WO2023163197A1 - コンテンツ評価装置、コンテンツ評価方法、プログラム及び記憶媒体 - Google Patents

コンテンツ評価装置、コンテンツ評価方法、プログラム及び記憶媒体 Download PDF

Info

Publication number
WO2023163197A1
WO2023163197A1 PCT/JP2023/007203 JP2023007203W WO2023163197A1 WO 2023163197 A1 WO2023163197 A1 WO 2023163197A1 JP 2023007203 W JP2023007203 W JP 2023007203W WO 2023163197 A1 WO2023163197 A1 WO 2023163197A1
Authority
WO
WIPO (PCT)
Prior art keywords
content
output
unit
voice
vehicle
Prior art date
Application number
PCT/JP2023/007203
Other languages
English (en)
French (fr)
Inventor
高志 飯澤
敬太 倉持
大輝 和栗
圭 鈴木
Original Assignee
パイオニア株式会社
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 パイオニア株式会社 filed Critical パイオニア株式会社
Publication of WO2023163197A1 publication Critical patent/WO2023163197A1/ja

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
    • B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/01—Customer relationship services
    • G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk

Definitions

  • the present invention relates to technology that can be used in evaluating push-type content.
  • Patent Literature 1 discloses a technique for outputting a greeting voice when a passenger gets in and out of a vehicle based on information obtained through a vibration sensor or the like that detects opening and closing of the vehicle door. disclosed.
  • Patent Document 1 does not particularly disclose a method capable of solving the above problems. Therefore, according to the configuration disclosed in Patent Literature 1, there still exists a problem corresponding to the above problem.
  • the present invention has been made to solve the above problems, and provides a content evaluation device capable of evaluating the effectiveness of content output to passengers in a vehicle in the output of push-type content.
  • the main purpose is to provide
  • the claimed invention is a content evaluation device, comprising: a content acquisition unit for acquiring audio content to be output to a passenger of a vehicle; an output unit for outputting the audio content; a speech recognition unit that performs speech recognition processing for recognizing predetermined words included in the utterance of the passenger after being output; and the output to the passenger based on the result of the speech recognition processing. an evaluator for evaluating the effectiveness of the audio content.
  • the claimed invention is a content evaluation method, which acquires audio content to be output to a passenger of a vehicle, outputs the audio content, and after the audio content is output, A voice recognition process is performed for recognizing a predetermined phrase included in the passenger's utterance, and the effectiveness of the voice content output to the passenger is evaluated based on the result of the voice recognition process.
  • the invention described in the claims is a program executed by a content evaluation device provided with a computer, comprising: a content acquisition unit for acquiring audio content to be output to passengers of a vehicle; output unit, a voice recognition unit that performs voice recognition processing for recognizing predetermined words included in the utterance of the passenger after the voice content is output, and based on the result of the voice recognition processing, the The computer functions as an evaluation unit that evaluates the effectiveness of the audio content output to the passenger.
  • FIG. 1 is a diagram showing a configuration example of an audio output system according to an embodiment
  • FIG. 1 is a block diagram showing a schematic configuration of an audio output device
  • FIG. The figure which shows an example of schematic structure of a server apparatus. 4 is a flowchart for explaining processing performed in the server device;
  • the content evaluation device comprises: a content acquisition unit that acquires audio content to be output to passengers of a vehicle; an output unit that outputs the audio content; A voice recognition unit that performs voice recognition processing for recognizing a predetermined word included in the utterance of the passenger after is output, and based on the result of the voice recognition processing, output to the passenger an evaluation unit that evaluates effectiveness of the audio content.
  • the above content evaluation device has a content acquisition unit, an output unit, a speech recognition unit, and an evaluation unit.
  • the content acquisition unit acquires audio content to be output to passengers of the vehicle.
  • the output unit outputs the audio content.
  • the voice recognition unit performs voice recognition processing for recognizing predetermined words included in the passenger's utterance after the voice content is output.
  • the evaluation unit evaluates effectiveness of the voice content output to the passenger based on the result of the voice recognition processing. This makes it possible to evaluate the effectiveness of the content output to the passenger of the vehicle in the output of the push-type content.
  • the evaluation unit obtains a score corresponding to the number of times the predetermined phrase is recognized by the speech recognition process as an index for evaluating the effectiveness of the audio content. .
  • the speech recognition unit performs the speech recognition processing during a period from immediately after the speech content is output until a predetermined time elapses.
  • the speech recognition unit stops the speech recognition processing when a predetermined time has elapsed from the timing at which the score was last obtained after the speech content was output. do.
  • the speech recognition unit recognizes at least one of a phrase indicating admiration for the speech content and a keyword in the speech content as the predetermined phrase.
  • a content evaluation method comprises obtaining audio content for output to an occupant of a vehicle, outputting the audio content, performs voice recognition processing for recognizing a predetermined wording included in the utterance of , and evaluates the effectiveness of the voice content output to the passenger based on the result of the voice recognition processing. This makes it possible to evaluate the effectiveness of the content output to the passenger of the vehicle in the output of the push-type content.
  • a program executed by a content evaluation device provided with a computer comprises: a content acquisition unit for acquiring audio content to be output to passengers of a vehicle; unit, a voice recognition unit that performs voice recognition processing for recognizing predetermined words included in the passenger's utterance after the voice content is output, and the passenger based on the result of the voice recognition processing
  • the computer functions as an evaluation unit that evaluates the effectiveness of the audio content output to.
  • FIG. 1 is a diagram illustrating a configuration example of an audio output system according to an embodiment.
  • a voice output system 1 according to this embodiment includes a voice output device 100 and a server device 200 .
  • the audio output device 100 is mounted on the vehicle Ve.
  • the server device 200 communicates with a plurality of audio output devices 100 mounted on a plurality of vehicles Ve.
  • the voice output device 100 basically performs route search processing, route guidance processing, etc. for the user who is a passenger of the vehicle Ve. For example, when a destination or the like is input by the user, the voice output device 100 transmits an upload signal S1 including position information of the vehicle Ve and information on the designated destination to the server device 200 . Server device 200 calculates the route to the destination by referring to the map data, and transmits control signal S2 indicating the route to the destination to audio output device 100 . The voice output device 100 provides route guidance to the user by voice output based on the received control signal S2.
  • the voice output device 100 provides various types of information to the user through interaction with the user.
  • the audio output device 100 supplies the server device 200 with an upload signal S1 including information indicating the content or type of the information request and information about the running state of the vehicle Ve.
  • the server device 200 acquires and generates information requested by the user, and transmits it to the audio output device 100 as a control signal S2.
  • the audio output device 100 provides the received information to the user by audio output.
  • the voice output device 100 moves together with the vehicle Ve and performs route guidance mainly by voice so that the vehicle Ve travels along the guidance route.
  • route guidance based mainly on voice refers to route guidance in which the user can grasp information necessary for driving the vehicle Ve along the guidance route at least from only voice, and the voice output device 100 indicates the current position. It does not exclude the auxiliary display of a surrounding map or the like.
  • the voice output device 100 outputs at least various information related to driving, such as points on the route that require guidance (also referred to as “guidance points”), by voice.
  • the guidance point corresponds to, for example, an intersection at which the vehicle Ve turns left or right, or an important passing point for the vehicle Ve to travel along the guidance route.
  • the voice output device 100 provides voice guidance regarding guidance points such as the distance from the vehicle Ve to the next guidance point and the traveling direction at the guidance point.
  • the voice regarding the guidance for the guidance route is also referred to as "route voice guidance”.
  • the audio output device 100 is installed, for example, on the upper part of the windshield of the vehicle Ve or on the dashboard. Note that the audio output device 100 may be incorporated in the vehicle Ve.
  • FIG. 2 is a block diagram showing a schematic configuration of the audio output device 100.
  • Audio output device 100 mainly includes communication unit 111 , storage unit 112 , input unit 113 , control unit 114 , sensor group 115 , display unit 116 , microphone 117 , speaker 118 , and vehicle exterior camera 119 . and an in-vehicle camera 120 .
  • Each element in the audio output device 100 is interconnected via a bus line 110 .
  • the communication unit 111 performs data communication with the server device 200 under the control of the control unit 114 .
  • the communication unit 111 may receive, for example, map data for updating a map DB (DataBase) 4 to be described later from the server device 200 .
  • Map DB DataBase
  • the storage unit 112 is composed of various memories such as RAM (Random Access Memory), ROM (Read Only Memory), non-volatile memory (including hard disk drive, flash memory, etc.).
  • the storage unit 112 stores a program for the audio output device 100 to execute predetermined processing.
  • the above programs may include an application program for providing route guidance by voice, an application program for playing back music, an application program for outputting content other than music (such as television), and the like.
  • Storage unit 112 is also used as a working memory for control unit 114 . Note that the program executed by the audio output device 100 may be stored in a storage medium other than the storage unit 12 .
  • the storage unit 112 also stores a map database (hereinafter, the database is referred to as "DB") 4. Various data required for route guidance are recorded in the map DB 4 .
  • the map DB 4 stores, for example, road data representing a road network by a combination of nodes and links, and facility data indicating facilities that are candidates for destinations, stop-off points, or landmarks.
  • the map DB 4 may be updated based on the map information received by the communication section 111 from the map management server under the control of the control section 114 .
  • the input unit 113 is a button, touch panel, remote controller, etc. for user operation.
  • the display unit 116 is a display or the like that displays based on the control of the control unit 114 .
  • the microphone 117 collects sounds inside the vehicle Ve, particularly the driver's utterances.
  • a speaker 118 outputs voice for route guidance to the driver or the like.
  • the sensor group 115 includes an external sensor 121 and an internal sensor 122 .
  • the external sensor 121 is, for example, one or more sensors for recognizing the surrounding environment of the vehicle Ve, such as a lidar, radar, ultrasonic sensor, infrared sensor, and sonar.
  • the internal sensor 122 is a sensor that performs positioning of the vehicle Ve, and is, for example, a GNSS (Global Navigation Satellite System) receiver, a gyro sensor, an IMU (Inertial Measurement Unit), a vehicle speed sensor, or a combination thereof.
  • GNSS Global Navigation Satellite System
  • IMU Inertial Measurement Unit
  • vehicle speed sensor or a combination thereof.
  • the sensor group 115 may have a sensor that allows the control unit 114 to directly or indirectly derive the position of the vehicle Ve from the output of the sensor group 115 (that is, by performing estimation processing).
  • the vehicle exterior camera 119 is a camera that captures the exterior of the vehicle Ve.
  • the exterior camera 119 may be only a front camera that captures the front of the vehicle, or may include a rear camera that captures the rear of the vehicle in addition to the front camera. good too.
  • the in-vehicle camera 120 is a camera for photographing the interior of the vehicle Ve, and is provided at a position capable of photographing at least the vicinity of the driver's seat.
  • the control unit 114 includes a CPU (Central Processing Unit), a GPU (Graphics Processing Unit), etc., and controls the audio output device 100 as a whole. For example, the control unit 114 estimates the position (including the traveling direction) of the vehicle Ve based on the outputs of one or more sensors in the sensor group 115 . Further, when a destination is specified by the input unit 113 or the microphone 117, the control unit 114 generates route information indicating a guidance route to the destination, Based on the positional information and the map DB 4, route guidance is provided. In this case, the control unit 114 causes the speaker 118 to output route voice guidance. Further, the control unit 114 controls the display unit 116 to display information about the music being played, video content, a map of the vicinity of the current position, or the like.
  • a CPU Central Processing Unit
  • GPU Graphics Processing Unit
  • control unit 114 is not limited to being implemented by program-based software, and may be implemented by any combination of hardware, firmware, and software. Also, the processing executed by the control unit 114 may be implemented using a user-programmable integrated circuit such as an FPGA (field-programmable gate array) or a microcomputer. In this case, this integrated circuit may be used to implement the program executed by the control unit 114 in this embodiment. Thus, the control unit 114 may be realized by hardware other than the processor.
  • FPGA field-programmable gate array
  • the configuration of the audio output device 100 shown in FIG. 2 is an example, and various changes may be made to the configuration shown in FIG.
  • the control unit 114 may receive information necessary for route guidance from the server device 200 via the communication unit 111 .
  • the audio output device 100 is electrically connected to an audio output unit configured separately from the audio output device 100, or by a known communication means, so as to output the audio. Audio may be output from the output unit.
  • the audio output unit may be a speaker provided in the vehicle Ve.
  • the audio output device 100 does not have to include the display section 116 .
  • the audio output device 100 does not need to perform display-related control at all. may be executed.
  • the audio output device 100 may acquire information output by sensors installed in the vehicle Ve based on a communication protocol such as CAN (Controller Area Network) from the vehicle Ve. .
  • CAN Controller Area Network
  • the server device 200 generates route information indicating a guidance route that the vehicle Ve should travel based on the upload signal S1 including the destination and the like received from the voice output device 100 . Then, the server device 200 generates a control signal S2 relating to information output in response to the user's information request based on the user's information request indicated by the upload signal S1 transmitted by the audio output device 100 and the running state of the vehicle Ve. The server device 200 then transmits the generated control signal S ⁇ b>2 to the audio output device 100 .
  • the server device 200 generates content for providing information to the user of the vehicle Ve and interacting with the user, and transmits the content to the audio output device 100 .
  • the provision of information to the user is primarily a push-type information provision that is triggered by the server device 200 when the vehicle Ve reaches a predetermined driving condition.
  • the dialog with the user is basically a pull-type dialog that starts with a question or inquiry from the user.
  • the dialogue with the user may start from the provision of push-type content.
  • FIG. 3 is a diagram showing an example of a schematic configuration of the server device 200.
  • the server device 200 mainly has a communication section 211 , a storage section 212 and a control section 214 .
  • Each element in the server device 200 is interconnected via a bus line 210 .
  • the communication unit 211 performs data communication with an external device such as the audio output device 100 under the control of the control unit 214 .
  • the storage unit 212 is composed of various types of memory such as RAM, ROM, nonvolatile memory (including hard disk drive, flash memory, etc.). Storage unit 212 stores a program for server device 200 to execute a predetermined process. Moreover, the memory
  • the control unit 214 includes a CPU, GPU, etc., and controls the server device 200 as a whole. Further, the control unit 214 operates together with the audio output device 100 by executing a program stored in the storage unit 212, and executes route guidance processing, information provision processing, and the like for the user. For example, based on the upload signal S1 received from the audio output device 100 via the communication unit 211, the control unit 214 generates route information indicating a guidance route or a control signal S2 relating to information output in response to a user's information request. Then, the control unit 214 transmits the generated control signal S2 to the audio output device 100 through the communication unit 211 .
  • the control unit 214 has a voice recognition engine 214a for recognizing the utterance content of the passenger of the vehicle Ve based on the voice included in the driving situation information received from the voice output device 100 through the communication unit 211.
  • the control unit 214 also activates the voice recognition engine 214a in a situation described later to perform voice recognition processing for recognizing predetermined words included in the utterances of the passengers of the vehicle Ve.
  • the control unit 214 acquires a score according to the number of times the predetermined phrase is recognized.
  • the provision of push-type content means that when the vehicle Ve is in a predetermined driving situation, the audio output device 100 outputs content related to the driving situation to the user. Specifically, the voice output device 100 acquires the driving situation information indicating the driving situation of the vehicle Ve based on the output of the sensor group 115 as described above, and transmits it to the server device 200 .
  • the server device 200 stores table data for providing push-type content in the storage unit 212 .
  • the server device 200 refers to the table data, and when the driving situation information received from the voice output device 100 mounted on the vehicle Ve matches the trigger condition defined in the table data, the script corresponding to the trigger condition is used to generate output content and transmit it to the audio output device 100 .
  • the audio output device 100 audio-outputs the content for output received from the server device 200 . In this way, the content corresponding to the driving situation of the vehicle Ve is output to the user by voice.
  • the driving situation information includes, for example, the position of the vehicle Ve, the direction of the vehicle, traffic information around the position of the vehicle Ve (including speed regulation and congestion information, etc.), the current time, the destination, etc. At least one piece of information that can be acquired based on the function of each unit of the output device 100 may be included. Further, the driving situation information may include any one of the voice obtained by the microphone 117, the image captured by the exterior camera 119, and the image captured by the interior camera 120. The driving status information may also include information received from the server device 200 through the communication unit 111 .
  • the server device 200 acquires the audio content VC to be output to the passengers of the vehicle Ve based on the driving status information of the vehicle Ve received from the audio output device 100, and outputs the acquired audio content VC as audio. Output (transmit) to the device 100 .
