特許ウォッチ

公開番号2025164125
公報種別公開特許公報(A)
公開日2025-10-30
出願番号2024067922
出願日2024-04-19
発明の名称制御装置、ロボットシステム、制御方法、及び制御プログラム
出願人株式会社デンソー
代理人個人,個人,個人
主分類G10L 15/22 20060101AFI20251023BHJP(楽器;音響)
要約【課題】ユーザとの自然な会話を実現する制御装置、制御方法及び制御プログラムを提供する。
【解決手段】ロボットシステム100において、制御装置は、ユーザからの発話に係る音声入力を受け付ける音声入力部と、ユーザに対して発話に対する応答に係る音声を出力する音声出力部と、応答の出だしとして用いられる所定数の定型文の音声データを予め記憶している音声データ記憶部と、自然言語処理システムに対して発話のデータを送信して回答を受信する処理部と、回答に基づいて音声合成を行う音声合成部と、を有する。処理部は、応答の出だしの定型文を予測する分類器を含み、予測した応答の出だしに対応する音声データを音声データ記憶部から読み出し、該音声データに基づいて音声を出力部に出力させる。音声合成部は、自然言語処理システムから受信した回答に係る音声を合成し、定型文の音声データに続いて合成した音声データを生成する。
【選択図】図1
特許請求の範囲【請求項１】
ユーザとの会話を制御するための制御装置（１１）であって、
前記ユーザからの発話に係る音声入力を受け付ける入力部（１１４）と、
前記ユーザに対して前記発話に対する応答に係る音声を出力する出力部（１１７）と、
応答の出だしとして用いられる所定数の定型文の音声データを予め記憶している音声データ記憶部（１１２ａ）と、
大規模言語モデルを利用した自然言語処理システム（５０）に対して、前記ユーザからの前記発話のデータを含むプロンプトを送信し、前記自然言語処理システムからの回答を受信する処理部（１１１）と、
前記自然言語処理システムからの回答に基づいて音声合成を行う音声合成部（１１６）と、
を有し、
前記処理部は、
前記発話に対して前記応答の出だしの定型文のいずれを返すべきかの分類を行い、分類結果に応じて前記発話に対する応答の出だしの定型文を予測する分類器（１１１ａ）を含み、
前記分類器により予測した前記応答の出だしの定型文に対応する音声データを前記音声データ記憶部から読み出し、読み出した前記音声データに基づいて音声を前記出力部に出力させ、
前記音声合成部に、前記自然言語処理システムから受信した回答に係る音声を合成させ、前記定型文の音声データに続いて合成した音声データを生成させる、制御装置。
続きを表示（約 1,300 文字）【請求項２】
前記処理部は、
予測した前記応答の出だしの定型文に対応する音声データを前記音声データ記憶部の中から検索する検索部（１１１ｂ）を含み、
前記処理部は、
前記検索部による検索によって前記応答の出だしの定型文に対応する音声データが前記音声データ記憶部の中から見つけられた場合には、前記応答の出だしの定型文に対応する音声を前記出力部に出力させる、請求項１に記載の制御装置。
【請求項３】
前記処理部は、
前記検索部による検索によって前記応答の出だしの定型文に対応する音声データが前記音声データ記憶部の中から見つけられなかった場合には、前記応答の出だしの定型文に対応する音声データを前記音声合成部に生成させる、請求項２に記載の制御装置。
【請求項４】
前記自然言語処理システムから受信した前記回答は、句読点により区切られており、
前記処理部は、
前記回答のうち句読点により区切られた句読点単位ごとに、前記音声データ記憶部の中から前記検索部に検索を行わせ、
前記検索部による検索によって前記句読点単位に対応する音声データが前記音声データ記憶部の中から見つけられた場合には、前記句読点単位に対応する音声を前記出力部に出力させ、
前記検索部による検索によって前記句読点単位に対応する音声データが前記音声データ記憶部の中から見つけられなかった場合には、前記句読点単位に対応する音声データを前記音声合成部に生成させる、請求項２に記載の制御装置。
【請求項５】
前記処理部は、前記音声合成部により生成された音声データを前記音声データ記憶部に蓄積させる、請求項３に記載の制御装置。
【請求項６】
前記処理部は、前記音声合成部により生成された音声データを前記音声データ記憶部に蓄積させる、請求項４に記載の制御装置。
【請求項７】
前記処理部は、前記分類器により予測された前記応答の出だしの定型文の続きの文章を作成する指示を前記プロンプトに含めて前記自然言語処理システムに送信する、請求項１に記載の制御装置。
