特表 2024-518878 音声コマンドのための仮想コンテキストの作成

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2024-05-08

(54)【発明の名称】音声コマンドのための仮想コンテキストの作成

(51)【国際特許分類】

   G06F 3/0484 20220101AFI20240426BHJP

   G10L 15/28 20130101ALI20240426BHJP

   G10L 15/25 20130101ALI20240426BHJP

   G06F 3/16 20060101ALI20240426BHJP

   G06F 3/0482 20130101ALI20240426BHJP

   G06F 3/01 20060101ALI20240426BHJP

【ＦＩ】

G06F3/0484

G10L15/28 400

G10L15/25

G06F3/16 650

G06F3/0482

G06F3/01 570

【審査請求】未請求

【予備審査請求】未請求

(21)【出願番号】P 2023562498

(86)(22)【出願日】2022-04-06

(85)【翻訳文提出日】2023-10-11

(86)【国際出願番号】 IB2022053194

(87)【国際公開番号】W WO2022238776

(87)【国際公開日】2022-11-17

(31)【優先権主張番号】17/316,255

(32)【優先日】2021-05-10

(33)【優先権主張国・地域又は機関】US

(81)【指定国・地域】

(71)【出願人】

【識別番号】390009531

【氏名又は名称】インターナショナル・ビジネス・マシーンズ・コーポレーション

【氏名又は名称原語表記】ＩＮＴＥＲＮＡＴＩＯＮＡＬ ＢＵＳＩＮＥＳＳ ＭＡＣＨＩＮＥＳ ＣＯＲＰＯＲＡＴＩＯＮ

【住所又は居所原語表記】Ｎｅｗ Ｏｒｃｈａｒｄ Ｒｏａｄ， Ａｒｍｏｎｋ， Ｎｅｗ Ｙｏｒｋ １０５０４， Ｕｎｉｔｅｄ Ｓｔａｔｅｓ ｏｆ Ａｍｅｒｉｃａ

(74)【代理人】

【識別番号】100112690

【弁理士】

【氏名又は名称】太佐 種一

(74)【代理人】

【識別番号】100120710

【弁理士】

【氏名又は名称】片岡 忠彦

(74)【復代理人】

【識別番号】110000420

【氏名又は名称】弁理士法人ＭＩＰ

(72)【発明者】

【氏名】カリ、ヴェンカタ ヴァラ プラサド

(72)【発明者】

【氏名】ジャイン、アビシェク

(72)【発明者】

【氏名】ラクシト、サルバジット

(72)【発明者】

【氏名】シャイク、カダー

(72)【発明者】

【氏名】ペルマラ、サラスワティー

【テーマコード（参考）】

5E555

【Ｆターム（参考）】

5E555AA28

5E555AA46

5E555BA08

5E555BA83

5E555BA87

5E555BB08

5E555CA42

5E555CA45

5E555CA47

5E555CB65

5E555CB82

5E555DA08

5E555DA23

5E555DB11

5E555DB53

5E555DB57

5E555EA05

5E555EA20

5E555EA23

5E555FA00

(57)【要約】

方法は、複数の環境に設置された複数の音声支援システムを特定することと、ユーザのヘッドセットから、ユーザからの音声コマンドを受信することとを含む。音声コマンドは、複数の環境のうちの第１の環境における複数の音声支援システムのうちの第１の音声支援システムの識別子を欠いている。この方法はまた、音声コマンドに基づいて、音声コマンドを実行するための複数の音声支援システムのサブセットを予測することと、複数の音声支援システムのサブセットが設置された複数の環境のうちの環境の画像をヘッドセットに伝達することとを含む。この方法はさらに、ユーザが、画像の中から、第１の音声支援システムを含む第１の環境の画像を選択したことを検出することと、それに応答して、音声コマンドを第１の音声支援システムに伝達することとを含む。

【特許請求の範囲】

【請求項1】

複数の環境に設置された複数の音声支援システムを特定することと、
ユーザのヘッドセットから、前記ユーザからの音声コマンドを受信することであって、前記音声コマンドは、前記複数の環境のうちの第１の環境における前記複数の音声支援システムのうちの第１の音声支援システムの識別子を欠いている、前記受信することと、
前記音声コマンドに基づいて、前記音声コマンドを実行するための前記複数の音声支援システムのサブセットを予測することと、
前記複数の音声支援システムの前記サブセットが設置された前記複数の環境のうちの環境の画像を前記ヘッドセットに伝達することと、
前記ユーザが、前記画像の中から、前記第１の音声支援システムを含む前記第１の環境の画像を選択したことを検出することと、
前記ユーザが前記第１の環境の前記画像を選択したことを検出したことに応答して、前記音声コマンドを前記第１の音声支援システムに伝達することと
を含む方法。

【請求項2】

前記第１の環境に配置された複数のマイクロフォンに基づいて、前記音声コマンドの方向を特定することと、
前記方向に基づいて、前記音声コマンドのターゲットを特定することと、
前記ターゲットに対して前記音声コマンドを実行するように、前記音声コマンドの前記ターゲットを前記第１の音声支援システムに伝達することと
をさらに含む、請求項１に記載の方法。

【請求項3】

前記方向は、前記複数のマイクロフォンのうちの各マイクロフォンによって検出された前記音声コマンドの音量に基づいて特定される、請求項２に記載の方法。

【請求項4】

前記ユーザの目の方向を検出することと、
前記ユーザの前記目の前記方向に基づいて、前記音声コマンドのターゲットを特定することと、
前記ターゲットに対して前記音声コマンドを実行するように、前記音声コマンドの前記ターゲットを前記第１の音声支援システムに伝達することと
をさらに含む、請求項１に記載の方法。

【請求項5】

前記音声コマンドに対応する画像を前記ヘッドセットに伝達することと、
前記ユーザによる前記音声コマンドに対応する前記画像とのインタラクションに基づいて、前記音声コマンドのターゲットを特定することと、
前記ターゲットに対して前記音声コマンドを実行するように、前記ターゲットを前記第１の音声支援システムに伝達することと
をさらに含む、請求項１に記載の方法。

【請求項6】

前記ユーザの地理的位置を特定することをさらに含み、前記複数の音声支援システムのサブセットを予測することは前記地理的位置にさらに基づく、請求項１に記載の方法。

【請求項7】

前記ユーザとは異なる前記音声コマンドの受信者を特定することと、
前記受信者の存在を検出することと、
前記受信者の前記存在を検出したことに応答して、前記音声コマンドを前記受信者に伝達することと
をさらに含む、請求項１に記載の方法。

【請求項8】

メモリと、
前記メモリに通信可能に結合されたハードウェア・プロセッサと、
を備え、前記ハードウェア・プロセッサは、
複数の環境に設置された複数の音声支援システムを特定することと、
ユーザのヘッドセットから、前記ユーザからの音声コマンドを受信することであって、前記音声コマンドは、前記複数の環境のうちの第１の環境における前記複数の音声支援システムのうちの第１の音声支援システムの識別子を欠いている、前記受信することと、
前記音声コマンドに基づいて、前記音声コマンドを実行するための前記複数の音声支援システムのサブセットを予測することと、
前記複数の音声支援システムの前記サブセットが設置された前記複数の環境のうちの環境の画像を前記ヘッドセットに伝達することと、
前記ユーザが、前記画像の中から、前記第１の音声支援システムを含む前記第１の環境の画像を選択したことを検出することと、
前記ユーザが前記第１の環境の前記画像を選択したことを検出したことに応答して、前記音声コマンドを前記第１の音声支援システムに伝達することと
を実行するように構成される、装置。

【請求項9】

前記ハードウェア・プロセッサは、
前記第１の環境に配置された複数のマイクロフォンに基づいて、前記音声コマンドの方向を特定することと、
前記方向に基づいて、前記音声コマンドのターゲットを特定することと、
前記ターゲットに対して前記音声コマンドを実行するように、前記音声コマンドの前記ターゲットを前記第１の音声支援システムに伝達することと
を実行するようにさらに構成される、請求項８に記載の装置。

【請求項10】

前記方向は、前記複数のマイクロフォンのうちの各マイクロフォンによって検出された前記音声コマンドの音量に基づいて特定される、請求項９に記載の装置。

【請求項11】

前記ハードウェア・プロセッサは、
前記ユーザの目の方向を検出することと、
前記ユーザの前記目の前記方向に基づいて、前記音声コマンドのターゲットを特定することと、
前記ターゲットに対して前記音声コマンドを実行するように、前記音声コマンドの前記ターゲットを前記第１の音声支援システムに伝達することと
を実行するようにさらに構成される、請求項８に記載の装置。

【請求項12】

前記ハードウェア・プロセッサは、
前記音声コマンドに対応する画像を前記ヘッドセットに伝達することと、
前記ユーザによる前記音声コマンドに対応する前記画像とのインタラクションに基づいて、前記音声コマンドのターゲットを特定することと、
前記ターゲットに対して前記音声コマンドを実行するように、前記ターゲットを前記第１の音声支援システムに伝達することと
を実行するようにさらに構成される、請求項８に記載の装置。

【請求項13】

前記ハードウェア・プロセッサは、前記ユーザの地理的位置を特定することを実行するようにさらに構成され、前記複数の音声支援システムのサブセットを予測することは前記地理的位置にさらに基づく、請求項８に記載の装置。

