JP2002033832A - サービス提供システム、ボイスゲートウェイ、コンテンツサーバおよびサービス提供方法 - Google Patents

Abstract

(57)【要約】 【課題】 ネットワークを介したサービスの提供におい
て、ユーザが音声でサービス側とやりとりをできるよう
にする。 【解決手段】 ユーザ端末１１０は、音声の入出力を行
う。ボイスゲートウェイ１３０は、ユーザ端末１１０か
ら送信されてきた音声について音声認識を行い、該音声
認識の結果に対応する信号をコンテンツサーバ１５０に
送信する。また、コンテンツサーバ１５０から送信され
てきた音声コンテンツについて音声合成を行い、該音声
合成の結果をユーザ端末１１０に送信する。コンテンツ
サーバ１５０は音声コンテンツを有し、ボイスゲートウ
ェイ１３０から送信されてきた音声認識の結果に対応す
る信号に応答して、対応する音声コンテンツをボイスゲ
ートウェイ１３０に送信する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、ネットワーク上で
サービスを提供するサービス提供システムおよび方法等
に関する。

【０００２】

【従来の技術】従来、インターネット等のネットワーク
を介してサービスの提供（コンテンツの提供等）が行わ
れていた。

【０００３】

【発明が解決しようとする課題】ネットワークを介した
サービスの提供において、ユーザが音声でサービス側と
やりとりをできれば便利である。例えば、ユーザが音声
でサービス側とやりとりをして、音楽コンテンツを購入
できれば便利である。多くの携帯電話（移動機）が普及
している現在では、そのような音声によるやりとりへの
要望も強いと考えられる。

【０００４】そこで、本発明の目的は、ネットワークを
介したサービスの提供において、ユーザが音声でサービ
ス側とやりとりをできるようにすることである。

【０００５】

【課題を解決するための手段】上記目的を達成するため
に、請求項１に記載の発明は、ネットワーク上でサービ
スを提供するサービス提供システムであって、音声の入
出力を行うユーザ端末と、音声コンテンツを有するコン
テンツサーバと、前記ユーザ端末から送信されてきた音
声について音声認識を行い、該音声認識の結果に対応す
る信号を前記コンテンツサーバに送信し、前記コンテン
ツサーバから送信されてきた音声コンテンツについて音
声合成を行い、該音声合成の結果を前記ユーザ端末に送
信するボイスゲートウェイとを備え、前記コンテンツサ
ーバは、前記ボイスゲートウェイから送信されてきた音
声認識の結果に対応する信号に応答して、対応する音声
コンテンツを前記ボイスゲートウェイに送信することを
特徴とする。

【０００６】請求項２に記載の発明は、請求項１に記載
のサービス提供システムであって、前記ボイスゲートウ
ェイと前記コンテンツサーバとの間で送受信されるコン
テンツの変換を行うコンテンツ変換装置をさらに備えた
ことを特徴とする。

【０００７】請求項３に記載の発明は、請求項１または
２に記載のサービス提供システムであって、前記コンテ
ンツサーバは情報コンテンツを有し、前記サービス提供
システムは、前記ボイスゲートウェイからの指示に従
い、前記ユーザ端末に対して、前記コンテンツサーバか
ら特定の情報コンテンツを受信するように指示するプッ
シュサーバをさらに備えたことを特徴とする。

【０００８】請求項４に記載の発明は、請求項１または
２に記載のサービス提供システムであって、前記コンテ
ンツサーバは情報コンテンツを有し、前記サービス提供
システムは、前記ボイスゲートウェイからの指示に従
い、前記コンテンツサーバから特定の情報コンテンツを
受信し、該情報コンテンツを前記ユーザ端末に送信する
プッシュサーバをさらに備えたことを特徴とする。

【０００９】請求項５に記載の発明は、請求項３または
４に記載のサービス提供システムであって、前記情報コ
ンテンツは音楽コンテンツであることを特徴とする。

【００１０】請求項６に記載の発明は、請求項１ないし
５のいずれかに記載のサービス提供システムであって、
ユーザの認証を行うユーザ認証サーバと、ユーザに対す
る課金を管理する課金サーバとをさらに備え、前記ボイ
スゲートウェイは、前記ユーザ端末が特定の音声コンテ
ンツまたは情報コンテンツを受信する前に、該受信を認
めるか否かを判断するために前記ユーザ認証サーバを用
いて当該ユーザの認証を行い、前記ユーザ端末が当該音
声コンテンツまたは情報コンテンツを受信した後に前記
課金サーバに対して当該ユーザに対する課金を指示する
ことを特徴とする。

【００１１】請求項７に記載の発明は、請求項１ないし
６のいずれかに記載のサービス提供システムであって、
前記コンテンツサーバは、複数のサービス記述言語によ
るプログラムを有することを特徴とする。

【００１２】請求項８に記載の発明は、請求項１ないし
７のいずれかに記載のサービス提供システムであって、
前記ユーザ端末は移動機であることを特徴とする。

【００１３】請求項９に記載の発明は、ネットワーク上
でサービスを提供するサービス提供システムであって、
音声の入出力を行うユーザ端末と、音声コンテンツを有
するコンテンツサーバとを備え、前記ユーザ端末は、入
力された音声について音声認識を行い、該音声認識の結
果に対応する信号を前記コンテンツサーバに送信し、前
記コンテンツサーバから送信されてきた音声コンテンツ
について音声合成を行い、該音声合成の結果を出力し、
前記コンテンツサーバは、前記ユーザ端末から送信され
てきた音声認識の結果に対応する信号に応答して、対応
する音声コンテンツを前記ユーザ端末に送信することを
特徴とする。

【００１４】請求項１０に記載の発明は、請求項９に記
載のサービス提供システムであって、前記ユーザ端末
は、前記音声認識および前記音声合成を、それぞれ音声
認識を行う音声認識サーバおよび音声合成を行う音声合
成サーバと通信を行うことにより行うことを特徴とす
る。

