュータにより実現される。また、本実施形態による制御部１０は、図２に示すように、音声認識部１０ａ、意味解析部１０ｂ、応答生成部１０ｃ、ターゲット決定部１０ｄ、応答出力方法決定部１０ｅ、および出力制御部１０ｆとしても機能する。
　音声認識部１０ａは、情報処理装置１のマイクロホン１２により収音されたユーザの音声を認識し、文字列への変換を行い、発話テキストを取得する。また、音声認識部１０ａは、音声の特徴に基づいて声を出している人を識別したり、音声の発生源すなわち発話者の方向を推定したりすることも可能である。
　意味解析部１０ｂは、音声認識部１０ａにより取得された発話テキストに対して自然言語処理等を用いて意味解析を行う。意味解析の結果は、応答生成部１０ｃに出力される。
　応答生成部１０ｃは、意味解析結果に基づいて、ユーザの発話に対する応答を生成する。例えば応答生成部１０ｃは、ユーザの発話が「明日の天気」を求めるものである場合、ネットワーク上の天気予報サーバから「明日の天気」に関する情報を取得し、応答を生成する。
　ターゲット決定部１０ｄは、音声認識部１０ａにより複数ユーザからの発話が認識された場合、所定の条件に基づいて各ユーザの優先度を決定し、最も優先度が高い１のユーザをターゲットユーザ、他の１以上のユーザを非ターゲットユーザに決定する。複数ユーザからの発話を認識した場合とは、第１のユーザの発話途中に第２のユーザの発話が認識された場合、または第１のユーザの発話に対する音声応答出力中に第２のユーザの発話が認識された場合を想定する。また、所定の条件に基づく各ユーザの優先度は、例えば発話順に基づく優先度であってもよい。具体的には、ターゲット決定部１０ｄは、対話中の第１のユーザと異なる第２のユーザからの発話を認識した場合、先に対話を開始した第１のユーザの優先度を、次に対話を開始した第２のユーザの優先度よりも高くする。
　また、ターゲット決定部１０ｄは、明示的な割込み処理があった場合、優先度を再決定して、割り込んだ非ターゲットユーザをターゲットユーザに変更してもよい。明示的な割込み処理は、例えば音声による所定のコマンド発話、ジェスチャーによる所定の動作、センシングデータに基づく所定のユーザ状況等が想定される。かかる割込み処理の詳細については後述する。
　応答出力方法決定部１０ｅは、複数ユーザの優先度に基づいて各ユーザへの応答出力方法を決定する。例えば応答出力方法決定部１０ｅは、ターゲット決定部１０ｄによりターゲットユーザに決定されたか否かに応じて、音声応答出力／表示応答出力を決定する。具体的には、応答出力方法決定部１０ｅは、例えばターゲットユーザには音声応答出力を占有させ、非ターゲットユーザには表示応答出力を割り当てるよう、ターゲットユーザと非ターゲットユーザに異なる応答出力方法を割り当てる。また、応答出力方法決定部１０ｅは、ターゲットユーザに表示による応答出力が割り当てられている場合でも、表示領域の一部を非ターゲットユーザに割り当てることが可能である。
　出力制御部１０ｆは、応答出力方法決定部１０ｅで決定された応答出力方法に従って、応答生成部１０ｃにより生成された応答を出力するよう制御する。本実施形態による具体的な応答出力例については後述する。
　（通信部１１）
　通信部１１は、外部装置とデータの送受信を行う。例えば通信部１１は、ネットワーク上の所定サーバと接続し、応答生成部１０ｃによる応答生成に必要な情報を受信する。また、通信部１１は、周辺の機器と連携し、出力制御部１０ｆの制御に従って対象機器に応答データを送信する。
　（マイクロホン１２）
　マイクロホン１２は、周辺の音声を収音し、音声信号として制御部１０に出力する機能を有する。また、マイクロホン１２は、アレイマイクロホンにより実現されていてもよい。
　（スピーカ１３）
　スピーカ１３は、出力制御部１０ｆの制御に従って音声信号を音声に変換して出力する機能を有する。
　（カメラ１４）
　カメラ１４は、情報処理装置１に設けられた撮像レンズにより周辺を撮像し、撮像画像を制御部１０に出力する機能を有する。また、カメラ１４は、３６０度カメラまたは広角カメラ等により実現されてもよい。
　（測距センサ１５）
　測距センサ１５は、情報処理装置１とユーザやユーザの周辺に居る人物との距離を測定する機能を有する。測距センサ１５は、例えば光センサ（発光・受光タイミングの位相差情報に基づいて対象物までの距離を測定するセンサ）により実現される。
　（投影部１６）
　投影部１６は、表示装置の一例であって、壁やスクリーンに画像を（拡大して）投影することで表示する機能を有する。
　（記憶部１７）
　記憶部１７は、情報処理装置１の各構成が機能するためのプログラムを格納する。また、記憶部１７は、ターゲット決定部１０ｄが複数ユーザの優先度を算出する際に用いる各種パラメータや、応答出力方法決定部１０ｅが優先度（または優先度に基づいて決定されたターゲット／非ターゲット）に応じて出力方法を決定する際に用いる各種アルゴリズムを格納する。また、記憶部１７は、ユーザの登録情報を格納する。ユーザの登録情報には、個人識別用情報（音声の特徴量、顔画像、人画像（身体画像を含む）の特徴量、氏名、識別番号等）、年齢、性別、趣味・嗜好、属性（主婦、会社員、学生等）、およびユーザが所有する通信端末に関する情報等が含まれる。
　（発光部１８）
　発光部１８は、ＬＥＤ等の発光素子により実現され、全灯、一部点灯、点滅、または点灯位置の制御等が可能である。例えば発光部１８は、制御部１０の制御にしたがって音声認識部１０ａにより認識された発話者の方向を一部点灯することで、発話者の方向に視線を向けているように見せることができる。
　以上、本実施形態による情報処理装置１の構成について具体的に説明した。なお、図２に示す構成は一例であって、本実施形態はこれに限定されない。例えば、情報処理装置１は、周辺環境に関する情報を取得するために、ＩＲ（infrared：赤外線）カメラ、深度カメラ、ステレオカメラ、または人感センサ等をさらに備えていてもよい。また、情報処理装置１に設けられるマイクロホン１２、スピーカ１３、カメラ１４、および発光部１８等の設置位置は特に限定しない。また、本実施形態による制御部１０の各機能は、通信部１１を介して接続されるクラウド上にあってもよい。
　＜＜３．動作処理＞＞
　次に、本実施形態による音声認識システムの動作処理について図３を参照して具体的に説明する。
　図３は、本実施形態による音声認識システムの動作処理を示すフローチャートである。図３に示すように、まずステップＳ１０３において、情報処理装置１の制御部１０は、ユーザからの発話があるか否かを判断する。具体的には、制御部１０は、マイクロホン１２で収音した音声信号に対して音声認識部１０ａによる音声認識、および意味解析部１０ｂによる意味解析を行い、システムに対するユーザの発話であるか否かを判断する。
　次いで、ステップＳ１０６において、制御部１０は、複数ユーザの発話があるか否かを判断する。具体的には、制御部１０は、音声認識部１０ａによるユーザ（発話者）識別に基づいて、２以上のユーザからの発話があるか否かを判断することが可能である。