【請求項14】

前記ハードウェア・プロセッサは、
前記ユーザとは異なる前記音声コマンドの受信者を特定することと、
前記受信者の存在を検出することと、
前記受信者の前記存在を検出したことに応答して、前記音声コマンドを前記受信者に伝達することと
を実行するようにさらに構成される、請求項８に記載の装置。

【請求項15】

複数の環境のうちの第１の環境における複数の音声支援システムのうちの第１の音声支援システムの識別子を欠いている音声コマンドをユーザから受け取ることと、
前記音声コマンドをコマンド・サーバに伝達することと、
前記コマンド・サーバから、前記複数の音声支援システムが設置された前記複数の環境のうちの環境の画像を受信することと、
前記ユーザに前記画像を提示することと、
前記ユーザが、前記提示された画像の中から、前記第１の音声支援システムを含む前記第１の環境の画像を選択したことを検出することと、
前記第１の音声支援システムが前記音声コマンドを実行するように、前記ユーザが前記画像を選択したことを前記コマンド・サーバに示すことと
を含む、方法。

【請求項16】

前記ユーザが前記画像を選択したことを検出することは、
前記ユーザの目の方向を検出することと、
前記ユーザの前記目の前記方向に基づいて、前記提示された画像の中から前記画像を特定することと
を含む、請求項１５に記載の方法。

【請求項17】

前記ユーザが前記画像を選択したことを検出することは、
前記第１の環境を示す第２の音声コマンドを検出することと、
前記第２の音声コマンドに基づいて、前記提示された画像の中から前記画像を特定することと、
を含む、請求項１５に記載の方法。

【請求項18】

前記音声コマンドに対応する画像を提示することと、
前記ユーザによる前記画像とのインタラクションを特定することと、
前記コマンド・サーバに前記インタラクションを伝達することと
をさらに含む、請求項１５に記載の方法。

【請求項19】

前記ユーザの地理的位置を特定することと、
前記ユーザの前記地理的位置を前記コマンド・サーバに伝達することと
をさらに含む、請求項１５に記載の方法。

【請求項20】

前記ユーザとは異なる前記音声コマンドの受信者の存在を検出することと、
前記受信者の前記存在の通知を前記コマンド・サーバに伝達することと
をさらに含む、請求項１５に記載の方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は音声支援システムに関し、より詳細には、音声コマンドのための仮想コンテキストの作成に関する。

【発明の概要】

【0002】

一実施形態によれば、方法は、複数の環境に設置された複数の音声支援システムを特定することと、ユーザのヘッドセットから、ユーザからの音声コマンドを受信することとを含む。音声コマンドは、複数の環境のうちの第１の環境における複数の音声支援システムのうちの第１の音声支援システムの識別子を欠いている。この方法はまた、音声コマンドに基づいて、音声コマンドを実行するための複数の音声支援システムのサブセットを予測することと、複数の音声支援システムのサブセットが設置された複数の環境のうちの環境の画像をヘッドセットに伝達することとを含む。この方法はさらに、ユーザが、画像の中から、第１の音声支援システムを含む第１の環境の画像を選択したことを検出することと、ユーザが第１の環境の画像を選択したことを検出したことに応答して、音声コマンドを第１の音声支援システムに伝達することとを含む。他の実施形態は、この方法を実行するための装置を含む。

【0003】

他の実施形態によれば、方法は、複数の環境のうちの第１の環境における複数の音声支援システムのうちの第１の音声支援システムの識別子を欠いている音声コマンドをユーザから受け取ることと、音声コマンドをコマンド・サーバに伝達することと、を含む。この方法はまた、コマンド・サーバから、複数の音声支援システムが設置された複数の環境のうちの環境の画像を受信することと、ユーザに画像を提示することとを含む。この方法はさらに、ユーザが、提示された画像の中から、第１の音声支援システムを含む第１の環境の画像を選択したことを検出することと、第１の音声支援システムが音声コマンドを実行するように、ユーザが画像を選択したことをコマンド・サーバに示すこととを含む。他の実施形態は、この方法を実行するための装置を含む。

【図面の簡単な説明】

【0004】

【図1】例示的なシステムを示す図である。

【図2】図１のシステムにおける例示的な方法のフローチャートである。

【図3】図１のシステムにおける例示的な方法のフローチャートである。

【図4】図１のシステムにおける例示的な方法のフローチャートである。

【図5】図１のシステムにおける例示的な方法のフローチャートである。

【図6】図１のシステムにおける例示的な方法のフローチャートである。

【図7】図１のシステムにおける例示的な方法のフローチャートである。

【発明を実施するための形態】

【0005】

音声支援システムは、ユーザによって発行された音声コマンドを実行する。音声支援システムは非常に普及しており、多くの環境および空間には複数の音声支援システムが含まれ得る。たとえば、ユーザの家には、異なるサービスと連携し、異なる機能を実行する異なる音声支援システムが含まれ得る。他の例として、オフィス・ビルには、様々な従業員によって所有される多くの異なる音声支援システムが含まれ得る。これらの環境でユーザが音声コマンドを発行するときに、ユーザが話しかけている音声支援システムをユーザが音声で識別しないと、次の２つの望ましくない結果が生じ得る。すなわち、（１）どの音声支援システムもコマンドを実行しない場合があること、または（２）複数の音声支援システムがコマンドを実行し得ることである。

【0006】

本開示は、ユーザが音声支援システムを音声で識別（たとえば、「Ｈｅｙ，Ｘ」と言い、ここでＸは音声支援システムの名前である）しなくても、ユーザが音声コマンドを発行している音声支援システムを特定することができるシステムについて説明する。システムは、ユーザが音声コマンドを向けている可能性がある音声支援システムのサブセットを予測することができる。次いで、システムは、ユーザのヘッドセット（たとえば、拡張現実メガネ、拡張現実ヘッドセット、または仮想現実ヘッドセット）に、予測された音声支援システムが設置された異なる環境の画像を提示する。次いで、ユーザはこれらの画像のうちの１つを選択し得（たとえば、画像を見ることによって、または画像によって表された場所の名前を言うことによって）、システムは選択された場所の音声支援システムに音声コマンドを伝達する。次いで、音声支援システムは音声コマンドを実行する。このようにして、システムは、ユーザが音声支援システムを音声で識別することなく、所望の音声支援システムに音声コマンドを発行することを可能にする。

【0007】

図１は、例示的なシステム１００を示している。図１に見られるように、システム１００は、空間１０１、ネットワーク１１０、およびコマンド・サーバ１１２を含む。一般に、空間１０１内のユーザ１０２は、空間１０１内のいくつかの音声アシスタントのうちの１つに対して、その音声アシスタントを識別することなくコマンドを発行し得る。デバイス（たとえば、ユーザ１０２の拡張現実ヘッドセットまたは仮想現実ヘッドセット）は、コマンドを検出し、コマンドをコマンド・サーバ１１２に伝達する。次いで、コマンド・サーバ１１２は、コマンドの発行され得る空間１０１内のいくつかの音声アシスタントを予測する。次いで、コマンド・サーバ１１２は、ユーザ１０２がデバイスを使用して、コマンドの向けられた環境または音声アシスタントを選択できるようにする。ユーザ１０２が環境または音声アシスタントを選択した後、コマンド・サーバ１１２は、コマンドを実行するように、選択された音声アシスタントまたは選択された環境内の音声アシスタントにコマンドを伝達する。このようにして、コマンド・サーバ１１２は、ユーザ１０２がコマンドを発行するときに音声アシスタントを識別しなくても、コマンドを適切な音声アシスタントに伝達し得る。

【0008】

空間１０１は、複数の音声アシスタント１０６を含む任意の適切な空間であり得る。たとえば、空間１０１は、家またはオフィス・ビルであり得る。音声アシスタント１０６は、空間１０１内の異なる環境に配置され得る。たとえば、音声アシスタント１０６は、家の異なる部屋に配置され得る。他の例として、音声アシスタント１０６は、オフィス・ビルの異なるオフィスに配置され得る。音声アシスタント１０６は、異なる名前を使用して識別され得る。ユーザ１０２が音声コマンドを発行するときに、ユーザ１０２はまず、「Ｈｅｙ，Ｘ」と言うことで、ユーザ１０２が音声コマンドを向けることを意図する音声アシスタント１０６を識別し得、ここで、Ｘは音声アシスタント１０６の名前である。しかしながら、ユーザ１０２が音声コマンドを発行するときに音声アシスタント１０６を識別しない場合、音声アシスタント１０６はコマンドを実行しない場合がある。その結果、ユーザ１０２が音声アシスタント１０６の名前を思い出すのが難しい場合、ユーザ１０２は音声アシスタント１０６に音声コマンドを発行することができない場合がある。システム１００は、ユーザ１０２がコマンドを発行するときに音声アシスタント１０６を識別しなくても、ユーザ１０２のヘッドセット１０４およびコマンド・サーバ１１２を使用して音声アシスタント１０６を識別する。このようにして、システム１００により、ユーザ１０２が特定の音声アシスタント１０６を識別することなくそれらの音声アシスタント１０６にコマンドを発行することが可能になる。