【００１５】請求項１１に記載の発明は、請求項９また
は１０に記載のサービス提供システムであって、前記ユ
ーザ端末と前記コンテンツサーバとの間で送受信される
コンテンツの変換を行うコンテンツ変換装置をさらに備
えたことを特徴とする。

【００１６】請求項１２に記載の発明は、請求項９ない
し１１のいずれかに記載のサービス提供システムであっ
て、前記コンテンツサーバは情報コンテンツを有し、前
記ユーザ端末からの要求に応じて特定の情報コンテンツ
を前記ユーザ端末に送信することを特徴とする。

【００１７】請求項１３に記載の発明は、請求項１２に
記載のサービス提供システムであって、前記情報コンテ
ンツは音楽コンテンツであることを特徴とする。

【００１８】請求項１４に記載の発明は、請求項９ない
し１３のいずれかに記載のサービス提供システムであっ
て、前記コンテンツサーバは、複数のサービス記述言語
によるプログラムを有することを特徴とする。

【００１９】請求項１５に記載の発明は、請求項９ない
し１４のいずれかに記載のサービス提供システムであっ
て、前記ユーザ端末は移動機であることを特徴とする。

【００２０】請求項１６に記載の発明は、ボイスゲート
ウェイであって、音声を受信する音声受信手段と、前記
音声受信手段により受信した音声について音声認識を行
う音声認識手段と、前記音声認識手段により行った音声
認識の結果に対応する信号を送信する対応信号送信手段
と、音声コンテンツを受信する音声コンテンツ受信手段
と、前記音声コンテンツ受信手段により受信した音声コ
ンテンツ音声コンテンツについて音声合成を行う音声合
成手段と、前記音声合成手段により行った音声合成の結
果を送信する音声合成結果送信手段とを備えたことを特
徴とする。

【００２１】請求項１７に記載の発明は、コンテンツサ
ーバであって、音声コンテンツと、音声認識の結果に対
応する信号を受信する対応信号受信手段と、前記対応信
号受信手段により受信した信号に応答して、対応する音
声コンテンツを送信する音声コンテンツ送信手段とを備
えたことを特徴とする。

【００２２】請求項１８に記載の発明は、ネットワーク
上でサービスを提供するサービス提供方法であって、ユ
ーザ端末において、音声の入力を受ける入力ステップ
と、前記入力ステップで入力を受けた音声を、前記ユー
ザ端末からボイスゲートウェイに送信する音声送信ステ
ップと、前記ボイスゲートウェイにおいて、前記音声送
信ステップで送信した音声について音声認識を行う音声
認識ステップと、前記音声認識ステップで行った音声認
識の結果に対応する信号を、前記ボイスゲートウェイか
らコンテンツサーバに送信する対応信号送信ステップ
と、前記対応信号送信ステップで送信した信号に応答し
て、対応する音声コンテンツを、前記コンテンツサーバ
から前記ボイスゲートウェイに送信する音声コンテンツ
送信ステップと、前記ボイスゲートウェイにおいて、前
記音声コンテンツ送信ステップで送信した音声コンテン
ツについて音声合成を行う音声合成ステップと、前記音
声合成ステップで行った音声合成の結果を、前記ボイス
ゲートウェイから前記ユーザ端末に送信する音声合成結
果送信ステップと、前記ユーザ端末において、前記音声
合成結果送信ステップで送信した音声合成の結果を出力
する出力ステップとを備えることを特徴とする。

【００２３】請求項１９に記載の発明は、ネットワーク
上でサービスを提供するサービス提供方法であって、ユ
ーザ端末において、音声の入力を受ける入力ステップ
と、前記ユーザ端末において、前記入力ステップで入力
を受けた音声について音声認識を行う音声認識ステップ
と、前記音声認識ステップで行った音声認識の結果に対
応する信号を、前記ユーザ端末からコンテンツサーバに
送信する対応信号送信ステップと、前記対応信号送信ス
テップで送信した信号に応答して、対応する音声コンテ
ンツを、前記コンテンツサーバから前記ユーザ端末に送
信する音声コンテンツ送信ステップと、前記ユーザ端末
において、前記音声コンテンツ送信ステップで送信した
音声コンテンツについて音声合成を行う音声合成ステッ
プと、前記ユーザ端末において、前記音声合成ステップ
で行った音声合成の結果を出力する出力ステップとを備
えることを特徴とする。

【００２４】以上の構成によれば、ネットワークを介し
たサービスの提供において、ユーザが音声でサービス側
とやりとりをすることができる。

【００２５】

【発明の実施の形態】以下、図面を参照しつつ本発明の
実施形態について詳しく説明する。

【００２６】（第１実施形態）図１は、本発明の第１実
施形態に係るサービス提供システムの構成例を示す図で
ある。図１に示すサービス提供システムは、ユーザ端末
１１０、ボイスゲートウェイ１３０、およびコンテンツ
サーバ１５０を備える。

【００２７】ユーザ端末１１０は、音声の入出力を行
う。本実施形態において、ユーザ端末１１０は移動機で
あるが、固定の電話機を用いることもできる。ユーザ端
末１１０は、例えば、主として音声の送受信を行う従来
の移動機であってもよいし、ＩＭＴ−２０００対応の移
動機であってもよい。また、入力手段として、キーボー
ド、ポインティングデバイス（マウスなど）等を有する
ものとすることもできるし、表示手段としてディスプレ
イ等を有するものとすることもできる。さらに、ブラウ
ザ機能を有するものとすることができる。

【００２８】ボイスゲートウェイ１３０は、ユーザ端末
１１０から送信されてきた音声（信号）について音声認
識を行い、該音声認識の結果に対応する信号をコンテン
ツサーバ１５０に送信する（例えば、音声で指定された
曲に対応するＵＲＬ(UniformResource Locator)を送信
してもよいし、音声認識の結果そのものを送信してもよ
い）。また、コンテンツサーバ１５０から送信されてき
た音声コンテンツについて音声合成を行い、該音声合成
の結果をユーザ端末１１０に送信する。

