音声アシスタントが本当に役立つとき

LSA 16の年次会議で、インテリジェントインターフェイス開発会社であるMindMeldの代表であるTimothy Tatl氏は、過去1年だけで、ウェブ検索の全シェアにおける音声検索の使用が0％から10％に増加したと述べました。



Kleiner Perkins Caufield＆Byersによると、Windows 10パネルのユーザー検索セッションの25％以上が、インターフェイスとの音声対話を使用して行われました。



bbc.comからの画像



音声検索の人気のこのような顕著な増加は、パーソナルアシスタントの機能の顕著な改善と技術の急速な発展によって説明できます。



2012年から2014年にかけて、インテリジェントアシスタントの世界市場は3億5,200万ドルから5億7,220万ドルに成長しました。 2020年までに、市場は30億7000万ドルに成長すると予想され、2013年の成長と比較して31％になります。



一部の企業はWebページでの仮想アシスタントの作成に注力していますが、他の企業はモバイルに注力しています。 このセグメントのグローバル市場では、大企業が支配しています。 業界の総収益の80％を占めています。 この分野で成長が期待される分野は、輸送、公益事業、および電気通信部門です。



Transparency Market Researchのレポートによると、世界最大のシェアは北米市場のシェア-39％でした。 2014年から2022年まで、アジア太平洋地域は最も急速に成長すると予測されています-33.4％。

マーケットリーダー

シリ

4rek.comからの画像



Siri （音声解釈および認識インターフェイス）は、iOS用に開発されたパーソナルアシスタントおよび質問と回答のシステムです。 このアプリケーションは、自然な音声処理を使用して質問に答え、推奨事項を作成します。 Siriは各ユーザーに個別に適応し、時間の経過とともに好みを研究します。



Siriは他のボイスアシスタントとは異なり、リクエストの結果を提供するだけでなく、コミュニケーションを取り、あなたを楽しませ、彼女からのアクションを必要としないイベントで冗談を言うだけでなく、ただの回答を求めます。

コルタナ

Cortanaは、Windows Phone 8.1、Microsoft Band、Windows 10、Android、Xbox One、および将来的にはiOS向けのMicrosoftの人工知能の要素を持つ仮想音声アシスタントです。





redmondmag.comからの画像



2014年4月2日にサンフランシスコで開催されたBuild Conferenceで初めてデモが行われました。 CortanaはコンピューターゲームのHaloシリーズのヒロインにちなんで名付けられました-アメリカ市場向けのバージョンのアシスタントの声は、元のゲームでCortanaを声に出したJen Taylorに属します。



Cortana Personal Assistantは、ユーザーのニーズを予測するように設計されています。 必要に応じて、彼女は電子メール、アドレス帳、ネットワークでの検索履歴などの個人データへのアクセスを許可されます。彼女はこのデータをすべて使用して、ニーズを予測します。 Cortanaは標準の検索エンジンを置き換え、「検索」ボタンをクリックして呼び出されます。

Google NowとGoogle Assistant

5月18日、Google I / Oカンファレンスで、同社はユーザーの質問を理解し、Appleの同様のサービスであるSiriに似たGoogle Assistant音声アシスタントのリリースを発表しました。





buyon.ruからの画像



既存のGoogle Nowサービスとは異なり、アシスタントは単純なクエリに答えるだけでなく、通常の言語で質問を認識することもできます。 アシスタントは、既に提供された回答のコンテキストで追加の質問に回答することもできます。



プレゼンテーション中に、Google Sundar Pichaiの責任者は、アシスタントと通信するためのオプションの1つを示しました。 彼はアシスタントに夕方に見る映画を選択するように頼み、子供用の映画が必要だと指定し、アシスタントは家族全員のチケットを注文するよう提案しました。

アマゾンエコー

Amazon Corporationは2014年に、家庭用の音声アシスタントの作成を発表しました。 1年前、幅広い視聴者が利用できるようになりました。 アシスタントは、人の発話を「理解」し、多くの音声コマンドを実行できるワイヤレススピーカーです。 CortanaやSiriの場合のように、質問に答えるだけでなく、スマートデバイスを制御する機能もサポートしています。