【0009】

ヘッドセット１０４は、拡張現実または仮想現実を使用してユーザ１０２に画像を提示し得る。たとえば、ヘッドセット１０４は、ユーザ１０２の視野に画像をオーバーレイする拡張現実メガネまたは拡張現実ヘッドセットであり得る。他の例として、ヘッドセット１０４は、ユーザ１０２に画像を提示する仮想現実ヘッドセットであり得る。ユーザ１０２は、ヘッドセット１０４を装着して、ヘッドセット１０４によってオーバーレイまたは提示された画像を見得る。図１に見られるように、ヘッドセット１０４はプロセッサ１１８およびメモリ１２０を含み、これらは本明細書に記載のヘッドセット１０４の動作または機能を実行するように構成される。

【0010】

プロセッサ１１８は、メモリ１２０と通信可能に結合し、ヘッドセット１０４の動作を制御する、マイクロプロセッサ、マイクロコントローラ、特定用途向け集積回路（ＡＳＩＣ）、特定用途向け命令セット・プロセッサ（ＡＳＩＰ）、もしくはステートマシン、またはそれらの組み合わせのうちの１つまたは組み合わせを含むがこれらに限定されない任意の電子回路である。プロセッサ１１８は、８ビット、１６ビット、３２ビット、６４ビット、または他の任意の適切なアーキテクチャのものであり得る。プロセッサ１１８は、算術論理演算を実行するための算術論理演算ユニット（ＡＬＵ）と、ＡＬＵにオペランドを供給し、ＡＬＵ演算の結果を記憶するプロセッサ・レジスタと、メモリから命令をフェッチし、ＡＬＵ、レジスタ、および他のコンポーネントの協調動作を指揮することによってそれらを実行する制御ユニットとを含み得る。プロセッサ１１８は、ソフトウェアを動作させて情報を制御および処理する他のハードウェアを含み得る。プロセッサ１１８は、メモリ１２０に記憶されたソフトウェアを実行して、本明細書に記載の機能のうちの任意のものを実行する。プロセッサ１１８は、情報（たとえば、コマンド・サーバ１１２、ネットワーク１１０、およびメモリ１２０から受信した情報）を処理することによって、ヘッドセット１０４の動作および管理を制御する。プロセッサ１１８は、単一の処理デバイスに限定されず、複数の処理デバイスを包含し得る。

【0011】

メモリ１２０は、プロセッサ１１８のためのデータ、動作ソフトウェア、または他の情報を永続的または一時的に記憶し得る。メモリ１２０は、情報を記憶するのに適した揮発性または不揮発性のローカルまたはリモート・デバイスのうちのいずれか１つまたはそれらの組み合わせを含み得る。たとえば、メモリ１２０は、ランダム・アクセス・メモリ（ＲＡＭ）、リード・オンリ・メモリ（ＲＯＭ）、磁気ストレージ・デバイス、光学ストレージ・デバイス、もしくは他の任意の適切な情報ストレージ・デバイス、またはこれらのデバイスの組み合わせを含み得る。ソフトウェアは、コンピュータ可読記憶媒体に具現化された任意の適切な命令のセット、ロジック、またはコードを表す。たとえば、ソフトウェアは、メモリ１２０、ディスク、ＣＤ、またはフラッシュ・ドライブに具現化され得る。特定の実施形態では、ソフトウェアは、本明細書に記載の機能のうちの１つまたは複数を実行するためにプロセッサ１１８によって実行可能なアプリケーションを含み得る。

【0012】

複数の音声アシスタント１０６が空間１０１内に設置される。音声アシスタント１０６は、空間１０１内の異なる環境に設置され得る。たとえば、音声アシスタント１０６は、空間１０１の異なる部屋またはオフィスに設置され得る。図１の例では、空間１０１は音声アシスタント１０６Ａ、１０６Ｂ、および１０６Ｃを含む。これらの音声アシスタント１０６のそれぞれは、空間１０１内の異なる環境に設置され得る。たとえば、空間１０１が家である場合、音声アシスタント１０６Ａはキッチンに設置され得、音声アシスタント１０６Ｂはリビング・ルームに設置され得、音声アシスタント１０６Ｃは寝室に設置され得る。これらの音声アシスタント１０６のそれぞれは、異なる名前を使用して識別され得る。コマンドがこれらの音声アシスタント１０６のうちの１つに発行されると、音声アシスタント１０６はそのコマンドを実行する。たとえば、音声アシスタント１０６は、それぞれの空間内の機器および照明をオンまたはオフにし得る。他の例として、音声アシスタント１０６は、音楽を再生し、またはメッセージを読み上げ得る。図１に見られるように、各音声アシスタント１０６は、プロセッサ１１４およびメモリ１１６を含む。音声アシスタント１０６Ａは、プロセッサ１１４Ａおよびメモリ１１６Ａを含む。音声アシスタント１０６Ｂは、プロセッサ１１４Ｂおよびメモリ１１６Ｂを含む。音声アシスタント１０６Ｃは、プロセッサ１１４Ｃおよびメモリ１１６Ｃを含む。プロセッサ１１４およびメモリ１１６は、本明細書に記載の音声アシスタント１０６の機能または動作のうちの任意のものを実行するように構成され得る。

【0013】

プロセッサ１１４は、メモリ１１６と通信可能に結合し、ヘッドセット１０４の動作を制御する、マイクロプロセッサ、マイクロコントローラ、特定用途向け集積回路（ＡＳＩＣ）、特定用途向け命令セット・プロセッサ（ＡＳＩＰ）、もしくはステートマシン、またはそれらの組み合わせのうちの１つまたは組み合わせを含むがこれらに限定されない任意の電子回路である。プロセッサ１１４は、８ビット、１６ビット、３２ビット、６４ビット、または他の任意の適切なアーキテクチャのものであり得る。プロセッサ１１４は、算術論理演算を実行するための算術論理演算ユニット（ＡＬＵ）と、ＡＬＵにオペランドを供給し、ＡＬＵ演算の結果を記憶するプロセッサ・レジスタと、メモリから命令をフェッチし、ＡＬＵ、レジスタ、および他のコンポーネントの協調動作を指揮することによってそれらを実行する制御ユニットとを含み得る。プロセッサ１１４は、ソフトウェアを動作させて情報を制御および処理する他のハードウェアを含み得る。プロセッサ１１４は、メモリ１１６に記憶されたソフトウェアを実行して、本明細書に記載の機能のうちの任意のものを実行する。プロセッサ１１４は、情報（たとえば、コマンド・サーバ１１２、ネットワーク１１０、およびメモリ１１６から受信した情報）を処理することによって、ヘッドセット１０４の動作および管理を制御する。プロセッサ１１４は、単一の処理デバイスに限定されず、複数の処理デバイスを包含し得る。

【0014】

メモリ１１６は、プロセッサ１１４のためのデータ、動作ソフトウェア、または他の情報を永続的または一時的に記憶し得る。メモリ１１６は、情報を記憶するのに適した揮発性または不揮発性のローカルまたはリモート・デバイスのうちのいずれか１つまたはそれらの組み合わせを含み得る。たとえば、メモリ１１６は、ランダム・アクセス・メモリ（ＲＡＭ）、リード・オンリ・メモリ（ＲＯＭ）、磁気ストレージ・デバイス、光学ストレージ・デバイス、もしくは他の任意の適切な情報ストレージ・デバイス、またはこれらのデバイスの組み合わせを含み得る。ソフトウェアは、コンピュータ可読記憶媒体に具現化された任意の適切な命令のセット、ロジック、またはコードを表す。たとえば、ソフトウェアは、メモリ１１６、ディスク、ＣＤ、またはフラッシュ・ドライブに具現化され得る。特定の実施形態では、ソフトウェアは、本明細書に記載の機能のうちの１つまたは複数を実行するためにプロセッサ１１４によって実行可能なアプリケーションを含み得る。

【0015】

ネットワーク１１０は、システム１００のコンポーネント間の通信を容易にするように動作可能な任意の適切なネットワークである。ネットワーク１１０は、オーディオ、ビデオ、信号、データ、メッセージ、またはそれらの任意の組み合わせを伝送することが可能な任意の相互接続システムを含み得る。ネットワーク１１０は、公衆交換電話網（ＰＳＴＮ）、パブリックまたはプライベート・データ・ネットワーク、ローカル・エリア・ネットワーク（ＬＡＮ）、メトロポリタン・エリア・ネットワーク（ＭＡＮ）、ワイド・エリア・ネットワーク（ＷＡＮ）、ローカルの、地域的な、またはグローバルな通信またはコンピュータ・ネットワーク、たとえば、インターネット、有線または無線ネットワーク、企業イントラネット、またはそれらの組み合わせを含む、コンポーネント間の通信を容易にするように動作可能な他の任意の適切な通信リンクのうちの全てまたは一部分を含み得る。

【0016】

コマンド・サーバ１１２は、ユーザ１０２によって発行されたコマンドに対して、意図された音声アシスタント１０６を特定する。次いで、コマンド・サーバ１１２は、音声アシスタント１０６がコマンドを実行することができるように、意図された音声アシスタント１０６にコマンドを伝達する。このようにして、コマンド・サーバ１１２は、特定の実施形態において、ユーザ１０２がコマンドを発行するときに音声アシスタント１０６を識別しなくても、ユーザ１０２によって発行されたコマンドを音声アシスタント１０６が実行することを可能にする。図１に見られるように、コマンド・サーバ１１２はプロセッサ１２２およびメモリ１２４を含み、これらは本明細書に記載のコマンド・サーバ１１２の機能または動作のうちの任意のものを実行するように構成される。