【００２９】コンテンツサーバ１５０は音声コンテンツ
を有し、ボイスゲートウェイ１３０から送信されてきた
音声認識の結果に対応する信号に応答して、対応する音
声コンテンツをボイスゲートウェイ１３０に送信する。

【００３０】ユーザ端末１１０とボイスゲートウェイ１
３０との間では、ネットワークを介して音声の送受信が
行われる。音声の送受信は回線交換方式により行う。

【００３１】ボイスゲートウェイ１３０とコンテンツサ
ーバ１５０との間では、ネットワーク（インターネッ
ト）を介して（ボイス）サービス記述言語Ｖｏｉｃｅ
ＸＭＬ(Voice eXtensible Markup Language)に対応した
コンテンツの送受信が行われる。コンテンツの送受信は
パケット交換方式により行い、プロトコルとしてはＨＴ
ＴＰ(HyperText Transfer Protocol)を用いる。

【００３２】コンテンツサーバは複数用意することがで
き、各コンテンツサーバは音声認識機能および音声合成
機能を有するボイスゲートウェイ１３０を介して、ユー
ザ端末１１０とやりとりをすることができる。したがっ
て、本システムの構成の方が、各コンテンツサーバに音
声認識機能および音声合成機能を持たせる構成よりも経
済的である。

【００３３】以下、図２〜図９を用いて、ユーザ端末１
１０、ボイスゲートウェイ１３０、およびコンテンツサ
ーバ１５０の間のやりとりの例を説明する。

【００３４】図２は、ユーザ端末１１０とボイスゲート
ウェイ１３０との接続の例を説明するための図である。
ユーザ端末１１０は、ボイスゲートウェイ１３０と回線
交換方式で接続する。

【００３５】図３は、サービス選択の例を説明するため
の図である。ユーザ端末１１０とボイスゲートウェイ１
３０とが接続されると、ボイスゲートウェイ１３０はユ
ーザ端末１１０に、音声「ご利用になるサービス名をご
指定下さい」を送信する（(1)）。これに対してユーザ
端末１１０のユーザが「新譜案内をお願いします」と答
え、その音声がボイスゲートウェイ１３０に送信された
とする（(2)）。新譜案内が１つ（ＢＩＴＭＵＳＩＣの
新譜案内）しかない場合、ボイスゲートウェイ１３０
は、音声「ＢＩＴＭＵＳＩＣの新譜案内ですね」をユー
ザ端末１１０に送信する（(3)）。このようにして、Ｂ
ＩＴＭＵＳＩＣの新譜案内が選択され、その新譜案内に
関するコンテンツサーバに接続される。新譜案内が２つ
以上ある場合には、ユーザにさらに質問して１つを選択
させるようにすることができる。

【００３６】図４は、曲の選択の例を説明するための図
である。コンテンツサーバ１５０は、新譜案内の要求が
あると、ボイスゲートウェイ１３０に音声コンテンツ
（その内容は「歌手か曲の名前をご指定下さい」）を送
信する（(1)）。ボイスゲートウェイ１３０とコンテン
ツサーバ１５０との間のやりとりはパケット交換方式で
行われる。ボイスゲートウェイ１３０は、送られてきた
音声コンテンツについて音声合成を行い、その音声合成
の結果、すなわち音声「歌手か曲の名前をご指定下さ
い」をユーザ端末１１０に送信する（(2)）。これに対
してユーザが「AD」と答え、その音声がボイスゲートウ
ェイ１３０に送信されたとする（(3)）。この音声は、
ボイスゲートウェイ１３０で音声認識され、その音声認
識の結果に対応する信号がコンテンツサーバ１５０に送
信される。コンテンツサーバ１５０は歌手および曲（略
称等を含む）に関する多くのデータを有しており、「A
D」が歌手「Abc Defg」の略称であると判断する。ここ
では、歌手「Abc Defg」について新譜案内の対象となる
曲が「□□□□」のみであるとする。すると、コンテン
ツサーバ１５０は、ボイスゲートウェイ１３０に音声コ
ンテンツ（「Abc Defgの「□□□□」ですね」）を送信
する（(4)）。ボイスゲートウェイ１３０は、送られて
きた音声コンテンツについて音声合成を行い、その結果
をユーザ端末１１０に送信する（(5)）。これに対し
て、ユーザが「はい」と答えると、その音声がボイスゲ
ートウェイ１３０に送られ、そこで音声認識されて、そ
の結果に対応する信号がコンテンツサーバ１５０に送信
される（(6)）。このようにして曲が選択される。

【００３７】図５も、曲の選択の例を説明するための図
である。図４の(3)のプロセスにおいて、ユーザが「○
○○」と答えたとする（図５の(3)）。ここで、コンテ
ンツサーバ１５０に歌手「○○○」について新譜案内の
対象となる曲が２曲（「□□□」および「△△△」）あ
ったとする。すると、コンテンツサーバ１５０は、ボイ
スゲートウェイ１３０に音声コンテンツ（「１．「□□
□」と２．「△△△」の２曲があります。どちらです
か。」）を送信する（(4)）。ボイスゲートウェイ１３
０は、送られてきた音声コンテンツについて音声合成を
行い、その結果をユーザ端末１１０に送信する
（(5)）。これに対して、ユーザが「□□□」と答える
と、その音声がボイスゲートウェイ１３０に送られ、そ
こで音声認識されて、その結果に対応する信号がコンテ
ンツサーバ１５０に送信される（(6)）。このようにし
て複数の候補がある場合に１つを選択することができ
る。

【００３８】図６も、曲の選択の例を説明するための図
である。複数の候補がある場合には、図４および図５の
場合のように音声で選択せずに、ユーザ端末１１０のボ
タンで選択するようにしてもよい。例えば、図６に示す
ように、ユーザは、「１．「□□□」と２．「△△△」
の２曲があります。どちらですか。」という質問に対し
て（(2)）、「１」のボタンを押して「□□□」を選択
することができる（(3)）。