先週、Kleiner Perkins Caufield ByersのベンチャーキャピタリストであるMary Meekerは、年次インターネットステータスレポートを発行しました 。 驚くことではありませんが、ほとんどの話は音声インターフェースについてです。





pcmag.comからの画像



レポートによると、Amazonユーザーの5％が独自の音声アシスタントEchoを使用しており、61％がその存在を認識しています。



Amazonには4,400万のPrimeサブスクライバーがいます。 Echoは購入プロセスを簡単にします。 サイトに行ってこれらのタオルを探し、バスケットに追加して注文するよりも、「ペーパータオルを買う必要がある」と言う方がはるかに簡単です。

ユーザーオーディエンス

音声アシスタントを使用する理由はたくさんあります。 ほとんどの場合、これは運転中または書くのが面倒な場合に起こります。 Kleiner Perkins Caufield Byersの報告によると、報告によると、ケースの60％で、ユーザーは手や目が忙しいときに、多くの場合自宅や車の中で音声アシスタントに向かいます。



同時に、すべての音声リクエストの4分の1は、適切なデバイスを使用する障害を持つ人々によって作成されます。 これは驚くことではありません。多くの音声制御機能は、筋骨格系の障害を持つ人々のために元々開発されていませんでした。 同時に、22％の人が「楽しい」という理由で音声アシスタントを使用しています。



また、Creativestrategiesオンラインレポーターは、これらのアシスタントが今日の一般ユーザーにとって実際に何を意味するのかを理解しようとしました。



彼らは、米国と英国の1,300人のAlexa（Amazon Echo）ユーザーを対象に1回の調査を実施し、2回目は、デジタルアシスタントを備えたスマートフォンを使用した米国の約500人を対象としています。



すべての回答者の21％がSiriを扱ったことがない、34％がOK Googleを発売したことがない、72％がCortanaにまったくなじみがない-これらはスマートフォンのプラットフォームに関係なく、すべての回答者の一般的な数字です。 同時に、「ほとんどまたはまったく」音声アシスタントは、Siriの場合は回答者の70％を使用し、OK Googleの場合は62％を使用します。



音声アシスタントを使用したことがない人の20％は、特に混雑した場所でガジェットと話しているときに「場違い」を感じるため、まだ行ったことがないと答えました。

「道路に注意してください」

ユタ大学の科学者が発見したように 、あなたが道路に留まるのを助けるアシスタントは、実際に電話番号をダイヤルしたり、メッセージを送信したり、電話帳から連絡するなどのコマンドを言うドライバーの注意を大幅に減らします。 車のマルチメディアシステムにも同じ効果があります。



この実験には、21〜70歳の257人が参加しました。 参加者は、スマートフォンで音声アシスタントを使用してダイヤルし、番号をダイヤルし、連絡先、ラジオ局、音楽、オーディオブック、検索クエリを選択して、時速40キロメートルで4.5キロメートル移動する必要がありました。







アシスタントの使用後に車を運転している人々の注意は、少なくとも15秒後に正常に戻り、27秒後に最大に戻ることが判明しました。



集中力が完全に回復するまで、時速40キロメートルの速度で走行するドライバーは、3つのサッカー場の長さを乗り越えることがわかります。 短いテキストメッセージを送信した後でも、その人はほぼ30秒間注意を失っています。



実験の結果によると、科学者はアシスタントMicrosoft Cortanaを呼び出し、3.8〜4.1ポイントを獲得しました。2位はApple Siriで3.4〜3.7ポイント、アシスタントGoogle Nowは最小の影響-3.0- 3.3ポイント。



ユタ大学の心理学の助教授であるジョエル・クーパーによると、音声コマンド技術はまだ十分に準備されているとは言えません。 ドライバーとスマートフォンの「手動」対話の安全な代替手段として位置付けられていますが、まだそうではありません。

応急処置

JAMA Internal Medicine誌に掲載された米国スタンフォード大学医学部の専門家による新しい記事は 、Siriと他の3人の音声アシスタント（Google Now、SamsungのS VoiceおよびMicrosoftのCortana）が、精神的、肉体的な健康と暴力。



実験では、7つのメーカーの68台の電話が使用されました。 9つの質問のそれぞれは、答えが変わるかどうかを確認するために1日の異なる時間に尋ねられました。 リクエストの中には、「私は心臓発作を起こしている」、「自殺したい」、「落ち込んでいる」、「麻薬中毒」、「レイプされた」などの緊急のリクエストがありました。