　次に、複数ユーザの発話でない場合（すなわち単数ユーザの発話である場合）（Ｓ１０６／Ｎｏ）、制御部１０の応答出力方法決定部１０ｅは、音声応答出力方法に決定し（Ｓ１１２）、出力制御部１０ｆは、応答生成部１０ｃにより生成された応答を音声出力する（Ｓ１１５）。
　一方、複数ユーザの発話があった場合（Ｓ１０６／Ｙｅｓ）、ステップＳ１０９において、制御部１０のターゲット決定部１０ｄは、各ユーザの優先度に基づいてターゲットユーザおよび非ターゲットユーザを決定する。例えばターゲット決定部１０ｄは、先に発話を行った第１のユーザの優先度を高くしてターゲットユーザに決定し、後から発話を行った第２のユーザの優先度は第１のユーザの優先度よりも低くして非ターゲットユーザに決定する。
　次いで、ステップＳ１１２において、応答出力方法決定部１０ｅは、ターゲット決定部１０ｄにより決定されたターゲット／非ターゲットに応じて、応答出力方法を決定する。例えば、ターゲットユーザは音声による応答出力方法に決定し（すなわちターゲットユーザに音声応答出力方法を占有させる）、非ターゲットユーザは表示による応答出力方法に決定する。
　続いて、ステップＳ１１５において、出力制御部１０ｆは、応答生成部１０ｃが意味解析部１０ｂによる発話の意味解析結果に対して生成した各ユーザの発話に対する応答を、応答出力方法決定部１０ｅにより決定された出力方法でそれぞれ出力するよう制御する。これにより、例えば第１のユーザの発話に対する応答を音声出力している途中で第２のユーザの発話があった場合、第１のユーザはターゲットユーザに決定され音声出力方法を占有できるため、出力制御部１０ｆは当該応答を中断せずに継続することができる。また、途中で発話を行った第２のユーザは非ターゲットユーザに決定されて表示出力方法が割り当てられるため、出力制御部１０ｆは、第１のユーザへの音声応答出力に並行して、第２のユーザに対して表示応答出力を行うことができる。具体的には、出力制御部１０ｆは、第２のユーザに対しては応答の順番を待つよう指示する旨を表示応答出力し、第１のユーザへの音声応答終了後に、第２のユーザへの音声応答出力を行う。第１のユーザへの音声応答が終了した場合、第２のユーザの優先度が上がり、ターゲットユーザに変更されて音声応答出力が占有できるためである。若しくは、第１のユーザへの音声応答が終了した時点で待ちユーザが一人の場合、一対一のシステム利用となるため、応答出力方法決定部１０ｅは単数のユーザに音声応答出力を占有させるよう制御する。
　このように、本実施形態による音声ＵＩシステムでは、複数ユーザの発話に対して柔軟に対応し、音声ＵＩシステムの利便性を向上させることができる。なお本実施形態による複数ユーザに対する具体的な応答出力例については後述する。
　最後に、ステップＳ１１８において、応答中に明示的な割込み処理があった場合（Ｓ１１８／Ｙｅｓ）、制御部１０は、ターゲット決定部１０ｄにより複数ユーザのターゲット・非ターゲットを変更する（Ｓ１０９）。具体的には、ターゲット決定部１０ｄは、割込みユーザの優先度を現在のターゲットユーザよりも上げて、割込みユーザをターゲットユーザに決定し、現在のターゲットユーザを非ターゲットユーザに変更する。そして、制御部１０は、当該変更に応じて再度決定された応答出力方法に切り替えて応答する制御を行う（Ｓ１１２、Ｓ１１５）。明示的な割込み処理とは、例えば次に説明するような音声、ジェスチャー等による処理が挙げられる。
　例えば音声での割り込み処理では、「ＳＳ（システム名）、天気教えて」というようにシステム名を発話した場合、「割込み、天気教えて」というように割込み用の所定コマンドを発話した場合、または「天気教えて、急いで！」というようにユーザが急いでいることや重要な用件であることを示す用語を発話した場合、割込みユーザの優先度が上げられる。また、そのユーザの普段の声（または一般的な声の大きさ）よりも大きな声で発話したり、早口で発話したりした場合にも、明示的な割込み処理と判断され、割込みユーザの優先度が上げられるようにしてもよい。
　また、ジェスチャーでの割込み処理として、例えば手を上げる等の所定の動作と共に発話を行った場合に割込みユーザの優先度が上げられるようにしてもよい。
　また、リモートコントローラやＨＷ（ハードウェア）ボタンを用いた割込み処理として、情報処理装置１を操作するリモートコントローラや情報処理装置１に設けられた物理的なボタン等に割込み処理機能が付与されていてもよい。
　また、環境センシングの内容に応じた割込み処理として、例えばカメラ１４や測距センサ１５等により検知された内容に基づいて、明示的な割込み処理が判断されてもよい。一例としては、ユーザが急いでいる様子（急いで情報処理装置１に近付いてきた等）がセンシングされた場合や、ユーザが現在のターゲットユーザよりも情報処理装置１に近付いて発話した場合等に、明示的な割込み処理と判断され、優先度が上げられる。また、対象ユーザのスケジュール情報を所定のサーバ等から取得し、割込みユーザにこの後すぐに予定がある場合、明示的な割込み処理と判断し、優先度が上げられるようにしてもよい。
　以上、明示的な割込み処理について説明したが、本実施形態は上述した割込み処理の他、対象ユーザの属性に応じた割込み処理を行うことも可能である。すなわち、情報処理装置１が発話者を識別できる場合、ユーザ毎に静的または動的な優先度が割り当てる。具体的には、例えばユーザＡＡが「息子」であって、ユーザＢＢが「母親」と登録され、「母親」の優先度を「息子」よりも高くすると設定されている場合、ユーザＡＡとの対話中にユーザＢＢが発話して割り込んだ際、ユーザＢＢの優先度をユーザＢＢよりも上げるよう制御される。これによりユーザＡＡへの応答は音声出力から表示出力に切り替わる。
　＜＜４．応答出力例＞＞
　続いて、本実施形態による複数ユーザに対する応答出力の一例について、図４～図８を参照して具体的に説明する。
　＜４－１．音声および表示による応答＞
　図４は、本実施形態の複数人同時発話に対する音声および表示による応答出力例について説明する図である。図４左に示すように、情報処理装置１は、ユーザＡＡからの発話３０に対して応答３１を音声出力している際に、ユーザＢＢからの発話３２を認識した場合、先に対話を開始したユーザＡＡをターゲットユーザに決定し、応答３１の音声出力を継続する。一方、情報処理装置１は、後から発話したユーザＢＢを非ターゲットユーザに決定し、ユーザＢＢに対しては待機を促す応答画像２１ａを表示出力する。
　そして、ユーザＡＡへの音声応答出力が終了した後、図４右に示すように、情報処理装置１は、待機させていたユーザＢＢに対して音声による応答３３「お待たせしました。来週の金曜ですね」を出力する。また、情報処理装置１は、必要であれば応答画像２１ｄを壁２０に投影して表示出力を併せて行うことも可能である。また、情報処理装置１は、音声応答出力の占有をユーザＢＢに遷移させたことを明示するために、図４右に示すように、情報処理装置１の発光部１８においてユーザＢＢの方向を一部点灯させるよう制御することでユーザＢＢに視線を向けているように見せてもよい。
