解説

スマートスピーカーの音声対話システムは、大きく4つのステップで処理を行います。音声認識（Speech Recognition）とは、人間の発話した音声をテキストデータに変換する技術のことを指します。問題文の(1)「利用者の音声をテキストデータに変換する」がまさにこの音声認識に該当します。その後の(2)は自然言語処理、(3)は応答生成、(4)は音声合成という異なる技術が使用されます。

なぜ他の選択肢は違うのか

選択肢 イ

(2)はテキスト解析・自然言語処理（Natural Language Processing）の工程です。音声認識とは異なり、すでにテキスト化されたデータの意味を理解する処理です。

選択肢 ウ

(3)は応答生成（Response Generation）の工程です。理解した内容に基づいて適切な返答を作成する処理であり、音声認識とは異なります。

選択肢 エ

(4)は音声合成（Speech Synthesis）もしくはText-to-Speech（TTS）と呼ばれる工程です。テキストを音声に変換する処理であり、音声認識とは逆の処理になります。

解くときのポイント

スマートスピーカーの処理は「音声→テキスト（音声認識）→意味理解→応答生成→音声合成（テキスト→音声）」という流れで行われます。各工程の役割を順番に整理して覚えておくと、似たような問題にも対応できます。