WO2019176018A1 - Ａｉスピーカーシステム、ａｉスピーカーシステムの制御方法、及びプログラム - Google Patents

Ａｉスピーカーシステム、ａｉスピーカーシステムの制御方法、及びプログラム Download PDF

Info

Publication number
WO2019176018A1
WO2019176018A1 PCT/JP2018/010008 JP2018010008W WO2019176018A1 WO 2019176018 A1 WO2019176018 A1 WO 2019176018A1 JP 2018010008 W JP2018010008 W JP 2018010008W WO 2019176018 A1 WO2019176018 A1 WO 2019176018A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
speaker
voice
user account
meaning
Prior art date
Application number
PCT/JP2018/010008
Other languages
English (en)
French (fr)
Inventor
尚也 坂本
将仁 谷口
Original Assignee
株式会社ウフル
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 株式会社ウフル filed Critical 株式会社ウフル
Priority to PCT/JP2018/010008 priority Critical patent/WO2019176018A1/ja
Priority to PCT/JP2019/010552 priority patent/WO2019177102A1/ja
Publication of WO2019176018A1 publication Critical patent/WO2019176018A1/ja

Links

Images

Classifications

    • 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
    • G10L13/08—Text analysis or generation of parameters for speech synthesis out of text, e.g. grapheme to phoneme translation, prosody generation or stress or intonation determination
    • 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
    • G10L17/00—Speaker identification or verification techniques

