nishimotzの日記

投稿者: nishimotz

  • 音声対話と「もう一つの未来」

    8月下旬に京都で行われる音声対話技術の講習会で、音声対話技術コンソーシアム(ISTC)が製作する Galatea Toolkit DVD-ROM が配付される予定です。私は主にLinux版に関する Toolkit の更新作業を担当しています。

    SourceForge.JPのgalateaプロジェクトでは通称「IPAライセンス」で開発されたオープンソース成果物とその後継版を配付しています。私が開発している音声対話エンジンGalatea Dialog Studio (GDS) 2.2.2も300件以上ダウンロードしていただいているようです。

    全てのモジュールを統合したISTCの成果物は講習会参加者およびISTC会員に配付される予定です。コンソーシアムの活動は本年度で終了するので、その後の開発を継続するためには、これらのツールに関するオープンソースコミュニティをもっと盛り上げていく必要があるだろうと思います。

    以前この日記で考察した「Ruby on Rails による VoiceXML 開発」はまだ「今後の課題」のままなのですが、Ruby on Rails の「フルスタック」という特長はGDSにとっても重要ではないかと思います。GDS は Java で実装されているのですが、いずれ JRuby によって、アプリケーションとインタプリタのフルスタック処理系に手が届くだろうと展望しています。これは、そもそも HTTP と VoiceXML という技術によって音声対話システムをサーバ・クライアント型モデルに分離したという経緯を考えると、不合理に思えるかも知れません。しかし、その理由はそのまま「フルスタック環境である Ruby on Rails の利便性」と同じなのではないかと思います。

    フルスタックという言葉からもう一つ思うのは、音声対話システムがうまく動かないときに、システムが依存している全てのモジュールの設定ファイルやログの確認を行うのは非常に複雑な作業である、ということです。将来的には、全てのモジュールが統一的なリモートロギングのインタフェースを備える必要があるだろうと思います。暫定的には、全てのモジュール（音声認識、音声合成、顔画像合成）の設定ファイルを対話マネージャが動的に生成し、GDS が各モジュールのログファイルを一元的に監視する、という方向を目指しており、今日もそのための作業をすこし進めました。

    音声対話あるいは音声認識について、ヒューマンインタフェースの開発者・研究者の方々は「実用にならないまま過去のものになってしまった技術」という見方をお持ちかも知れません。その一方で音声認識の研究者の方々には「もう完成されており、後は使ってもらうだけの技術」という見方もあるのではないかと思います。

    西本が今年1月に研究会で発表した

    • 西本 卓也，岩田 英三郎, 櫻井 実, 廣瀬 治人: “探索的検索のための音声入力インタフェースの検討,” 情報処理学会研究報告 2008-HCI-127(2), pp.9-14, Jan 2008. (PDF)

    は、そうした現状における問題提起のひとつなのですが、この予稿の中で私が提案した「インタフェースシステムの導入原則」（下記、一部加筆）があります。

    （ここから）

    インタフェースシステムの基本原則および構成原則（西本 1996）を踏まえて，近年のインタラクション技術の動向を反映させ，また著者の経験を反映させるための再検討を行っている．

    「基本原則」および「構成原則」の視点は引き続き有効である．そのうえで，インタフェースシステムを成功させるためには，アプリケーションそのものの選択や設計により深く関与し，システムをどのような状況に適合させ，どのように評価や改良を行っていくか，というプロセスが重要になっている．インタフェース原則を補完するものとしてこれらを暫定的にまとめたものが，以下の「インタフェースの導入原則」である．

    「インタフェースの導入原則」

    • a.有用性の原則: システムが使用される現場における必然性を考慮して設計と導入を行う．ユーザに動機付けを与える心地よさ・美しさ・楽しさを盛り込む（エモーショナルデザイン(Norman 2004)）．
    • b.適合性の原則: あらゆる年齢や能力の人々に対して可能な限り使いやすさを提供する（ユニバーサルデザイン）．システムが使われる状況・環境を考慮する．ユーザ以外の人に悪影響を与えない．ユーザが行っている他のタスクに悪影響を与えない．
    • c.妥当性の原則: 妥当な時期に妥当な尺度で評価を行う．評価の結果を生かして反復的な開発・改良を行う．