【0017】

プロセッサ１２２は、メモリ１２４と通信可能に結合し、コマンド・サーバ１１２の動作を制御する、マイクロプロセッサ、マイクロコントローラ、特定用途向け集積回路（ＡＳＩＣ）、特定用途向け命令セット・プロセッサ（ＡＳＩＰ）、もしくはステートマシン、またはそれらの組み合わせのうちの１つまたは組み合わせを含むがこれらに限定されない任意の電子回路である。プロセッサ１２２は、８ビット、１６ビット、３２ビット、６４ビット、または他の任意の適切なアーキテクチャのものであり得る。プロセッサ１２２は、算術論理演算を実行するための算術論理演算ユニット（ＡＬＵ）と、ＡＬＵにオペランドを供給し、ＡＬＵ演算の結果を記憶するプロセッサ・レジスタと、メモリから命令をフェッチし、ＡＬＵ、レジスタ、および他のコンポーネントの協調動作を指揮することによってそれらを実行する制御ユニットとを含み得る。プロセッサ１２２は、ソフトウェアを動作させて情報を制御および処理する他のハードウェアを含み得る。プロセッサ１２２は、メモリ１２４に記憶されたソフトウェアを実行して、本明細書に記載の機能のうちの任意のものを実行する。プロセッサ１２２は、情報（たとえば、ヘッドセット１０４、ネットワーク１１０、およびメモリ１２４から受信した情報）を処理することによって、コマンド・サーバ１１２の動作および管理を制御する。プロセッサ１２２は、単一の処理デバイスに限定されず、複数の処理デバイスを包含し得る。

【0018】

メモリ１２４は、プロセッサ１２２のためのデータ、動作ソフトウェア、または他の情報を永続的または一時的に記憶し得る。メモリ１２４は、情報を記憶するのに適した揮発性または不揮発性のローカルまたはリモート・デバイスのうちのいずれか１つまたはそれらの組み合わせを含み得る。たとえば、メモリ１２４は、ランダム・アクセス・メモリ（ＲＡＭ）、リード・オンリ・メモリ（ＲＯＭ）、磁気ストレージ・デバイス、光学ストレージ・デバイス、もしくは他の任意の適切な情報ストレージ・デバイス、またはこれらのデバイスの組み合わせを含み得る。ソフトウェアは、コンピュータ可読記憶媒体に具現化された任意の適切な命令のセット、ロジック、またはコードを表す。たとえば、ソフトウェアは、メモリ１２４、ディスク、ＣＤ、またはフラッシュ・ドライブに具現化され得る。特定の実施形態では、ソフトウェアは、本明細書に記載の機能のうちの１つまたは複数を実行するためにプロセッサ１２２によって実行可能なアプリケーションを含み得る。

【0019】

コマンド・サーバ１１２は、ユーザ１０２によって発行されたコマンド１２６を受信する。ユーザ１０２はコマンド１２６を発話していた場合がある。特定の実施形態では、ヘッドセット１０４は、ユーザ１０２がコマンド１２６を発話したことを検出し、コマンド１２６をコマンド・サーバ１１２に伝達し得る。ユーザ１０２は、コマンド１２６を発行するときに音声アシスタント１０６を識別していない場合がある。コマンド・サーバ１１２は、コマンド１２６および他の任意の数の要因を分析して、ユーザ１０２がコマンド１２６を向けることを意図した空間１０１内の音声アシスタント１０６を予測し得る。コマンド・サーバ１１２は、コマンド１２６内の単語を分析して音声アシスタント１０６を予測し得る。たとえば、コマンド１２６が、空間１０１内の特定の音声アシスタント１０６によってのみ実行することができる機能を識別する場合、コマンド・サーバ１１２は、それらの音声アシスタント１０６がコマンド１２６の受信者候補であると予測し得る。他の例として、コマンド１２６が空間１０１の特定の環境内の特定の機能またはデバイスを識別する場合、コマンド・サーバ１１２は、それらの空間内の音声アシスタント１０６がコマンド１２６の受信者候補であると予測し得る。加えて、または代わりに、コマンド・サーバ１１２は、ヘッドセット１０４の位置を使用して、ユーザ１０２の地理的位置を特定し得る。その特定された位置に基づいて、コマンド・サーバ１１２は、コマンド１２６の意図された受信者である音声アシスタント１０６のセットを予測し得る。たとえば、ヘッドセット１０４は、ヘッドセット１０４またはユーザ１０２の全地球測位座標をコマンド・サーバ１１２に伝達し得る。コマンド・サーバ１１２は、それらの座標を使用して、ユーザ１０２に最も近い音声アシスタント１０６を特定し得る。コマンド・サーバ１１２は、これらの音声アシスタント１０６がコマンド１２６の受信者候補であると予測し得る。

【0020】

コマンド・サーバ１１２が、コマンド１２６の意図された受信者であり得る音声アシスタント１０６を予測した後、コマンド・サーバ１１２は、画像１２８をユーザ１０２のヘッドセット１０４に伝達する。画像１２８は、予測された音声アシスタント１０６、または予測された音声アシスタント１０６が設置された環境の画像であり得る。たとえば、コマンド・サーバ１１２が、音声アシスタント１０６Ａおよび１０６Ｂがコマンド１２６の意図された受信者であり得ると予測した場合、コマンド・サーバ１１２は、音声アシスタント１０６Ａおよび１０６Ｂが設置された部屋の画像をユーザ１０２のヘッドセット１０４に伝達し得る。次いで、ヘッドセット１０４は、画像１２８をユーザ１０２に提示する。ヘッドセット１０４が拡張現実ヘッドセットまたは拡張現実メガネである場合、ヘッドセット１０４は、ユーザ１０２の視野に画像１２８をオーバーレイする。一例として、音声アシスタント１０６Ａがキッチンに設置され、音声アシスタント１０６Ｂがリビング・ルームに設置されている場合、コマンド・サーバ１１２は、キッチンおよびリビング・ルームの画像をヘッドセット１０４に伝達し得る。次いで、ヘッドセット１０４は、キッチンおよびリビング・ルームの画像をユーザ１０２に提示する。

【0021】

次いで、ユーザ１０２は、提示された画像１２８のうちの１つの選択を示す。たとえば、ユーザ１０２は画像１２８のうちの１つを見得る。他の例として、ユーザ１０２は、画像１２８のうちの１つに示された空間の名前を言い得る。ヘッドセット１０４は、ユーザ１０２が選択した画像１２８を特定し、次いで、選択された画像の通知をコマンド・サーバ１１２に伝達し得る。いくつかの実施形態では、選択された画像をコマンド・サーバ１１２に伝達するのではなく、ヘッドセット１０４はユーザ１０２の目の方向１３０を特定する。ユーザ１０２は、視線追跡ソフトウェアまたはハードウェアを使用して、ユーザ１０２の目の方向１３０を特定し得る。次いで、ヘッドセット１０４は、ユーザ１０２の目の方向１３０をコマンド・サーバ１１２に伝達する。コマンド・サーバ１１２は、方向１３０を分析して、ユーザ１０２が見ている画像１２８を特定する。次いで、コマンド・サーバ１１２は、その画像１２８がユーザ１０２によって選択された画像１２８であると決定する。いくつかの実施形態では、ユーザ１０２は画像１２８の選択を発話する。たとえば、ユーザ１０２は、画像１２８に示された部屋の名前を言い得る。ヘッドセット１０４は、ユーザ１０２の音声１３２を検出する。次いで、ヘッドセット１０４は、音声１３２をコマンド・サーバ１１２に伝達する。コマンド・サーバ１１２は、音声１３２を分析して、ユーザ１０２によって選択された画像１２８を特定する。たとえば、コマンド・サーバ１１２は、音声１３２によって言われた部屋の名前を特定し得る。次いで、コマンド・サーバ１１２は、音声１３２によって識別された部屋の画像１２８を識別する。次いで、コマンド・サーバ１１２は、その画像１２８がユーザ１０２によって選択されたと決定する。

【0022】

ユーザ１０２によって選択された画像１２８を特定した後、コマンド・サーバ１１２は、選択された画像１２８に示された環境に設置された音声アシスタント１０６を特定する。次いで、コマンド・サーバ１１２は、コマンド１２６をその音声アシスタント１０６に伝達する。次いで、音声アシスタント１０６は、コマンド１２６を実行する。このようにして、ユーザ１０２がコマンド１２６を発行するときに音声アシスタント１０６を識別しなかったとしても、コマンド・サーバ１１２は、コマンド１２６を実行する音声アシスタント１０６を識別する。