【００３９】曲の選択の方法としては、ユーザ端末１１
０とボイスゲートウェイ１３０とをパケット交換で接続
し、ボイスゲートウェイ１３０からユーザ端末１１０に
メニューをプッシュすることも考えられる（図７参
照）。曲の選択以外においても、例えばユーザが「ヘル
プ」と言ったときにメニューを表示するようにすること
ができる。

【００４０】図８は、試聴の例を説明するための図であ
る。曲が選択されると、コンテンツサーバ１５０は、ボ
イスゲートウェイ１３０に音声コンテンツ（「３０秒の
試聴サービスをお聞きになりますか」）を送信する
（(1)）。ボイスゲートウェイ１３０は、送られてきた
音声コンテンツについて音声合成を行い、その結果をユ
ーザ端末１１０に送信する（(2)）。これに対してユー
ザが「はい」と答えたとする（(3)）。その音声はボイ
スゲートウェイ１３０に送信され、そこで音声認識され
て、その結果に対応する信号がコンテンツサーバ１５０
に送信される。コンテンツサーバ１５０は、ボイスゲー
トウェイ１３０に、当該曲の試聴ファイルを送信する
（(4)）。ボイスゲートウェイ１３０は、送られてきた
試聴ファイル（例えばＭＰ３ファイル）を再生してユー
ザ端末１１０に送信する、すなわち試聴用音楽を流す
（(5)）。このようにしてユーザは選択した曲を試聴す
ることができる。

【００４１】図９は、情報提供の例を説明するための図
である。コンテンツサーバ１５０は、ユーザに対して適
時に情報提供を行うことができる。例えば、歌手「○○
○」の曲が選択された場合に、ボイスゲートウェイ１３
０に音声コンテンツ（「○○○の最新情報をお聞きにな
りますか」）を送信することができる（(1)）。ボイス
ゲートウェイ１３０は、送られてきた音声コンテンツに
ついて音声合成を行い、その結果をユーザ端末１１０に
送信する（(2)）。これに対してユーザが「はい」と答
えたとする（(3)）。その音声はボイスゲートウェイ１
３０に送信され、そこで音声認識されて、その結果に対
応する信号がコンテンツサーバ１５０に送信される。コ
ンテンツサーバ１５０は、ボイスゲートウェイ１３０
に、情報提供の内容、すなわち音声コンテンツ（「大晦
日カウント・ダウン５５０００人ライブ」）を送信する
（(4)）。ボイスゲートウェイ１３０は、送られてきた
音声コンテンツについて音声合成を行い、その結果をユ
ーザ端末１１０に送信する（(5)）。このようにしてユ
ーザに対して情報提供を行うことができる。

【００４２】図１０は、ボイスゲートウェイ１３０の構
成例を示す図である。図１０に示すボイスゲートウェイ
１３０は、回線制御部１３２、音声認識部１３４、リク
エスト作成部１３６、インターネット接続制御部１３
８、ボイス記述言語パーサー１４０、音声合成部１４
２、ユーザ情報データベース１４４、およびローカルデ
ータベース１４６を備える。

【００４３】回線制御部１３２はユーザ端末１１０との
間で音声の送受信を行う。インターネット接続制御部１
３８はコンテンツサーバ１５０との間で、Ｖｏｉｃｅ
ＸＭＬプログラム、音声認識の結果に対応する信号、音
声コンテンツ等の送受信を行う。受信したＶｏｉｃｅ
ＸＭＬプログラムはボイス記述言語パーサー１４０で解
釈される。

【００４４】ユーザ端末１１０から送られてきた音声
は、回線制御部１３２を介して音声認識部１３４に入力
され、音声認識が行われる。その際、各ユーザの特性等
に関するデータを格納したユーザ情報データベース１４
４が用いられる。音声認識の結果は、リクエスト作成部
１３６において、Ｖｏｉｃｅ ＸＭＬプログラムと比較
等されて、対応する信号がコンテンツサーバ１５０に送
信される。

【００４５】コンテンツサーバ１５０から送られてきた
音声コンテンツは、インターネット接続制御部１３８お
よびボイス記述言語パーサー１４０を介して音声合成部
１４２に入力される。音声合成部１４２で音声合成が行
われ、その結果は回線制御部１３２を介してユーザ端末
１１０に送信される。

【００４６】ローカルデータベース１４６には、初期メ
ニューに関するデータ等が格納されている。例えば、図
３を用いて説明した新譜案内における接続先コンテンツ
サーバのアドレスが格納されている（図１１参照）。

【００４７】図１２は、コンテンツサーバ１５０の構成
例を示す図である。図１１に示すコンテンツサーバ１５
０は、音楽情報データベース（ＤＢ）１５２、音声認識
情報データベース１５４、ＨＴＭＬ(HyperText Markup
Language)プログラムジェネレータ１５６、Ｖｏｉｃｅ
ＸＭＬプログラムジェネレータ１５８、およびＷｅｂ
サーバ１６０を備える。コンテンツサーバ１５０は、複
数のサービス記述言語によるプログラムを有する。本実
施形態においては、ＨＴＭＬプログラム（コンテン
ツ）、およびＶｏｉｃｅ ＸＭＬプログラム（コンテン
ツ）を有する。

【００４８】本実施形態におけるコンテンツサーバ１５
０は、ＨＴＭＬ用コンテンツサーバの要素（音楽情報デ
ータベース１５２、ＨＴＭＬプログラムジェネレータ１
５６、およびＷｅｂサーバ１６０）を流用している。す
なわち、Ｖｏｉｃｅ ＸＭＬに対応するため、それらの
要素に、音声認識情報データベース１５４、およびＶｏ
ｉｃｅ ＸＭＬプログラムジェネレータ１５８を加えた
構成をとっている。

【００４９】音楽情報データベース１５２には、歌手
（アーティスト）、曲名（タイトル）、曲データ等に関
するデータが格納されており、随時更新可能である。例
えば、図１３に示すようなデータが格納されている。