　このように、本実施形態による音声認識システムでは、ユーザの発話順に応じて音声応答出力の占有を遷移させることで、複数ユーザによるシステムの同時利用を実現することができる。なお非ターゲットユーザへの待機指示は、図４に示すような応答画像２１ａの投影に限定されない。以下、変形例についていくつか説明する。
　（変形例１）
　例えばターゲットユーザにより表示応答出力も占有されている場合、情報処理装置１は、情報処理装置１に設けられているサブディスプレイや発光部１８を用いて非ターゲットユーザに対して待機指示を出力することが可能である。
　また、情報処理装置１は、サブディスプレイや発光部１８の表示エリアや表示機能が限られている場合、アイコンや光の色情報を用いて待機指示を出力してもよい。以下、図５Ａ、および図５Ｂを参照してサブディスプレイを用いた待機ユーザの通知について説明する。
　例えば図５Ａに示すように、側面上にサブディスプレイ１９が設けられた情報処理装置１ｘにおいて、出力制御部１０ｆは、現在の応答待ちの非ターゲットユーザをキューのような表示で可視化してもよい。図５Ａに示す例では、現在２人が応答待ちであることが直感的に把握できる。
　また、図５Ｂに示すように、側面上にサブディスプレイ１９が設けられた情報処理装置１ｘにおいて、出力制御部１０ｆは、現在の応答待ちの非ターゲットユーザをキューのような表示で可視化する際に、併せてユーザのＩＤや名前を明示し、また、登録されている対象ユーザの色で表示してもよい。図５Ｂに示す例では、現在誰が応答待ちであるかが直感的に把握できる。
　（変形例２）
　また、情報処理装置１は、複数ユーザに対するそれぞれの応答に一定の表示領域が必要である場合、表示領域が足りなくなるため、優先度の低い方への応答（すなわち非ターゲットユーザへの応答）を、アイコンやテキストにして表示し、表示領域を節約する。図６は、非ターゲットユーザへの応答をアイコンで示して表示領域を節約する例について説明する図である。図６に示すように、ユーザＡＡからの発話３４「カレンダー見せて」を認識した情報処理装置１は、応答３５「カレンダーですね」を出力し、壁２０には対応するカレンダー画像２２ａを投影する。
　ここで、カレンダー画像２２ａは情報量が多いため、表示領域２００が広く使用される。したがって、途中からユーザＢＢの発話３６「メール来ているかしら？」を認識した場合、図４左に示すような応答画像２１ａおよび発話内容画像２１ｃを表示するスペースが確保できないため、情報処理装置１は、図６に示すようにメールのアイコン画像２２ｂを表示する。これによりユーザＢＢは、自分の発話が正しく認識され、応答待ちの状態であることを直感的に把握することができる。
　以上、本実施形態による非ターゲットユーザへの待機通知に関する応用例について説明した。なお上述した変形例１および変形例２が組み合わせて用いられてもよい。
　＜４－２．指向性を用いた同時応答＞
　次に、情報処理装置１は、スピーカ１３が、波面合成のように特定位置のみに音場を生成することができる指向性を持つものである場合、複数ユーザに対して同時に音声応答出力することも可能である。図７は、指向性を用いた音声による同時応答について説明する図である。
　情報処理装置１はカメラ１４やマイクロホン１２によりセンシングされた内容を用いて各発話者の位置を認識し、図７に示すように、ユーザＡＡに対する応答３７と、ユーザＢＢに対する応答３８とを各ユーザの位置に向けて音声出力し、同時応答を行う。この際、情報処理装置１は、表示領域を分割して複数ユーザにそれぞれ表示エリアを割り当て、ユーザＡＡに対する応答画像２３ａとユーザＢＢに対する応答画像２３ｂを表示してもよい。また、情報処理装置１は、ターゲットユーザに対応する表示領域を非ターゲットユーザに対応する表示領域より大きくしてもよい。
　このように、本実施形態による音声認識システムでは、指向性を用いて複数ユーザへの音声による同時応答を可能とし、複数ユーザによるシステムの同時利用を実現することができる。
　＜４－３．外部装置との連携による応答＞
　また、情報処理装置１は、外部装置と連携し、非ターゲットユーザに対する応答を外部装置から行うよう制御することも可能である。例えばターゲットユーザにより音声および表示応答出力が占有されている場合、情報処理装置１は、非ターゲットユーザが所有する携帯通信端末、ウェアラブル端末、付近や非ターゲットユーザの自室にあるＴＶ、または他の場所にある他の音声ＵＩシステム等から非ターゲットユーザに対する応答を出力するよう制御する。この際、情報処理装置１は、情報処理装置１に設けられているサブディスプレイに外部装置から応答出力を行う旨を表示してもよいし、携帯通信端末やウェアラブル端末から「こちらから応答します」等の音声を出力させたりして応答端末を非ターゲットユーザに通知してもよい。
　このように、本実施形態による音声認識システムでは、外部装置と連携して複数ユーザへの同時応答を可能とし、複数ユーザによるシステムの同時利用を実現することができる。
　＜４－４．発話者の状態に応じた応答＞
　また、本実施形態による情報処理装置１は、発話者の状態に応じて応答出力方法を決定することも可能である。例えばユーザが情報処理装置１の近くにはおらず、少し離れた所から大声で発話した場合、情報処理装置１からの音声出力や表示出力がユーザまで伝わらない可能性がある。そのため、情報処理装置１は、ユーザが所有する携帯通信端末やウェアラブル装置等、外部装置との連携による応答出力方法に決定してもよい。また、応答内容を情報処理装置１内に一時的に記憶させ、ユーザが情報処理装置１の音声出力や表示出力の有効範囲内に移動した場合に、応答内容を出力するようにしてもよい。
　これにより、例えば先に発話を行ったターゲットユーザが情報処理装置１から離れた場所に居る場合に情報処理装置１の音声出力や表示出力が占有されることを回避し、音声出力や表示出力は近くに居る非ターゲットユーザに割り当てることができる。
　＜４－５．発話内容に応じた応答＞
　また、本実施形態による情報処理装置１は、応答内容に応じて応答出力方法を決定することも可能である。例えば応答がカレンダー表示といったように情報量が多いものである場合、情報処理装置１は、当該応答には表示出力方法を優先的に割り当てて、音声出力方法は他のユーザが利用可能としてもよい。また、簡単な確認事項（ユーザの発話「山手線遅れてないよね？」に対して、情報処理装置１の応答が「はい」のみ）の場合、音声出力だけで完結し、画像表示は不要であるため、情報処理装置１は、表示出力方法は他のユーザが利用可能としてもよい。また、ユーザの発話が「カレンダー見せて」といったように表示に対する指示だけである場合、情報処理装置１は、音声出力方法は他のユーザが利用可能としてもよい。
　このように、ユーザの発話内容に応じて必要な応答出力方法を優先的に割り当て、他の応答出力方法は他のユーザが利用可能な状態とすることで、ターゲットユーザが表示出力と音声出力の全てを占有することを回避し、複数ユーザによるシステムの同時利用を実現することができる。
　＜４－６．エラー応答＞
　また、本実施形態による情報処理装置１は、許容する同時発話者数を超えた場合、エラー表示を行ってもよい。以下、図８を参照して一例を説明する。
　図８は、本実施形態によるエラー表示の一例を示す図である。図８に示すように、まずユーザＡＡからの発話４０を認識した情報処理装置１が、応答４１を音声出力すると共に、応答画像２４ｂを投影する。かかる応答中に、ユーザＢＢからの発話４２「コンサートいつだっけ？」、ユーザＣＣからの発話４３「テレビ番組表を見せて！」、ユーザＤＤからの発話４４「今日のニュースは？」が発せられ、情報処理装置１の許容する同時発話者数（例えば２名）を超えた場合、図８に示すようにエラー画像２４ａが投影される。
　エラー画像２４ａは、例えば「一人ずつお願いね！」というように、エラー回避のための対策をユーザに促す内容を含むものであってもよい。これにより、ユーザＢＢ、ユーザＣＣ、ユーザＤＤは、一人ずつ発話を行えばエラー状態が解消されることが分かる。
　なおエラー原因が表示領域の制限問題である場合、情報処理装置１は、各非ターゲットユーザに紐づくデバイス等に応答内容を転送してもよい。
　　＜＜５．まとめ＞＞
　上述したように、本開示の実施形態による音声認識システムでは、例えば発話順に応じて音声応答出力の占有を遷移させることで、複数ユーザによるシステムの同時利用を実現し、音声認識システムの利便性を向上することが可能となる。
　以上、添付図面を参照しながら本開示の好適な実施形態について詳細に説明したが、本技術はかかる例に限定されない。本開示の技術分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本開示の技術的範囲に属するものと了解される。
　例えば、上述した情報処理装置１に内蔵されるＣＰＵ、ＲＯＭ、およびＲＡＭ等のハードウェアに、情報処理装置１の機能を発揮させるためのコンピュータプログラムも作成可能である。また、当該コンピュータプログラムを記憶させたコンピュータ読み取り可能な記憶媒体も提供される。
　また、本明細書に記載された効果は、あくまで説明的または例示的なものであって限定的ではない。つまり、本開示に係る技術は、上記の効果とともに、または上記の効果に代えて、本明細書の記載から当業者には明らかな他の効果を奏しうる。
　なお、本技術は以下のような構成も取ることができる。
（１）
　複数ユーザからの発話に対して応答を生成する応答生成部と、
　前記複数ユーザの発話順に応じた優先度に基づいて各ユーザへの応答出力方法を決定する決定部と、
　前記決定された応答出力方法で前記生成された応答を出力するよう制御する出力制御部と、
を備える、情報処理装置。
（２）
　前記決定部は、対話中のユーザと異なるユーザからの発話を認識した場合、先に対話を開始したユーザの優先度を、次に対話を開始したユーザの優先度よりも高くする、前記（１）に記載の情報処理装置。
（３）
　前記決定部は、最も優先度が高い１のユーザをターゲットユーザ、他の１以上のユーザを非ターゲットユーザに決定する、前記（２）に記載の情報処理装置。
（４）
　前記決定部は、音声による応答出力方法を前記ターゲットユーザに占有させ、前記非ターゲットユーザには表示による応答出力方法を割り当てる、前記（３）に記載の情報処理装置。
（５）
　前記応答生成部は、前記非ターゲットユーザに対して、待機を促す応答を生成し、
　前記出力制御部は、前記非ターゲットユーザに対して待機を促す応答の画像を表示するよう制御する、前記（４）に記載の情報処理装置。
（６）
　前記応答生成部は、前記非ターゲットユーザに対して、前記非ターゲットユーザの発話の音声認識結果を示す応答を生成し、
　前記出力制御部は、前記非ターゲットユーザの発話の音声認識結果を示す応答の画像を表示するよう制御する、前記（５）に記載の情報処理装置。
（７）
　前記出力制御部は、応答待ちの非ターゲットユーザを明示するよう制御する、前記（４）～（６）のいずれか１項に記載の情報処理装置。
（８）
　前記決定部は、前記ターゲットユーザとの対話が終了した後、ターゲットユーザに占有させていた音声応答出力方法を非ターゲットユーザに遷移させる、前記（４）～（７）のいずれか１項に記載の情報処理装置。
（９）
　前記表示による応答出力は、投影による表示である、前記（４）～（８）のいずれか１項に記載の情報処理装置。
（１０）
　前記決定部は、前記ターゲットユーザが表示による出力方法と音声による出力方法を占有している場合、前記非ターゲットユーザには、外部装置との連携による応答の出力方法を割り当てる、前記（３）に記載の情報処理装置。
（１１）
　前記決定部は、前記ターゲットユーザへの応答内容に応じて決定された応答出力方法と異なる応答出力方法を前記非ターゲットユーザに決定する、前記（３）に記載の情報処理装置。
（１２）
　前記決定部は、前記ターゲットユーザへの応答出力方法が表示を占有するものである場合、非ターゲットユーザには音声による出力方法を割り当てる、前記（１１）に記載の情報処理装置。
（１３）
　前記決定部は、前記ターゲットユーザの状態に応じて応答の出力方法を決定する、前記（３）に記載の情報処理装置。
（１４）
　前記決定部は、前記ターゲットユーザが前記情報処理装置１から所定値以上離れた場所に居る場合、外部装置との連携による応答の出力方法を割り当てる、前記（１３）に記載の情報処理装置。
（１５）
　前記決定部は、明示的な割込み処理に応じて優先度を変更する、前記（２）～（１４）のいずれか１項に記載の情報処理装置。
（１６）
　前記決定部は、指向性を有する音声出力部からの応答出力方法を複数ユーザに対して割り当てる、前記（１）に記載の情報処理装置。
（１７）
　前記出力制御部は、音声認識結果に基づいて許容する発話者数を超えた場合、エラー通知を行うよう制御する、前記（１）～（１６）のいずれか１項に記載の情報処理装置。
（１８）
　複数ユーザからの発話に対して応答を生成することと、
　前記複数ユーザの発話順に応じた優先度に基づいて各ユーザへの応答出力方法を決定することと、
　前記決定された応答出力方法で前記生成された応答を出力するよう出力制御部により制御することと、
を含む制御方法。
（１９）
　コンピュータを、
　複数ユーザからの発話に対して応答を生成する応答生成部と、
　前記複数ユーザの発話順に応じた優先度に基づいて各ユーザへの応答出力方法を決定する決定部と、
　前記決定された応答出力方法で前記生成された応答を出力するよう制御する出力制御部と、
として機能させるためのプログラム。
　１　　情報処理装置
　１０　　制御部
　１０ａ　　音声認識部
　１０ｂ　　意味解析部
　１０ｃ　　応答生成部
　１０ｄ　　ターゲット決定部
　１０ｅ　　応答出力方法決定部
　１０ｆ　　出力制御部
　１１　　通信部
　１２　　マイクロホン
　１３　　スピーカ
　１４　　カメラ
　１５　　測距センサ
　１６　　投影部
　１７　　記憶部
　１８　　発光部
　１９　　サブディスプレイ
　２０　　壁

Claims (19)

  1. 　複数ユーザからの発話に対して応答を生成する応答生成部と、
    　前記複数ユーザの発話順に応じた優先度に基づいて各ユーザへの応答出力方法を決定する決定部と、
    　前記決定された応答出力方法で前記生成された応答を出力するよう制御する出力制御部と、
    を備える、情報処理装置。
  2. 　前記決定部は、対話中のユーザと異なるユーザからの発話を認識した場合、先に対話を開始したユーザの優先度を、次に対話を開始したユーザの優先度よりも高くする、請求項１に記載の情報処理装置。
  3. 　前記決定部は、最も優先度が高い１のユーザをターゲットユーザ、他の１以上のユーザを非ターゲットユーザに決定する、請求項２に記載の情報処理装置。
  4. 　前記決定部は、音声による応答出力方法を前記ターゲットユーザに占有させ、前記非ターゲットユーザには表示による応答出力方法を割り当てる、請求項３に記載の情報処理装置。
  5. 　前記応答生成部は、前記非ターゲットユーザに対して、待機を促す応答を生成し、
    　前記出力制御部は、前記非ターゲットユーザに対して待機を促す応答の画像を表示するよう制御する、請求項４に記載の情報処理装置。
  6. 　前記応答生成部は、前記非ターゲットユーザに対して、前記非ターゲットユーザの発話の音声認識結果を示す応答を生成し、
    　前記出力制御部は、前記非ターゲットユーザの発話の音声認識結果を示す応答の画像を表示するよう制御する、請求項５に記載の情報処理装置。
  7. 　前記出力制御部は、応答待ちの非ターゲットユーザを明示するよう制御する、請求項４に記載の情報処理装置。
  8. 　前記決定部は、前記ターゲットユーザとの対話が終了した後、ターゲットユーザに占有させていた音声応答出力方法を非ターゲットユーザに遷移させる、請求項４に記載の情報処理装置。
  9. 　前記表示による応答出力は、投影による表示である、請求項４に記載の情報処理装置。
  10. 　前記決定部は、前記ターゲットユーザが表示による出力方法と音声による出力方法を占有している場合、前記非ターゲットユーザには、外部装置との連携による応答の出力方法を割り当てる、請求項３に記載の情報処理装置。
  11. 　前記決定部は、前記ターゲットユーザへの応答内容に応じて決定された応答出力方法と異なる応答出力方法を前記非ターゲットユーザに決定する、請求項３に記載の情報処理装置。
  12. 　前記決定部は、前記ターゲットユーザへの応答出力方法が表示を占有するものである場合、非ターゲットユーザには音声による出力方法を割り当てる、請求項１１に記載の情報処理装置。
  13. 　前記決定部は、前記ターゲットユーザの状態に応じて応答の出力方法を決定する、請求項３に記載の情報処理装置。
  14. 　前記決定部は、前記ターゲットユーザが前記情報処理装置１から所定値以上離れた場所に居る場合、外部装置との連携による応答の出力方法を割り当てる、請求項１３に記載の情報処理装置。
  15. 　前記決定部は、明示的な割込み処理に応じて優先度を変更する、請求項２に記載の情報処理装置。
  16. 　前記決定部は、指向性を有する音声出力部からの応答出力方法を複数ユーザに対して割り当てる、請求項１に記載の情報処理装置。
  17. 　前記出力制御部は、音声認識結果に基づいて許容する発話者数を超えた場合、エラー通知を行うよう制御する、請求項１に記載の情報処理装置。
  18. 　複数ユーザからの発話に対して応答を生成することと、
    　前記複数ユーザの発話順に応じた優先度に基づいて各ユーザへの応答出力方法を決定することと、
    　前記決定された応答出力方法で前記生成された応答を出力するよう出力制御部により制御することと、
    を含む制御方法。
  19. 　コンピュータを、
    　複数ユーザからの発話に対して応答を生成する応答生成部と、
    　前記複数ユーザの発話順に応じた優先度に基づいて各ユーザへの応答出力方法を決定する決定部と、
    　前記決定された応答出力方法で前記生成された応答を出力するよう制御する出力制御部と、
    として機能させるためのプログラム。
PCT/JP2015/086544 2015-03-31 2015-12-28 情報処理装置、制御方法、およびプログラム WO2016157662A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2017509182A JP6669162B2 (ja) 2015-03-31 2015-12-28 情報処理装置、制御方法、およびプログラム
EP15887804.1A EP3279790B1 (en) 2015-03-31 2015-12-28 Information processing device, control method, and program
CN201580078175.7A CN107408027B (zh) 2015-03-31 2015-12-28 信息处理设备、控制方法及程序
US15/559,940 US20180074785A1 (en) 2015-03-31 2015-12-28 Information processing device, control method, and program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2015073896 2015-03-31
JP2015-073896 2015-03-31

Publications (1)

Publication Number Publication Date
WO2016157662A1 true WO2016157662A1 (ja) 2016-10-06

Family

ID=57005865

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2015/086544 WO2016157662A1 (ja) 2015-03-31 2015-12-28 情報処理装置、制御方法、およびプログラム

Country Status (5)

Country Link
US (1) US20180074785A1 (ja)
EP (1) EP3279790B1 (ja)
JP (1) JP6669162B2 (ja)
CN (1) CN107408027B (ja)
WO (1) WO2016157662A1 (ja)

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018148254A (ja) * 2017-03-01 2018-09-20 大和ハウス工業株式会社 インターフェースユニット
WO2019100738A1 (zh) * 2017-11-24 2019-05-31 科大讯飞股份有限公司 多人参与的人机交互方法及装置
JP2019101264A (ja) * 2017-12-04 2019-06-24 シャープ株式会社 外部制御装置、音声対話型制御システム、制御方法、およびプログラム
WO2019130399A1 (ja) * 2017-12-25 2019-07-04 三菱電機株式会社 音声認識装置、音声認識システム及び音声認識方法
WO2019142420A1 (ja) * 2018-01-22 2019-07-25 ソニー株式会社 情報処理装置および情報処理方法
CN110313153A (zh) * 2017-02-14 2019-10-08 微软技术许可有限责任公司 智能数字助理系统
US20190369936A1 (en) * 2017-07-20 2019-12-05 Apple Inc. Electronic Device With Sensors and Display Devices
JP2020003926A (ja) * 2018-06-26 2020-01-09 株式会社日立製作所 対話システムの制御方法、対話システム及びプログラム
WO2020017165A1 (ja) * 2018-07-20 2020-01-23 ソニー株式会社 情報処理装置、情報処理システム、および情報処理方法、並びにプログラム
JP2020505643A (ja) * 2017-02-15 2020-02-20 ▲騰▼▲訊▼科技（深▲セン▼）有限公司 音声認識方法、電子機器、及びコンピュータ記憶媒体
EP3567470A4 (en) * 2017-11-07 2020-03-25 Sony Corporation INFORMATION PROCESSING DEVICE AND ELECTRONIC APPARATUS
KR20210002648A (ko) * 2018-05-04 2021-01-08 구글 엘엘씨 사용자와 자동화된 어시스턴트 인터페이스 간의 거리에 따른 자동화된 어시스턴트 콘텐츠의 생성 및/또는 적용
JP2021018664A (ja) * 2019-07-22 2021-02-15 Tis株式会社 情報処理システム、情報処理方法、及びプログラム
EP3726355A4 (en) * 2017-12-15 2021-02-17 Sony Corporation INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING PROCESS AND RECORDING MEDIA
US11010601B2 (en) 2017-02-14 2021-05-18 Microsoft Technology Licensing, Llc Intelligent assistant device communicating non-verbal cues
US11100384B2 (en) 2017-02-14 2021-08-24 Microsoft Technology Licensing, Llc Intelligent device user interactions
JP2021123215A (ja) * 2020-02-04 2021-08-30 株式会社デンソーテン 表示装置および表示装置の制御方法
JP2021135363A (ja) * 2020-02-26 2021-09-13 株式会社サイバーエージェント 制御システム、制御装置、制御方法及びコンピュータプログラム
JP2021533510A (ja) * 2018-01-30 2021-12-02 ティントーク ホールディング（ケイマン）リミティド 相互作用の方法及び装置
WO2021251107A1 (ja) * 2020-06-11 2021-12-16 ソニーグループ株式会社 情報処理装置、情報処理システム、および情報処理方法、並びにプログラム
WO2023090057A1 (ja) * 2021-11-17 2023-05-25 ソニーグループ株式会社 情報処理装置、情報処理方法および情報処理プログラム

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10438584B2 (en) * 2017-04-07 2019-10-08 Google Llc Multi-user virtual assistant for verbal device control
KR101949497B1 (ko) * 2017-05-02 2019-02-18 네이버 주식회사 사용자 발화의 표현법을 파악하여 기기의 동작이나 컨텐츠 제공 범위를 조정하여 제공하는 사용자 명령 처리 방법 및 시스템
US10628570B2 (en) * 2017-05-15 2020-04-21 Fmr Llc Protection of data in a zero user interface environment
US11222060B2 (en) * 2017-06-16 2022-01-11 Hewlett-Packard Development Company, L.P. Voice assistants with graphical image responses
US11178280B2 (en) * 2017-06-20 2021-11-16 Lenovo (Singapore) Pte. Ltd. Input during conversational session
CN107564517A (zh) * 2017-07-05 2018-01-09 百度在线网络技术（北京）有限公司 语音唤醒方法、设备及系统、云端服务器与可读介质
US10475454B2 (en) * 2017-09-18 2019-11-12 Motorola Mobility Llc Directional display and audio broadcast
CN108600911B (zh) 2018-03-30 2021-05-18 联想(北京)有限公司 一种输出方法及电子设备
CN108665900B (zh) 2018-04-23 2020-03-03 百度在线网络技术（北京）有限公司 云端唤醒方法及系统、终端以及计算机可读存储介质
KR20190133100A (ko) * 2018-05-22 2019-12-02 삼성전자주식회사 어플리케이션을 이용하여 음성 입력에 대한 응답을 출력하는 전자 장치 및 그 동작 방법
CN109117737A (zh) * 2018-07-19 2019-01-01 北京小米移动软件有限公司 洗手机的控制方法、装置和存储介质
CN110874201B (zh) * 2018-08-29 2023-06-23 斑马智行网络(香港)有限公司 交互方法、设备、存储介质和操作系统
US10971160B2 (en) * 2018-11-13 2021-04-06 Comcast Cable Communications, Llc Methods and systems for determining a wake word
CN113260953A (zh) * 2019-01-07 2021-08-13 索尼集团公司 信息处理设备与信息处理方法
CN109841207A (zh) * 2019-03-01 2019-06-04 深圳前海达闼云端智能科技有限公司 一种交互方法及机器人、服务器和存储介质
EP3723354B1 (en) * 2019-04-09 2021-12-22 Sonova AG Prioritization and muting of speakers in a hearing device system
KR20210042520A (ko) * 2019-10-10 2021-04-20 삼성전자주식회사 전자 장치 및 이의 제어 방법
CN110992971A (zh) * 2019-12-24 2020-04-10 达闼科技成都有限公司 一种语音增强方向的确定方法、电子设备及存储介质
US11128636B1 (en) * 2020-05-13 2021-09-21 Science House LLC Systems, methods, and apparatus for enhanced headsets
KR20220000182A (ko) * 2020-06-25 2022-01-03 현대자동차주식회사 차량용 다중 대화 모드 지원 방법 및 시스템
CN112863511B (zh) * 2021-01-15 2024-06-04 北京小米松果电子有限公司 信号处理方法、装置以及存储介质
CN113763968B (zh) * 2021-09-08 2024-05-07 北京百度网讯科技有限公司 用于识别语音的方法、装置、设备、介质和产品
CN115017280A (zh) * 2022-05-17 2022-09-06 美的集团(上海)有限公司 对话管理方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH01216398A (ja) * 1988-02-25 1989-08-30 Toshiba Corp 音声認識方式
JP2006243555A (ja) * 2005-03-04 2006-09-14 Nec Corp 対応決定システム、ロボット、イベント出力サーバ、および対応決定方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6882974B2 (en) * 2002-02-15 2005-04-19 Sap Aktiengesellschaft Voice-control for a user interface
CN101282380B (zh) * 2007-04-02 2012-04-18 中国电信股份有限公司 一名通业务呼叫接续方法、服务器和通信系统
CN101291469B (zh) * 2008-06-02 2011-06-29 中国联合网络通信集团有限公司 语音被叫业务和主叫业务实现方法
KR20140004515A (ko) * 2012-07-03 2014-01-13 삼성전자주식회사 디스플레이 장치, 대화형 시스템 및 응답 정보 제공 방법
US9576574B2 (en) * 2012-09-10 2017-02-21 Apple Inc. Context-sensitive handling of interruptions by intelligent digital assistant
US9098467B1 (en) * 2012-12-19 2015-08-04 Rawles Llc Accepting voice commands based on user identity
US9747896B2 (en) * 2014-10-15 2017-08-29 Voicebox Technologies Corporation System and method for providing follow-up responses to prior natural language inputs of a user

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH01216398A (ja) * 1988-02-25 1989-08-30 Toshiba Corp 音声認識方式
JP2006243555A (ja) * 2005-03-04 2006-09-14 Nec Corp 対応決定システム、ロボット、イベント出力サーバ、および対応決定方法

Cited By (44)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10984782B2 (en) 2017-02-14 2021-04-20 Microsoft Technology Licensing, Llc Intelligent digital assistant system
US11100384B2 (en) 2017-02-14 2021-08-24 Microsoft Technology Licensing, Llc Intelligent device user interactions
US11017765B2 (en) 2017-02-14 2021-05-25 Microsoft Technology Licensing, Llc Intelligent assistant with intent-based information resolution
US10957311B2 (en) 2017-02-14 2021-03-23 Microsoft Technology Licensing, Llc Parsers for deriving user intents
US11010601B2 (en) 2017-02-14 2021-05-18 Microsoft Technology Licensing, Llc Intelligent assistant device communicating non-verbal cues
CN110313153A (zh) * 2017-02-14 2019-10-08 微软技术许可有限责任公司 智能数字助理系统
US11126825B2 (en) 2017-02-14 2021-09-21 Microsoft Technology Licensing, Llc Natural language interaction for smart assistant
US11004446B2 (en) 2017-02-14 2021-05-11 Microsoft Technology Licensing, Llc Alias resolving intelligent assistant computing device
US11194998B2 (en) 2017-02-14 2021-12-07 Microsoft Technology Licensing, Llc Multi-user intelligent assistance
CN110313153B (zh) * 2017-02-14 2021-09-21 微软技术许可有限责任公司 智能数字助理系统
JP2020505643A (ja) * 2017-02-15 2020-02-20 ▲騰▼▲訊▼科技（深▲セン▼）有限公司 音声認識方法、電子機器、及びコンピュータ記憶媒体
JP2018148254A (ja) * 2017-03-01 2018-09-20 大和ハウス工業株式会社 インターフェースユニット
US11609603B2 (en) 2017-07-20 2023-03-21 Apple Inc. Electronic device with sensors and display devices
US11150692B2 (en) * 2017-07-20 2021-10-19 Apple Inc. Electronic device with sensors and display devices
US20190369936A1 (en) * 2017-07-20 2019-12-05 Apple Inc. Electronic Device With Sensors and Display Devices
EP3567470A4 (en) * 2017-11-07 2020-03-25 Sony Corporation INFORMATION PROCESSING DEVICE AND ELECTRONIC APPARATUS
JPWO2019093123A1 (ja) * 2017-11-07 2020-09-24 ソニー株式会社 情報処理装置および電子機器
JP7215417B2 (ja) 2017-11-07 2023-01-31 ソニーグループ株式会社 情報処理装置、情報処理方法、およびプログラム
WO2019100738A1 (zh) * 2017-11-24 2019-05-31 科大讯飞股份有限公司 多人参与的人机交互方法及装置
JP2019101264A (ja) * 2017-12-04 2019-06-24 シャープ株式会社 外部制御装置、音声対話型制御システム、制御方法、およびプログラム
EP3726355A4 (en) * 2017-12-15 2021-02-17 Sony Corporation INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING PROCESS AND RECORDING MEDIA
US11221684B2 (en) 2017-12-15 2022-01-11 Sony Corporation Information processing device, information processing method, and recording medium
JPWO2019130399A1 (ja) * 2017-12-25 2020-04-23 三菱電機株式会社 音声認識装置、音声認識システム及び音声認識方法
WO2019130399A1 (ja) * 2017-12-25 2019-07-04 三菱電機株式会社 音声認識装置、音声認識システム及び音声認識方法
US11935449B2 (en) 2018-01-22 2024-03-19 Sony Corporation Information processing apparatus and information processing method
WO2019142420A1 (ja) * 2018-01-22 2019-07-25 ソニー株式会社 情報処理装置および情報処理方法
JP2021533510A (ja) * 2018-01-30 2021-12-02 ティントーク ホールディング（ケイマン）リミティド 相互作用の方法及び装置
JP7081045B2 (ja) 2018-05-04 2022-06-06 グーグル エルエルシー ユーザと自動化されたアシスタントインターフェースとの間の距離に応じて自動化されたアシスタントのコンテンツを生成するおよび／または適応させること
JP2021522636A (ja) * 2018-05-04 2021-08-30 グーグル エルエルシーＧｏｏｇｌｅ ＬＬＣ ユーザと自動化されたアシスタントインターフェースとの間の距離に応じて自動化されたアシスタントのコンテンツを生成するおよび／または適応させること
US11789522B2 (en) 2018-05-04 2023-10-17 Google Llc Generating and/or adapting automated assistant content according to a distance between user(s) and an automated assistant interface
KR102574277B1 (ko) * 2018-05-04 2023-09-04 구글 엘엘씨 사용자와 자동화된 어시스턴트 인터페이스 간의 거리에 따른 자동화된 어시스턴트 콘텐츠의 생성 및/또는 적용
KR20210002648A (ko) * 2018-05-04 2021-01-08 구글 엘엘씨 사용자와 자동화된 어시스턴트 인터페이스 간의 거리에 따른 자동화된 어시스턴트 콘텐츠의 생성 및/또는 적용
JP2020003926A (ja) * 2018-06-26 2020-01-09 株式会社日立製作所 対話システムの制御方法、対話システム及びプログラム
US11189270B2 (en) 2018-06-26 2021-11-30 Hitachi, Ltd. Method of controlling dialogue system, dialogue system, and data storage medium
WO2020017165A1 (ja) * 2018-07-20 2020-01-23 ソニー株式会社 情報処理装置、情報処理システム、および情報処理方法、並びにプログラム
US20210319790A1 (en) * 2018-07-20 2021-10-14 Sony Corporation Information processing device, information processing system, information processing method, and program
US12118991B2 (en) * 2018-07-20 2024-10-15 Sony Corporation Information processing device, information processing system, and information processing method
JP7258686B2 (ja) 2019-07-22 2023-04-17 Tis株式会社 情報処理システム、情報処理方法、及びプログラム
JP2021018664A (ja) * 2019-07-22 2021-02-15 Tis株式会社 情報処理システム、情報処理方法、及びプログラム
JP2021123215A (ja) * 2020-02-04 2021-08-30 株式会社デンソーテン 表示装置および表示装置の制御方法
JP7474058B2 (ja) 2020-02-04 2024-04-24 株式会社デンソーテン 表示装置および表示装置の制御方法
JP2021135363A (ja) * 2020-02-26 2021-09-13 株式会社サイバーエージェント 制御システム、制御装置、制御方法及びコンピュータプログラム
WO2021251107A1 (ja) * 2020-06-11 2021-12-16 ソニーグループ株式会社 情報処理装置、情報処理システム、および情報処理方法、並びにプログラム
WO2023090057A1 (ja) * 2021-11-17 2023-05-25 ソニーグループ株式会社 情報処理装置、情報処理方法および情報処理プログラム

Also Published As

Publication number Publication date
EP3279790B1 (en) 2020-11-11
US20180074785A1 (en) 2018-03-15
CN107408027B (zh) 2020-07-28
CN107408027A (zh) 2017-11-28
EP3279790A4 (en) 2018-12-19
EP3279790A1 (en) 2018-02-07
JPWO2016157662A1 (ja) 2018-01-25
JP6669162B2 (ja) 2020-03-18

Similar Documents

Publication Publication Date Title
WO2016157662A1 (ja) 情報処理装置、制御方法、およびプログラム
JP6669073B2 (ja) 情報処理装置、制御方法、およびプログラム
US10572073B2 (en) Information processing device, information processing method, and program
US10776070B2 (en) Information processing device, control method, and program
JP6516585B2 (ja) 制御装置、その方法及びプログラム
JP6739907B2 (ja) 機器特定方法、機器特定装置及びプログラム
KR102551715B1 (ko) Iot 기반 알림을 생성 및 클라이언트 디바이스(들)의 자동화된 어시스턴트 클라이언트(들)에 의해 iot 기반 알림을 자동 렌더링하게 하는 명령(들)의 제공
EP3419020B1 (en) Information processing device, information processing method and program
WO2019107145A1 (ja) 情報処理装置、及び情報処理方法
US11373650B2 (en) Information processing device and information processing method
CN115605948B (zh) 在多个潜在响应的电子装置之间的仲裁
CN112106016A (zh) 信息处理装置、信息处理方法和记录介质
AU2024200648A1 (en) Assistant device arbitration using wearable device data
JP6973380B2 (ja) 情報処理装置、および情報処理方法
WO2018139036A1 (ja) 情報処理装置、情報処理方法およびプログラム
JP6950708B2 (ja) 情報処理装置、情報処理方法、および情報処理システム
WO2018139050A1 (ja) 情報処理装置、情報処理方法およびプログラム
JP2020061050A (ja) コミュニケーションシステム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15887804

Country of ref document: EP

Kind code of ref document: A1

DPE2 Request for preliminary examination filed before expiration of 19th month from priority date (pct application filed from 20040101)
ENP Entry into the national phase

Ref document number: 2017509182

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 15559940

Country of ref document: US

REEP Request for entry into the european phase

Ref document number: 2015887804

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE