多岐に渡るユーザインタフェース研究

ワークショップからは「安全・確実・簡単なレゾナントコミュニケーションを実現するアプリケーション技術」と題されたセッションをご紹介したい。同セッションでは、主にInternetなどのサイバー空間におけるユーザインタフェースの研究に従事する研究者が登場し、現在の開発動向を語った。

最初に登場したNTTサイバーソリューション研究所の外村佳伸氏は、NTTが最近掲げる「レゾナントコミュニケーション」というキャッチフレーズについて「ブロードバンドによりコンテンツがリッチになる・連携の幅が広がるもの、言い換えれば個人の力が(ブロードバンドにより)大きくなったり、協力してくれる人の輪が広がるものだという風に理解している」と語り、そのために必要となる仮想的な「人と情報の出会いの『場』」において、人の意識・判断・感覚を支援していくようなヒューマンインタフェースが重要となるとの認識を示した。

その上でヒューマンインタフェースに求められる2つの条件として同氏は、直感や見た目で判断しやすく人の心を動かすような「視援インタフェース」、操作する人に幅広い選択の余地を与え、さらには必要最低限の指示さえしておけばそれ以外の部分についてはコンピュータがそこそこの正解を用意する「(ちょうど)いい加減インタフェース」の2つを挙げた。

この条件に従い開発したインタフェースを、同氏は「気軽に入っていける『サイバー場』を実現する」ものとしての「Space of Interest」、ユーザとの入出力を直接担当する「Human Surround」の2つに分類した。前者について同氏は「いわゆるポータルサイトのさらに上に来る層」と述べ、具体例として現在実験中の「HotWindow」や「World Wide Navi」といったサービスを挙げた。

また後者の例としては、ビデオ映像の中の音声の抑揚を解析することで、音声認識やメタデータを作成しなくても、ユーザの指定した任意の時間で自動的に映像をダイジェストしてくれる「ChocoPara」、画面サイズやズームの大きさなどに関わらず画面上で自動的に実寸大の大きさを再現してくれる「MeasurePlayer」などを挙げていた。

続いて登場したNTTサイバースペース研究所の小原永氏は、音声・映像メディア処理の立場から「レゾナントコミュニケーション」を「『感じる・つながる・使える』を実現する技術」と定義し、その上で具体的にはそれぞれ『感じる』＝「リアルな映像・音声処理」、『つながる』＝「目的に応じた情報処理」、『使える』＝「使いやすい簡単なインタフェース」を実現することが必要になる、との考え方を示した。

その上で具体的な開発の方向性として、まず『感じる』の分野においては「今後は単なる高品質というにとどまらず、高臨場感・高理解通信とでも言うべきものが必要になる」と語った上で、「これまで符号化というと圧縮率をいかに上げるかが重要だったが、今後はネットワークの状態やユーザのニーズに応じていかにスケーラブルな符号化を行うかが重要だ」として、例えば野球中継でお気に入りの選手の周囲だけを高画質で送るといったようなことをMPEG-4ベースの拡張レイヤで実現するような研究を行っていると語った。

また音声伝送でも「例えば母音の時には低周波、子音の時には高周波の部分を優先的に送ることで、従来3.4kHz程度の音声しか送れなかった帯域で実質7kHz程度の音声を送ることが可能になる」として、会場で実際にそのような最適化を行った音声と従来の圧縮方式による音声を流して、音質に遜色がないことを示した。

また『つながる』の分野では「カメラ付きケータイで写真を撮るだけで、その写真に写っている風景に関する情報が手に入る技術」や、「自動車から全方位カメラで道路を走りながら撮影したビデオ映像と航空写真を組み合わせて、誤差2～3m程度で3Dの町並みを再現できる技術」、先日gooでスタートしたばかりの「日本語自然文検索」などを例に挙げた。

『使える』ではいわゆる音声エージェント技術などを例に挙げ、「現在はシナリオベースのものやキャラクタを使った対話技術がメインだが、将来的にはタスクシームレスな対話エージェントや、自動翻訳システムなどの開発に向かって行きたい」との意向を示していた。