――AIスピーカー（スマートスピーカー）という製品の台頭をどう見ていますか。
歴史を振り返ると、これまでは約10年に1回のタイミングで、UIのパラダイムシフトが起きています。具体的には、キーボードでコマンドラインを入力する時代から1995年の「Windows 95」でGUI（グラフィカル・ユーザー・インターフェース）時代に移行し、2006年の「iPhone」の登場で、タッチパネルを使ったジェスチャー動作が普及。その後、約10年が経って音声操作の「Amazon Echo」（米Amazon.com社、2015年）が登場しました。
もっとも、現状のAIスピーカーは、Amazon Echoも、米Google社の「Google Home」もアーキテクチャはまだ「コマンド（命令）実行型」のままです。AIスピーカーを実行させるためのコマンドがあらかじめ決められていて、ユーザーがそれを知らないと所望の結果を得られません。この基本的なアーキテクチャが、今後2～3年のうちに対話型UIに変わらないかと期待しています。対話型UIはいわば、機械と人間が“折り合いをつける”インターフェースと言えます。
――「折り合い」をつけるとはどういう意味でしょうか。
栄藤 機械の方から自分ができることを教えてくれたり、ユーザーの状態を推定できたりするものです。この“折り合いをつける”インターフェースの登場は、日本人の開発者にとってチャンスです。
――ところで、AIスピーカーが米国市場で一定の成功を得た要因をどう分析していますか。
栄藤 要因はいろいろありますが、音声UIで提供できる機能が増えたことが大きいと思います。たとえば音楽配信、ニュースの音声読み上げサービスなどです。さらに、音声認識の精度がここ数年で格段に高まったことも重要です。NTTドコモは私が在籍していた2006年に、ガラケー（フィーチャーフォン）向けに音声を使って操作する技術（DSL：分散型音声認識）を提供しました。携帯電話機で音声から特徴を抽出をしてバックエンドのサーバーに送り、音声認識の結果を携帯電話機に返す技術です。当時は世界初で、それが後にしゃべってコンシェルの開発につながりました。
ところが当時はその技術を公開後、「音声認識はものにならない」と周囲に言われました。正直なところ、私も半分、そう思っていました。なぜなら、当時の認識率は93～94％でした。これだと100回使って10回近くは間違えることになります。これが今では誤りが2回程度などと大幅に減り、普及へのクリティカルポイントを超えました。
――ここ数年で音声認識が急速に進化したのはなぜですか。
栄藤 解析対象となるデータ量の増大もありますが、ディープラーニング（深層学習）が音声認識の精度向上に大きく貢献しました。私がディープラーニングに初めて接したのは2008年のことです。音声認識の分野でこの技術が出始めました。ディープラーニングで用いられる多層構造のニューラルネットワークであるDNN（ディープニューラルネットワーク）では、「特徴抽出」という入ってきた信号をどう表現するかと、表現されたものをどう分類するかという2つのステップがあります。それを同時に学習できるようになったインパクトが非常に大きく、これによってここ数年で“使える”レベルになりました。
ただ、音声操作には言語依存があります。英語はコマンドにしやすい言語ですが、日本語はコマンドにしにくい傾向があります。また表現が直接的か、間接的かという違いもあります。日本語で命令すると、なんとなく“面倒くさい”感じになってしまいます。だから、文化の違いによって、UIの進化の仕方も変わってくると思います。例えば、米Microsoft社が開発したチャットボット、米国版の「Zo.ai」と日本版の「女子高生AIりんな」はまったく異なります。
つまり、現状の命令実行型のAIスピーカーは、日本では広く受け入れられない可能性があると思います。だからこそ、日本ではゲームのコンテンツクリエーターに活躍の場があると考えています。