【００５０】ＨＴＭＬプログラムジェネレータ１５６
は、音楽情報データベース１５２が更新されると、当該
更新が反映されるように現在のＨＴＭＬプログラムを書
き換える。図１４にＨＴＭＬプログラムの例を示す。

【００５１】音声認識情報データベース１５４には、読
み方、発音等に関するデータが格納されており、随時更
新可能である。例えば、図１５に示すようなデータが格
納されている。なお、「よみ」としては発音記号を用い
てもよい。

【００５２】ＨＴＭＬプログラムジェネレータ１５６
は、音楽情報データベース１５２および／または音声認
識情報データベース１５４が更新されると、当該更新が
反映されるように現在のＶｏｉｃｅ ＸＭＬプログラム
を書き換える。図１６にＶｏｉｃｅ ＸＭＬプログラム
の例を示す。

【００５３】Ｗｅｂサーバ１６０は、クライアント（ボ
イスゲートウェイ１３０を含む）との間でＨＴＴＰプロ
トコルに基づき、ＨＴＭＬプログラム、Ｖｏｉｃｅ Ｘ
ＭＬプログラム、各種情報等の送受信を行う。

【００５４】（第２実施形態）図１７は、本発明の第２
実施形態に係るサービス提供システムの構成例を示す図
である。図１７に示すサービス提供システムは、ユーザ
端末２１０、ボイスゲートウェイ２３０、コンテンツサ
ーバ２５０、およびコンテンツの変換を行うコンテンツ
変換ゲートウェイ２７０を備える。第１実施形態との違
いは、ボイスゲートウェイ２３０とコンテンツサーバ２
５０との間の通信をコンテンツ変換ゲートウェイ２７０
を介して行うことである。ボイスゲートウェイ２３０と
コンテンツ変換ゲートウェイ２７０との間ではＶｏｉｃ
ｅ ＸＭＬに対応したコンテンツの送受信を行い、コン
テンツ変換ゲートウェイ２７０とコンテンツサーバ２５
０との間ではＨＴＭＬに対応したコンテンツの送受信を
行う。

【００５５】（第３実施形態）図１８は、本発明の第３
実施形態に係るサービス提供システムの構成例を示す図
である。図１８に示すサービス提供システムは、ユーザ
端末３１０、ボイスゲートウェイ３３０、コンテンツサ
ーバ３５０、およびプッシュサーバ３７５を備える。プ
ッシュサーバ３７５はボイスゲートウェイ３３０と一体
であってもよい。

【００５６】コンテンツサーバ３５０は情報コンテンツ
（本実施形態においては音楽コンテンツであるが、他の
コンテンツ、例えば映像コンテンツであってもよい）を
有し、ユーザはボイスゲートウェイ３３０を介したコン
テンツサーバ３５０とのやりとりを通じて情報コンテン
ツを購入することができる（有料であっても無料であっ
てもよい）。

【００５７】情報コンテンツの購入が決まると、ボイス
ゲートウェイ３３０はプッシュサーバ３７５を通じて、
ユーザ端末３１０に、コンテンツサーバ３５０から当該
情報コンテンツを受信するように指示（リクエスト）す
る。プッシュサーバ３７５からユーザ端末３１０への指
示はプッシュプロトコルに基づき行う。ユーザ端末３１
０はプッシュプロトコルをサポートしている。

【００５８】ユーザ端末３１０は指示を受けると、コン
テンツサーバ３５０と通信を行い、当該情報コンテンツ
を取得する。コンテンツサーバ３５０との通信は、ＨＴ
ＴＰプロトコルを用いてＨＴＭＬに基づいて行い、パケ
ット交換方式により行う。

【００５９】図１９は、コンテンツ購入の例を説明する
ための図である。例えば、ユーザが曲を選択したとす
る。すると、コンテンツサーバ３５０は、ボイスゲート
ウェイ３３０に音声コンテンツ（「購入いたします
か」）を送信する（(1)）。ボイスゲートウェイ３３０
は、送られてきた音声コンテンツについて音声合成を行
い、その結果をユーザ端末３１０に送信する（(2)）。
これに対して、ユーザが「はい」と答え、その音声がボ
イスゲートウェイ３３０に送信されたとする（(3)）。
すると、ボイスゲートウェイ３３０は、プッシュサーバ
３７５を通じて（図１９においてはボイスゲートウェイ
３３０と一体であるとする）、ユーザ端末３１０に、コ
ンテンツサーバ３５０から当該情報コンテンツを受信
（ダウンロード）するように指示する（(4)）。そし
て、ユーザ端末３１０はコンテンツサーバ３５０と通信
を行い、当該情報コンテンツ（音楽ファイル）を取得す
る（(5)）。このようにしてコンテンツを購入すること
ができる。

【００６０】図２０は、本実施形態に係るサービス提供
システムに、ユーザ認証サーバおよび課金サーバを加え
た場合の例を示す図である。ユーザ認証サーバ３８０は
電話番号、ユーザ名等に基づきユーザ認証を行い、課金
サーバ３８５はユーザに対する課金を管理する。ボイス
ゲートウェイ３３０は、ユーザ端末３１０が特定の情報
コンテンツを受信する前に、該受信を認めるか否かを判
断するためにユーザ認証サーバ３８０を用いて当該ユー
ザの認証を行う。また、ユーザ端末３１０が当該情報コ
ンテンツを受信した後に課金サーバ３８５に対して当該
ユーザに対する課金を指示する。

【００６１】図２１は、コンテンツ購入の例を説明する
ための図である。例えば、図１９のプロセス(1)の前に
ユーザ認証を行うことができる（図２１の(1)）。ま
た、図１９のプロセス(5)の後にユーザに対する課金を
行うことができる（図２１の(7)）。なお、ユーザに対
する課金は、ユーザが情報コンテンツの取得に成功した
ことを確認した後で行うようにすることが好ましい。

