近年，音声認識・合成システムの高精度化・高機能化に伴い，音声ユーザインタフェースを用いた製品が身近になってきている．しかし，複数人を対象として人間同士のような自然な対話を実現する音声対話システムは未だ登場していない．複数人を相手に対話する場合，誰が誰に話しているかを正しく判断するためには画像（視覚）情報や音源方向の情報が必要となることから，本研究では，簡易的な音声対話の開発ツールキットMMDAgentと，人物検出や顔検出，音源方向検出が可能なMicrosoft社のKinectとを連携させたマルチモーダル対話システムを開発した．