  • the audio content VC includes trigger content VCT, dynamic content VCD, and static content VCS.
  • the trigger content VCT is configured as content linked to a trigger condition such as the current position of the vehicle Ve.
  • the trigger content VCT is configured as, for example, a script SCT that reads, "From Kawagoe City, I entered Kawashima Town, Hiki County.”
  • the dynamic content VCD is configured as content that includes variable parts that change according to the driving conditions of the vehicle Ve.
  • the dynamic content VCD is configured as a script SCD that reads, for example, "It took me X minutes to drive in Kawagoe City.” "X minutes" included in the script SCD corresponds to the variable portion that changes according to the running time of the vehicle Ve.
  • the static content VCS is configured as content containing at least one keyword linked to the trigger content VCT.
  • the static content VCS is configured as a script SCS, for example, "Strawberries are a specialty of Kawashima Town, Hiki-gun.” "Strawberry" included in the script SCS corresponds to a keyword associated with "Kawashima-cho, Hiki-gun” included in the script SCT.
  • a plurality of keywords are associated with one trigger content VCT
  • at least one keyword to be incorporated into the static content VCS is selected from among the plurality of keywords. It should be done.
  • a part other than "strawberry" in the script SCS is set as a standard sentence, and a keyword different from "strawberry” is incorporated into the standard sentence, thereby making it different from the script SCS.
  • Scripts can be generated.
  • the voice content VC including the scripts SCT, SCD, and SCS is output to the passengers of the vehicle Ve.
  • the server device 200 After outputting (transmitting) the audio content VC to the audio output device 100, the server device 200 activates the speech recognition engine 214a during a period from immediately after outputting (transmitting) the audio content VC to the audio output device 100 until the predetermined time TP has elapsed.
  • speech recognition processing for recognizing a predetermined phrase included in the speech of the passenger of the vehicle Ve in the above.
  • the server apparatus 200 uses the voice recognition engine 214a to recognize at least one of a word indicating exclamation for the voice content VC and a keyword in the voice content VC as a predetermined word. Perform voice recognition processing. In this embodiment, it is sufficient to identify the utterance content of the passenger of the vehicle Ve based on the voice included in the driving situation information of the vehicle Ve.
  • the predetermined time TP may be set to 30 seconds, for example.
  • the predetermined wording may be any wording that indicates the reaction of the passengers of the vehicle Ve to the audio content VC. Further, in the following description, unless otherwise specified, both the words expressing exclamation about the audio content VC and the keywords in the audio content VC are recognized as predetermined words.
  • exclamation points such as "Heh ⁇ ” and “Huh ⁇ n” can be recognized as words indicating exclamation for the voice content VC. Further, according to the speech recognition processing described above, it is possible to recognize "strawberry” as a keyword in the speech content VC.
  • the server device 200 acquires a score SR according to the number of times a predetermined phrase is recognized through speech recognition processing using the speech recognition engine 214a. Specifically, for example, the server device 200 allows two passengers on the vehicle Ve to send a message such as "Hey, strawberries are often picked around here.” Do you want to buy souvenirs?" and "Yes. Let's drop by if there's a strawberry market! 5 points are obtained as the score SR. In addition, the server device 200 has, for example, two passengers in the vehicle Ve having conversations such as "Strawberries are often harvested around here" and "That seems so.” In this case, one point is acquired as a score SR corresponding to the number of times (once) that the predetermined phrase is recognized.
  • the server device 200 may change the score SR according to the number of passengers in the vehicle Ve. Specifically, for example, the server device 200 obtains a score SR when the number of times that the predetermined wording is recognized is Y times, and if there are two or more passengers in the vehicle Ve, the server device 200 acquires a Y point, If there is only one passenger in the vehicle Ve, more Z points than Y points may be acquired.
  • the server device 200 stops the speech recognition processing by the speech recognition engine 214a when a predetermined time TP has passed since the last time the score SR was obtained after the speech content VC was output. In other words, if the server device 200 is able to obtain the score SR during the period from immediately after outputting (transmitting) the audio content VC to the audio output device 100 until the predetermined time TP has passed, the server device 200 obtains the score SR is last acquired until the predetermined time TP elapses again, the speech recognition process is continued.
  • the server device 200 if the server device 200 cannot acquire the score SR during the period from immediately after outputting (transmitting) the audio content VC to the audio output device 100 to timing when the predetermined time TP has passed, the server device 200 performs audio recognition at that timing. Stop processing.
  • the server device 200 determines the validity of the voice content VC output to the passenger of the vehicle Ve based on the score SR acquired during the period from the start of the voice recognition processing using the voice recognition engine 214a until the end. Evaluate. Specifically, for example, when the score SR is a relatively low score, the server device 200 evaluates that the effectiveness of the voice content VC for the passengers of the vehicle Ve is low. Further, for example, when the score SR is a relatively high score, the server device 200 evaluates that the effectiveness of the voice content VC for the passengers of the vehicle Ve is high.
  • the server device 200 of the present embodiment recognizes the voice content VC output to the passenger based on the result of voice recognition processing for recognizing a predetermined word included in the utterance of the passenger of the vehicle Ve. Efficacy can be evaluated.
  • the server device 200 uses the voice recognition processing to recognize a predetermined word as an index for evaluating the effectiveness of the voice content VC output to the passengers of the vehicle Ve. You can get a score according to the number of times you do it. Further, according to the processing described above, for example, based on the score SR acquired according to the output of the voice content VC, the degree of influence of the voice content VC on the emotions of the passengers of the vehicle Ve can be determined. can be estimated quantitatively. Further, according to the processing described above, only the predetermined words contained in the utterances of the passengers of the vehicle Ve are recognized by the voice recognition processing, and the voice recognition processing is performed for a limited period corresponding to the predetermined time TP. Since it is done in the company, the privacy of the passenger can be protected.
  • FIG. 4 is a flow chart for explaining the processing performed in the server device.
  • control unit 214 of the server device 200 acquires the driving status information of the vehicle Ve received from the voice output device 100 (step S11).
  • control unit 214 acquires the audio content VC corresponding to the driving situation information acquired in step S11, and outputs (transmits) the acquired audio content VC to the audio output device 100 (step S12).
  • step S12 the control unit 214 starts voice recognition processing for recognizing predetermined words included in the utterances of the passengers of the vehicle Ve that can be specified based on the driving situation information of the vehicle Ve. Further, the control unit 214 performs the voice recognition process immediately after step S12 or after a predetermined time TP has passed after step S15 (step S13).
  • the control unit 214 determines whether or not the predetermined words contained in the speech of the passenger of the vehicle Ve have been recognized by the speech recognition processing in step S13 (step S14).
  • control unit 214 When the control unit 214 can recognize the predetermined words included in the utterance of the passenger of the vehicle Ve (step S14: YES), the control unit 214 acquires the score SR (step S15). Then, the control unit 214 returns to step S13, and performs the speech recognition process from immediately after step S15 until the predetermined time TP elapses.
  • step S13 fails to recognize the predetermined words included in the speech of the passenger of the vehicle Ve (step S14: NO)
  • the control unit 214 stops the voice recognition process (step S16).
  • the control unit 214 evaluates the effectiveness of the voice content VC output to the passengers of the vehicle Ve based on the score SR acquired from immediately after step S12 to immediately before step S16 (step S17).
  • control unit 214 has functions as a content acquisition unit, a voice recognition unit, and an evaluation unit. Further, according to this embodiment, the communication unit 211 has a function as an output unit.
  • the validity of the voice content VC is determined based on the result of recognizing the predetermined words included in the utterance of the passenger of the vehicle Ve after the voice content VC is output. can be evaluated. That is, according to the present embodiment, in the output of push-type content, the effectiveness of the content output to the passenger of the vehicle can be evaluated.
  • the communication unit 111 or the control unit 114 functions as a content acquisition unit
  • the control unit 114 functions as a speech recognition unit and an evaluation unit
  • the speaker 118 outputs
  • the audio output device 100 can perform substantially the same processing as the series of processing in FIG. 4 .
  • Non-transitory computer readable media include various types of tangible storage media.
  • Examples of non-transitory computer-readable media include magnetic storage media (e.g., floppy disks, magnetic tapes, hard disk drives), magneto-optical storage media (e.g., magneto-optical discs), CD-ROMs (Read Only Memory), CD-Rs, CD-R/W, semiconductor memory (eg mask ROM, PROM (Programmable ROM), EPROM (Erasable PROM), flash ROM, RAM (Random Access Memory)).
  • audio output device 200 server device 111, 211 communication unit 112, 212 storage unit 113 input unit 114, 214 control unit 115 sensor group 116 display unit 117 microphone 118 speaker 119 exterior camera 120 interior camera