【請求項８】
前記処理部は、前記検索部による検索によって前記応答の出だしの定型文に対応する音声データが前記音声データ記憶部の中から見つけられた場合には、前記応答の出だしの定型文に対応する音声を前記出力部に出力させる前に所定の長さのポーズを入れて前記応答の出だしの定型文に対応する音声を前記出力部に出力させる、請求項２に記載の制御装置。
【請求項９】
前記音声データ記憶部は、前記応答の出だしの定型文の音声データをハッシュ値と関連付けて記憶しており、
前記検索部は、前記ハッシュ値を用いて、前記音声データを前記音声データ記憶部の中から検索する、請求項２に記載の制御装置。
【請求項１０】
前記処理部は、前記音声合成部に生成させた前記音声データを当該音声データの元となった文から生成したハッシュ値と関連付けて記憶し、
前記検索部は、前記ハッシュ値を用いて、前記音声データを前記音声データ記憶部の中から検索する、請求項２に記載の制御装置。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本発明は、ユーザとの会話を制御するための制御装置に関する。
続きを表示（約 1,500 文字）【背景技術】
【０００２】
近年、ユーザとの自然な会話を実現可能な会話ロボットが注目されている。
【０００３】
特許文献１には、ユーザに応じてパーソナルな会話を自然に行うことができる会話ロボットの制御装置が記載されている。
【先行技術文献】
【特許文献】
【０００４】
特開２０２２－１６８０１５号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
しかしながら、特許文献１に記載の制御装置では、会話エンジンにより生成された、ユーザとの会話を構成するテキストデータを音声合成し、そのテキストデータに対応する音声データを生成している。このため、音声合成に際して、テキストデータの入力から当該テキストデータの内容を会話ロボットに発話させるまでの待ち時間が長い。このため、ユーザとレスポンスの良い会話ができない。
【０００６】
本発明は上記課題に鑑み、ユーザとの自然な会話を実現することを目的とする。
【課題を解決するための手段】
【０００７】
本発明は上記課題を解決するために以下の技術的手段を採用する。特許請求の範囲及びこの項に記載した括弧内の符号は、ひとつの態様として後述する実施形態に記載の具体的手段との対応関係を示す一例であって、本発明の技術的範囲を限定するものではない。
【０００８】
本発明の一態様の制御装置（１１）は、ユーザとの会話を制御するための制御装置であって、前記ユーザからの発話に係る音声入力を受け付ける入力部（１１４）と、前記ユーザに対して前記発話に対する応答に係る音声を出力する出力部（１１７）と、応答の出だしとして用いられる所定数の定型文の音声データを予め記憶している音声データ記憶部（１１２ａ）と、大規模言語モデルを利用した自然言語処理システム（５０）に対して、前記ユーザからの前記発話のデータを含むプロンプトを送信し、前記自然言語処理システムからの回答を受信する処理部（１１１）と、前記自然言語処理システムからの回答に基づいて音声合成を行う音声合成部（１１６）と、を有し、前記処理部は、前記発話に対して前記応答の出だしの定型文のいずれを返すべきかの分類を行い、分類結果に応じて前記発話に対する応答の出だしの定型文を予測する分類器（１１１ａ）を含み、前記分類器により予測した前記応答の出だしの定型文に対応する音声データを前記音声データ記憶部から読み出し、読み出した前記音声データに基づいて音声を前記出力部に出力させ、前記音声合成部は、前記自然言語処理システムから受信した回答に係る音声を合成し、前記定型文の音声データに続いて合成した音声データを生成する。
【０００９】
上記構成により、制御装置は、ユーザからの発話に対する応答の出だしの定型文を分類器で分類することで、自然言語処理システムに応答内容を問い合わせることなく、応答を開始できる。また、分類器により予測された応答の出だしの定型文に対応する音声データが音声データ記憶部の中にあれば、音声合成部による音声合成を行うことなく、当該音声データを再生することができる。これにより、本実施の形態に係る制御装置は、ユーザからの発話に対する応答の出だしを、音声合成部による音声合成の処理時間を待つことなく、高速化することができる。その結果、ユーザとの自然な会話を実現することができる。
【００１０】
本発明の一態様のロボットシステム（１００）は、上記の制御装置（１１）と、自然言語処理システム（５０）と、を有する。
（【００１１】以降は省略されています）

関連特許