    （ここまで）

    インターネットにまつわる日々の雑用（その多くは、メールを読んで、メールを検索して、カット＆ペーストしてメールを送ったり、ウェブのフォームを埋めることだったりしますよね）が不毛に感じられることがあります。

    GUIが普及してインターネットが普及したからこそ、いまのPC利用の状況は「当たり前」にしか感じられないのですが、たまたま「音声対話システム」がなかったにも関わらず「インターネットというインフラ」は実現してしまい、「人間がやっていた仕事をコンピュータに代行させたい」というニーズが爆発的に増加してしまった。結果的に、テキスト情報と視覚的インタフェースだけで「人間の代わりをしてくれる自動応答サービス」を実現せざるを得なくなった、とは言えないでしょうか？

    音声対話システムは「起きるはずだった未来」あるいは「失われた未来」ではなかったでしょうか。。

    もしも、音声対話システムが「もっと上手に」実現され普及していたら、我々は今日のようなメールとウェブのフォームから解放され、もっとスマートにインターネットを使いこなせていたのではないか、と思えてきました。

    いや、「失われた未来」を取り戻すのは、まだ遅くないと思うのです。いかがでしょうか。。。

  • 第43回福祉情報工学研究会＠新潟

    第43回福祉情報工学研究会は新潟市・朱鷺メッセにて開催されました。今回の開催に先立って、参加者の方に開催地・テーマ・企画などに関するアンケートへの協力のお願いを、発表者の方には、記録用の録音・録画を行うので不都合があれば発表ごとにお伺いする、というお願いをしました。

    今回は新潟大学の林豊彦先生ほかにご参加いただいたパネル討論「地域連携による汎用コミュニケーションエイドの研究開発と知的障がい児・発達障がい児の教育支援」が印象に残りました。

    工学研究者、養護学校教員、言語聴覚士、作業療法士のチームアプローチについて、それぞれの立場から詳細を報告し、質疑応答。工学者が専門家に利用法を教えてもらう。「子供に何が必要か」が優先。自発的に集まった各分野の専門家が障がい児の教育に妥協せずに取り組んで成果を挙げていく、そのプロセスをわくわくしながら追体験できました。せっかくビデオ撮影をしたので何らかの形で公開してはどうか、という話が出ています。

    夜は「葱ぼうず」で懇親会。飲み過ぎました。。佐渡名産「ふぐの子」も朱鷺メッセの売店で買いました。

    今回実施したアンケートの回答を読みながら「自分たちのやってきたことに誇りを持とう」と改めて感じました。告知をご覧になって初めてこの研究会に参加された、という方もいらっしゃいました。遠方の方も、研究職ではない方も。。。

    先日東京で開催した研究専門委員会で「我々はよい研究発表をしているのだから、もっと多くの人に聞いてもらいたい」という意見を伺いました。新潟では改めて「個々の状況に一喜一憂しないで、長期的な観点でじっくりやっていこう」と思った次第です。

  • 1998年とニコニコ動画

    「あの仕事はむかし誰々がやった仕事の真似だ」みたいな話はよく出てきます。あまり好きではないのですが、あえて私もそういうスタンスであの「ニコニコ動画」について考察してみることにしました。

    1998年のはじめごろ、電話の自動応答サービスで音声を録音して、ウェブサーバからそれを聴取できる、というサービスを知り、そのころ私が主宰していたメーリングリストのメンバーたちと「どんな遊びに使えるのか」と試していました。その途中でこんなことに気づきました。

    ある人によって録音された音声を別の人が再生しながら、それに「うん」「そうだね」などとコメントをする。そのやりとりを録音して、さらに別の人に聞いてもらう。そうすると、なんとなく「時間と空間を超えて会話が成り立った」ような感じがしたのです。

    その「感じ」を追い求めて、私は「非同期音声会議」の研究・開発を始めました。

    この仕事については続きがあり、特許（特願2000-37349 特開2001－230773 会議システム）も出願したのですが、審査請求に至りませんでした。システムも継続運用するには至りませんでした。

    その後、やっぱり「ウェブのフォームを埋めたりメールで連絡するよりも音声の方が手っ取り早いなあ」と思うことはますます多くなる今日この頃。

    そして、私が1998年に発表した「時間と空間を超える疑似リアルタイム性」は「ニコニコ動画」の字幕機能として世に受けいられていることを思い、今こそ「非同期通信＋音声入力」で面白いことができる＆便利なものが作れるのではないかなあ、と思っています。