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Mechanical Engineering (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Navigation (AREA)

Abstract

コンテンツ評価装置は、コンテンツ取得部と、出力部と、音声認識部と、評価部と、を有する。コンテンツ取得部は、車両の搭乗者に対して出力するための音声コンテンツを取得する。出力部は、音声コンテンツを出力する。音声認識部は、音声コンテンツが出力された後における搭乗者の発話に含まれる所定の文言を認識するための音声認識処理を行う。評価部は、音声認識処理の結果に基づき、搭乗者に対して出力された音声コンテンツの有効性を評価する。

Description

コンテンツ評価装置、コンテンツ評価方法、プログラム及び記憶媒体
　本発明は、プッシュ型のコンテンツの評価において利用可能な技術に関する。
　センサ等を通じて得られた様々な情報に基づき、ユーザからの要求が無くとも当該情報に対応するコンテンツを当該ユーザに対して出力するような、プッシュ型のコンテンツの出力に係る技術が従来知られている。
　具体的には、例えば、特許文献１には、車両のドアの開閉を検出する振動センサ等を通じて得られた情報に基づき、当該車両の搭乗者の乗車時及び降車時に挨拶音声を出力する技術が開示されている。
特開２００３－２３７４５３号公報
　ここで、プッシュ型のコンテンツの出力によれば、ユーザの反応を示すフィードバックを得ることができないことに起因し、当該ユーザに対して出力されたコンテンツの有効性を評価することができない。
　そのため、例えば、プッシュ型のコンテンツの出力を車両の運転時に適用した場合においては、当該車両の搭乗者に対して出力したコンテンツの有効性を評価することができない、という問題点が生じ得る。
　しかし、特許文献１には、上記の問題点を解消可能な手法について特に開示等されていない。そのため、特許文献１に開示された構成によれば、上記の問題点に応じた課題が依然として存在している。
　本発明は、上記の課題を解決するためになされたものであり、プッシュ型のコンテンツの出力において、車両の搭乗者に対して出力したコンテンツの有効性を評価することが可能なコンテンツ評価装置を提供することを主な目的とする。
　請求項に記載の発明は、コンテンツ評価装置であって、車両の搭乗者に対して出力するための音声コンテンツを取得するコンテンツ取得部と、前記音声コンテンツを出力する出力部と、前記音声コンテンツが出力された後における前記搭乗者の発話に含まれる所定の文言を認識するための音声認識処理を行う音声認識部と、前記音声認識処理の結果に基づき、前記搭乗者に対して出力された前記音声コンテンツの有効性を評価する評価部と、を有する。
　また、請求項に記載の発明は、コンテンツ評価方法であって、車両の搭乗者に対して出力するための音声コンテンツを取得し、前記音声コンテンツを出力し、前記音声コンテンツが出力された後における前記搭乗者の発話に含まれる所定の文言を認識するための音声認識処理を行い、前記音声認識処理の結果に基づき、前記搭乗者に対して出力された前記音声コンテンツの有効性を評価する。
　また、請求項に記載の発明は、コンピュータを備えるコンテンツ評価装置により実行されるプログラムであって、車両の搭乗者に対して出力するための音声コンテンツを取得するコンテンツ取得部、前記音声コンテンツを出力する出力部、前記音声コンテンツが出力された後における前記搭乗者の発話に含まれる所定の文言を認識するための音声認識処理を行う音声認識部、及び、前記音声認識処理の結果に基づき、前記搭乗者に対して出力された前記音声コンテンツの有効性を評価する評価部として前記コンピュータを機能させる。
実施例に係る音声出力システムの構成例を示す図。 音声出力装置の概略構成を示すブロック図。 サーバ装置の概略構成の一例を示す図。 サーバ装置において行われる処理を説明するためのフローチャート。
　本発明の１つの好適な実施形態では、コンテンツ評価装置は、車両の搭乗者に対して出力するための音声コンテンツを取得するコンテンツ取得部と、前記音声コンテンツを出力する出力部と、前記音声コンテンツが出力された後における前記搭乗者の発話に含まれる所定の文言を認識するための音声認識処理を行う音声認識部と、前記音声認識処理の結果に基づき、前記搭乗者に対して出力された前記音声コンテンツの有効性を評価する評価部と、を有する。
　上記のコンテンツ評価装置は、コンテンツ取得部と、出力部と、音声認識部と、評価部と、を有する。コンテンツ取得部は、車両の搭乗者に対して出力するための音声コンテンツを取得する。出力部は、前記音声コンテンツを出力する。音声認識部は、前記音声コンテンツが出力された後における前記搭乗者の発話に含まれる所定の文言を認識するための音声認識処理を行う。評価部は、前記音声認識処理の結果に基づき、前記搭乗者に対して出力された前記音声コンテンツの有効性を評価する。これにより、プッシュ型のコンテンツの出力において、車両の搭乗者に対して出力したコンテンツの有効性を評価することができる。
　上記のコンテンツ評価装置の一態様では、前記評価部は、前記音声コンテンツの有効性を評価するための指標として、前記音声認識処理により前記所定の文言が認識された回数に応じたスコアを取得する。
　上記のコンテンツ評価装置の一態様では、前記音声認識部は、前記音声コンテンツが出力された直後から所定の時間が経過するまでの間において、前記音声認識処理を行う。
　上記のコンテンツ評価装置の一態様では、前記音声認識部は、前記音声コンテンツが出力された後における前記スコアが最後に取得されたタイミングから所定の時間が経過した際に、前記音声認識処理を停止する。
　上記のコンテンツ評価装置の一態様では、前記音声認識部は、前記所定の文言として、前記音声コンテンツに対する感嘆を示す文言、及び、前記音声コンテンツにおけるキーワードのうちの少なくともいずれか一方を認識する。
　本発明の他の実施形態では、コンテンツ評価方法は、車両の搭乗者に対して出力するための音声コンテンツを取得し、前記音声コンテンツを出力し、前記音声コンテンツが出力された後における前記搭乗者の発話に含まれる所定の文言を認識するための音声認識処理を行い、前記音声認識処理の結果に基づき、前記搭乗者に対して出力された前記音声コンテンツの有効性を評価する。これにより、プッシュ型のコンテンツの出力において、車両の搭乗者に対して出力したコンテンツの有効性を評価することができる。
　本発明のさらに他の実施形態では、コンピュータを備えるコンテンツ評価装置により実行されるプログラムは、車両の搭乗者に対して出力するための音声コンテンツを取得するコンテンツ取得部、前記音声コンテンツを出力する出力部、前記音声コンテンツが出力された後における前記搭乗者の発話に含まれる所定の文言を認識するための音声認識処理を行う音声認識部、及び、前記音声認識処理の結果に基づき、前記搭乗者に対して出力された前記音声コンテンツの有効性を評価する評価部として前記コンピュータを機能させる。このプログラムをコンピュータで実行することにより、上記のコンテンツ評価装置を実現することができる。このプログラムは記憶媒体に記憶して使用することができる。
　以下、図面を参照して本発明の好適な実施例について説明する。
　［システム構成］
　（全体構成）
　図１は、実施例に係る音声出力システムの構成例を示す図である。本実施例に係る音声出力システム１は、音声出力装置１００と、サーバ装置２００とを有する。音声出力装置１００は、車両Ｖｅに搭載される。サーバ装置２００は、複数の車両Ｖｅに搭載された複数の音声出力装置１００と通信する。
　音声出力装置１００は、基本的に車両Ｖｅの搭乗者であるユーザに対して、経路探索処理や経路案内処理などを行う。例えば、音声出力装置１００は、ユーザにより目的地等が入力されると、車両Ｖｅの位置情報や指定された目的地に関する情報などを含むアップロード信号Ｓ１をサーバ装置２００に送信する。サーバ装置２００は、地図データを参照して目的地までの経路を算出し、目的地までの経路を示す制御信号Ｓ２を音声出力装置１００へ送信する。音声出力装置１００は、受信した制御信号Ｓ２に基づいて、音声出力によりユーザに対する経路案内を行う。