Definitions

  • the present invention relates to a technique for controlling an AI speaker system.
  • AI Artificial Intelligence speakers have been developed that accept user voice instructions and perform actions desired by the user.
  • Patent Document 1 when performing a voice conversation with a user, it is more effective when the voice conversation is made into a natural content according to the user or when the conversation is used as a means for achieving a certain purpose.
  • a technique for promoting dialogue is disclosed.
  • the present invention provides analysis means for analyzing the meaning of an input user's voice, and specifying means for specifying a speaker user account for identifying a user who has emitted the voice in an AI speaker based on the voice print of the input voice.
  • an AI speaker system comprising processing means for performing processing based on the analyzed meaning of the voice and a user attribute corresponding to the specified speaker user account.
  • the specifying means stores a voice print of each user in association with the speaker user account of the user, specifies the speaker user account corresponding to the input voice print, and the processing means , Storing the speaker user account of each user in association with the user attribute of the user, and analyzing the meaning of the analyzed voice and the user attribute corresponding to the specified speaker user account You may make it perform the process based on a result.
  • the processing means selects a service providing apparatus that performs a service corresponding to the analyzed meaning of the voice, and analyzes a result of analyzing the user attribute corresponding to the identified speaker user account. And a sound emission process corresponding to the data transmitted from the service providing apparatus may be performed in response to the notification.
  • a service user for identifying the user in the service providing apparatus An account may be specified based on the specified speaker user account, and the specified service user account may be notified to the selected service providing apparatus.
  • the present invention includes an analysis step for analyzing the meaning of an input user's voice, a specification step for specifying a speaker user account for identifying a user who has emitted the voice based on the voice print of the input voice, and an analysis There is provided a method of controlling an AI speaker system, comprising processing steps for performing processing based on the meaning of the voice and the user attribute corresponding to the specified speaker user account.
  • the present invention provides an analysis step for analyzing the meaning of an input user's voice in a computer, and a specifying step for specifying a speaker user account for identifying a user who has emitted the voice based on the voice print of the input voice. And a processing step for performing processing based on the analyzed meaning of the voice and a user attribute corresponding to the specified speaker user account.
  • an AI speaker system that can perform various services desired by a user.
  • FIG. 1 is a diagram showing a configuration of an AI speaker system 9 according to the present embodiment.
  • the AI speaker system 9 includes an AI speaker 1, a service providing device 2, and a network 3 that connects these devices so that they can communicate with each other.
  • the AI speaker system 9 may include a plurality of AI speakers 1, service providing apparatuses 2, and networks 3.
  • the AI speaker 1 is a device that inputs a user's voice through a microphone or the like and outputs a voice through a dynamic speaker or an electrostatic speaker.
  • an information processing device called a smart speaker or a home speaker It is.
  • the service providing apparatus group 2 is one or more information processing apparatuses that provide a service requested from the AI speaker 1 via the network 3.
  • the service providing apparatus group 2 provides services such as music distribution, store guidance, weather forecast, transfer guidance, news distribution, and a search engine.
  • a user account is individually assigned to one user.
  • a user account granted in a certain service can identify the user only in that service.
  • the network 3 is a communication line that connects the AI speaker 1 and the service providing apparatus group 2 in a communicable manner, and is, for example, the Internet.
  • FIG. 2 is a diagram illustrating an example of the configuration of the AI speaker 1.
  • the AI speaker 1 includes a control unit 11, a storage unit 12, a communication unit 13, an input unit 14, and an output unit 15.
  • the control unit 11 includes a CPU (Central Processing Unit), a ROM (Read Only Memory), and a RAM (Random Access Memory), and a computer program (hereinafter simply referred to as a program) in which the CPU is stored in the ROM and the storage unit 12. Are read out and executed to control each part of the AI speaker 1.
  • a CPU Central Processing Unit
  • ROM Read Only Memory
  • RAM Random Access Memory
  • the communication unit 13 is a communication circuit connected to the network 3 by wire or wireless.
  • the AI speaker 1 exchanges information with the service providing apparatus 2 connected to the network 3 by the communication unit 13.
  • the input unit 14 is a microphone or the like for inputting sound, and sends a sound signal indicating the input sound to the control unit 11.
  • the output unit 15 is, for example, a dynamic speaker or an electrostatic speaker, and emits sound according to a signal instructed by the control unit 11.
  • the storage unit 12 is a large-capacity storage unit such as a solid state drive or a hard disk drive, and stores various programs and data read by the CPU of the control unit 11.
  • the storage unit 12 stores, for example, a voiceprint database (hereinafter referred to as DB), a user account DB, and a user attribute DB.
  • DB voiceprint database
  • user account DB user account database
  • user attribute DB user attribute database
  • FIG. 3 is a diagram showing the voiceprint DB stored in the storage unit 12.
  • the voiceprint DB stores each user's voiceprint data in association with a speaker user account that is identification information for identifying the user in the AI speaker 1.
  • FIG. 4 is a diagram showing the account DB stored in the storage unit 12.
  • the account DB is identification information for identifying the speaker user account that is identification information for identifying the user in the AI speaker 1 and the user for the service (services A, B, C, and D) of the respective service providing apparatuses 2.
  • Service user accounts (service A user account, service B user account, service C user account, service A user account) are stored in association with each other. That is, in the account DB, a speaker user account of a certain user and one or more service user accounts of the user are associated with each other.
  • FIG. 5 is a diagram showing the user attribute DB stored in the storage unit 12.
  • the user attribute DB stores a speaker user account, which is identification information for identifying the user in the AI speaker 1, and a user attribute of the user in association with each other.
  • User attributes include, for example, age, sex, hobbies and preferences, area information of the user's home or office, history of the user's location information, search history on the network 3, browsing history on the network 3, communication via the network 3 Includes purchase history of goods or services in sales.
  • FIG. 6 is a diagram showing a functional configuration of the AI speaker 1.
  • the control unit 11 of the AI speaker 1 reads and executes the program stored in the storage unit 12, the AI speaker 1 realizes functions such as the input unit 111, the analysis unit 112, the specifying unit 113, and the processing unit 114.
  • the input unit 111 inputs a user's voice.
  • the analysis unit 112 analyzes the meaning of the user's voice input to the input unit 111 using, for example, a hidden Markov model.
  • the specifying unit 113 specifies a speaker user account for identifying the user who has emitted the voice based on the voice print of the voice input to the input unit 111. More specifically, the specifying unit 113 stores each user's voiceprint and the user's speaker user account in association with each other (voiceprint DB), and selects a speaker user account corresponding to the input voiceprint. Identify.
  • the processing unit 114 performs processing based on the meaning of the voice analyzed by the analysis unit 112 and the user attribute corresponding to the speaker user account specified by the specifying unit 113. Specifically, the processing unit 114 stores the speaker user account of each user and the user attribute of the user in association with each other (user attribute DB), and the meaning of the analyzed voice and the specified speaker Processing based on the result of analyzing the user attribute corresponding to the user account is performed.