【００６２】ユーザ認証は、ユーザ端末３１０が特定の
音声コンテンツ（例えば、情報提供に関するコンテン
ツ）を受信する前に行うようにしてもよい。また、ユー
ザに対する課金を、特定の音声コンテンツ（例えば、情
報提供に関するコンテンツ）を受信した後に行うように
してもよい。

【００６３】（第４実施形態）図２２は、本発明の第４
実施形態に係るサービス提供システムの構成例を示す図
である。図２２に示すサービス提供システムは、ユーザ
端末４１０、ボイスゲートウェイ４３０、コンテンツサ
ーバ４５０、およびプッシュサーバ４７５を備える。プ
ッシュサーバ４７５はボイスゲートウェイ４３０と一体
であってもよい。

【００６４】本実施形態においても、コンテンツサーバ
４５０は情報コンテンツを有し、ユーザはボイスゲート
ウェイ４３０を介したコンテンツサーバ３５０とのやり
とりを通じて情報コンテンツを購入することができる。

【００６５】ただし、本実施形態においては、第３実施
形態と異なり、情報コンテンツの購入が決まると、ボイ
スゲートウェイ４３０はプッシュサーバ４７５に、コン
テンツサーバ４５０から当該情報コンテンツを受信し、
ユーザ端末４１０に送信するように指示する。

【００６６】プッシュサーバ４７５とコンテンツサーバ
４５０との通信は、ＨＴＴＰプロトコルを用いてＨＴＭ
Ｌに基づいて行い、パケット交換方式により行う。プッ
シュサーバ４７５とユーザ端末４１０との通信は、プッ
シュプロトコルに基づき行う。ユーザ端末４１０はプッ
シュプロトコルをサポートしている。

【００６７】なお、本実施形態においても、コンテンツ
購入に関連してユーザ認証およびユーザに対する課金を
行うことが可能である。

【００６８】（第５実施形態）図２３は、本発明の第５
実施形態に係るサービス提供システムの構成例を示す図
である。図２３に示すサービス提供システムは、ユーザ
端末５１０、およびコンテンツサーバ５５０を備える。

【００６９】本実施形態においては、第１〜第４実施形
態と異なり、ユーザ端末５１０で音声認識および音声合
成を行う。

【００７０】また、ユーザ端末とコンテンツサーバとの
間の通信は、拡張ＨＴＭＬ（音声認識タグ付きＨＴＭ
Ｌ）またはＡＶ ＸＭＬに基づいて行う。拡張ＨＴＭＬ
は、ＨＴＭＬにおいて、リンクに音声認識用タグをつけ
て、音声認識でリンクをたどれるようにしたサービス記
述言語である。ＡＶ ＸＭＬは、画面表示とボイスガイ
ダンスなど複数の出力手段、音声認識、マウス入力、キ
ーボードなど複数の入力手段を自由に切り替えられるサ
ービス記述言語である。本実施形態においては拡張ＨＴ
ＭＬまたはＡＶ ＸＭＬを用いているが、第１〜第４実
施形態のようにＶｏｉｃｅ ＸＭＬを用いるようにする
こともできる。

【００７１】本実施形態においても、コンテンツサーバ
５５０に情報コンテンツを用意し、ユーザ端末５１０か
らの要求に応じて情報コンテンツをユーザ端末５１０に
送信するようにすることができる。

【００７２】（第６実施形態）図２４は、本発明の第６
実施形態に係るサービス提供システムの構成例を示す図
である。図２４に示すサービス提供システムは、ユーザ
端末６１０、コンテンツサーバ６５０、およびＰｒｏｘ
ｙサーバ６７０を備える。Ｐｒｏｘｙサーバ６７０はコ
ンテンツの変換（音声認識タグの付与等）を行う。第５
実施形態との違いは、ユーザ端末６１０とコンテンツサ
ーバ６５０との間の通信をｐｒｏｘｙサーバ６７０を介
して行うことである。ユーザ端末６１０とｐｒｏｘｙサ
ーバ６７０との間では拡張ＨＴＭＬおよびＡＶ ＸＭＬ
に対応したコンテンツの送受信を行い、ｐｒｏｘｙサー
バ６７０とコンテンツサーバ６５０との間ではＨＴＭＬ
に対応したコンテンツの送受信を行う。

【００７３】（第７実施形態）図２５は、本発明の第７
実施形態に係るサービス提供システムの構成例を示す図
である。図２５に示すサービス提供システムは、ユーザ
端末７１０、コンテンツサーバ７５０、音声認識サーバ
７９０、および音声合成サーバ７９５を備える。

【００７４】第５実施形態では音声認識および音声合成
をユーザ端末で行っていたが、本実施形態では音声認識
サーバ７９０および音声合成サーバ７９５を用いて行
う。すなわち、ユーザ端末７１０は音声認識に必要なデ
ータ（音声データ、認識候補等）をまとめて音声認識サ
ーバ７９０に送信する。音声認識サーバ７９０は音声認
識を行い、その結果をユーザ端末７１０に送信する。ま
た、ユーザ端末７１０は音声合成に必要なデータをまと
めて音声合成サーバ７９５に送信する。音声合成サーバ
７９５は音声合成を行い、その結果をユーザ端末７１０
に送信する。ユーザ端末７１０と、音声認識サーバ７９
０および音声合成サーバ７９５との間の通信は、ＩＰ(I
nternet Protocol)プロトコルに基づいて行う。

