２０１２年３月２６日
ＮＴＴドコモではスマートフォンに話しかけるだけで操作や情報検索ができるサービスを３月から開始した。
ＴＶのＣＭで流されたので知ってる方も多いと思う。
このサービスは、高度な音声認識技術を使っており、電話をかける、メールを送信する、アプリを立ち上げる、などの操作ができる。
スマホの音声操作は米アップルの「iPhone」も実用化している。
ドコモの「しゃべってコンシェル 」はスマホの専用アプリを立ち上げ、スマホに向かって動作を指示したり、知りたい言葉を発声することにより操作することができる。
操作項目は、メールの作成、電話、カメラの起動、乗り換え案内、目覚まし時計の設定などである。
基礎技術はドコモと音声認識技術をもつフュートレック とＡＴＲトレック （川崎市）の３社で共同開発されたものである。
この技術には２つのステップがある。
第１ステップは「音声認識」技術である。
例えば「カレーが食べたい」と発言した場合、「カレーガタベタイ」と音声をテキスト化する。
ここから「カレー」、「ガ」、「タベタイ」という３つの語を切り出す。
次のステップで「意図解析」を行う。
「カレー」と｢タベタイ」の文字の組み合わせから利用者の意図をくみ取り、ＧＰＳデータを加えて近くの店を検索して表示したり、または「カレー」と「ツクリタイ」の文字の組み合わせからレシピを検索する、という具合である。
こうした操作は大量のデータの情報処理が不可欠であり、携帯端末の処理能力では不可能であったが、ネットワーク経由で情報システムを利用するクラウド・コンピューティングの普及により可能となった。
「しゃべってコンシェル」は執事役（コンシェルジュ）となりキャラクターの「ひつじ」が登場し、リアクションを音声で読み上げるが、この音声合成エンジンにはＨＯＹAサービス の技術が使われている。
音声操作技術では、iPhoneが３月から同様のサービス「Ｓｉｒi （シリ）」を日本語でも使えるようにした。
しかし、アップルのサービスは米で先行し、日本ではまだ試験運用の段階であり、いまのところドコモのサービスの方が音声の認識率は良いとの評判がネット上で出ている。
実際に「ラーメン」などと発話してみると、ＧＰＳと連動し、周囲のラーメン店の検索一覧が表示されたが、「Ｓｉｒｉ」では「日本では情報提供の仕組みができていない。」とのメッセージが表示された。
今後は、「Ｓｉｒｉ」の日本語版の認識機能も強化されるとみられ、日米２つのサービスが精度を争う時代となりそうである。
～日経産業新聞 ２０１２年３月２６日版 テクノホーカスより引用～
パソコンでの音声認識＆音声合成による操作技術はあるものの、あまり使われている場面を見たことがない。
しかし、電話機として使われるスマホであれば音声による操作にも抵抗は少ないのでは、と思われる。
今後、音声操作技術が広く使われる呼び水になることを期待する。