  • the processing unit 114 selects the service providing apparatus 2 that provides a service corresponding to the meaning of the voice analyzed by the analysis unit 112, and the user corresponding to the speaker user account specified by the specifying unit 113
  • the result of analyzing the attribute is notified to the selected service providing apparatus 2, and sound emission processing is performed according to the data transmitted from the service providing apparatus 2 in response to the notification.
  • the processing unit 114 stores the speaker user account of each user and the service user account of the user in association with each other (account DB), and analyzes the user attribute corresponding to the speaker user account specified by the specifying unit 113.
  • the selected service providing apparatus 2 is notified of the result, a service user account for identifying the user in the service providing apparatus 2 is identified based on the speaker user account, and the identified service user account is selected.
  • the service providing apparatus 2 is notified.
  • FIG. 7 is a flowchart showing an operation flow of the AI speaker 1.
  • the input unit 111 receives a user's voice input (step S11).
  • This voice includes, for example, “Make music”, “Is there a restaurant to eat dinner?”, “Tell me today's weather”, “What is the train time?”.
  • the analysis unit 112 analyzes the meaning of the input user's voice (step S12).
  • speech semantic analysis various known semantic analysis algorithms may be used.
  • the specifying unit 113 analyzes the input voice, generates voice print data, and collates it with the voice print data included in the voice print DB (step S13). In this voiceprint generation, various known voiceprint generation algorithms may be used. If there is a voice print DB that matches the voice print data input by the user (step S14; YES), the specifying unit 113 refers to the speaker user account corresponding to the voice print data in the voice print DB. The speaker user account of the user who made the sound is specified. If there is no voice print DB that matches the voice print data input by the user (step S14; NO), the specifying unit 113 performs a predetermined error process (step S19), and the process shown in FIG. Ends.
  • the processing unit 114 selects the service providing apparatus 2 that performs a service corresponding to the meaning of the analyzed voice (step S15). For example, if the user's voice is “over music”, the processing unit 114 determines that the user desires to provide music, and selects the service providing apparatus 2 that performs music distribution. In addition, for example, if the user's voice is “Is there a restaurant that eats dinner?”, The processing unit 114 determines that the user wants to provide information about a restaurant store, and stores information The service providing apparatus 2 that performs is selected. For example, if the user's voice is “tell me today's weather”, the processing unit 114 determines that the user wants to provide the weather forecast, and the service providing apparatus 2 that performs the weather forecast. Select. Also, for example, if the user's voice is “What is the train time?”, The processing unit 114 determines that the user wants to provide information related to a train transfer, and provides a transfer guidance service 2 is selected.
  • the processing unit 114 analyzes a user attribute corresponding to the specified speaker user account, and provides a service according to the personality, hobbies, or preferences of the user in the selected service providing apparatus 2.
  • a service provision condition is generated (step S16). For example, if the selected service is music distribution, the user is a male in his 50s, and the music preference determined from the user attributes is classical music, the processing unit 114 prefers the male in his 50s as a service provision condition. Generate information called classical music. In addition, for example, if the selected service is store guidance, the user is a woman in her 20s, and the taste of eating and drinking determined from the user attributes is Korean food, the processing unit 114 sets the service provision condition as a woman in her 20s Information that Korean food is preferred by.
  • the processing unit 114 sets today's XX prefecture as the service provision condition. Generates information called city weather forecast. Further, for example, if the selected service is a transfer guide and the commuting route determined from the user attribute is a route of home ⁇ a station ⁇ b station ⁇ c company, the processing unit 114 sets the service provision condition as the above Information of route transfer guidance is generated.
  • This request includes a service count for identifying the user in the service providing apparatus 2 and the service providing conditions.
  • the service providing device 2 performs processing according to this request.
  • the service providing apparatus 2 that distributes music confirms that the service user account included in the request is included in the account database in the apparatus, and then, for example, meets the service provision condition of classical music preferred by men in their 50s.
  • the matching music data is searched from the music database in the device itself or in the external device and transmitted to the AI speaker 1.
  • the service providing apparatus 2 that provides store guidance confirms that the service user account included in the request is included in the account database in the apparatus, and provides, for example, a service called Korean food preferred by women in their 20s.
  • Store data matching the conditions is retrieved from the store database in the own device or in the external device and transmitted to the AI speaker 1.
  • the service providing apparatus 2 that performs the weather forecast confirms that the service user account included in the request is included in the account database in the own apparatus, and for example, the weather in today's XX city Weather forecast data that matches the service provision condition of forecast is retrieved from the weather forecast database in the own device or in an external device and transmitted to the AI speaker 1.
  • the service providing apparatus 2 that performs route guidance confirms that the service user account included in the request is included in the account database in the own apparatus, and then, for example, home ⁇ a station ⁇ b station ⁇ c company The route guidance data that matches the service provision condition of route guidance is retrieved from the route guidance database in the device itself or in the external device and transmitted to the AI speaker 1.
  • the processing unit 114 performs sound emission processing according to the data transmitted from the service providing device 2 in response to the request (step S18). For example, if the selected service is music distribution, the processing unit 114 outputs a sound corresponding to the music data transmitted from the service providing apparatus 2. Further, for example, if the selected service is store guidance, the processing unit 114 generates and outputs a voice for reading the store data transmitted from the service providing apparatus 2. For example, if the selected service is a weather forecast, the processing unit 114 generates and outputs a voice for reading out the weather forecast data transmitted from the service providing apparatus 2. For example, if the selected service is route guidance, the processing unit 114 generates and outputs a voice for reading out the route guidance data transmitted from the service providing apparatus 2.
  • the processing executed by the control unit 11 of the AI speaker 1 can be considered as a method for controlling the AI speaker 1. That is, the present invention includes an analysis step of analyzing the meaning of the input user's voice, and a specifying step of specifying a speaker user account that identifies the user who has emitted the voice based on the voice print of the input voice.
  • the AI speaker system may include a processing step of performing processing based on the meaning of the analyzed voice and a user attribute corresponding to the identified speaker user account. Note that the steps of processing performed in the AI speaker system 9 are not limited to the example described in the above-described embodiment. The steps of this process may be interchanged as long as there is no contradiction.
  • the program executed by the control unit 11 of the AI speaker 1 is a recording medium readable by a computer device, such as a magnetic recording medium such as a magnetic tape and a magnetic disk, an optical recording medium such as an optical disk, a magneto-optical recording medium, or a semiconductor memory. Can be provided in a stored state.
  • the program may be downloaded via a communication line such as the Internet.
  • various devices other than the CPU may be applied as the control means exemplified by the control unit 11 described above. For example, a dedicated processor or the like is used.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