　また、音声出力装置１００は、ユーザとの対話により各種の情報をユーザに提供する。例えば、音声出力装置１００は、ユーザが情報要求を行うと、その情報要求の内容又は種類を示す情報、及び、車両Ｖｅの走行状態に関する情報などを含むアップロード信号Ｓ１をサーバ装置２００に供給する。サーバ装置２００は、ユーザが要求する情報を取得、生成し、制御信号Ｓ２として音声出力装置１００へ送信する。音声出力装置１００は、受信した情報を、音声出力によりユーザに提供する。
　（音声出力装置）
　音声出力装置１００は、車両Ｖｅと共に移動し、案内経路に沿って車両Ｖｅが走行するように、音声を主とした経路案内を行う。なお、「音声を主とした経路案内」は、案内経路に沿って車両Ｖｅを運転するために必要な情報をユーザが少なくとも音声のみから把握可能な経路案内を指し、音声出力装置１００が現在位置周辺の地図などを補助的に表示することを除外するものではない。本実施例では、音声出力装置１００は、少なくとも、案内が必要な経路上の地点（「案内地点」とも呼ぶ。）など、運転に係る様々な情報を音声により出力する。ここで、案内地点は、例えば車両Ｖｅの右左折を伴う交差点、その他、案内経路に沿って車両Ｖｅが走行するために重要な通過地点が該当する。音声出力装置１００は、例えば、車両Ｖｅから次の案内地点までの距離、当該案内地点での進行方向などの案内地点に関する音声案内を行う。以後では、案内経路に対する案内に関する音声を「経路音声案内」とも呼ぶ。
　音声出力装置１００は、例えば車両Ｖｅのフロントガラスの上部、又は、ダッシュボード上などに取り付けられる。なお、音声出力装置１００は、車両Ｖｅに組み込まれてもよい。
　図２は、音声出力装置１００の概略構成を示すブロック図である。音声出力装置１００は、主に、通信部１１１と、記憶部１１２と、入力部１１３と、制御部１１４と、センサ群１１５と、表示部１１６と、マイク１１７と、スピーカ１１８と、車外カメラ１１９と、車内カメラ１２０と、を有する。音声出力装置１００内の各要素は、バスライン１１０を介して相互に接続されている。
　通信部１１１は、制御部１１４の制御に基づき、サーバ装置２００とのデータ通信を行う。通信部１１１は、例えば、後述する地図ＤＢ（ＤａｔａＢａｓｅ）４を更新するための地図データをサーバ装置２００から受信してもよい。
　記憶部１１２は、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、不揮発性メモリ（ハードディスクドライブ、フラッシュメモリなどを含む）などの各種のメモリにより構成される。記憶部１１２には、音声出力装置１００が所定の処理を実行するためのプログラムが記憶される。上述のプログラムは、経路案内を音声により行うためのアプリケーションプログラム、音楽を再生するためのアプリケーションプログラム、音楽以外のコンテンツ（テレビ等）を出力するためのアプリケーションプログラムなどを含んでもよい。また、記憶部１１２は、制御部１１４の作業メモリとしても使用される。なお、音声出力装置１００が実行するプログラムは、記憶部１２以外の記憶媒体に記憶されてもよい。
　また、記憶部１１２は、地図データベース（以下、データベースを「ＤＢ」と記す。）４を記憶する。地図ＤＢ４には、経路案内に必要な種々のデータが記録されている。地図ＤＢ４は、例えば、道路網をノードとリンクの組合せにより表した道路データ、及び、目的地、立寄地、又はランドマークの候補となる施設を示す施設データなどを記憶している。地図ＤＢ４は、制御部１１４の制御に基づき、通信部１１１が地図管理サーバから受信する地図情報に基づき更新されてもよい。
　入力部１１３は、ユーザが操作するためのボタン、タッチパネル、リモートコントローラ等である。表示部１１６は、制御部１１４の制御に基づき表示を行うディスプレイ等である。マイク１１７は、車両Ｖｅの車内の音声、特に運転手の発話などを集音する。スピーカ１１８は、運転手などに対して、経路案内のための音声を出力する。
　センサ群１１５は、外界センサ１２１と、内界センサ１２２とを含む。外界センサ１２１は、例えば、ライダ、レーダ、超音波センサ、赤外線センサ、ソナーなどの車両Ｖｅの周辺環境を認識するための１又は複数のセンサである。内界センサ１２２は、車両Ｖｅの測位を行うセンサであり、例えば、ＧＮＳＳ（Ｇｌｏｂａｌ　Ｎａｖｉｇａｔｉｏｎ　Ｓａｔｅｌｌｉｔｅ　Ｓｙｓｔｅｍ）受信機、ジャイロセンサ、ＩＭＵ（Ｉｎｅｒｔｉａｌ　Ｍｅａｓｕｒｅｍｅｎｔ　Ｕｎｉｔ）、車速センサ、又はこれらの組合せである。なお、センサ群１１５は、制御部１１４がセンサ群１１５の出力から車両Ｖｅの位置を直接的に又は間接的に（即ち推定処理を行うことによって）導出可能なセンサを有していればよい。
　車外カメラ１１９は、車両Ｖｅの外部を撮影するカメラである。車外カメラ１１９は、車両の前方を撮影するフロントカメラのみでもよく、フロントカメラに加えて車両の後方を撮影するリアカメラを含んでもよく、車両Ｖｅの全周囲を撮影可能な全方位カメラであってもよい。一方、車内カメラ１２０は、車両Ｖｅの車内の様子を撮影するカメラであり、少なくとも運転席周辺を撮影可能な位置に設けられる。
　制御部１１４は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）などを含み、音声出力装置１００の全体を制御する。例えば、制御部１１４は、センサ群１１５の１又は複数のセンサの出力に基づき、車両Ｖｅの位置（進行方向の向きも含む）を推定する。また、制御部１１４は、入力部１１３又はマイク１１７により目的地が指定された場合に、当該目的地までの経路である案内経路を示す経路情報を生成し、当該経路情報と推定した車両Ｖｅの位置情報と地図ＤＢ４とに基づき、経路案内を行う。この場合、制御部１１４は、経路音声案内をスピーカ１１８から出力させる。また、制御部１１４は、表示部１１６を制御することで、再生中の音楽の情報、映像コンテンツ、又は現在位置周辺の地図などの表示を行う。
　なお、制御部１１４が実行する処理は、プログラムによるソフトウェアで実現することに限ることなく、ハードウェア、ファームウェア、及びソフトウェアのうちのいずれかの組み合わせ等により実現してもよい。また、制御部１１４が実行する処理は、例えばＦＰＧＡ（field-programmable gate array）又はマイコン等の、ユーザがプログラミング可能な集積回路を用いて実現してもよい。この場合、この集積回路を用いて、制御部１１４が本実施例において実行するプログラムを実現してもよい。このように、制御部１１４は、プロセッサ以外のハードウェアにより実現されてもよい。
　図２に示す音声出力装置１００の構成は一例であり、図２に示す構成に対して種々の変更がなされてもよい。例えば、地図ＤＢ４を記憶部１１２が記憶する代わりに、制御部１１４が通信部１１１を介して経路案内に必要な情報をサーバ装置２００から受信してもよい。他の例では、音声出力装置１００は、スピーカ１１８を備える代わりに、音声出力装置１００とは別体に構成された音声出力部と電気的に又は公知の通信手段によって接続することで、当該音声出力部から音声を出力させてもよい。この場合、音声出力部は、車両Ｖｅに備えられたスピーカであってもよい。さらに別の例では、音声出力装置１００は、表示部１１６を備えなくともよい。この場合、音声出力装置１００は、表示に関する制御を全く行わなくともよく、有線又は無線により、車両Ｖｅ等に備えられた表示部と電気的に接続することで、当該表示部に所定の表示を実行させてもよい。同様に、音声出力装置１００は、センサ群１１５を備える代わりに、車両Ｖｅに備え付けられたセンサが出力する情報を、車両ＶｅからＣＡＮ（Ｃｏｎｔｒｏｌｌｅｒ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）などの通信プロトコルに基づき取得してもよい。
　（サーバ装置）
