HomePodの先にあるスマートスピーカーの将来像

最近では、AIアシスタント機能を備えたスマートフォンやタブレットも登場し、電源がONになっていれば音声のみで起動もできるので、専用製品は必要ないと感じる人もあるかもしれない。しかし、実際にスマートスピーカーを使ってみると、リビングやキッチン、ベッドルームなど様々な場所で、遠くからでも声を拾って機能するスマートスピーカーのマイクは、兼用機器と一線を画す性能を持っている。

もちろん、それが理解できる言い回しや実現可能な処理内容は依然として発展途上だが、ファームウェアやOSのアップデート、あるいはスキルやアクションの追加によって機能が進化する“伸び代”はまだまだあるはずだ。デバイスと音声でやり取りすることの違和感や抵抗感についても、スマートフォンや、もっと遡ればパーソナルコンピューター自体がそうであったように、利用しているうちに徐々に慣れてくるであろうと考えている。

しかし、実際にスマートスピーカーを自宅で使っていて感じるのは、AI機能を起動するために、まず、呼びかけなくてはならないというプロセスの冗長性である。

単純に、照明やテレビの電源のオン／オフ程度ならば、頻度も少なくて済むが、検索機能や楽曲、動画の呼び出しといった多彩な機能を頻繁に行うようになると、最初に呼びかけるというひと手間が繰り返され、余分に感じられてくるのだ。しかも、今後、スキルやアクションの充実に従って、利用頻度は増えこそすれ、決して減ることはないのである。

現時点でGoogle Homeは６人までの話者を特定することができ、それによって、たとえば声でショッピングリストを作成する場合などには、それぞれのグーグルアカウントに紐付けされたデータとして書き込まれるようになっている。同様の話者識別機能は、他のスマートスピーカーにも実装される予定だ。

これは、スマートスピーカーに対して「誰が話しかけているか」を認識する機能だが、今後必要とされてくるのは、話者が「誰に話しかけているか」を理解する能力ではないかと筆者は考えている。

現状のAIアシスタントは、Hey Siri、OK Google、Alexaなどの、いわゆる起動ワードによって処理を開始する仕様になっているが、これには２つの理由があると思われる。１つ目は、誰（何）に話しかけているかを明確化することで誤動作を防ぐということ。２つ目は、ユーザーが起動ワードを口にするまで処理を開始しないことが、プライバシーに関する懸念を持つユーザーを安心させるということだ。

1つ目に関しては、異なるAIシステムに基づくスマートスピーカーを複数台設置しているような場合を除き、今後、起動ワードなしで、ある程度正確な処理を出来るようになっていくのは、間違いないだろう。たとえば、スマートスピーカーがカメラを搭載し、ユーザーが自分（＝スピーカー自身）に向かって話しかけていることを認識できれば、その状態で発せられた言葉が処理すべき内容を含んでいると判断することは、不可能な話ではない。問題は2つ目の“プライバシーに関する懸念”を解決する形でそれが実現できるかどうかという点にある。