特定部１１３は、入力された音声の声紋に基づいて、当該音声を発したユーザを識別するスピーカーユーザアカウントを特定する。処理部１１４は、解析された音声の意味と、特定されたスピーカーユーザアカウントに対応するユーザ属性とに基づいた処理を行う。具体的には、処理部１１４は、それぞれのユーザのスピーカーユーザアカウントと当該ユーザのユーザ属性とを対応付けて記憶しており、解析された音声の意味と、特定されたスピーカーユーザアカウントに対応するユーザ属性を解析した結果とに基づいた処理を行う。

Description

ＡＩスピーカーシステム、ＡＩスピーカーシステムの制御方法、及びプログラム
　本発明は、ＡＩスピーカーシステムを制御する技術に関する。
　ユーザの音声による指示を受け付けてユーザが望む動作を行うＡＩ（Artificial Intelligence）スピーカーが開発されている。特許文献１には、ユーザと音声対話を行うに際して、その音声対話をそのユーザに応じた自然な内容にすることや、ある目的を達成するための手段として対話を使う場合に、より効果的に対話を進める技術が開示されている。
特開２００４－０２１１２１号公報
　ＡＩスピーカーの普及に伴い、ユーザが望むあらゆるサービスがＡＩスピーカーシステム経由で実現されることが期待されている。しかしながら、ユーザが望むサービスはサードパーティのものも含めて様々なものがあり、また、各サービスにおいてユーザのアカウントが個別に設定されているという事情もあって、ＡＩスピーカーシステム経由で多様なサービスを提供することは現実的には難しいという問題があった。
　本発明は、ユーザが望む様々なサービスを行い得るＡＩスピーカーシステムを提供することを目的とする。
　本発明は、入力されたユーザの音声の意味を解析する解析手段と、入力された前記音声の声紋に基づいて、ＡＩスピーカーにおいて当該音声を発したユーザを識別するスピーカーユーザアカウントを特定する特定手段と、解析された前記音声の意味と特定された前記スピーカーユーザアカウントに対応するユーザ属性とに基づいた処理を行う処理手段とを備えるＡＩスピーカーシステムを提供する。
　前記特定手段は、それぞれのユーザの声紋と当該ユーザの前記スピーカーユーザアカウントとを対応付けて記憶しており、入力された前記音声の声紋に対応する前記スピーカーユーザアカウントを特定し、前記処理手段は、それぞれのユーザの前記スピーカーユーザアカウントと当該ユーザのユーザ属性とを対応付けて記憶しており、解析された前記音声の意味と、特定された前記スピーカーユーザアカウントに対応する前記ユーザ属性を解析した結果とに基づいた処理を行うようにしてもよい。
　前記処理手段は、解析された前記音声の意味に対応するサービスを行うサービス提供装置を選択し、特定された前記スピーカーユーザアカウントに対応する前記ユーザ属性を解析した結果を、選択されたサービス提供装置に通知し、当該通知に応じて前記サービス提供装置から送信されてくるデータに応じた放音処理を行うようにしてもよい。
　前記処理手段は、特定された前記スピーカーユーザアカウントに対応する前記ユーザ属性を解析した結果を、選択されたサービス提供装置に通知する場合に、当該サービス提供装置において前記ユーザを識別するためのサービスユーザアカウントを、特定された前記スピーカーユーザアカウントに基づいて特定し、特定した前記サービスユーザアカウントを選択されたサービス提供装置に通知するようにしてもよい。
　本発明は、入力されたユーザの音声の意味を解析する解析ステップと、入力された前記音声の声紋に基づいて、当該音声を発したユーザを識別するスピーカーユーザアカウントを特定する特定ステップと、　解析された前記音声の意味と特定された前記スピーカーユーザアカウントに対応するユーザ属性とに基づいた処理を行う処理ステップとを備えるＡＩスピーカーシステムの制御方法を提供する。
　本発明は、コンピュータに、入力されたユーザの音声の意味を解析する解析ステップと、入力された前記音声の声紋に基づいて、当該音声を発したユーザを識別するスピーカーユーザアカウントを特定する特定ステップと、解析された前記音声の意味と特定された前記スピーカーユーザアカウントに対応するユーザ属性とに基づいた処理を行う処理ステップとを実行させるためのプログラムを提供する。
　本発明によれば、ユーザが望む様々なサービスを行い得るＡＩスピーカーシステムを提供するができる。
本実施形態に係るＡＩスピーカーシステム９の構成を示す図。 ＡＩスピーカー１のハードウェア構成の一例を示す図。 記憶部１２に記憶されている声紋データベースを示す図。 記憶部１２に記憶されているアカウントデータベースを示す図。 記憶部１２に記憶されているユーザ属性データベースを示す図。 ＡＩスピーカー１の機能的構成を示す図。 ＡＩスピーカー１の動作の流れを示すフローチャート。
１…ＡＩスピーカー、１１…制御部、１２…記憶部、１２…通信部、１４…入力部、１５…出力部、１１１…入力部、１１２…解析部、１１３…特定部、１１４…処理部、２…サービス提供装置、３…ネットワーク、９…ＡＩスピーカーシステム。
＜実施形態＞
＜ＡＩスピーカーシステムの全体構成＞
　図１は、本実施形態に係るＡＩスピーカーシステム９の構成を示す図である。ＡＩスピーカーシステム９は、ＡＩスピーカー１と、サービス提供装置２と、これらを通信可能に接続するネットワーク３と、を有する。なお、ＡＩスピーカーシステム９は、ＡＩスピーカー１、サービス提供装置２、ネットワーク３のそれぞれを複数有してもよい。
　ＡＩスピーカー１は、マイクロフォン等によってユーザの音声を入力し、ダイナミックスピーカーや静電スピーカー等によって音声を出力する装置であり、ＡＩスピーカーという呼称以外にも、例えばスマートスピーカーとかホームスピーカーと呼ばれる情報処理装置である。サービス提供装置群２は、ネットワーク３を介してＡＩスピーカー１から要求されたサービスを提供する１以上の情報処理装置である。例えば、サービス提供装置群２は、音楽配信、店舗案内、天気予報、乗換案内、ニュース配信、検索エンジン等のサービスをそれぞれ提供する。これらのサービス提供装置２が提供するサービスにおいて、１のユーザに対して個別にユーザアカウントが付与されている。或るサービスにおいて付与されたユーザアカウントは、そのサービスにおいてのみそのユーザを識別することが可能となっている。ネットワーク３は、ＡＩスピーカー１及びサービス提供装置群２を通信可能に接続する通信回線であり、例えばインターネット等である。
＜ＡＩスピーカーの構成＞
　図２は、ＡＩスピーカー１の構成の一例を示す図である。ＡＩスピーカー１は、制御部１１、記憶部１２、通信部１３、入力部１４、及び出力部１５を有する。