【0023】

特定のコマンド１２６はターゲットを含み得る。たとえば、ユーザ１０２は、電気を消すコマンド１２６を発行し得る。そのコマンド１２６では、ターゲットは空間１０１の環境内の特定の照明である。他の例として、ユーザ１０２は、植物に水をやるコマンドを発行し得る。そのコマンド１２６では、ターゲットは植物である。コマンド・サーバ１１２は、空間１０１からの情報を分析して、コマンド１２６のターゲット１３６を特定し得る。いくつかの実施形態では、コマンド・サーバ１１２は、空間１０１内に配置された１つまたは複数のマイクロフォン１０８からの情報を分析して、ターゲット１３６を特定する。マイクロフォン１０８は、ユーザ１０２の音声の音量１３４を特定することができる指向性マイクロフォンであり得る。空間１０１内のマイクロフォン１０８によって検出された音量１３４を使用して、コマンド・サーバ１１２はコマンド１２６のターゲット１３６を識別する。図１の例を使用すると、空間１０１は、空間１０１内の異なる位置に配置されたマイクロフォン１０８Ａ、１０８Ｂ、および１０８Ｃを含む。ユーザ１０２は、マイクロフォン１０８Ｂおよび１０８Ｃよりもマイクロフォン１０８Ａの近くであり得る。ユーザ１０２がコマンド１２６を発話すると、マイクロフォン１０８Ａは、マイクロフォン１０８Ｂおよび１０８Ｃの検出された音量よりも大きい音量１３４を検出し得る。コマンド・サーバ１１２は、異なるマイクロフォン１０８Ａ、１０８Ｂ、および１０８Ｃによって検出された音量１３４を比較して、ユーザ１０２の音声の方向性を特定する。コマンド・サーバ１１２は、その方向性を利用してコマンド１２６のターゲット１３６を特定する。たとえば、コマンド・サーバ１１２は、音量１３４に基づいて、ユーザ１０２が「電気を消して」というコマンド１２６を発話するときに、コマンド１２６またはユーザ１０２の音声を特定の照明に向けていると決定し得る。これに応答して、コマンド・サーバ１１２は、コマンド１２６のターゲット１３６が、ユーザ１０２が音声を向けている照明であると決定する。

【0024】

いくつかの実施形態では、コマンド・サーバ１１２は、ユーザ１０２の目の方向に基づいてコマンド１２６のターゲット１３６を特定する。ヘッドセット１０４は、視線追跡ソフトウェアおよびハードウェアを使用して、ユーザ１０２の目の方向１３８を特定する。ヘッドセット１０４は、方向１３８をコマンド・サーバ１１２に伝達する。コマンド・サーバ１１２は、方向１３８を（他の情報、たとえば、ユーザ１０２の位置の座標と共に）分析して、コマンド１２６のターゲット１３６を特定する。たとえば、ヘッドセット１０４は、ユーザ１０２がコマンド１２６を発行するときに特定の方向を見ていると決定し得る。ヘッドセット１０４は、その方向１３８をコマンド・サーバ１１２に伝達する。コマンド・サーバ１１２は、ユーザ１０２の位置を表す座標と共にその方向１３８を分析して、ユーザ１０２が見ているオブジェクトを特定する。コマンド・サーバ１１２は、そのオブジェクトがコマンド１２６のターゲット１３６であると決定し得る。たとえば、コマンド・サーバ１１２は、方向１３８に基づいて、ユーザ１０２が「電気を消して」というコマンド１２６を発行するときに特定の照明を見ていると決定し得る。他の例として、コマンド・サーバ１１２は、方向１３８に基づいて、ユーザ１０２が「植物に水をやって」というコマンド１２６を発行するときに特定の植物を見ていると決定し得る。

【0025】

いくつかの実施形態では、コマンド・サーバ１１２は、画像１４０をユーザ１０２のヘッドセット１０４に伝達する。ユーザ１０２は、その画像１４０に対応するインタラクションを実行し得る。ヘッドセット１０４は、そのインタラクションを検出し、インタラクション１４２をコマンド・サーバ１１２に伝達する。コマンド・サーバ１１２は、ユーザ１０２によって実行されたインタラクション１４２に基づいてコマンド１２６のターゲット１３６を特定し得る。たとえば、ユーザ１０２が「植物に水をやって」というコマンド１２６を発行した場合、コマンド・サーバ１１２はじょうろの画像１４０をヘッドセット１０４に伝達し得る。次いで、ヘッドセット１０４は、ユーザ１０２の視野にじょうろの画像をオーバーレイする。次いで、ユーザ１０２は、頭を動かして、じょうろの画像１４０を特定の植物上に配置し得る。ヘッドセット１０４は、この動きと、特定の植物上のじょうろの位置とを検出し、この情報をインタラクション１４２としてコマンド・サーバ１１２に伝達し得る。次いで、コマンド・サーバ１１２は、インタラクション１４２を分析して、植物がコマンド１２６のターゲット１３６であると決定し得る。

【0026】

コマンド・サーバ１１２がコマンド１２６のターゲット１３６を特定した後、コマンド・サーバ１１２は、コマンド１２６の意図された受信者として特定された音声アシスタント１０６にターゲット１３６を伝達する。次いで、音声アシスタント１０６は、ターゲット１３６に対してコマンド１２６を実行し得る。たとえば、ユーザ１０２が「電気を消して」というコマンド１２６を発行した場合、音声アシスタント１０６は、コマンド１２６のターゲット１３６であると決定された特定の照明を消し得る。他の例として、ユーザ１０２が「植物に水をやって」というコマンド１２６を発行した場合、音声アシスタント１０６は、コマンド１２６のターゲット１３６であると決定された植物に水をやる。

【0027】

いくつかの実施形態では、コマンド１２６は、音声アシスタント１０６とは異なる意図された受信者１４４を有する。たとえば、ユーザ１０２は、家族の一員または世話人に対して意図されたコマンド１２６を発行し得る。コマンド・サーバ１１２は、コマンド１２６を分析して、意図された受信者１４４を特定する。たとえば、ユーザ１０２は、コマンド１２６を発行するときに、意図された受信者１４４の名前または役割を言い得る。コマンド・サーバ１１２は、名前または役割を使用して受信者１４４を特定する。次いで、コマンド・サーバ１１２は、コマンド１２６および意図された受信者１４４を記録する。その後、音声アシスタント１０６またはヘッドセット１０４が受信者１４４の存在１４６を検出すると、音声アシスタント１０６またはヘッドセット１０４はコマンド・サーバ１１２に警告し得る。たとえば、音声アシスタント１０６は、受信者１４４の音声を検出することによって、またはセキュリティ・カメラによって撮影された受信者１４４の画像を検出することによって、受信者１４４の存在１４６を検出し得る。次いで、音声アシスタント１０６は、受信者１４４の存在１４６の通知をコマンド・サーバ１１２に伝達する。次いで、コマンド・サーバ１１２は、受信者１４４に対して意図されたコマンド１２６を取り出し、コマンド１２６を音声アシスタント１０６またはヘッドセット１０４に伝達する。次いで、音声アシスタント１０６およびヘッドセット１０４は、受信者１４４に向けてコマンド１２６を再生する。このようにして、ユーザ１０２およびコマンド・サーバ１１２は、受信者１４４に対するコマンド１２６を提示し、次いで、受信者１４４が存在するときにそれらのコマンド１２６を発行し得る。

【0028】

図２は、図１のシステム１００における例示的な方法２００のフローチャートである。コマンド・サーバ１１２は、方法２００を実行し得る。特定の実施形態では、方法２００を実行することによって、ユーザ１０２がコマンド１２６を発行するときに音声アシスタント１０６を識別しなくても、コマンド・サーバ１１２は音声アシスタント１０６をコマンド１２６の意図された受信者として識別する。

【0029】

ブロック２０２において、コマンド・サーバ１１２は、空間１０１の異なる環境における音声アシスタント１０６を特定する。たとえば、空間１０１が家である場合、音声アシスタント１０６は家の異なる部屋に配置され得る。他の例として、空間１０１が複合オフィスである場合、音声アシスタント１０６は複合オフィスの異なるオフィスに配置され得る。コマンド・サーバ１１２は、ユーザ入力を通じて、これらの音声アシスタント１０６の識別情報（ｉｄｅｎｔｉｔｙ）と、空間１０１内のそれぞれの位置とを特定し得る。たとえば、ユーザ１０２が各音声アシスタント１０６をセットアップまたはインストールしているときに、音声アシスタント１０６を識別し、音声アシスタント１０６の位置を示すためのメッセージをコマンド・サーバ１１２に伝達し得る。コマンド・サーバ１１２は、空間１０１内の音声アシスタント１０６の識別情報および位置を追跡する。

【0030】

次いで、コマンド・サーバ１１２は、ブロック２０４においてユーザのヘッドセット１０４からコマンド１２６を受信する。ユーザ１０２はコマンド１２６を発話していた場合がある。ヘッドセット１０４は、ユーザ１０２がコマンド１２６を発話したことを検出していた場合がある。次いで、ヘッドセット１０４は、コマンド１２６をコマンド・サーバ１１２に伝達する。ユーザ１０２は、ユーザ１０２がコマンド１２６を発行することを意図した音声アシスタント１０６を識別していない場合がある。たとえば、ユーザ１０２は、「電気を消して」コマンドまたは「植物に水をやって」というコマンドを発行し得るが、ユーザ１０２がコマンド１２６を実行することを意図した音声アシスタント１０６を識別していない場合がある。

