カテゴリー: general

8月3日および4日に第37回福祉情報工学研究会が開催されました。

8月4日のお昼には専門委員会が開催され、私は幹事として参加しました。

8月4日の午後には情報処理学会福祉情報システムフォーラムによる特別企画:“いま，そこにある”コンテンツのユニバーサルデザインが開催されました。

80人くらいの参加者にお越しいただき、視覚障害や聴覚障害をお持ちの方も多く参加されました。

シネマ・アクセス・パートナーズ(CAP)の平塚さんは、映画の音声ガイドを作る作業の実情について詳しくお話をされました。

日本点字図書館の天野さんは、視覚障害者用DVDプライベートホームシアターサービスの概要についてお話をされました。あとでお聞きしたら、音声ガイドのMP3ファイルとDVDの映像を同期して再生をするソフトウェアを開発するために、Vector でオンラインソフトを開発している人にメールを書いてコンタクトを取り、プログラマーを見つけたのだそうです。

キュー・テックの川野さんは「ウェブ・シェイク」という仕組みでDVDコンテンツの字幕を第三者の立場から提供されています。しかしその背景にあるのは「きちんと字幕をアーカイブすればどんなメディアにでも再利用できる」という考え方とのことでした。

聴力障害者情報福祉センターの森本さんは、放送済みのテレビ番組に字幕をつけたビデオやDVDを制作し、全国の聴覚障害者に無料で貸し出しをする事業について説明されました。

映画のバリアフリー化について最近もこんなことがありました。

• アメリカ映画「バベル」の日本ロケでは聾学校の生徒など多くの聴覚障害者がエキストラ参加したにもかかわらず、試写会で上映された日本版には日本語の会話に日本語字幕がついていなかった。署名運動の結果、映画配給会社が日本語部分に字幕をつけた。
• 映画「武士の一分」は視覚障害を扱っているから、という理由でDVD化にあたって視覚障害者向けの字幕を付与した。

でも、当事者の方々が本当に見たいのは福祉や障害をテーマに扱った作品ではなく、普通の作品なのだそうです。

多くの人が、ラジオや新聞ではなく、テレビやDVDなど「音声と映像の複合メディア」から情報を得るようになってきました。そのことが、視覚障害や聴覚障害をお持ちの方にとって新たなバリアを生んでいると思われます。

静岡大学の秡川先生からは情報保障の考え方について新しい視点を提供していただきました。

• 情報保障が必要になるのは「省略」するからである
• 字幕と音声ガイドの制作は同時に行えば作業を効率化できる
• 近年の高品質な音声合成技術は音声ガイドに使えるレベルに到達している
• 一般の人が参加できるために「先送り」と「ネットワーク化」が必要

最後に毎日新聞の岩下さんから、総務省の研究会などに参加された立場を踏まえての御発言がありました。

• インタビュー映像などでよく使われるボイスチェンジャーは、内容を聞き取りにくい（要約された字幕を読めればいい、という番組制作者の意図？）
• クイズ番組で「正解はこちら！」「ワー！」という場面で情報を共有できない。ちょっと読み上げてくれるだけで一緒に楽しめるのに。。
• ワンセグをみんなが使うようになり、聴覚障害者だけでなくみんなが字幕ユーザになりつつある。

7月31日から8月3日まで京都大学で「音声認識・音声対話技術講習会」があり、私は最終日で「ISTCソフトウェア紹介」というテーマの時間をいただき、ソフトウェアの実演をしました。

私がGalatea Projectで開発を担当しているGalatea Toolkit Linux版の紹介をしました。主に VoiceXML による対話シナリオ記述について御説明して、まだ正式対応ではありませんが Windows 環境で VoiceXML のシナリオを実行してデモを行いました。

実演で御紹介したソースコードをいくつかお見せします。

以下は PHP で動的にVoiceXMLを生成する例です。

<?php echo '<?xml version="1.0" encoding="utf-8"?>' ."\n" ?>
<?php mb_http_output('utf-8') ?>
<vxml version="2.0" xml:lang="ja">
<?php
if(isset($_REQUEST['region']) && $_REQUEST['region'] != '') {
$region = $_REQUEST['region'];
mb_convert_variables("UTF-8", mb_detect_encoding($region), $region);
?>
<form id="answer">
<block>
<log>地域：<?php echo $region ?>，今日：晴れ，明日：曇り</log>
<prompt>
天気予報です。
<?php echo $region ?>の、
今日の天気は晴れです。
明日は曇りです。
<break/>
</prompt>
<goto next="#ask"/>
</block>
</form>
<?php } ?>
<form id="ask">
<field name="region">
<prompt timeout="20s">
天気を聞きたい地域を、東京、横浜、京都から選んでください。
</prompt>
<grammar version="1.0" root="#region_rule">
<rule id="region_rule">
<one-of>
<item> <token sym="まいくてすと">マイクテスト</token> </item>
<item> <token sym="とうきょう" slot="region">東京</token> </item>
<item> <token sym="よこはま" slot="region">横浜</token> </item>
<item> <token sym="きょうと" slot="region">京都</token> </item>
</one-of>
</rule>
</grammar>
</field>
<block>
<submit next="<?php echo basename(__FILE__) ?>"/>
</block>
</form>
</vxml>

