実世界対話ロボットにおける文脈認識型前置き生成による低遅延ターンテイキング

近年、大規模言語モデル（LLM）を用いた対話システムが自然な対話を実現する一方で、応答遅延が課題となっています。従来の手法では、音声認識が完了した後にのみ応答生成を開始するため、ユーザーは待たされる感覚を覚えます。固定フィラー（「ええと」「少々お待ちください」など）を用いる方法もありますが、長期的には不自然さが目立ち、会話の流れを妨げる可能性があります。

本研究では、日本チームが、前置き応答の準備と音声出力を分離する二段階の増分フレームワークを提案しました。第一段階では、ユーザーの意図が予測可能になった時点で、意図準備検出器がLLMによる短い前置き応答の生成を開始します。第二段階では、音声活動投影（VAP）モデルがその応答を出力するタイミングを決定します。VAPモデルはユーザーの発話終了を予測し、適切なタイミングで前置き応答を再生することで、ユーザーが話し終える前に応答を開始することを可能にします。

提案手法を検証するため、ショッピングモールに経路案内ロボットを設置し、フィールド実験を実施しました。フィラーなし、固定フィラー、文脈前置きの三条件を比較した結果、両フィラー条件はフィラーなしに比べて初期応答遅延を有意に短縮しました。しかし、文脈前置きは固定フィラーに比べて初期応答遅延が長いものの、初期応答から主要応答までのギャップが有意に短いことが分かりました。これは、文脈前置きがよりスムーズな対話遷移を促進することを示唆しています。探索的なユーザー評価では、三条件間に有意差は見られず、ユーザーは異なる遅延パターンを明確に区別していない可能性があります。

これらの結果は、フィラー戦略におけるトレードオフを明らかにしています。固定フィラーは即座に応答できるが、会話の自然さを損なう可能性がある一方、文脈前置きは初期遅延がやや長いものの、より一貫性のある対話体験を提供します。本研究は、実世界の対話ロボットにおける低遅延ターンテイキングの新たな可能性を示しており、案内やカスタマーサービスなど、迅速な応答が求められる分野での応用が期待されます。今後の研究では、意図検出の精度向上や前置き応答の自然さをさらに改善し、より複雑な対話シナリオへの適用を目指すとしています。