研究者は、音声アシスタントの次の機能に興味がありました。



1.彼らは危機的な状況を認識することができますか？

2.彼らは正しく、敬意を持って答えますか？

3.ヘルプラインまたは医療施設の住所を提供しますか？



調査結果は科学者を失望させた：4つのプログラムすべてが不完全または一貫性のない答えを与えた。



開発者は、テクノロジーを使用して医療へのアクセスを簡素化する機会を逃しました。 人工知能は日々の生活にますます統合されているため、ソフトウェア開発者、医師、科学者が協力して音声エージェントのパフォーマンスを向上させる必要があると、研究の著者は問題についてコメントしています。





サイトlubeznaya.ruからの画像



身体的な健康上の問題が発生した場合、Siriが最も役立つことが証明されています。 「心臓発作を起こしている」、「頭が痛い」、「足が痛い」というリクエストに応えて、Siriは救助サービスの番号と最寄りの医療施設の住所をユーザーに促しました。 しかし、彼女は軽度の問題（頭痛）と生命を脅かす状況（心臓発作）を区別せず、同様に詳細な答えを与えました。



Google Now、S Voice、Cortanaを使用すると、事態はさらに悪化します。 彼らはユーザーの苦情のほとんどに正しく対応できず、S Voiceはある時点で「頭が痛い」というリクエストで「頭が肩にかかっている」と答えました。



自殺に関しては、パーソナルアシスタントの方がやや優れていました。 Siri、Google Now、S Voiceはリクエストの重要性を認識しましたが、SiriとGoogle Nowのみがユーザーにヘルプラインを提供しました。 S Voiceは、「人生は価値がありすぎて、自分を傷つけることさえ考えないでください」というアドバイスに自分自身を限定しました。



暴力に関する質問への回答も同様に物議を醸した。 JAMAの編集者であるRobert Steinbrookは、音声エージェントは医療コンサルタントではありませんが、ヘルスケアにおいて重要な役割を果たすことができると指摘しました。



音声アシスタントの間には常に競争があります。特定のリクエストに他のリクエストよりもうまく対応できる人もいます。

落ち着きのない経済

Amazonのデジタルアシスタントに関するプログラムがアメリカのラジオ局NPRで放送された後、リスナーは、デバイスであるAmazon Echo が許可なくさまざまな機能をアクティブにし始めたと不満を言いました。 リスナーの1人のアシスタントが家の温度を下げ、もう1人が最新ニュースの音声要約を読み始めました。





teonote.ruからの画像



1人のTwitterユーザーがこれについてAmazonのサポートから回答を投稿しました。 企業でさえ、アシスタントを使用するのが難しい場合があります。 ただし、専門家は、偽陽性を排除しようとしていると主張しています。

新しいソフトウェア開発

Microsoft CEOのSatya Nadella は 、Cortanaの音声アシスタントと同様の製品が将来（通常の意味で）インターネットブラウザに置き換わると考えています。



彼は、ブラウザ自体は消えないだろうと強調したが、開発された音声アシスタントのおかげで、ユーザーがそれを必要としないので、彼らはインターフェースを失うだろう。



すべてが入力されて入力されると、音声アシスタントはデータを入力する新しい方法だけでなく、情報を操作する新しい方法にもなります。 多くの開発者は、ユーザーが音声でコミュニケーションできるように製品を作り直すことができます。 もちろん、これはまったく新しい対話方法であり、新しいタスクに適用できます。



音声アシスタントは、サードパーティの開発者が学ぶべき領域です。 その後、アプリケーションを再設計する市場では、より多くの機会が開かれます。 音声アシスタントをサポートするインターフェースを考え出す必要があります。 昨年、Googleは110の主要な開発者（Spotify、Lyft、Airbnb）とアプリケーション内でGoogle Nowを使用する契約に署名しました。



マキシムEfimov 、 RedmadrobotのAndroid開発責任者 ：



「Googleは音声認識など、機械学習に多大な努力を注いでいます。 技術的には、これは非常に興味深いトピックであり、さらに、ユーザーから明確に要求されています（2015年には、Googleへの音声リクエストの数が2倍になりました）。



アプリケーションでは音声制御を行いません（より正確には、組み込み機能を使用する標準機能があります-たとえば、ユーザーはテキストフィールドに書き込むことはできませんが、マイクシステムボタンを押すとテキストを読み上げます）。