【００７５】なお、ユーザ端末６１０とコンテンツサー
バ６５０との間の通信は、第６実施形態のようにｐｒｏ
ｘｙサーバを介して行うようにしてもよい。

【００７６】

【発明の効果】以上説明したように本発明によれば、ネ
ットワークを介したサービスの提供において、ユーザが
音声でサービス側とやりとりをすることができる。

【図面の簡単な説明】

【図１】本発明の第１実施形態に係るサービス提供シス
テムの構成例を示す図である。

【図２】ユーザ端末とボイスゲートウェイとの接続の例
を説明するための図である。

【図３】サービス選択の例を説明するための図である。

【図４】曲の選択の例を説明するための図である。

【図５】曲の選択の例を説明するための図である。

【図６】曲の選択の例を説明するための図である。

【図７】メニュー表示の例を説明するための図である。

【図８】試聴の例を説明するための図である。

【図９】情報提供の例を説明するための図である。

【図１０】ボイスゲートウェイの構成例を示す図であ
る。

【図１１】ローカルデータベースに格納されているデー
タの例を示す図である。

【図１２】コンテンツサーバの構成例を示す図である。

【図１３】音楽情報データベースに格納されているデー
タの例を示す図である。

【図１４】ＨＴＭＬプログラムの例を示す図である。

【図１５】音声認識情報データベースに格納されている
データの例を示す図である。

【図１６】Ｖｏｉｃｅ ＸＭＬプログラムの例を示す図
である。

【図１７】本発明の第２実施形態に係るサービス提供シ
ステムの構成例を示す図である。

【図１８】本発明の第３実施形態に係るサービス提供シ
ステムの構成例を示す図である。

【図１９】コンテンツ購入の例を説明するための図であ
る。

【図２０】本発明の第３実施形態に係るサービス提供シ
ステムに、ユーザ認証サーバおよび課金サーバを加えた
場合の例を示す図である。

【図２１】コンテンツ購入の例を説明するための図であ
る。

【図２２】本発明の第４実施形態に係るサービス提供シ
ステムの構成例を示す図である。

【図２３】本発明の第５実施形態に係るサービス提供シ
ステムの構成例を示す図である。

【図２４】本発明の第６実施形態に係るサービス提供シ
ステムの構成例を示す図である。

【図２５】本発明の第７実施形態に係るサービス提供シ
ステムの構成例を示す図である。

【符号の説明】

１１０、２１０、３１０、４１０、５１０、６１０、７
１０ ユーザ端末 １３０、２３０、３３０、４３０ ボイスゲートウェイ １３２ 回線制御部 １３４ 音声認識部 １３６ リクエスト作成部 １３８ インターネット接続制御部 １４０ ボイス記述言語パーサー １４２ 音声合成部 １４４ ユーザ情報データベース １４６ ローカルデータベース １５０、２５０、３５０、４５０、５５０、６５０、７
５０ コンテンツサーバ １５２ 音楽情報データベース １５４ 音声認識情報データベース １５６ ＨＴＭＬプログラムジェネレータ １５８ Ｖｏｉｃｅ ＸＭＬプログラムジェネレータ １６０ Ｗｅｂサーバ ２７０ コンテンツ変換ゲートウェイ ３７５、４７５ プッシュサーバ ３８０ ユーザ認証サーバ ３８５ 課金サーバ ６７０ ｐｒｏｘｙサーバ ７９０ 音声認識サーバ ７９５ 音声合成サーバ

───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.⁷ 識別記号 ＦＩ テーマコート゛(参考） Ｈ０４Ｍ 3/50 Ｇ１０Ｌ 3/00 Ｒ 11/08 ５５１Ａ Ｆターム(参考） 5B085 AA08 AE23 5D015 KK02 5D045 AB01 5K015 AA06 AA07 AD01 AD02 AD05 GA07 GA09 5K101 KK16 KK17 LL12 MM04 MM07 NN07 NN08 NN16 NN22 NN25 TT03

Claims (19)