　サーバ装置２００は、音声出力装置１００から受信する目的地等を含むアップロード信号Ｓ１に基づき、車両Ｖｅが走行すべき案内経路を示す経路情報を生成する。そして、サーバ装置２００は、その後に音声出力装置１００が送信するアップロード信号Ｓ１が示すユーザの情報要求及び車両Ｖｅの走行状態に基づき、ユーザの情報要求に対する情報出力に関する制御信号Ｓ２を生成する。そして、サーバ装置２００は、生成した制御信号Ｓ２を、音声出力装置１００に送信する。
　さらに、サーバ装置２００は、車両Ｖｅのユーザに対する情報提供やユーザとの対話を行うためのコンテンツを生成し、音声出力装置１００に送信する。ユーザに対する情報提供は、主として車両Ｖｅが所定の運転状況になったことをトリガとしてサーバ装置２００側から開始するプッシュ型の情報提供である。また、ユーザとの対話は、基本的にユーザからの質問や問いかけから開始するプル型の対話である。但し、ユーザとの対話は、プッシュ型のコンテンツ提供から開始する場合もある。
　図３は、サーバ装置２００の概略構成の一例を示す図である。サーバ装置２００は、主に、通信部２１１と、記憶部２１２と、制御部２１４とを有する。サーバ装置２００内の各要素は、バスライン２１０を介して相互に接続されている。
　通信部２１１は、制御部２１４の制御に基づき、音声出力装置１００などの外部装置とのデータ通信を行う。記憶部２１２は、ＲＡＭ、ＲＯＭ、不揮発性メモリ（ハードディスクドライブ、フラッシュメモリなどを含む）などの各種のメモリにより構成される。記憶部２１２は、サーバ装置２００が所定の処理を実行するためのプログラムが記憶される。また、記憶部２１２は、地図ＤＢ４を含んでいる。
　制御部２１４は、ＣＰＵ、ＧＰＵなどを含み、サーバ装置２００の全体を制御する。また、制御部２１４は、記憶部２１２に記憶されたプログラムを実行することで、音声出力装置１００とともに動作し、ユーザに対する経路案内処理や情報提供処理などを実行する。例えば、制御部２１４は、音声出力装置１００から通信部２１１を介して受信するアップロード信号Ｓ１に基づき、案内経路を示す経路情報、又は、ユーザの情報要求に対する情報出力に関する制御信号Ｓ２を生成する。そして、制御部２１４は、生成した制御信号Ｓ２を、通信部２１１により音声出力装置１００に送信する。
　制御部２１４は、通信部２１１を通じて音声出力装置１００から受信した運転状況情報に含まれる音声に基づき、車両Ｖｅの搭乗者による発話内容を認識するための音声認識エンジン２１４ａを有している。また、制御部２１４は、後述の状況において音声認識エンジン２１４ａを起動することにより、車両Ｖｅの搭乗者の発話に含まれる所定の文言を認識するための音声認識処理を行う。また、制御部２１４は、所定の文言を認識した回数に応じたスコアを取得する。
　［プッシュ型のコンテンツ提供］
　次に、プッシュ型のコンテンツ提供について説明する。プッシュ型のコンテンツ提供とは、車両Ｖｅが所定の運転状況になった場合に、音声出力装置１００がユーザに対してその運転状況に関連するコンテンツを音声出力することをいう。具体的に、音声出力装置１００は、前述のようにセンサ群１１５の出力に基づいて車両Ｖｅの運転状況を示す運転状況情報を取得し、サーバ装置２００へ送信する。サーバ装置２００は、プッシュ型のコンテンツ提供を行うためのテーブルデータを記憶部２１２に記憶している。サーバ装置２００は、テーブルデータを参照し、車両Ｖｅに搭載された音声出力装置１００から受信した運転状況情報が、テーブルデータに規定されているトリガ条件と一致した場合、そのトリガ条件に対応するスクリプトを用いて出力用コンテンツを生成し、音声出力装置１００へ送信する。音声出力装置１００は、サーバ装置２００から受信した出力用コンテンツを音声出力する。こうして、車両Ｖｅの運転状況に対応するコンテンツがユーザに対して音声出力される。
　運転状況情報には、例えば、車両Ｖｅの位置、当該車両の方位、当該車両Ｖｅの位置の周辺の交通情報（速度規制及び渋滞情報等を含む）、現在時刻、目的地等のような、音声出力装置１００の各部の機能に基づいて取得可能な少なくとも１つの情報が含まれていればよい。また、運転状況情報には、マイク１１７により得られた音声、車外カメラ１１９により撮影された画像、及び、車内カメラ１２０により撮影された画像のうちのいずれかが含まれていてもよい。また、運転状況情報には、通信部１１１を通じてサーバ装置２００から受信した情報が含まれていてもよい。
　［プッシュ型のコンテンツの評価に係る処理］
　続いて、プッシュ型のコンテンツの評価に係る処理について説明する。
　（具体例）
　サーバ装置２００は、音声出力装置１００から受信した車両Ｖｅの運転状況情報に基づき、当該車両Ｖｅの搭乗者に対して出力するための音声コンテンツＶＣを取得し、当該取得した音声コンテンツＶＣを音声出力装置１００へ出力（送信）する。
　音声コンテンツＶＣには、トリガーコンテンツＶＣＴと、動的コンテンツＶＣＤと、静的コンテンツＶＣＳと、が含まれている。
　トリガーコンテンツＶＣＴは、車両Ｖｅの現在位置等のトリガ条件に紐付けられたコンテンツとして構成されている。具体的には、トリガーコンテンツＶＣＴは、例えば、「川越市から比企郡川島町に入りました。」というスクリプトＳＣＴとして構成されている。
　動的コンテンツＶＣＤは、車両Ｖｅの運転状況に応じて変化する変数部を含むコンテンツとして構成されている。具体的には、動的コンテンツＶＣＤは、例えば、「川越市を走行した時間はＸ分でした。」というスクリプトＳＣＤとして構成されている。スクリプトＳＣＤに含まれる「Ｘ分」は、車両Ｖｅの走行時間に応じて変化する変数部に相当する。
　静的コンテンツＶＣＳは、トリガーコンテンツＶＣＴに紐付けられた少なくとも１つのキーワードを含むコンテンツとして構成されている。具体的には、静的コンテンツＶＣＳは、例えば、「比企郡川島町は、イチゴが特産品です。」というスクリプトＳＣＳとして構成されている。スクリプトＳＣＳに含まれる「イチゴ」は、スクリプトＳＣＴに含まれる「比企郡川島町」に紐付けられたキーワードに相当する。なお、本実施例においては、例えば、１つのトリガーコンテンツＶＣＴに対して複数のキーワードが紐付けられている場合に、当該複数のキーワードの中から、静的コンテンツＶＣＳに組み込む少なくとも１つのキーワードが選択されるようにすればよい。また、本実施例においては、例えば、スクリプトＳＣＳにおける「イチゴ」以外の部分を定型文として設定し、当該定型文に対して「イチゴ」とは異なるキーワードを組み込むことにより、当該スクリプトＳＣＳとは異なるスクリプトを生成することができる。
　ここで、以降においては、スクリプトＳＣＴ、ＳＣＤ及びＳＣＳを含む音声コンテンツＶＣが車両Ｖｅの搭乗者に対して出力された場合を例に挙げて説明する。
　サーバ装置２００は、音声コンテンツＶＣを音声出力装置１００へ出力（送信）した直後から所定時間ＴＰが経過するまでの間において、音声認識エンジン２１４ａを起動することにより、当該音声コンテンツＶＣを出力した後における当該車両Ｖｅの搭乗者の発話に含まれる所定の文言を認識するための音声認識処理を行う。具体的には、サーバ装置２００は、音声認識エンジン２１４ａを用い、音声コンテンツＶＣに対する感嘆を示す文言、及び、当該音声コンテンツＶＣにおけるキーワードのうちの少なくともいずれか一方を所定の文言として認識するための音声認識処理を行う。なお、本実施例においては、車両Ｖｅの運転状況情報に含まれる音声に基づき、当該車両Ｖｅの搭乗者の発話内容を特定するようにすればよい。また、本実施例においては、所定時間ＴＰが、例えば、３０秒間として設定されていればよい。また、所定の文言は、音声コンテンツＶＣに対する車両Ｖｅの搭乗者の反応を示す文言であればよい。また、以降においては、特に言及のない限り、音声コンテンツＶＣに対する感嘆を示す文言、及び、当該音声コンテンツＶＣにおけるキーワードの両方が所定の文言として認識されるものとして説明を行う。
　前述の音声認識処理によれば、音声コンテンツＶＣに対する感嘆を示す文言として、「へぇ～」及び「ふ～ん」等のような感嘆詞を認識することができる。また、前述の音声認識処理によれば、音声コンテンツＶＣにおけるキーワードとして、「イチゴ」を認識することができる。