　制御部１１は、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）を有し、ＣＰＵがＲＯＭ及び記憶部１２に記憶されているコンピュータプログラム（以下、単にプログラムという）を読み出して実行することによりＡＩスピーカー１の各部を制御する。
　通信部１３は、有線又は無線によりネットワーク３に接続する通信回路である。ＡＩスピーカー１は、通信部１３によりネットワーク３に接続されたサービス提供装置２と情報をやり取りする。
　入力部１４は、音声を入力するマイクロフォン等であり、入力した音声を示す音声信号を制御部１１に送る。
　出力部１５は、例えばダイナミックスピーカーや静電スピーカー等であり、制御部１１により指示された信号に応じて放音する。
　記憶部１２は、例えばソリッドステートドライブ、ハードディスクドライブ等の大容量の記憶手段であり、制御部１１のＣＰＵに読み込まれる各種のプログラム、データ等を記憶する。この、記憶部１２は、例えば声紋データベース（以下、ＤＢという）と、ユーザアカウントＤＢと、ユーザ属性ＤＢとを記憶する。
　図３は、記憶部１２に記憶されている声紋ＤＢを示す図である。声紋ＤＢは、それぞれのユーザの声紋データと、ＡＩスピーカー１において当該ユーザを識別する識別情報であるスピーカーユーザアカウントとを対応付けて記憶している。
　図４は、記憶部１２に記憶されているアカウントＤＢを示す図である。アカウントＤＢは、ＡＩスピーカー１において当該ユーザを識別する識別情報であるスピーカーユーザアカウントと、それぞれのサービス提供装置２のサービス（サービスＡ，Ｂ，Ｃ，Ｄ）において当該ユーザを識別する識別情報であるサービスユーザアカウント（サービスＡユーザアカウント、サービスＢユーザアカウント、サービスＣユーザアカウント、サービスＡユーザアカウント）とを対応付けて記憶している。つまり、アカウントＤＢにおいては、或るユーザのスピーカーユーザアカウントと、そのユーザの１以上のサービスユーザアカウントとが対応付けられている。
　図５は、記憶部１２に記憶されているユーザ属性ＤＢを示す図である。ユーザ属性ＤＢは、ＡＩスピーカー１において当該ユーザを識別する識別情報であるスピーカーユーザアカウントと、当該ユーザのユーザ属性とを対応付けて記憶している。ユーザ属性は、例えば年齢、性別、趣味嗜好のほか、ユーザの自宅や勤務先のエリア情報、そのユーザの位置情報の履歴、ネットワーク３における検索履歴、ネットワーク３における閲覧履歴、ネットワーク３を介した通信販売における商品またはサービスの購入履歴等を含む。
＜ＡＩスピーカーの機能的構成＞
　図６は、ＡＩスピーカー１の機能的構成を示す図である。ＡＩスピーカー１の制御部１１が記憶部１２に記憶されているプログラムを読み出して実行することにより、ＡＩスピーカー１は入力部１１１、解析部１１２、特定部１１３及び処理部１１４といった機能を実現する。
　入力部１１１は、ユーザの音声を入力する。
　解析部１１２は、例えば隠れマルコフモデル等を用いて、入力部１１１に入力されたユーザの音声の意味を解析する。
　特定部１１３は、入力部１１１に入力された音声の声紋に基づいて、当該音声を発したユーザを識別するスピーカーユーザアカウントを特定する。より具体的には、特定部１１３は、それぞれのユーザの声紋と当該ユーザのスピーカーユーザアカウントとを対応付けて記憶しており（声紋ＤＢ）、入力された音声の声紋に対応するスピーカーユーザアカウントを特定する。
　処理部１１４は、解析部１１２により解析された音声の意味と、特定部１１３により特定されたスピーカーユーザアカウントに対応するユーザ属性とに基づいた処理を行う。具体的には、処理部１１４は、それぞれのユーザのスピーカーユーザアカウントと当該ユーザのユーザ属性とを対応付けて記憶しており（ユーザ属性ＤＢ）、解析された音声の意味と、特定されたスピーカーユーザアカウントに対応するユーザ属性を解析した結果とに基づいた処理を行う。さらに具体的に説明すると、処理部１１４は、解析部１１２により解析された音声の意味に対応するサービスを行うサービス提供装置２を選択し、特定部１１３により特定されたスピーカーユーザアカウントに対応するユーザ属性を解析した結果を、選択されたサービス提供装置２に通知し、当該通知に応じてサービス提供装置２から送信されてくるデータに応じて放音処理を行う。処理部１１４は、それぞれのユーザのスピーカーユーザアカウントと当該ユーザのサービスユーザアカウントとを対応付けて記憶しており（アカウントＤＢ）、特定部１１３により特定されたスピーカーユーザアカウントに対応するユーザ属性を解析した結果を選択されたサービス提供装置２に通知する場合に、当該サービス提供装置２においてユーザを識別するためのサービスユーザアカウントを、上記スピーカーユーザアカウントに基づいて特定し、特定したサービスユーザアカウントを選択されたサービス提供装置２に通知する。
＜ＡＩスピーカーの動作＞
　図７は、ＡＩスピーカー１の動作の流れを示すフローチャートである。まず、入力部１１１はユーザの音声の入力を受付ける（ステップＳ１１）。この音声は、例えば「音楽をかけて」とか、「晩御飯を食べる店はあるかな？」とか、「今日の天気を教えて」とか、「電車の時間は？」といった内容である。
　次に、解析部１１２は、入力されたユーザの音声の意味を解析する（ステップＳ１２）。この音声の意味解析においては、周知の様々な意味解析アルゴリズムを用いればよい。
　次に、特定部１１３は、入力された音声を解析してその声紋データを生成し、声紋ＤＢに含まれる声紋データと照合する（ステップＳ１３）。この声紋生成においては、周知の様々な声紋生成アルゴリズムを用いればよい。声紋ＤＢにおいて、ユーザにより入力された音声の声紋データと合致するものがあれば（ステップＳ１４；ＹＥＳ）、特定部１１３は、声紋ＤＢにおいてその声紋データと対応するスピーカーユーザアカウントを参照することで、その音声を発したユーザのスピーカーユーザアカウントを特定する。なお、声紋ＤＢにおいて、ユーザにより入力された音声の声紋データと合致するものがなければ（ステップＳ１４；ＮＯ）、特定部１１３は所定のエラー処理を行って（ステップＳ１９）、図７の示す処理は終了する。