【特許請求の範囲】
1. 【請求項１】 ネットワーク上でサービスを提供するサ
   ービス提供システムであって、 音声の入出力を行うユーザ端末と、 音声コンテンツを有するコンテンツサーバと、 前記ユーザ端末から送信されてきた音声について音声認
   識を行い、該音声認識の結果に対応する信号を前記コン
   テンツサーバに送信し、前記コンテンツサーバから送信
   されてきた音声コンテンツについて音声合成を行い、該
   音声合成の結果を前記ユーザ端末に送信するボイスゲー
   トウェイとを備え、前記コンテンツサーバは、前記ボイ
   スゲートウェイから送信されてきた音声認識の結果に対
   応する信号に応答して、対応する音声コンテンツを前記
   ボイスゲートウェイに送信することを特徴とするサービ
   ス提供システム。
2. 【請求項２】 請求項１に記載のサービス提供システム
   であって、前記ボイスゲートウェイと前記コンテンツサ
   ーバとの間で送受信されるコンテンツの変換を行うコン
   テンツ変換装置をさらに備えたことを特徴とするサービ
   ス提供システム。
3. 【請求項３】 請求項１または２に記載のサービス提供
   システムであって、前記コンテンツサーバは情報コンテ
   ンツを有し、前記サービス提供システムは、前記ボイス
   ゲートウェイからの指示に従い、前記ユーザ端末に対し
   て、前記コンテンツサーバから特定の情報コンテンツを
   受信するように指示するプッシュサーバをさらに備えた
   ことを特徴とするサービス提供システム。
4. 【請求項４】 請求項１または２に記載のサービス提供
   システムであって、前記コンテンツサーバは情報コンテ
   ンツを有し、前記サービス提供システムは、前記ボイス
   ゲートウェイからの指示に従い、前記コンテンツサーバ
   から特定の情報コンテンツを受信し、該情報コンテンツ
   を前記ユーザ端末に送信するプッシュサーバをさらに備
   えたことを特徴とするサービス提供システム。
5. 【請求項５】 請求項３または４に記載のサービス提供
   システムであって、前記情報コンテンツは音楽コンテン
   ツであることを特徴とするサービス提供システム。
6. 【請求項６】 請求項１ないし５のいずれかに記載のサ
   ービス提供システムであって、 ユーザの認証を行うユーザ認証サーバと、 ユーザに対する課金を管理する課金サーバとをさらに備
   え、前記ボイスゲートウェイは、前記ユーザ端末が特定
   の音声コンテンツまたは情報コンテンツを受信する前
   に、該受信を認めるか否かを判断するために前記ユーザ
   認証サーバを用いて当該ユーザの認証を行い、前記ユー
   ザ端末が当該音声コンテンツまたは情報コンテンツを受
   信した後に前記課金サーバに対して当該ユーザに対する
   課金を指示することを特徴とするサービス提供システ
   ム。
7. 【請求項７】 請求項１ないし６のいずれかに記載のサ
   ービス提供システムであって、前記コンテンツサーバ
   は、複数のサービス記述言語によるプログラムを有する
   ことを特徴とするサービス提供システム。
8. 【請求項８】 請求項１ないし７のいずれかに記載のサ
   ービス提供システムであって、前記ユーザ端末は移動機
   であることを特徴とするサービス提供システム。
9. 【請求項９】 ネットワーク上でサービスを提供するサ
   ービス提供システムであって、 音声の入出力を行うユーザ端末と、 音声コンテンツを有するコンテンツサーバとを備え、前
   記ユーザ端末は、入力された音声について音声認識を行
   い、該音声認識の結果に対応する信号を前記コンテンツ
   サーバに送信し、前記コンテンツサーバから送信されて
   きた音声コンテンツについて音声合成を行い、該音声合
   成の結果を出力し、前記コンテンツサーバは、前記ユー
   ザ端末から送信されてきた音声認識の結果に対応する信
   号に応答して、対応する音声コンテンツを前記ユーザ端
   末に送信することを特徴とするサービス提供システム。
10. 【請求項１０】 請求項９に記載のサービス提供システ
    ムであって、前記ユーザ端末は、前記音声認識および前
    記音声合成を、それぞれ音声認識を行う音声認識サーバ
    および音声合成を行う音声合成サーバと通信を行うこと
    により行うことを特徴とするサービス提供システム。
11. 【請求項１１】 請求項９または１０に記載のサービス
    提供システムであって、前記ユーザ端末と前記コンテン
    ツサーバとの間で送受信されるコンテンツの変換を行う
    コンテンツ変換装置をさらに備えたことを特徴とするサ
    ービス提供システム。
12. 【請求項１２】 請求項９ないし１１のいずれかに記載
    のサービス提供システムであって、前記コンテンツサー
    バは情報コンテンツを有し、前記ユーザ端末からの要求
    に応じて特定の情報コンテンツを前記ユーザ端末に送信
    することを特徴とするサービス提供システム。
13. 【請求項１３】 請求項１２に記載のサービス提供シス
    テムであって、前記情報コンテンツは音楽コンテンツで
    あることを特徴とするサービス提供システム。
14. 【請求項１４】 請求項９ないし１３のいずれかに記載
    のサービス提供システムであって、前記コンテンツサー
    バは、複数のサービス記述言語によるプログラムを有す
    ることを特徴とするサービス提供システム。
15. 【請求項１５】 請求項９ないし１４のいずれかに記載
    のサービス提供システムであって、前記ユーザ端末は移
    動機であることを特徴とするサービス提供システム。
16. 【請求項１６】 音声を受信する音声受信手段と、 前記音声受信手段により受信した音声について音声認識
    を行う音声認識手段と、 前記音声認識手段により行った音声認識の結果に対応す
    る信号を送信する対応信号送信手段と、 音声コンテンツを受信する音声コンテンツ受信手段と、 前記音声コンテンツ受信手段により受信した音声コンテ
    ンツ音声コンテンツについて音声合成を行う音声合成手
    段と、 前記音声合成手段により行った音声合成の結果を送信す
    る音声合成結果送信手段とを備えたことを特徴とするボ
    イスゲートウェイ。
17. 【請求項１７】 音声コンテンツと、 音声認識の結果に対応する信号を受信する対応信号受信
    手段と、 前記対応信号受信手段により受信した信号に応答して、
    対応する音声コンテンツを送信する音声コンテンツ送信
    手段とを備えたことを特徴とするコンテンツサーバ。
18. 【請求項１８】 ネットワーク上でサービスを提供する
    サービス提供方法であって、 ユーザ端末において、音声の入力を受ける入力ステップ
    と、 前記入力ステップで入力を受けた音声を、前記ユーザ端
    末からボイスゲートウェイに送信する音声送信ステップ
    と、 前記ボイスゲートウェイにおいて、前記音声送信ステッ
    プで送信した音声について音声認識を行う音声認識ステ
    ップと、 前記音声認識ステップで行った音声認識の結果に対応す
    る信号を、前記ボイスゲートウェイからコンテンツサー
    バに送信する対応信号送信ステップと、 前記対応信号送信ステップで送信した信号に応答して、
    対応する音声コンテンツを、前記コンテンツサーバから
    前記ボイスゲートウェイに送信する音声コンテンツ送信
    ステップと、 前記ボイスゲートウェイにおいて、前記音声コンテンツ
    送信ステップで送信した音声コンテンツについて音声合
    成を行う音声合成ステップと、 前記音声合成ステップで行った音声合成の結果を、前記
    ボイスゲートウェイから前記ユーザ端末に送信する音声
    合成結果送信ステップと、 前記ユーザ端末において、前記音声合成結果送信ステッ
    プで送信した音声合成の結果を出力する出力ステップと
    を備えることを特徴とするサービス提供方法。
19. 【請求項１９】 ネットワーク上でサービスを提供する
    サービス提供方法であって、 ユーザ端末において、音声の入力を受ける入力ステップ
    と、 前記ユーザ端末において、前記入力ステップで入力を受
    けた音声について音声認識を行う音声認識ステップと、 前記音声認識ステップで行った音声認識の結果に対応す
    る信号を、前記ユーザ端末からコンテンツサーバに送信
    する対応信号送信ステップと、 前記対応信号送信ステップで送信した信号に応答して、
    対応する音声コンテンツを、前記コンテンツサーバから
    前記ユーザ端末に送信する音声コンテンツ送信ステップ
    と、 前記ユーザ端末において、前記音声コンテンツ送信ステ
    ップで送信した音声コンテンツについて音声合成を行う
    音声合成ステップと、 前記ユーザ端末において、前記音声合成ステップで行っ
    た音声合成の結果を出力する出力ステップとを備えるこ
    とを特徴とするサービス提供方法。