【0031】

ブロック２０６において、コマンド・サーバ１１２は、コマンド１２６の意図された受信者であり得る空間１０１内の音声アシスタント１０６のサブセットを予測する。コマンド・サーバ１１２は、異なる情報を使用して音声アシスタント１０６のサブセットを予測し得る。たとえば、コマンド・サーバ１１２は、コマンド１２６の単語を分析して、コマンド１２６によって要求された特定の機能を識別し得る。次いで、コマンド・サーバ１１２は、要求された機能を実行することが可能な音声アシスタント１０６のサブセットを識別する。他の例として、コマンド・サーバ１１２は、コマンド１２６の単語を分析して、コマンド１２６内で識別された特定のオブジェクトまたはデバイスを特定し得る。次いで、コマンド・サーバ１１２は、それらのオブジェクトもしくはデバイスに関連する、またはそれらの近くに配置された音声アシスタント１０６のサブセットを予測する。さらに他の例として、コマンド・サーバ１１２は、ユーザ１０２がコマンド１２６を発行したときのユーザ１０２の位置（たとえば、ユーザ１０２の位置を表す座標）を特定し得る。次いで、コマンド・サーバ１１２は、ユーザ１０２の位置に最も近い音声アシスタント１０６のサブセットを予測する。

【0032】

ブロック２０８において、コマンド・サーバ１１２は、音声アシスタント１０６のサブセットが設置された環境の画像１２８をユーザ１０２のヘッドセット１０４に伝達する。次いで、ヘッドセット１０４は、画像１２８をユーザ１０２に提示する。たとえば、ヘッドセット１０４は、ユーザ１０２の視野に画像１２８をオーバーレイし得る。ブロック２１０において、コマンド・サーバ１１２は、ユーザ１０２が環境の画像１２８を選択したことを検出する。特定の実施形態では、コマンド・サーバ１１２は、ヘッドセット１０４によって検出されたユーザ１０２の目の方向１３０に基づいて、ユーザが画像１２８を選択したと決定する。コマンド・サーバ１１２は、ユーザ１０２の見ている方向１３０を分析して、ユーザ１０２がユーザ１０２に提示されている画像１２８を見ていると決定する。次いで、コマンド・サーバ１１２は、その画像１２８がユーザ１０２の選択している画像であると決定する。いくつかの実施形態では、コマンド・サーバ１１２は、ヘッドセット１０４によって検出された音声１３２に基づいて、ユーザ１０２によって選択された画像１２８を特定する。たとえば、ユーザ１０２は、ヘッドセット１０４上に提示され、示された画像１２８内の環境の名前を言い得る。ヘッドセット１０４は、ユーザ１０２の音声１３２をコマンド・サーバ１１２に伝達する。コマンド・サーバ１１２は、音声１３２を分析して、ユーザ１０２によって言われた環境を特定する。次いで、コマンド・サーバ１１２は、その環境を示す画像１２８を、ユーザ１０２によって選択された画像１２８として識別する。

【0033】

ブロック２１２において、コマンド・サーバ１１２は、選択された画像１２８に示された環境内の音声アシスタント１０６にコマンド１２６を伝達する。次いで、音声アシスタント１０６はコマンド１２６を受信し、コマンド１２６を実行する。このようにして、コマンド・サーバ１１２は、ユーザ１０２がコマンド１２６を発行するときに音声アシスタント１０６を識別しなかったとしても、ユーザ１０２がコマンド１２６を発行することを意図した音声アシスタント１０６を識別する。

【0034】

図３は、図１のシステム１００における例示的な方法３００のフローチャートである。コマンド・サーバ１１２は方法３００を実行する。特定の実施形態では、方法３００を実行することによって、コマンド・サーバ１１２は、ユーザ１０２の音声の方向に基づいてコマンド１２６のターゲット１３６を識別する。

【0035】

ブロック３０２において、コマンド・サーバ１１２は、コマンド１２６の方向を特定する。特定の実施形態では、コマンド・サーバ１１２は、空間１０１内に配置された１つまたは複数のマイクロフォン１０８によって伝達された音量１３４に基づいて、コマンド１２６の方向を特定する。マイクロフォン１０８は、指向性マイクロフォン１０８であり得る。ユーザ１０２がコマンド１２６を発行すると、マイクロフォン１０８はユーザ１０２の音声を特定する。マイクロフォン１０８は、ユーザ１０２の音声の検出された音量１３４をコマンド・サーバ１１２に伝達する。ユーザ１０２に近いマイクロフォン１０８は、ユーザ１０２から遠いマイクロフォン１０８よりも大きい音量１３４を検出し得る。コマンド・サーバ１１２は、検出された音量１３４を分析して、コマンド１２６を発行したときのユーザ１０２の音声の方向性を特定する。

【0036】

ブロック３０４において、コマンド・サーバ１１２は、ユーザ１０２の音声の方向性に基づいてコマンド１２６のターゲット１３６を特定する。たとえば、コマンド・サーバ１１２は、ユーザ１０２が「電気を消して」というコマンドを発行するときに特定の照明に音声を向けていると決定し得る。他の例として、コマンド・サーバ１１２は、ユーザ１０２が「植物に水をやって」というコマンドを発行するときに特定の植物に音声を向けていると決定し得る。ブロック３０６において、コマンド・サーバ１１２は、ユーザ１０２がコマンド１２６を発行することを意図した音声アシスタント１０６にターゲット１３６を伝達する。次いで、音声アシスタント１０６は、ターゲット１３６に対してコマンド１２６を実行する。

【0037】

図４は、図１のシステム１００における例示的な方法４００のフローチャートである。コマンド・サーバ１１２は、方法４００を実行する。特定の実施形態では、方法４００を実行することによって、コマンド・サーバ１１２は、ユーザ１０２の目の方向に基づいてコマンド１２６のターゲット１３６を特定する。

【0038】

ブロック４０２において、コマンド・サーバ１１２は、ユーザ１０２の目の方向を特定する。コマンド・サーバ１１２は、ユーザ１０２によって装着されたヘッドセット１０４からの情報に基づいて目の方向を特定し得る。ヘッドセット１０４は、視線追跡ソフトウェアおよびハードウェアを使用して、ユーザ１０２の目の動きを追跡し得る。次いで、ヘッドセット１０４は、ユーザ１０２の目の方向１３８をコマンド・サーバ１１２に伝達する。

【0039】

ブロック４０４において、コマンド・サーバ１１２は、ユーザ１０２の目の方向１３８に基づいてコマンド１２６のターゲット１３６を特定する。たとえば、コマンド・サーバ１１２は、ユーザ１０２の目の方向１３８に基づいて、ユーザ１０２がコマンド１２６を発行するときに特定のオブジェクトを見ていると決定し得る。次いで、コマンド・サーバ１１２は、そのオブジェクトがコマンド１２６のターゲット１３６であると決定する。一例として、コマンド・サーバ１１２は、ユーザ１０２が「電気を消して」というコマンドを発行したときに特定の照明を見ていたと決定し得る。他の例として、コマンド・サーバ１１２は、ユーザ１０２が「植物に水をやって」というコマンドを発行したときに特定の植物を見ていたと決定し得る。いくつかの実施形態では、コマンド・サーバ１１２は、ターゲット１３６を特定するために、ユーザ１０２の目の方向１３８と組み合わせて他の情報を使用し得る。たとえば、コマンド・サーバ１１２は、ユーザ１０２の目の方向１３８と、ユーザ１０２の地理的位置を表す座標とに基づいて、ターゲット１３６を特定し得る。

【0040】

ブロック４０６において、コマンド・サーバ１１２は、ユーザ１０２がコマンド１２６を発行することを意図した音声アシスタント１０６にターゲット１３６を伝達する。次いで、音声アシスタント１０６は、ターゲット１３６に対してコマンド１２６を実行する。

【0041】

図５は、図１のシステム１００における例示的な方法５００のフローチャートである。コマンド・サーバ１１２は、方法５００を実行する。特定の実施形態では、方法５００を実行することによって、コマンド・サーバ１１２は、コマンド１２６のターゲット１３６を特定する。

【0042】

ブロック５０２において、コマンド・サーバ１１２は、画像１４０をユーザ１０２のヘッドセット１０４に伝達する。画像１４０は、ユーザ１０２によって発行されたコマンド１２６に基づいて生成され得る。たとえば、ユーザ１０２が「電気を消して」というコマンドを発行した場合、画像１４０は照明スイッチの画像であり得る。他の例として、ユーザ１０２が「植物に水をやって」というコマンド１２６を発行した場合、画像１４０はじょうろの画像であり得る。ヘッドセット１０４は、画像１４０をユーザ１０２に提示する。たとえば、ヘッドセット１０４は、ユーザ１０２の視野に画像１４０をオーバーレイし得る。

【0043】

ブロック５０４において、コマンド・サーバ１１２は、画像１４０とのインタラクション１４２を特定する。ユーザ１０２は、画像１４０を使用してインタラクション１４２を実行していた場合がある。たとえば、画像１４０が照明スイッチのものである場合、ユーザ１０２は、照明スイッチを特定の照明上に配置するために特定の方向を見ているときに、指を使用して照明スイッチを反転させていた場合がある。他の例として、ユーザ１０２は、じょうろの画像１４０を特定の植物上に配置するために特定の方向を見ていた場合がある。ヘッドセット１０４は、これらのインタラクション１４２を検出し、これらのインタラクション１４２をコマンド・サーバ１１２に伝達する。

【0044】

ブロック５０６において、コマンド・サーバ１１２は、インタラクション１４２に基づいてコマンド１２６のターゲット１３６を特定する。ユーザ１０２が画像１４０を特定のオブジェクト上に配置するために特定の方向を見た場合、コマンド・サーバ１１２は、そのオブジェクトがコマンド１２６のターゲット１３６であると決定し得る。たとえば、ユーザ１０２が、照明スイッチの画像１４０を特定の照明上に配置するか、またはじょうろの画像１４０を特定の植物上に配置するために特定の方向に見た場合、コマンド・サーバ１１２は、その照明またはその植物がコマンド１２６のターゲット１３６であると決定し得る。