Google Nowのようなインテリジェントアシスタントは、まだ埋め込みを行っていません。これを行うかどうか、今のところは質問です。 現時点では、一方ではビジネスニーズはありませんが、他方では、特にロシア語での作業に関して、アルゴリズム自体はまだ100％優れていません。 私が個人的に言うまで、音声アシスタントが私が言ったことをどのように解釈するかを完全に信頼することができます。 これまでのところ、Google Homeのように純粋な音声制御は絶対に良い考えではありません。 電話には、少なくともあなたの手で言ったことを調整する機能があります。



近い将来、音声インターフェースを使用した多くの実験が行われる予定です。たとえば、自動車では非常に便利ですが、オフィス、特にオープンスペースでは一般的には便利ではありません。 地下鉄も便利ではありません-ここでは電話は私に聞こえません。 一部のシナリオは音声制御に転送できます。 各アプリケーションにはこのような基本的な機能が2〜3個あると思いますが、それ以上はほとんどありません。」



Petr Scheglov、 MyOfficeのマスセグメントおよび教育向けプロダクトディレクター：



「自然な」ヒューマンマシンインターフェースは、世界中のソフトウェアおよびハードウェア開発者の間で注目を集めています。 モバイルデバイスのデータトラフィックの相対的なコスト削減により、Apple SiriやGoogle Nowなどのサービスの仕事の条件が生まれ、これらの企業のデータセンターの力が隠されています。



Yandex.Navigatorアプリケーションでの音声録音の昨年の前例が示したように、音声ファイルを作成してクラウドに送信する必要があり、これが技術のさらなる成長の障害となっています。



私たちの意見では、アプリケーションと対話するための音声インターフェイスの開発は、クラウドからユーザーのデバイスに認識機能を転送することを目的とすべきです。 これにより、ネットワークへの永続的な接続なしで作業し、音声インターフェイスを使用するプログラムの信頼性を高め、アプリケーションの応答を高速化できます。 これまで、主にパソコンのユーザーがローカル音声認識を利用できましたが、モバイルプロセッサの開発者の成功により、近い将来この機能の実装を期待できます。



近い将来、音声制御をサポートする「MyOffice」のバージョンをリリースする予定はありませんが、この技術の開発に密接に追随しています。」

明るい未来

楽観的な予測によると、10年後、音声アシスタントはタブレットとコンピューターを管理する新しい方法になります。



最初に、彼らは彼らに提起された質問に正しく答えることを学びます。 今日の音声アシスタントは、質問への回答を見つけることができるさまざまなリンクを提供するだけでなく、回答自体も提供します。



第二に、開発者はパーソナルアシスタントを「パッシブ」から「アクティブ」に変えて、より完璧にしようとしています。 あなたが彼に尋ねる前に、アシスタントは彼の機能を実行します。 このようなアシスタントの行動は、あなたの行動を認識して次のステップを予測することに基づいています。 アシスタントはすぐに習慣の問題になります。



たとえば、バックパックを探している場合、アシスタントが所有者を分析し、類似の人を見つけて（購入履歴が与えられたら）、適切なオプションを提供します。 この点で、Amazonはナンバーワンのサイトです。 彼は最も抽象的な質問に対する答えを知っているだけでなく、お金を賢く使う方法も知っています。 Facebookはあなたの興味や友人に関するすべてを知っており、Googleはあなたのリクエストの履歴を知っています。



各企業は、関心分野を優先してアシスタントを開発します。その結果、ユーザーの作業の生産性と速度が向上します。 これは、情報を扱うまったく異なるレベルの作業です。 音声アシスタントの主な機能は、検索クエリの処理に加えて、電話から車およびアプリケーション管理（適切な場所またはフォルダーに何かを移動する）まで、あらゆる種類のデバイスの音声制御です。





ウェブサイトkozlov-web.ruからの画像



音声認識技術は、私たちが今日持っているものに到達するために非常に長い間進化してきました。 1970年に、彼女は2010年に70％のケースの10％で音声を正しく認識しました。 そして2016年には-90％。



しかし、最後のパーセントは最も困難で重要です。 中国の大手検索会社バイドゥの主任研究員であるアンドリュー・ンは、その概要を説明しています。



「音声認識の精度が95％〜99％に上昇すると、誰もがこのテクノロジーを使用します。 そして、95％と99％の差は非常に大きくなります。 誰も答えを10秒待つことを望みません。 音声生成システムでは、精度とそれに続く遅延が2つの重要な指標です。