Virtual Assistant

バーチャルアシスタントとは、音声またはテキストによるリクエストを理解して実行するソフトウェアです。質問への回答、タイマーやリマインダーの設定、メッセージの送信、メディアの再生、スマートホーム機器の操作、アプリ内のタスクの完了などを行います。デジタルアシスタントとAIアシスタントは同義語で、音声アシスタントはユーザーが話しかけるタイプを指します。Siriはこの考え方を広く普及させました。Siriは、DARPAの資金提供を受けたSRI InternationalのCALO研究プロジェクトから生まれたスピンオフとして始まり、Appleが2010年にそのスタートアップを買収し、2011年10月にiPhone 4Sの機能として提供しました。AmazonのAlexaは2014年11月にEchoスピーカーとともに登場し、Google Assistantは2016年に登場しました。スマートホームスピーカーによって、照明、サーモスタット、ドアロックを音声で操作することが一般的になりました。ビジネスでは、同じ言葉が管理業務を担うリモートの人間の作業者を指すこともあります。

バーチャルアシスタントの仕組み#

従来型の音声アシスタントは、固定されたパイプラインを実行します。デバイス上の小さなモデルがウェイクワードを検出し、「Hey Siri」や「Alexa」と呼びかけられた後にのみ音声がデバイスから送信されます。音声認識がリクエストを書き起こし、自然言語理解（NLU）がスロットを含むインテントに変換します。「明日の7時に起こして」は、時刻スロットを持つアラーム設定インテントとなり、固有表現認識（NER）とよく似た方法で情報が抽出されます。ダイアログマネージャーが不足情報を確認し、リクエストはアプリまたはデバイスのAPIで実行され、音声合成が結果を読み上げます。

意図ベースのアシスタントは、開発者が想定したリクエストしか処理できないため、未知のリクエストにはウェブ検索や謝罪で応答します。大規模言語モデル (LLM)を基盤とするアシスタントは自由形式のリクエストを解釈し、関数呼び出しを通じて同じデバイスやアプリのAPIを利用するため、1つの文から複数のアクションを順番に実行できます。Amazonは2025年2月にLLMベースのAlexa+を発表し、Googleは2025年3月に、ほとんどのモバイルデバイスでGoogle AssistantをGeminiに置き換えると発表しました。2024年5月にリリースされたGPT-4oなどの音声間モデルは、文字起こしと音声合成を別々に行う手順を省略します。そのため、応答のレイテンシが短縮され、アシスタントは声のトーンを聞き取り、表現できます。マルチモーダルアシスタントはカメラ入力にも対応し、視覚言語モデル (VLM)を使って、スマートフォンやスマートグラスに何が映っているかについての質問に答えます。

アシスタントは個人データを聞き取り、操作にも利用するため、各処理をどこで実行するかはデータプライバシーによって決まります。ウェイクワード検出はローカルで実行され、エッジAIによってパイプラインのより多くの部分がデバイス上で処理されるようになりました。2021年のiOS 15以降、A12 Bionic以降のチップを搭載したiPhoneでは、多くのSiriリクエストの音声がデフォルトでデバイス上にて処理されます。

ソフトウェアに組み込まれたアシスタント#

リクエスト、アクション、応答という同じパターンは、製品内でも機能します。この場合、アシスタントのツールはその製品の機能です。Ultralytics PlatformのAsk AIは、「このデータセットでYOLO26nをトレーニングして、実行名をxview-baselineにしてください」や「このプロジェクトで検証mAPが最も高い完成済みモデルをデプロイしてください」といったリクエストを受け付け、ユーザー自身のPlatform APIキーを使って実行します。データセットの検索や複製、画像の自動アノテーション、YOLO26のトレーニング実行の開始と比較、モデルのエクスポートやデプロイを行います。

バーチャルアシスタントと関連用語#

• チャットボット：テキストまたは音声で会話するプログラムです。多くの場合、1つのウェブサイトやアプリに限定され、質問への回答に重点を置きます。バーチャルアシスタントは複数のアプリやデバイスをまたいで動作し、完了したタスクで評価されます。
• AIエージェント：アクションを選択して実行することで目標を追求するシステムです。バーチャルアシスタントは、通常は一度に1つのリクエストを処理する、日常的なリクエスト向けのエージェントです。一方、エージェント型ワークフローは、長時間にわたる複数ステップのタスクを人の介入なしに実行できます。
• スマートスピーカー：Amazon EchoやGoogle Nestスピーカーなど、部屋の中でウェイクワードを拾えるよう調整された遠距離マイクを備え、音声アシスタントを搭載するハードウェアです。