　サーバ装置２００は、音声認識エンジン２１４ａを用いた音声認識処理により所定の文言を認識した回数に応じたスコアＳＲを取得する。具体的には、サーバ装置２００は、例えば、車両Ｖｅに搭乗している２人の搭乗者により、「へぇ～。この辺ってイチゴがよく取れるんだ。」、「ふ～ん。じゃあイチゴのお土産買っていく？」、及び、「そうだね。じゃあイチゴの直売所があったら寄っていこう！」という会話が行われた場合には、所定の文言を認識した回数（５回）に応じたスコアＳＲとして５点を取得する。また、サーバ装置２００は、例えば、車両Ｖｅに搭乗している２人の搭乗者により、「この辺ってイチゴがよく取れるんだ。」、及び、「そうらしいね。」という会話が行われた場合には、所定の文言を認識した回数（１回）に応じたスコアＳＲとして１点を取得する。
　なお、本実施例によれば、サーバ装置２００は、車両Ｖｅにおける搭乗者の人数に応じてスコアＳＲを変化させるようにしてもよい。具体的には、サーバ装置２００は、例えば、所定の文言を認識した回数がＹ回である場合のスコアＳＲとして、車両Ｖｅの搭乗者が２人以上であればＹ点を取得する一方で、当該車両Ｖｅの搭乗者が１人であればＹ点よりも多いＺ点を取得するようにしてもよい。
　サーバ装置２００は、音声コンテンツＶＣが出力された後におけるスコアＳＲを最後に取得したタイミングから所定時間ＴＰが経過した際に、音声認識エンジン２１４ａによる音声認識処理を停止する。換言すると、サーバ装置２００は、音声コンテンツＶＣを音声出力装置１００へ出力（送信）した直後から所定時間ＴＰが経過するまでの間にスコアＳＲを取得することができた場合には、当該スコアＳＲを最後に取得したタイミングから当該所定時間ＴＰが再度経過するまでの間において音声認識処理を継続する。なお、サーバ装置２００は、音声コンテンツＶＣを音声出力装置１００へ出力（送信）した直後から所定時間ＴＰが経過したタイミングまでの間にスコアＳＲを取得できなかった場合には、当該タイミングにおいて音声認識処理を停止する。
　サーバ装置２００は、音声認識エンジン２１４ａを用いた音声認識処理を開始してから停止するまでの間において取得したスコアＳＲに基づき、車両Ｖｅの搭乗者に対して出力された音声コンテンツＶＣの有効性を評価する。具体的には、サーバ装置２００は、例えば、スコアＳＲが相対的に低いスコアである場合には、車両Ｖｅの搭乗者に対する音声コンテンツＶＣの有効性が低いと評価する。また、サーバ装置２００は、例えば、スコアＳＲが相対的に高いスコアである場合には、車両Ｖｅの搭乗者に対する音声コンテンツＶＣの有効性が高いと評価する。
　以上に述べた処理によれば、音声認識処理により所定の文言が認識された回数と、当該音声認識処理が開始されてから停止するまでに取得されたスコアＳＲと、が対応関係を有している。また、以上に述べた処理によれば、音声認識処理により所定の文言が認識された回数を、当該音声認識処理の結果と言い換えることができる。そのため、本実施例のサーバ装置２００は、車両Ｖｅの搭乗者の発話に含まれる所定の文言を認識するための音声認識処理の結果に基づき、当該搭乗者に対して出力された音声コンテンツＶＣの有効性を評価することができる。また、以上に述べた処理によれば、サーバ装置２００は、車両Ｖｅの搭乗者に対して出力された音声コンテンツＶＣの有効性を評価するための指標として、音声認識処理により所定の文言が認識された回数に応じたスコアを取得することができる。また、以上に述べた処理によれば、例えば、音声コンテンツＶＣの出力に応じて取得されたスコアＳＲに基づき、当該音声コンテンツＶＣが車両Ｖｅの搭乗者の感情に対して影響を及ぼした度合いを定量的に推定することができる。また、以上に述べた処理によれば、車両Ｖｅの搭乗者の発話に含まれる所定の文言のみが音声認識処理により認識されるとともに、当該音声認識処理が所定時間ＴＰに応じた限られた期間内で行われるため、当該搭乗者のプライバシーを保護することができる。
　（処理フロー）
　続いて、サーバ装置２００において行われる処理について説明する。図４は、サーバ装置において行われる処理を説明するためのフローチャートである。
　まず、サーバ装置２００の制御部２１４は、音声出力装置１００から受信した車両Ｖｅの運転状況情報を取得する（ステップＳ１１）。
　次に、制御部２１４は、ステップＳ１１において取得した運転状況情報に応じた音声コンテンツＶＣを取得し、当該取得した音声コンテンツＶＣを音声出力装置１００へ出力（送信）する（ステップＳ１２）。
　制御部２１４は、ステップＳ１２の直後において、車両Ｖｅの運転状況情報に基づいて特定可能な当該車両Ｖｅの搭乗者の発話に含まれる所定の文言を認識するための音声認識処理を開始する。また、制御部２１４は、ステップＳ１２の直後からまたは後述のステップＳ１５の直後から所定時間ＴＰが経過するまでの間において、音声認識処理を実施する（ステップＳ１３）。
　制御部２１４は、ステップＳ１３の音声認識処理により、車両Ｖｅの搭乗者の発話に含まれる所定の文言を認識できたか否かを判定する（ステップＳ１４）。
　制御部２１４は、車両Ｖｅの搭乗者の発話に含まれる所定の文言を認識できた場合（ステップＳ１４：ＹＥＳ）には、スコアＳＲを取得する（ステップＳ１５）。そして、制御部２１４は、ステップＳ１３に戻り、ステップＳ１５の直後から所定時間ＴＰが経過するまでの間において、音声認識処理を実施する。
　制御部２１４は、ステップＳ１３の音声認識処理により、車両Ｖｅの搭乗者の発話に含まれる所定の文言を認識できなかった場合（ステップＳ１４：ＮＯ）には、当該音声認識処理を停止する（ステップＳ１６）。
　制御部２１４は、ステップＳ１２の直後からステップＳ１６の直前までの間において取得したスコアＳＲに基づき、車両Ｖｅの搭乗者に対して出力された音声コンテンツＶＣの有効性を評価する（ステップＳ１７）。
　本実施例によれば、制御部２１４は、コンテンツ取得部、音声認識部、及び、評価部としての機能を有する。また、本実施例によれば、通信部２１１は、出力部としての機能を有する。
　以上に述べたように、本実施例によれば、音声コンテンツＶＣが出力された後における車両Ｖｅの搭乗者の発話に含まれる所定の文言を認識した結果に基づき、当該音声コンテンツＶＣの有効性を評価することができる。すなわち、本実施例によれば、プッシュ型のコンテンツの出力において、車両の搭乗者に対して出力したコンテンツの有効性を評価することができる。
　なお、本実施例によれば、例えば、通信部１１１または制御部１１４がコンテンツ取得部としての機能を有し、制御部１１４が音声認識部及び評価部としての機能を有するとともに、スピーカ１１８が出力部としての機能を有する場合に、図４の一連の処理と略同様の処理を音声出力装置１００において行うことができる。
　上述した実施例において、プログラムは、様々なタイプの非一時的なコンピュータ可読媒体（non-transitory computer readable medium）を用いて格納され、コンピュータである制御部等に供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記憶媒体（tangible storage medium）を含む。非一時的なコンピュータ可読媒体の例は、磁気記憶媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記憶媒体（例えば光磁気ディスク）、ＣＤ－ＲＯＭ（Read Only Memory）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ（Random Access Memory））を含む。
　以上、実施形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。すなわち、本願発明は、請求の範囲を含む全開示、技術的思想にしたがって当業者であればなし得るであろう各種変形、修正を含むことは勿論である。また、引用した上記の特許文献等の各開示は、本書に引用をもって繰り込むものとする。
　１００　音声出力装置
　２００　サーバ装置
　１１１、２１１　通信部
　１１２、２１２　記憶部
　１１３　入力部
　１１４、２１４　制御部
　１１５　センサ群
　１１６　表示部
　１１７　マイク
　１１８　スピーカ
　１１９　車外カメラ
　１２０　車内カメラ

