au「声de入力」は、今までの音声認識とどこが違う？

[吉岡綾乃，ITmedia]

　KDDIが発表した新サービス「声de入力」（1月12日の記事参照）は、ナビの地名入力や乗換案内の駅名入力といった操作を、キーではなく音声で可能にしたものだ。

　しかし携帯電話で音声認識を利用した製品やサービスはこれが初めてではない。従来の音声認識技術と声de入力はどこが違うのか、またKDDIの狙いなどについてまとめた。

キーが苦手な人には「声」で入力してほしい

　「携帯電話は単なる通話の道具ではなく、個人の情報ツールになってきているが、キー入力が困難という声がある」と話すのは、au商品企画本部モバイルサービス部の幡容子氏だ。

　メールやWeb検索、ナビ、アドレス帳など、携帯の機能が多様化していく中で、キーによる文字入力が必須なために、そこが利用のハードルになってしまっているケースは多い。「初心に返って、より多くの人により簡単に機能を使ってもらいたいと考えた」（幡氏）。また、ビジネスマンが“歩きながら”“待ちながら”EZナビウォークを使うシーンも想定しているという。

au商品企画本部モバイルサービス部の幡容子氏

　これまでの携帯電話にも、音声認識技術を利用している製品はある。例えば、電話帳に登録した電話番号や、メニューの呼び出しなどを単語で呼び出せる機能を持ったものなどだ（2002年9月10日の記事参照）。

　ただ、これらのケースでは、単語を認識しているだけだ。声de入力の場合は「東京から新宿まで10分後」など、短い文章を認識できるため、その分処理しなくてはならないデータ量も増える。携帯電話の非力な処理能力で自然文認識を可能にしているのが「DSR」という技術だ。

端末とサーバで処理を分散

　携帯電話の文字入力に音声認識技術を使う試みは古くからあり、大きく3つに分けられる。携帯の端末で処理を行う「内蔵型」、音声認識処理はサーバに行わせて、通話回線を利用して問い合わせる「音声通話型」、そして端末とサーバと処理を分散する「分散処理型」だ。

　内蔵型の場合は、通信が発生しないためユーザビリティに優れるが、半面、端末の処理能力が高くないこと、また辞書のサイズを大きくできないという理由から、数十単語しか認識できないという問題があった。

　音声通話型の場合、処理能力の高いサーバ側で音声認識処理を行うため、大容量の辞書を登録でき、認識率も上げやすいが、ユーザーが音声認識をしようとするたびに、音声認識用のアプリと音声回線を切り替え、通信を行わなくてはならない。何度も通信が発生し通信料・時間がかかること、何度も切り替えが必要でユーザーにとって使いにくいなど、ユーザビリティの面で問題があった。

　声de入力では、端末とサーバとで処理を分担する分散型音声認識機能（DSR：Distributed Speech Recognition）を採用している。「Symbian OSやWindows MobileといったOSを載せたスマートフォン以外で、DSRを実現したのは世界初」（幡氏）。

内蔵型、音声通話型、DSRのそれぞれの特徴

　具体的には、ユーザーが発声した内容の音声特徴をパラメータとして抽出するまでを端末側で行い、そのデータをパケット通信でサーバへ送信する。サーバ側では、送られてきたパラメータを辞書と照合して、認識結果をパケット通信で端末に送る仕組みになっている。

　DSRでは、内蔵型に近いユーザビリティと、音声通話型並みの認識率を両立でき、しかも通信の回数も音声通話型に対して少なくできる。内蔵型と音声通話型の“いいとこ取り”ができる方法だが、これまで携帯電話への実装は難しかったという。「周囲の雑音の除去など、周辺技術の向上によって実現できた」（幡氏）

　声de入力では、屋外など雑音がうるさいところでも、認識率を下げないよう、2種類の音声認識エンジンを持っているという。音声認識を開始する前に周囲の雑音を検出し、その雑音レベルに合わせ「雑音に強いエンジン」「高速に処理できるエンジン」を自動的に切り替える仕組みだ。

声de入力の特徴

　音声認識用のチップは追加搭載していないが、特徴パラメータの抽出、計算はBREWアプリではなく、端末上のソフトウェアで行うため、このソフトが搭載されていない現行機種では声de入力を利用することはできない。

　端末が抽出する音声特徴データは、乗換案内の場合でほぼ1K〜2Kバイト、多い場合で3Kバイト程度だという。「CDMA 1Xのパケット割を適用した場合で、1回3〜4円程度」（KDDI）

他のアプリケーションへの展開は？

　声de入力のベースとなっているのは、KDDI研究所が研究開発した音声特徴情報抽出ソフトウェア・音声認識エンジンだ。同研究所の音声認識技術研究の歴史は古く、「『ア』とか『イ』とかの認識から始まって、30年くらいはやっている」（KDDI研究所音声処理グループリーダーの河井恒氏）

　KDDIが自然文の音声認識を利用したサービスを提供するのは、実はこれが初めてではない。沖電気と共同開発した「ITS音声ポータルサービス」（2001年7月2日の記事参照）や、「ezバーチャルトーク」というサービスを提供していたこともある（2001年8月23日の記事参照）。

　今回のサービスで、声de入力を乗換検索や目的地検索と組み合わせている大きな理由は、必要な単語を地名や時間、住所などに絞りこめるため、“ユーザーが発声する場合にどのような言葉が必要で、どのような結果を返す必要があるか”を想定しやすく、認識率を上げやすいためだ。

　音声認識技術を利用したアプリを作り、認識率を上げるには、想定される言葉を的確に集めたデータベースサーバを構築しなくてはならない。サーバには、全国の駅名のほか、EZナビウォークで随時利用されているキーワードのうち、上位1万件の単語が登録されている。認識が失敗した場合のデータを蓄積・学習する機能は備えていない。「現在の（EZナビウォークの）利用状況から見て、1万件で足りるという認識。2カ月に1回くらいの更新頻度になるのではないか。今後1万件（のキーワード）を入れ替えていってもいいし、増やすことも可能。状況を見て対応する」（KDDI）

　EZナビウォーク以外のアプリケーションへの展開も想定している。「『今から音声認識開始』→『認識開始』→『音声認識終了』という部分のAPIは、BREWアプリから利用できるものになっている。ただ、APIを公開するかどうかは決まっていない」（KDDI）