また、以下は PostgreSQL とも連携して、音声認識文法も動的に生成し、出力する情報もデータベースから取得して読み上げる例です。

<?php echo '<?xml version="1.0" encoding="utf-8"?>' ."\n" ?>
<?php mb_http_output('utf-8'); ?>
<vxml version="2.0" xml:lang="ja">
<?php
$db_user = "galatea";
$db_pass = "galatea";
$db_host = "localhost";
$db_name = "galatea_db";
$db = pg_connect("host=$db_host port=5432 dbname=$db_name user=$db_user password=$db_pass");
if (isset($_REQUEST['item']) && $_REQUEST['item'] != '') {
$item = $_REQUEST['item'];
mb_convert_variables("UTF-8", mb_detect_encoding($item), $item);
$rs = pg_query($db, "SELECT name,price FROM goods WHERE code = $item");
if ($row = pg_fetch_assoc($rs)) {
$name  = $row['name'];
$price = $row['price'];
}
?>
<form id="answer">
<block>
<log>name: <?php echo $name ?>，price: <?php echo $price ?></log>
<prompt>
<?php echo $name ?>は<?php echo $price ?>円です。
<break/>
</prompt>
<goto next="#ask"/>
</block>
</form>
<?php } ?>
<form id="ask">
<field name="item">
<prompt timeout="20s"> 値段を聞きたい果物は何ですか？ </prompt>
<grammar version="1.0" root="#item_rule">
<rule id="item_rule">
<one-of>
<item> <token sym="まいくてすと">マイクテスト</token> </item>
<?php
$rs = pg_query($db, "SELECT code,name,yomi FROM goods");
while ($row = pg_fetch_assoc($rs)) {
$code = $row['code'];
$name = $row['name'];
$yomi = $row['yomi'];
echo "      <item> <token sym=\"$yomi\" slot=\"item\" value=\"$code\">$name</token> </item>\n";
}
?>
</one-of>
</rule>
</grammar>
</field>
<block>
<submit next="<?php echo basename(__FILE__) ?>"/>
</block>
</form>
</vxml>

最後に、音声認識エンジンに対してユーザが発話している途中にどのようなフィードバックをユーザに見せるべきか、ということを考えていただくために、試作中の「音声インクリメンタルサーチ」のデモをお見せしました。

音声対話システムの開発において VoiceXML が常に最適な技術とは限りません。

ISTC-SIG-MMIでは、Galatea Toolkit 開発の経験を生かしつつ、W3Cでの標準化の動向も踏まえて、マルチモーダル対話システムのアーキテクチャーと記述言語の検討を進めています。

Galatea Dialog Manager もそれらの成果を取り込みながら、さらに開発を続けていきたいと思っています。

第３回ワザオギ落語会に行ってきました。

場所は国立演芸場。チケットは前売りで完売とのことで、観客にまで

大入り袋が出ました。最初「なんだろう？」と思いました。

ＤＶＤ販売が予告されている落語会ということで、

第１回のときは「ＤＶＤをご覧の皆様」と舞台の上で話しかける方が

いらっしゃったりしましたが、今回はそういう演出ではなく、

古典落語で、できるだけ動きや仕草が楽しめるものを、

出演者はみんなお選びになったのだろう、という、そういう演目ばかりでした。

そういえば新作落語の大御所ばかりだったにも関わらず、

みなさん古典落語を個性たっぷりに演じておられました。

３回目にして、今度こそＤＶＤを買わなくてはと思いました。。

くわしくはこちらを：

http://www.wazaogi.jp/

ひさしぶりに研究会で発表をしてきました。

西本 卓也, 嵯峨山 茂樹, 藤原 扶美, 下永 知子, 渡辺 隆行:
“対面朗読者と視覚障害者の対話の分析とその応用,”
情報処理学会研究報告(SIG-SLP), pp.55-60, Feb 2007.
Nishimoto2007SLP02.pdf

内容は12月のWIT/HI研究会で東京女子大の学生に発表してもらった内容と
同じなのですが、原稿にはかなり手を加えました。
今回はヒューマン・インタフェース(HI)と音声言語情報処理(SLP)の共催研究会で、
特にHIの方から質問やコメントをいただいたのが嬉しかったです。