Claims (8)

  1. 　車両の搭乗者に対して出力するための音声コンテンツを取得するコンテンツ取得部と、
    　前記音声コンテンツを出力する出力部と、
    　前記音声コンテンツが出力された後における前記搭乗者の発話に含まれる所定の文言を認識するための音声認識処理を行う音声認識部と、
    　前記音声認識処理の結果に基づき、前記搭乗者に対して出力された前記音声コンテンツの有効性を評価する評価部と、
    　を有するコンテンツ評価装置。
  2. 　前記評価部は、前記音声コンテンツの有効性を評価するための指標として、前記音声認識処理により前記所定の文言が認識された回数に応じたスコアを取得する請求項１に記載のコンテンツ評価装置。
  3. 　前記音声認識部は、前記音声コンテンツが出力された直後から所定の時間が経過するまでの間において、前記音声認識処理を行う請求項１または２に記載のコンテンツ評価装置。
  4. 　前記音声認識部は、前記音声コンテンツが出力された後における前記スコアが最後に取得されたタイミングから所定の時間が経過した際に、前記音声認識処理を停止する請求項２に記載のコンテンツ評価装置。
  5. 　前記音声認識部は、前記所定の文言として、前記音声コンテンツに対する感嘆を示す文言、及び、前記音声コンテンツにおけるキーワードのうちの少なくともいずれか一方を認識する請求項１乃至４のいずれか一項に記載のコンテンツ評価装置。
  6. 　車両の搭乗者に対して出力するための音声コンテンツを取得し、
    　前記音声コンテンツを出力し、
    　前記音声コンテンツが出力された後における前記搭乗者の発話に含まれる所定の文言を認識するための音声認識処理を行い、
    　前記音声認識処理の結果に基づき、前記搭乗者に対して出力された前記音声コンテンツの有効性を評価するコンテンツ評価方法。
  7. 　コンピュータを備えるコンテンツ評価装置により実行されるプログラムであって、
    　車両の搭乗者に対して出力するための音声コンテンツを取得するコンテンツ取得部、
    　前記音声コンテンツを出力する出力部、
    　前記音声コンテンツが出力された後における前記搭乗者の発話に含まれる所定の文言を認識するための音声認識処理を行う音声認識部、及び、
    　前記音声認識処理の結果に基づき、前記搭乗者に対して出力された前記音声コンテンツの有効性を評価する評価部として前記コンピュータを機能させるプログラム。
  8. 　請求項７に記載のプログラムを記憶した記憶媒体。
PCT/JP2023/007203 2022-02-28 2023-02-28 コンテンツ評価装置、コンテンツ評価方法、プログラム及び記憶媒体 WO2023163197A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022029024 2022-02-28
JP2022-029024 2022-02-28

Publications (1)

Publication Number Publication Date
WO2023163197A1 true WO2023163197A1 (ja) 2023-08-31

Family

ID=87766265

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/007203 WO2023163197A1 (ja) 2022-02-28 2023-02-28 コンテンツ評価装置、コンテンツ評価方法、プログラム及び記憶媒体

Country Status (1)

Country Link
WO (1) WO2023163197A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010237761A (ja) * 2009-03-30 2010-10-21 Nikon Corp 電子機器
JP2017194898A (ja) * 2016-04-22 2017-10-26 京セラドキュメントソリューションズ株式会社 観光案内システム
WO2018142686A1 (ja) * 2017-01-31 2018-08-09 ソニー株式会社 情報処理装置、情報処理方法、およびプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010237761A (ja) * 2009-03-30 2010-10-21 Nikon Corp 電子機器
JP2017194898A (ja) * 2016-04-22 2017-10-26 京セラドキュメントソリューションズ株式会社 観光案内システム
WO2018142686A1 (ja) * 2017-01-31 2018-08-09 ソニー株式会社 情報処理装置、情報処理方法、およびプログラム

Similar Documents

Publication Publication Date Title
US10160413B2 (en) Vehicle and control method thereof
JP6604151B2 (ja) 音声認識制御システム
JP6225927B2 (ja) 車両状態予測システム
JP2006317573A (ja) 情報端末
JP5181533B2 (ja) 音声対話装置
WO2023163197A1 (ja) コンテンツ評価装置、コンテンツ評価方法、プログラム及び記憶媒体
JP2023164659A (ja) 情報処理装置、情報出力方法、プログラム及び記憶媒体
JP2023105143A (ja) 情報処理装置、情報出力方法、プログラム及び記憶媒体
WO2023062816A1 (ja) コンテンツ出力装置、コンテンツ出力方法、プログラム及び記憶媒体
WO2023276037A1 (ja) コンテンツ出力装置、コンテンツ出力方法、プログラム及び記憶媒体
WO2023286827A1 (ja) コンテンツ出力装置、コンテンツ出力方法、プログラム及び記憶媒体
WO2023163196A1 (ja) コンテンツ出力装置、コンテンツ出力方法、プログラム及び記憶媒体
WO2023286826A1 (ja) コンテンツ出力装置、コンテンツ出力方法、プログラム及び記憶媒体
WO2023162189A1 (ja) コンテンツ出力装置、コンテンツ出力方法、プログラム及び記憶媒体
WO2023063405A1 (ja) コンテンツ生成装置、コンテンツ生成方法、プログラム及び記憶媒体
JP7175221B2 (ja) エージェント装置、エージェント装置の制御方法、およびプログラム
WO2023163047A1 (ja) 端末装置、情報提供システム、情報処理方法、プログラム及び記憶媒体
WO2023112148A1 (ja) 音声出力装置、音声出力方法、プログラム及び記憶媒体
WO2023163045A1 (ja) コンテンツ出力装置、コンテンツ出力方法、プログラム及び記憶媒体
WO2023073949A1 (ja) 音声出力装置、サーバ装置、音声出力方法、制御方法、プログラム及び記憶媒体
WO2023073856A1 (ja) 音声出力装置、音声出力方法、プログラム及び記憶媒体
WO2023062817A1 (ja) 音声認識装置、制御方法、プログラム及び記憶媒体
WO2023112147A1 (ja) 音声出力装置、音声出力方法、プログラム及び記憶媒体
JP2023011136A (ja) コンテンツ出力装置、コンテンツ出力方法、プログラム及び記憶媒体
WO2023062814A1 (ja) 音声出力装置、音声出力方法、プログラム及び記憶媒体

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: 23760195

Country of ref document: EP

Kind code of ref document: A1