フランス・グルノーブル・アルプ大学の研究チームが、言い淀みや言い直しを含む自然な話し言葉でドローンを操縦できる新技術を開発した。音声を文字に変換する工程を省くことで、従来比29倍となる0.007秒の超高速レスポンスを実現。初心者でも「もうちょい左」といった曖昧な指示で直感的に操縦できる未来が近づいている。
「もうちょい左…あ、行きすぎ！そう、そこで止まって」。離れた場所から友人に写真を撮ってもらうときのような、そんな曖昧な指示でドローンが飛んでくれたら―。AIの普及で「機械に話しかける」ことは日常になったが、空を飛ぶ機械が相手となると、話はそう簡単ではない。聞き間違いは墜落に直結するし、返事を数秒も待ってはいられないからだ。
この難題に挑んだのが、フランス・グルノーブル・アルプ大学の研究チームである。彼らが2026年6月に公開した論文では、ドローンを操縦したことのない普通の人が発する「言い淀みまじりの話し言葉」を理解して飛ぶ、新しい音声操縦の仕組みを提案している。はっきりした指示に対しては93％の正解率を、わずか0.007秒という反応速度で実現し、従来方式の29倍のスピードを達成したという。
音声でドローンを操るという発想自体は、決して新しいものではなく、この連載でも3年ほど前に取り上げたことがある。プロポのスティックによる手動操縦は練習が必要で、頭も使う。一方、声で指示できれば両手は自由になり、覚えることもぐっと減る。人間とドローンの関わり方を研究する「ヒューマン・ドローン・インタラクション」という分野でも、音声は有力な操作手段の1つとして位置づけられてきた。
実現方法には大きく2つの流れがある。第1は、決められた合言葉だけを聞き取る方式だ。「離陸」「着陸」といった固定フレーズを認識する研究は数多く、製品化も進んでいる。たとえばDJIが2024年に発売した手のひらサイズのドローン「DJI Neo」は、スマートフォンに「Hey Fly」と呼びかけたうえで、英語または中国語の音声コマンドで離陸や追尾撮影を指示できる。2025年発売の後継機Neo 2では、身ぶりと組み合わせた「手ぶら操縦」がさらに強化された。
第2は、ChatGPTのような対話AIに自由な言葉を解釈させる方式だ。Microsoftは2023年に「ChatGPT for Robotics」という研究を発表し、「棚をジグザグに飛んで在庫を確認して」といった注文からChatGPTがドローンの動きを組み立てられることを実証した。さらに対話AIの「考える時間」を短縮して、ドローンの指示に使いやすくする研究も登場している。
ただし、どちらにも弱点がある。合言葉方式は決まった言い方しか受け付けず、緊張した初心者が口にする「えっと……左へ行って、いや右へ」のような発話は苦手としている。対話AI方式は柔軟だが、返事が返るまで数秒かかり、飛んでいる機体をその場で操るには遅すぎる。また従来の音声システムの多くは、まず音声を文字に書き起こし、次にその文字の意味を解釈するという「2段階のバケツリレー」で動いており、時間がかかるうえ、聞き間違いがそのまま後段に引き継がれてしまう問題を抱えていた。
指示の意図を読み取るAI
本論文の面白さは、この隙間を突いた点にある。提案された仕組みは、音声を文字に直す工程を丸ごと省き、音の信号から「前進・後退・上昇・下降・左・右・指示なし」の7種類の意図を直接読み取る。土台には、大量の音声を事前に聞き込んで音の特徴を学習済みのAI（wav2vec 2.0と呼ばれる系統のモデル）を使い、その上に小さな判定部分を付け足すだけ。反応は高性能なパソコンで0.007秒、普通のパソコンでも0.1秒ほどだ。ドローンを安定して操るには0.1秒以内の反応が必要とされており、前述の「2段階方式」の0.2秒、対話AIの4〜8秒との差は決定的である。
工夫のポイントは学習のさせ方にもある。訓練のあいだだけ、文章の意味を捉えるのが得意な別のAIを「先生役」として付け、音から意味をつかむコツを教え込む。本番では先生は不要になるが、この一手間だけで正解率が平均7ポイント上がった。
もう1つの大きな貢献がデータだ。既存の学習用データは英語の「読み上げ音声」に偏っており、実際の操縦現場の生の話し言葉はほぼ存在しなかった。研究チームは操縦経験のない29組のペアに実機の誘導をさせ、言い淀みや言い直しを含む約2時間・4219発話を集めたフランス語のデータ集「VoiceStick」を作り、誰でも使えるよう公開した。
評価のやり方も示唆に富む。「正解」を人手の書き起こしではなく「操縦者が実際に行った操作」と定めたところ、操縦者自身の操作ミスや左右の勘違いが多数見つかった。人間の行動そのものが間違いを含む以上、単純な正解率だけでこの種の技術を評価するのは難しい。論文はそれを具体的な数字で示した。さらに、このAIは自分の判断に「自信があるか」も数値で出せて、間違うときは自信が低い傾向がはっきり確認された。「自信のないときは動かない」という安全装置につながる性質だ。
研究チームは今後、「少し左」と「大きく左」のような程度の違いを声の調子から読み取る拡張や、話し終わる前に動き始める仕組みに取り組むという。この方式は特定の言語に縛られず、日本語への展開も原理的には可能だ。インフラ点検や災害対応、体の不自由な人の支援など、「訓練を受けていない人がその場でドローンを飛ばす」場面は今後確実に増えていく。音声が本当の意味で「誰でも握れる操縦桿」になる日は、着実に近づいている。