今回は、プレゼン用PCで Apache/PHP/PostgreSQL を動かしてデモをしました。
また、ALTAIR for Windows を動かして、スクリーンリーダーってこんなものです、
という紹介もちょっとしました。
かなり個性的なソフトですが、デモに使うには適していたように思います。
（本当は定番の「ホームページリーダー」などを使えばよかったのですが、
買ったはずのインストールCDが見あたらなかったのです。
新しいのを買わなくては、と思っています）。

自由と制約

話をわかりやすくするために

「自由ではないが自然なインタフェース」

というキャッチフレーズを使ってみました。
するとさっそく

「『自由』や『自然』とはどんな意味なのか定義してください」

という質問がありました。

今回の例で言うと、選択肢が最初から3つ用意されていて、この中から選んでください、
というのは「自由」とは言えません。
本当は「サラダはどれについていますか？」など、言いたいことを自由なタイミングで
自由に言えることが望まれます。
音声認識の語彙サイズを増やすのはそういうニーズに応えるためです。

私の話における「自然」とは、やりたいことを違和感なく、楽に、効率的にできる、
実用上満足できる、といったことです。本当は「自然」という言葉はぴったり
当てはまらないかも知れません。人間がやっているコミュニケーションの有り様を
そのまま実現することが「自然」とは限らない、と考えています。

こんな風に答えたのですが、後でこの質問をした方と話をしてみたら、
この方は Ruby on Rails の開発者が言っている

「制約が自由を生む」

というフレーズを連想したのだそうです。
Rails の「制約」はプログラマーに「余計なことを考えないで、
本当にやりたいことが楽にできるようになる」という意味での
「自由」を与えている、というわけです。

私の話では「自由」をむしろ「複雑さをもたらすもの」として
否定的に扱っていましたが、
私の話の中での「自由ではない」という部分が
Rails の「制約」と同じ意味になるのだと思います。
「制約があるから楽になれる」というプログラマーと、
「自然な選択肢を与えれば楽に使える」という今回の私の話は、
似ているように思います。

逆に、音声対話システムに関する研究でしばしば
「何を言えばいいか分からないから使いにくい」
というユーザの意見が紹介されているのは、
「制約が足りないことの不自由」なのかも知れません。

フォーム選択操作の詳細

視覚障害者がPCを使うためのスクリーンリーダーについての
具体的な質問をいただきました
（WITと違ってそういう質問もあるだろうと思ったのです）。

「お気に入りの選び方の詳細」はどうなっているのですか？

例えば73種類のお弁当をリスト表示して、
ひとつずつ1から順番に読み上げていきます。
ウェブのフォームを音声ブラウザで操作する一般的なやり方としては、
項目の移動はカーソルキーの上下で行います。
それぞれの項目にチェックボックスがあります。
画面を読み上げるときに
「チェックボックス、チェックあり」のように読み上げます。
キーボードのスペースキーなどでON/OFFの切り替えを行います。

じゃあタイミングでユーザーは判断する、ということですね？

タイミングというべきかどうかは分かりませんが、
カーソルがその行にあり、その行が読み上げられたときに、
チェックボックスのON/OFF操作ができる、ということです。

詳細情報の聞き方

お弁当の場合は、中身を知っているものと知らないものがあると思いますが、
詳細な情報はどのように聞くことができるのでしょう？

クリックすると詳細が出てきます。
リンクがあるということは声の違いでわかります。
ただし、ウェブブラウザのポップアップを使っているので、
ユーザの好みや音声ブラウザの機能によって使い勝手は変わってきます。

研究会を振り返って

今回は
podcastle
(http://podcastle.jp/)
のグループの発表が注目されましたが、
実際に音声認識や音声対話のシステムを公開運用して改良を重ねる、
というアプローチが増えてきました。
それにつれて、
「音声対話システムにはインタフェースやデザインの要素が大切」
という認識も広まりつつあるように思います。

音声の研究コミュニティがそんなふうになっているときに、
今回私は「音声対話を分析することは有用だけど、
その成果は音声対話以外のシステムに役に立つ」
というような発表をしました。

そういえば音声認識の高度なパターン認識アルゴリズムは、
文字認識や画像認識や遺伝子解析などに使われつつあります。
「音声認識の技術はとても役に立つ。ただし、音声認識以外への応用に」
という皮肉も聞かれるくらいです。

音声対話のデザインやパターンについても、
似たようなことが起きるかも知れません。
音声対話システムに対して悲観的なわけではありませんが、
音声インタフェースの研究も、
人間同士の音声対話を模倣するだけでは行き詰まりそうな気がします。

一見、人間同士の会話と全然違うように行われるけれど、
とても習熟しやすく効率的なインタフェースで、
しかも「人間同士の音声対話の分析」から得られた原理が背後に隠れている、
といったことがあるように思えてきました。