【0045】

ブロック５０８において、コマンド・サーバ１１２は、ユーザ１０２がコマンド１２６を発行することを意図した音声アシスタント１０６にターゲット１３６を伝達する。次いで、音声アシスタント１０６は、ターゲット１３６に対してコマンド１２６を実行する。

【0046】

図６は、図１のシステム１００における例示的な方法６００のフローチャートである。コマンド・サーバ１１２は、方法６００を実行する。特定の実施形態では、方法６００を実行することによって、コマンド・サーバ１１２は、意図された受信者１４４の検出された存在１４６に基づいてコマンド１２６を記憶および提示する。

【0047】

ブロック６０２において、コマンド・サーバ１１２は、コマンド１２６の意図された受信者１４４を特定する。たとえば、コマンド１２６は、意図された受信者１４４を識別し得る。コマンド・サーバ１１２は、コマンド１２６の単語を分析して、意図された受信者１４４を識別する。意図された受信者１４４は、空間１０１内の音声アシスタント１０６とは異なる。たとえば、受信者１４４は、家族の一員または世話人であり得る。コマンド・サーバ１１２は、コマンド１２６および意図された受信者１４４を後のために記憶する。

【0048】

ブロック６０４において、コマンド・サーバ１１２は、意図された受信者１４４の存在１４６を決定する。たとえば、音声アシスタント１０６は、意図された受信者１４４の音声を検出し得る。他の例として、ヘッドセット１０４は、意図された受信者１４４を見るカメラを含み得る。次いで、音声アシスタント１０６またはヘッドセット１０４は、意図された受信者１４４の存在１４６をコマンド・サーバ１１２に伝達する。次いで、コマンド・サーバ１１２は、意図された受信者１４４の存在１４６を検出する。

【0049】

ブロック６０６において、コマンド・サーバ１１２は、受信者１４４の存在１４６を検出したことに応答して、コマンド１２６を受信者１４４に伝達する。たとえば、コマンド・サーバ１１２は、受信者１４４に最も近い音声アシスタント１０６にコマンド１２６を伝達し得る。次いで、音声アシスタント１０６は、受信者１４４にコマンド１２６を発話して、受信者１４４がコマンド１２６を実行すべきであることを受信者１４４に知らせる。このようにして、ユーザ１０２は、受信者１４４が後で現れたときの、意図された受信者１４４に対するコマンド１２６を記憶することができる。たとえば、ユーザ１０２は、「ペット用ボウルを補充して」または「ゴミを出して」というコマンド１２６を記憶することができる。意図された受信者１４４がユーザ１０２の家に到着すると、音声アシスタント１０６はコマンド１２６を発話して、受信者にコマンド１２６を実行することを思い出させる。

【0050】

図７は、図１のシステム１００における例示的な方法７００のフローチャートである。ヘッドセット１０４は、方法７００を実行する。特定の実施形態では、方法７００を実行することによって、ヘッドセット１０４は、ユーザ１０２がコマンド１２６を発行するときに音声アシスタント１０６を識別しなくても、音声アシスタント１０６によってコマンド１２６が実行されることを可能にする。

【0051】

ブロック７０２において、ヘッドセット１０４は、ユーザ１０２によって発話された音声コマンド１２６を受け取る。ヘッドセット１０４は、ユーザ１０２の音声を検出するマイクロフォンを含み得る。ユーザ１０２が音声コマンド１２６を発話すると、ヘッドセット１０４は、ユーザ１０２が音声コマンド１２６を発話したことを検出する。ユーザ１０２は、コマンド１２６を発行するときに音声アシスタント１０６を識別していない場合がある。

【0052】

ブロック７０４において、ヘッドセット１０４は、音声コマンド１２６をコマンド・サーバ１１２に伝達する。次いで、コマンド・サーバ１１２は、コマンド１２６を分析して、ユーザ１０２がコマンド１２６を発行することを意図していた可能性がある音声アシスタント１０６のサブセットを予測する。次いで、コマンド・サーバ１１２は、予測された音声アシスタント１０６が設置された環境の画像１２８をヘッドセット１０４に伝達する。ブロック７０６において、ヘッドセット１０４は環境の画像１２８を受信する。ブロック７０８において、ヘッドセット１０４は、画像１２８をユーザ１０２に提示する。たとえば、ヘッドセット１０４は、ユーザ１０２の視野に画像１２８をオーバーレイし得る。

【0053】

ブロック７１０において、ヘッドセット１０４は、ユーザ１０２が画像１２８を選択したことを検出する。たとえば、ヘッドセット１０４は、視線追跡ソフトウェアまたはハードウェアを使用して、ユーザ１０２がヘッドセット１０４上でユーザ１０２に提示されている特定の画像１２８を見ていると決定し得る。他の例として、ヘッドセット１０４は、ユーザ１０２が画像１２８のうちの１つに示された環境の名前を言っていることを検出するマイクロフォンを含み得る。ブロック７１２において、ヘッドセット１０４は、ユーザ１０２が画像１２８を選択したことをコマンド・サーバ１１２に示す。たとえば、ヘッドセット１０４は、ユーザ１０２の目の方向１３０をコマンド・サーバ１１２に伝達し得る。コマンド・サーバ１１２は、方向１３０に基づいて、ユーザ１０２が選択した画像を特定する。他の例として、ヘッドセット１０４は、ユーザ１０２の音声１３２をコマンド・サーバ１１２に伝達し得る。コマンド・サーバ１１２は、音声１３２に基づいて、ユーザ１０２が選択した画像を特定する。

【0054】

本開示は、ユーザ１０２が音声支援システムを音声で識別（たとえば、「Ｈｅｙ，Ｘ」と言い、ここでＸは音声支援システムの名前である）しなくても、ユーザ１０２が音声コマンド１２６を発行している音声支援システムを特定することができるシステム１００について説明する。システム１００は、ユーザ１０２が音声コマンド１２６を向けている可能性がある音声支援システムのサブセットを予測することができる。次いで、システム１００は、ユーザ１０２のヘッドセット１０４（たとえば、拡張現実メガネ、拡張現実ヘッドセット、または仮想現実ヘッドセット）に、予測された音声支援システムが設置された異なる環境の画像１２８を提示する。次いで、ユーザ１０２は、これらの画像１２８のうちの１つを選択し得（たとえば、画像１２８を見ることによって、または画像１２８によって表された場所の名前を言うことによって）、システム１００は、選択された場所の音声支援システムに音声コマンド１２６を伝達する。次いで、音声支援システムは、音声コマンド１２６を実行する。このようにして、システム１００は、ユーザ１０２が音声支援システムを音声で識別することなく、所望の音声支援システムに音声コマンド１２６を発行することを可能にする。

【0055】

本発明の様々な実施形態の説明は、例示の目的で提示しているが、網羅的であることも、開示した実施形態に限定されることも意図したものではない。記載した実施形態の範囲から逸脱することなく、多くの修正および変形が当業者には明らかであろう。本明細書で使用する用語は、実施形態の原理、実際の適用、もしくは市場に見られる技術に対する技術的改善を最もよく説明するために、または当業者が本明細書に開示した実施形態を理解できるようにするために選択した。

【0056】

上記では、本開示で提示する実施形態を参照する。しかしながら、本開示の範囲は、記載した特定の実施形態に限定されない。そうではなく、企図した実施形態を実装および実践するために、異なる実施形態に関係するものであるか否かに関係なく、特徴および要素の任意の組み合わせが考えられる。さらに、本明細書に開示した実施形態は、他の可能な解決策または従来技術に勝る利点を実現し得るが、所与の実施形態によって特定の利点が実現されるか否かは、本開示の範囲を限定するものではない。したがって、本明細書で論じた態様、特徴、実施形態、および利点は、例示的なものにすぎず、請求項（複数可）に明示的に記載している場合を除き、添付の特許請求の範囲の要素または限定とは見なされない。同様に、「本発明」への言及は、本明細書に開示した発明の主題の一般化として解釈されるべきではなく、請求項（複数可）に明示的に記載している場合を除き、添付の特許請求の範囲の要素または限定と見なされるべきではない。

【0057】

本発明の態様は、完全にハードウェアの実施形態、完全にソフトウェアの実施形態（ファームウェア、常駐ソフトウェア、マイクロコードなどを含む）、またはソフトウェアおよびハードウェアの態様を組み合わせた実施形態の形態をとり得、これらは全て本明細書では一般に、「回路」、「モジュール」または「システム」と呼び得る。

【0058】

本発明は、任意の可能な技術的詳細レベルの統合におけるシステム、方法、もしくはコンピュータ・プログラム製品、またはそれらの組み合わせであり得る。コンピュータ・プログラム製品は、本発明の態様をプロセッサに実行させるためのコンピュータ可読プログラム命令をその上に有するコンピュータ可読記憶媒体（または複数の媒体）を含み得る。