　次に、処理部１１４は、解析された音声の意味に対応するサービスを行うサービス提供装置２を選択する（ステップＳ１５）。例えば、ユーザの音声が「音楽をかけて」であれば、処理部１１４は、ユーザが音楽の提供を希望しているという意味に判断し、音楽配信を行うサービス提供装置２を選択する。また、例えば、ユーザの音声が「晩御飯を食べる店はあるかな？」であれば、処理部１１４は、ユーザが飲食店の店舗に関する情報提供を希望しているという意味に判断し、店舗案内を行うサービス提供装置２を選択する。また、例えば、ユーザの音声が「今日の天気を教えて」であれば、処理部１１４は、ユーザが天気予報の提供を希望しているという意味に判断し、天気予報を行うサービス提供装置２を選択する。また、例えば、ユーザの音声が「電車の時間は？」であれば、処理部１１４は、ユーザが電車の乗り換えに関する情報提供を希望しているという意味に判断し、乗換案内を行うサービス提供装置２を選択する。
　次に、処理部１１４は、特定されたスピーカーユーザアカウントに対応するユーザ属性を解析して、選択されたサービス提供装置２においてそのユーザの個性や趣味嗜好或いは嗜好に応じたサービスを提供するためのサービス提供条件を生成する（ステップＳ１６）。例えば、選択されたサービスが音楽配信であり、ユーザが５０代男性で、ユーザ属性から判断される音楽の嗜好がクラシック音楽であれば、処理部１１４は、サービス提供条件として、５０代男性が好むクラシック音楽、という情報を生成する。また、例えば、選択されたサービスが店舗案内であり、ユーザが２０代女性で、ユーザ属性から判断される飲食の嗜好が韓国料理であれば、処理部１１４は、サービス提供条件として、２０代女性が好む韓国料理、という情報を生成する。また、例えば、選択されたサービスが天気予報であり、ユーザ属性から判断される自宅住所が○○県○○市であれば、処理部１１４は、サービス提供条件として、今日の○○県○○市の天気予報、という情報を生成する。また、例えば、選択されたサービスが乗換案内であり、ユーザ属性から判断される通勤ルートが自宅→ａ駅→ｂ駅→ｃ会社という経路であれば、処理部１１４は、サービス提供条件として、上記経路の乗換案内、という情報を生成する。
　そして、処理部１１４は、選択されたサービス提供装置２に対するリクエストを行う（ステップＳ１７）。このリクエストには、そのサービス提供装置２においてユーザを識別するサービスカウントと、上記サービス提供条件とが含まれている。
　サービス提供装置２は、このリクエストに応じた処理を行う。例えば音楽配信を行うサービス提供装置２は、リクエストに含まれるサービスユーザアカウントが自装置内のアカウントデータベースに含まれていることを確認したうえで、例えば５０代男性が好むクラシック音楽というサービス提供条件に合致する音楽データを自装置内又は外部装置内の音楽データベースから検索してＡＩスピーカー１に送信する。また、例えば店舗案内を行うサービス提供装置２は、リクエストに含まれるサービスユーザアカウントが自装置内のアカウントデータベースに含まれていることを確認したうえで、例えば２０代女性が好む韓国料理というサービス提供条件に合致する店舗データを自装置内又は外部装置内の店舗データベースから検索してＡＩスピーカー１に送信する。また、例えば天気予報を行うサービス提供装置２は、リクエストに含まれるサービスユーザアカウントが自装置内のアカウントデータベースに含まれていることを確認したうえで、例えば今日の○○県○○市の天気予報というサービス提供条件に合致する天気予報データを自装置内又は外部装置内の天気予報データベースから検索してＡＩスピーカー１に送信する。また、例えば経路案内を行うサービス提供装置２は、リクエストに含まれるサービスユーザアカウントが自装置内のアカウントデータベースに含まれていることを確認したうえで、例えば自宅→ａ駅→ｂ駅→ｃ会社という経路の案内というサービス提供条件に合致する経路案内データを自装置内又は外部装置内の経路案内データベースから検索してＡＩスピーカー１に送信する。
　処理部１１４は、上記リクエストに応じてサービス提供装置２から送信されてくるデータに応じた放音処理を行う（ステップＳ１８）。例えば、選択されたサービスが音楽配信であれば、処理部１１４は、サービス提供装置２から送信されてくる音楽データに応じた音を出力する。また、例えば、選択されたサービスが店舗案内であれば、処理部１１４は、サービス提供装置２から送信されてくる店舗データを読み上げる音声を生成して出力する。例えば、選択されたサービスが天気予報であれば、処理部１１４は、サービス提供装置２から送信されてくる天気予報データを読み上げる音声を生成して出力する。また、例えば、選択されたサービスが経路案内であれば、処理部１１４は、サービス提供装置２から送信されてくる経路案内データを読み上げる音声を生成して出力する。
　以上の実施形態によれば、各サービスにおいてユーザのサービスユーザアカウントが個別に設定されている場合であっても、そのサービスユーザアカウントをユーザが都度入力することなく、ＡＩスピーカーシステム経由でユーザが望むサービスを提供することが可能となる。
＜変形例＞
　以上が実施形態の説明であるが、この実施形態の内容は以下のように変形し得る。また、以下の変形例を組合せてもよい。例えば図６で例示したＡＩスピーカー１の機能構成の一部は省略されてもよいし、さらに別の機能が追加されてもよい。図６に示したＡＩスピーカー１が備える機能は、ＡＩスピーカーシステム９に属するいずれかの装置又は端末が実装していればよい。また、物理的に複数の装置からなるコンピュータ装置群が連携して、図６に示したＡＩスピーカー１と同等の機能を実装してもよい。
　ＡＩスピーカー１の制御部１１が実行する処理は、ＡＩスピーカー１の制御方法として観念され得る。すなわち、本発明は、入力されたユーザの音声の意味を解析する解析ステップと、入力された前記音声の声紋に基づいて、当該音声を発したユーザを識別するスピーカーユーザアカウントを特定する特定ステップと、解析された前記音声の意味と特定された前記スピーカーユーザアカウントに対応するユーザ属性とに基づいた処理を行う処理ステップとを備えるＡＩスピーカーシステムの制御方法として提供されてもよい。なお、ＡＩスピーカーシステム９において行われる処理のステップは、上述した実施形態で説明した例に限定されない。この処理のステップは、矛盾のない限り、入れ替えられてもよい。
　ＡＩスピーカー１の制御部１１によって実行されるプログラムは、磁気テープ及び磁気ディスク等の磁気記録媒体、光ディスク等の光記録媒体、光磁気記録媒体、半導体メモリ等の、コンピュータ装置が読取り可能な記録媒体に記憶された状態で提供し得る。また、このプログラムを、インターネット等の通信回線経由でダウンロードさせてもよい。なお、上述した制御部１１によって例示した制御手段としてはＣＰＵ以外にも種々の装置が適用される場合があり、例えば、専用のプロセッサ等が用いられる。

