情報処理学会 第80回全国大会講演要旨

人物の様子を理解し、自発的に発話するロボットは今までになく、それが人間の行動に近い動作であると考えた。
その実証を行うため、ロボット正面にいる人物の様子を捉えたカメラ画像から、その状況を把握し適切な発話を行う機能を開発した。
具体的には、カメラ入力画像に対するキャプション生成を行い、キャプション出力に対して、キャプション-発話コーパスから最も類似した事例を選択し、実際の生成されたキャプションと事例中のキャプション間での語の類似対応に応じて発話事例中の語を生成キャプション中の対応する語に置き換えて発話を行う。
本論文では、音声対話システムのみ搭載したロボットと、自発的に発話するロボットとで印象評価の比較実験を行った結果について報告する。