【0059】

コンピュータ可読記憶媒体は、命令実行デバイスによる使用のために命令を保持および記憶可能な有形のデバイスとすることができる。コンピュータ可読記憶媒体は、たとえば、限定はしないが、電子ストレージ・デバイス、磁気ストレージ・デバイス、光学ストレージ・デバイス、電磁ストレージ・デバイス、半導体ストレージ・デバイス、またはこれらの任意の適切な組み合わせであり得る。コンピュータ可読記憶媒体のより具体的な例の非網羅的なリストには、ポータブル・コンピュータ・ディスケット、ハード・ディスク、ランダム・アクセス・メモリ（ＲＡＭ）、リード・オンリ・メモリ（ＲＯＭ）、消去可能プログラム可能リード・オンリ・メモリ（ＥＰＲＯＭまたはフラッシュ・メモリ）、スタティック・ランダム・アクセス・メモリ（ＳＲＡＭ）、ポータブル・コンパクト・ディスク・リード・オンリ・メモリ（ＣＤ－ＲＯＭ）、デジタル・バーサタイル・ディスク（ＤＶＤ）、メモリー・スティック（登録商標）、フレキシブル・ディスク、命令が記録されたパンチ・カードまたは溝の隆起構造などの機械的にコード化されたデバイス、およびこれらの任意の適切な組み合わせが含まれる。コンピュータ可読記憶媒体は、本明細書で使用する場合、たとえば、電波または他の自由に伝搬する電磁波、導波管もしくは他の伝送媒体を伝搬する電磁波（たとえば、光ファイバ・ケーブルを通過する光パルス）、または有線で伝送される電気信号などの一過性の信号自体であると解釈されるべきではない。

【0060】

本明細書に記載のコンピュータ可読プログラム命令は、コンピュータ可読記憶媒体からそれぞれのコンピューティング／処理デバイスに、または、たとえば、インターネット、ローカル・エリア・ネットワーク、ワイド・エリア・ネットワーク、もしくは無線ネットワーク、またはそれらの組み合わせなどのネットワークを介して外部コンピュータまたは外部ストレージ・デバイスにダウンロードすることができる。ネットワークは、銅線伝送ケーブル、光伝送ファイバ、無線伝送、ルータ、ファイアウォール、スイッチ、ゲートウェイ・コンピュータ、もしくはエッジ・サーバ、またはそれらの組み合わせを含み得る。各コンピューティング／処理デバイスのネットワーク・アダプタ・カードまたはネットワーク・インターフェースは、ネットワークからコンピュータ可読プログラム命令を受信し、コンピュータ可読プログラム命令を転送して、それぞれのコンピューティング／処理デバイス内のコンピュータ可読記憶媒体に記憶する。

【0061】

本発明の動作を実行するためのコンピュータ可読プログラム命令は、アセンブラ命令、命令セット・アーキテクチャ（ＩＳＡ）命令、機械命令、機械依存命令、マイクロコード、ファームウェア命令、状態設定データ、集積回路の構成データ、または、Ｓｍａｌｌｔａｌｋ（登録商標）、Ｃ＋＋などのオブジェクト指向プログラミング言語、および「Ｃ」プログラミング言語または類似のプログラミング言語などの手続き型プログラミング言語を含む、１つまたは複数のプログラミング言語の任意の組み合わせで書かれたソース・コードまたはオブジェクト・コードであり得る。コンピュータ可読プログラム命令は、完全にユーザのコンピュータ上で、部分的にユーザのコンピュータ上で、スタンドアロン・ソフトウェア・パッケージとして、部分的にユーザのコンピュータ上かつ部分的にリモート・コンピュータ上で、または完全にリモート・コンピュータまたはサーバ上で実行され得る。最後のシナリオでは、リモート・コンピュータは、ローカル・エリア・ネットワーク（ＬＡＮ）またはワイド・エリア・ネットワーク（ＷＡＮ）を含む任意のタイプのネットワークを介してユーザのコンピュータに接続され得、または（たとえば、インターネット・サービス・プロバイダを使用してインターネットを介して）外部コンピュータへの接続がなされ得る。いくつかの実施形態では、たとえば、プログラマブル・ロジック回路、フィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ）、またはプログラマブル・ロジック・アレイ（ＰＬＡ）を含む電子回路は、本発明の態様を実行するために、コンピュータ可読プログラム命令の状態情報を利用してコンピュータ可読プログラム命令を実行することによって、電子回路を個人向けにし得る。

【0062】

本発明の態様は、本発明の実施形態による方法、装置（システム）、およびコンピュータ・プログラム製品のフローチャート図もしくはブロック図またはその両方を参照して本明細書で説明している。フローチャート図もしくはブロック図またはその両方の各ブロック、およびフローチャート図もしくはブロック図またはその両方におけるブロックの組み合わせが、コンピュータ可読プログラム命令によって実装できることは理解されよう。

【0063】

これらのコンピュータ可読プログラム命令を、コンピュータまたは他のプログラム可能データ処理装置のプロセッサに提供して、それらの命令がコンピュータまたは他のプログラム可能データ処理装置のプロセッサを介して実行された場合に、フローチャートもしくはブロック図またはその両方の１つまたは複数のブロックにおいて指定された機能／行為を実装するための手段が生成されるようなマシンを生成し得る。また、これらのコンピュータ可読プログラム命令を、コンピュータ、プログラム可能データ処理装置、もしくは他のデバイス、またはそれらの組み合わせに特定の方法で機能するように指示することが可能なコンピュータ可読記憶媒体に記憶して、命令が記憶されたコンピュータ可読記憶媒体が、フローチャートもしくはブロック図またはその両方の１つまたは複数のブロックにおいて指定された機能／行為の態様を実装する命令を含む製造品を構成するようにし得る。

【0064】

また、コンピュータ可読プログラム命令をコンピュータ、他のプログラム可能データ処理装置、または他のデバイスにロードして、コンピュータ、他のプログラム可能装置、または他のデバイス上で一連の動作ステップを実行させることによって、それらの命令がコンピュータ、他のプログラム可能装置、または他のデバイス上で実行された場合に、フローチャートもしくはブロック図またはその両方の１つまたは複数のブロックにおいて指定された機能／行為が実装されるようなコンピュータ実装処理を生成し得る。

【0065】

図中のフローチャートおよびブロック図は、本発明の様々な実施形態によるシステム、方法、およびコンピュータ・プログラム製品の可能な実装のアーキテクチャ、機能、および動作を示している。これに関して、フローチャートまたはブロック図の各ブロックは、指定された論理的機能（複数可）を実装するための１つまたは複数の実行可能命令を含むモジュール、セグメント、または命令の一部を表し得る。いくつかの代替的な実装では、ブロックに記載した機能は、図示した順序以外で行われ得る。たとえば、関与する機能に応じて、連続して示した２つのブロックは、実際には、１つのステップとして実現され得、同時に、実質的に同時に、部分的にまたは完全に時間的に重なるように実行され得、またはそれらのブロックは、場合により逆の順序で実行され得る。ブロック図もしくはフローチャート図またはその両方の各ブロック、およびブロック図もしくはフローチャート図またはその両方におけるブロックの組み合わせは、指定された機能もしくは行為を実行するか、または専用ハードウェアおよびコンピュータ命令の組み合わせを実行する専用のハードウェア・ベースのシステムによって実装できることにも気付くであろう。

【0066】

本発明の実施形態は、クラウド・コンピューティング・インフラストラクチャを介してエンド・ユーザに提供され得る。クラウド・コンピューティングとは、一般に、ネットワークを介したサービスとしてのスケーラブルなコンピューティング・リソースのプロビジョニングを指す。より正式には、クラウド・コンピューティングは、コンピューティング・リソースと、その基盤となる技術アーキテクチャ（たとえば、サーバ、ストレージ、ネットワーク）との間の抽象化を実現して、最小限の管理労力またはサービス・プロバイダとのやりとりによって迅速にプロビジョニングおよび解放することができる設定可能なコンピューティング・リソースの共有プールへの便利なオンデマンドのネットワーク・アクセスを可能にするコンピューティング機能として定義され得る。したがって、クラウド・コンピューティングにより、コンピューティング・リソースを提供するために使用される基盤となる物理システム（またはそれらのシステムの場所）に関係なく、ユーザは、「クラウド」内の仮想コンピューティング・リソース（たとえば、ストレージ、データ、アプリケーション、さらには完全な仮想化コンピューティング・システム）にアクセスすることが可能になる。

【0067】

典型的には、クラウド・コンピューティング・リソースは、従量課金方式でユーザに提供され、ユーザは、実際に使用したコンピューティング・リソース（たとえば、ユーザが消費したストレージ・スペースの量、またはユーザがインスタンス化した仮想化システムの数）の分だけ課金される。ユーザは、いつでも、インターネット上のどこからでも、クラウドに存在する任意のリソースにアクセスすることができる。本発明の状況では、ユーザは、クラウドで利用可能なアプリケーション（たとえば、コマンド・サーバ１１２）または関係するデータにアクセスし得る。たとえば、コマンド・サーバ１１２は、コマンド１２６に関する音声アシスタント１０６を特定するために、クラウド内のコンピューティング・システム上で実行することができる。そうすることにより、ユーザは、（インターネットなどの）クラウドに接続されたネットワークにつながれた任意のコンピューティング・システムからこの情報にアクセスすることが可能になる。

【0068】

上記は本発明の実施形態を対象とするものであるが、本発明の他の実施形態およびさらなる実施形態は、その基本的な範囲から逸脱することなく考案され得、その範囲は以下の特許請求の範囲によって決まる。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【国際調査報告】