そういうことを「自由ではないが自然」と呼んでいますが、
もっとふさわしい言葉を見つけたいと思います。

「基礎的な物事を勉強し直す」「安易に新しいことに手を出さない」という今年の抱負は、例えばこういうことだったりするが、年末年始に改めてPerlの勉強をした。

簡単なテキスト処理にはずっと昔から使っているのだが、最近の動向についていけてなくて。。

perldoc-jp のドキュメントを W-ZERO3[es] に入れて旅行中に読み、やっと言語コアの部分を読み終えた。

リファレンスとかモジュールとかの記法に目が慣れてきて、やっと中級者向けの参考書や雑誌記事が読めるようになった。

Windows + ActivePerl + Apache + Postgres + Eclipse (EPIC) という環境でさっそくいろいろ試している。

動いているプログラムをちょっとずつ拡張したいときに、１行か２行書き足すだけでやりたいことができる。

誰かが似たようなことをやってるのでは、と思えばネットで検索して情報を得られる。

面白そうなモジュールを探してインストールして試してみる。

やっぱり自分に合っているプログラミング言語だということを改めて認識した。

PHP で開発していて「ここから先はお手軽には書けない」という閉塞感を何度味わったことか。。

Perlが特に優れた言語だとは、いままで思っていなかった。

いや、いまでも言語そのものが優れているのかどうか、よくわからない。

Plagger のインストールをしながら、Linux の黎明期に味わった「インストールすることが自己目的的に楽しい」というあの感覚を久しぶりに思い出して、Perlというものがプログラミング言語というよりもOSのような存在に思えた。

Perlを巡る構造で重要なのはやっぱりコミュニティなのだろう。

Perlのある部分は「ガラクタの寄せ集め的言語」なのに、ある部分が「一貫性を重視したストイックでミニマルな言語」なのは、必ずしも先見性というわけではなく、むしろ「コミュニティのニーズを適切に反映してきた成果」だと思う。

僕が初めて触ったころの Perl はまだバージョン４だった。

そのことは C や sed や awk や sh を知っている人が、その知識を生かしつつ仕事を効率化するための言語だった。

改めて言語仕様を読み返すと、例外的なルールがいろいろあるにも関わらず、不自然さを感じない。

それは、実際に行われる仕事やユーザのことをよく理解して作られた仕様だったから、なのだと思う。

その思想は最新のバージョンにも反映されているように思われる。

そしてLinuxが成熟していく過程で有効に機能した（と思われる）コミュニティの構造に似ている。

言語仕様の策定にコンピュータやソフトウェアをビジネスとする企業や、公的な組織が入っていない。

• (a) オープンソースとして開発されるコア部分の開発者
• (b) アプリケーションやライブラリをバザール的に開発して提供するコントリビュター
• (c) コアとアプリをまとめて品質や互換性を確認して配布するディストリビューター

Linux: (a)カーネルの開発者 (b)GNUアプリケーションの開発者 (c) RedHatやDebianなどのディストリ

Perl: (a)Perl コアの開発者 (b)モジュールの開発者 (c) CPANというコミュニティ

ということになるだろうか。

Perl 6 の仕様に関する議論もちょっと読んでみたが、いかにも民主的に行われている、と感じる。

そんなわけで、今年は（久しぶりに） Perl に深入りしていきたい。

遅くなってしまいましたが、20枚くらい年賀状を出しました。

2006年の出来事

• IPA（情報処理推進機構）の未踏ソフトウェア創造事業（３月まで。テーマ：ソーシャルネットワーク型ラジオ放送のシステム開発）。埼玉県入間市のFM-Chappyにて音声投稿番組の実験。
• 未踏ソフトで開発したシステム「オラビー」の改良と評価のために谷中「アジマルカフェ」からインターネットラジオ放送の実験。
• 東京女子大学の非常勤講師として「コミュニケーション特論J」という講義を担当して、音声によるコミュニケーションとヒューマンインタフェースをテーマに半年いろいろ喋り、講義をポッドキャストで配信。
• 文部科学省・科研費特定領域研究「情報福祉の基礎」にて、東京女子大学／慶応義塾大学と視覚障害者支援技術の共同研究。早口合成音声の聴取実験、対面朗読者と視覚障害者の対話分析など。国際会議でニューヨークで出張。
• 千葉工業大学との共同研究で「頭部モーションセンサと音声を用いた対話インタフェース」の検討。

今年はこんな年に・・

物事をじっくり深く考えることの大切さと面白さ、基礎的な物事を勉強し直すことの重要さ、などなど再認識している今日この頃です。

今年の予定は、去年やり残した仕事を片づけることです。

だからあえて「安易に新しい抱負を作らない」ということを、今年の抱負にしたいと思います。。

若者たちに負けないように、先輩たちに負けないように、頑張ります。

解約したらすぐに、フォトアルバムがメニューから消えた。
メッセージ受信箱のメッセージはまだ残っている。
はてなダイアリーとはてなブックマークを始めた。