Claims (6)

  1. 　入力されたユーザの音声の意味を解析する解析手段と、
    入力された前記音声の声紋に基づいて、ＡＩスピーカーにおいて当該音声を発したユーザを識別するスピーカーユーザアカウントを特定する特定手段と、
    　解析された前記音声の意味と特定された前記スピーカーユーザアカウントに対応するユーザ属性とに基づいた処理を行う処理手段と
    　を備えるＡＩスピーカーシステム。
  2. 　前記特定手段は、それぞれのユーザの声紋と当該ユーザの前記スピーカーユーザアカウントとを対応付けて記憶しており、入力された前記音声の声紋に対応する前記スピーカーユーザアカウントを特定し、
    前記処理手段は、それぞれのユーザの前記スピーカーユーザアカウントと当該ユーザのユーザ属性とを対応付けて記憶しており、解析された前記音声の意味と、特定された前記スピーカーユーザアカウントに対応する前記ユーザ属性を解析した結果とに基づいた処理を行う
    請求項１に記載のＡＩスピーカーシステム。
  3. 　前記処理手段は、
    　解析された前記音声の意味に対応するサービスを行うサービス提供装置を選択し、
    　特定された前記スピーカーユーザアカウントに対応する前記ユーザ属性を解析した結果を、選択されたサービス提供装置に通知し、
    　当該通知に応じて前記サービス提供装置から送信されてくるデータに応じた放音処理を行う
    　請求項２に記載のＡＩスピーカーシステム。
  4. 　前記処理手段は、
    　特定された前記スピーカーユーザアカウントに対応する前記ユーザ属性を解析した結果を、選択されたサービス提供装置に通知する場合に、
    当該サービス提供装置において前記ユーザを識別するためのサービスユーザアカウントを、特定された前記スピーカーユーザアカウントに基づいて特定し、特定した前記サービスユーザアカウントを選択されたサービス提供装置に通知する
    請求項３に記載のＡＩスピーカーシステム。
  5. 　入力されたユーザの音声の意味を解析する解析ステップと、
    入力された前記音声の声紋に基づいて、当該音声を発したユーザを識別するスピーカーユーザアカウントを特定する特定ステップと、
    　解析された前記音声の意味と特定された前記スピーカーユーザアカウントに対応するユーザ属性とに基づいた処理を行う処理ステップと
    　を備えるＡＩスピーカーシステムの制御方法。
  6. 　コンピュータに、
    　入力されたユーザの音声の意味を解析する解析ステップと、
    入力された前記音声の声紋に基づいて、当該音声を発したユーザを識別するスピーカーユーザアカウントを特定する特定ステップと、
    　解析された前記音声の意味と特定された前記スピーカーユーザアカウントに対応するユーザ属性とに基づいた処理を行う処理ステップと
    　を実行させるためのプログラム。
PCT/JP2018/010008 2018-03-14 2018-03-14 Ａｉスピーカーシステム、ａｉスピーカーシステムの制御方法、及びプログラム WO2019176018A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2018/010008 WO2019176018A1 (ja) 2018-03-14 2018-03-14 Ａｉスピーカーシステム、ａｉスピーカーシステムの制御方法、及びプログラム
PCT/JP2019/010552 WO2019177102A1 (ja) 2018-03-14 2019-03-14 Ａｉスピーカーシステム、ａｉスピーカーシステムの制御方法、及びプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/010008 WO2019176018A1 (ja) 2018-03-14 2018-03-14 Ａｉスピーカーシステム、ａｉスピーカーシステムの制御方法、及びプログラム

Publications (1)

Publication Number Publication Date
WO2019176018A1 true WO2019176018A1 (ja) 2019-09-19

Family

ID=67906824

Family Applications (2)

Application Number Title Priority Date Filing Date
PCT/JP2018/010008 WO2019176018A1 (ja) 2018-03-14 2018-03-14 Ａｉスピーカーシステム、ａｉスピーカーシステムの制御方法、及びプログラム
PCT/JP2019/010552 WO2019177102A1 (ja) 2018-03-14 2019-03-14 Ａｉスピーカーシステム、ａｉスピーカーシステムの制御方法、及びプログラム

Family Applications After (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/010552 WO2019177102A1 (ja) 2018-03-14 2019-03-14 Ａｉスピーカーシステム、ａｉスピーカーシステムの制御方法、及びプログラム

Country Status (1)

Country Link
WO (2) WO2019176018A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111048064A (zh) * 2020-03-13 2020-04-21 同盾控股有限公司 基于单说话人语音合成数据集的声音克隆方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014164112A (ja) * 2013-02-25 2014-09-08 Sharp Corp 電気機器
JP2016071050A (ja) * 2014-09-29 2016-05-09 シャープ株式会社 音声対話装置、音声対話システム、端末、音声対話方法およびコンピュータを音声対話装置として機能させるためのプログラム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106570443A (zh) * 2015-10-09 2017-04-19 芋头科技（杭州）有限公司 一种快速识别方法及家庭智能机器人
CN106128467A (zh) * 2016-06-06 2016-11-16 北京云知声信息技术有限公司 语音处理方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014164112A (ja) * 2013-02-25 2014-09-08 Sharp Corp 電気機器
JP2016071050A (ja) * 2014-09-29 2016-05-09 シャープ株式会社 音声対話装置、音声対話システム、端末、音声対話方法およびコンピュータを音声対話装置として機能させるためのプログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"The Favorites are on Amazon and Rakuten! Home Electronics 2017 the Best Hit 100. Kaden Hihyo", KADEN 2017 THE BEST HIT 100, vol. 9, no. 12, 2 November 2017 (2017-11-02), pages 34 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111048064A (zh) * 2020-03-13 2020-04-21 同盾控股有限公司 基于单说话人语音合成数据集的声音克隆方法及装置

Also Published As

Publication number Publication date
WO2019177102A1 (ja) 2019-09-19

Similar Documents

Publication Publication Date Title
US10853582B2 (en) Conversational agent
US11682393B2 (en) Method and system for context association and personalization using a wake-word in virtual personal assistants
EP3474558A2 (en) Encapsulating and synchronizing state interactions between devices
JP6224857B1 (ja) 分類装置、分類方法および分類プログラム
JP6310796B2 (ja) 制御装置、制御方法および制御プログラム
JP6370962B1 (ja) 生成装置、生成方法および生成プログラム
JP6408080B1 (ja) 生成装置、生成方法及び生成プログラム
JP7250946B2 (ja) インテント駆動型コンタクトセンター
JP6199517B1 (ja) 決定装置、決定方法および決定プログラム
JP2016045583A (ja) 応答生成装置、応答生成方法及び応答生成プログラム
US12105483B2 (en) Intelligent device and method for controlling the same
US11120812B1 (en) Application of machine learning techniques to select voice transformations
JP2019040166A (ja) 音声合成辞書配信装置、音声合成配信システムおよびプログラム
KR20190064313A (ko) 개인화된 챗봇 서비스 제공 방법 및 그 장치
WO2019176018A1 (ja) Ａｉスピーカーシステム、ａｉスピーカーシステムの制御方法、及びプログラム
JP6555838B1 (ja) 音声問合せシステム、音声問合せ処理方法、スマートスピーカー運用サーバー装置、チャットボットポータルサーバー装置、およびプログラム。
KR102284912B1 (ko) 상담 서비스 제공 방법 및 장치
KR102485339B1 (ko) 차량의 음성 명령 처리 장치 및 방법
JP2014109998A (ja) 対話装置及びコンピュータ対話方法
US11907676B1 (en) Processing orchestration for systems including distributed components
US11755652B2 (en) Information-processing device and information-processing method
JP6482703B1 (ja) 推定装置、推定方法および推定プログラム
US11893996B1 (en) Supplemental content output
JP6898064B2 (ja) 対話決定システム、対話決定方法、対話決定プログラム、及び端末装置
US11790898B1 (en) Resource selection for processing user inputs

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: 18909415

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18909415

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP