音声AI技術

音声エージェントのターン制御:誰がいつ話すか

音声エージェントが話すか待つか止まるかをどう判断するか、重なりや間が難しい理由、お客様にとって自然な電話の会話をどう設計するかを解説します。

Call 編集部 · 公開 · 約7分で読めます

人間の会話は、驚くほどなめらかな受け渡しです。私たちは相手が話し終えるちょうどそのとき、時には終わる前に話し始め、合図を意識せずに読み取っています。音声エージェントには、そのような本能がありません。いつ聞くか、いつ話すか、いつ止まるかのルールを与える必要があります。ルールが間違っていると、正確な回答でもぎこちなく感じられます。

机をはさんで電話で話している2人
イメージ画像

この記事では、音声エージェントのターン制御の考え方と、通話を自然に感じさせる設計の選択を取り上げます。無音をどう検出するかを解説した音声区間検出と、割り込み(バージイン)への対応を踏まえた内容です。

自然なターン制御とは

日常会話では、1人の話者から次の話者までの間は通常とても短く、長い沈黙は居心地の悪いものです。人は少し重なったり、声に出してうなずいたり、聞いていることを示す小さな言葉を挟んだりもします。どれも失礼ではなく、会話を生き生きとさせるものです。

電話では読み取れる顔がないため、声がすべての合図を担います。上がる調子は質問を、尻すぼみの言葉は考えが終わっていないことを、素早い息づかいは話し始める直前であることを示します。ソフトウェアは、音とテキストだけからこれらの合図を近似しなければなりません。

音声エージェントが扱うべき動き

  • 話し始めるお客様が話し終えたあと、長い間をあけずに返答を始めます。
  • 話し続ける短い物音や咳で中断されても、話を続けます。
  • 話を譲るお客様がエージェントの話に重ねて話し始めたら、止まります。
  • 相づち「はい」「そうですね」など、新しい順番ではない短い音。
  • 立て直し双方が同時に話した場合や、エージェントが聞き間違えた場合に回復します。

ソフトウェアにとって難しい理由

3つの問題が繰り返し現れます。

順番が終わったかの判断

決まった長さの無音を待つ方法は単純ですが、粗い方法です。人は考えながら文の途中で止まります。また、考えを言い終えて、返答を期待して黙ることもあります。より進んだシステムは、ここまでの言葉を見ます。意味の上での疑問、完結した住所、接続詞で終わる文などです。固定の方法、賢い方法、両者の組み合わせにはそれぞれトレードオフがあり、そのため待つ長さの設定があります。

重なりと割り込みの処理

お客様が何か言っているのにエージェントが話し続けると、お客様はもっと大きな声で繰り返すことになります。優れたエージェントは、本物の発話が聞こえたら素早く止まりますが、咳や車のクラクションでは止まりません。あらゆる音で止まると落ち着きなく聞こえ、本当の割り込みを無視すると聞こえていないように思われます。

相づちと本当の順番の区別

エージェントが長い住所を読み上げているときに、お客様が「うん」と言うのは励ましであって、割り込みではありません。これを新しい順番として扱うと、読み上げが崩れます。多くのシステムは、両者を確実には区別できないため、実際の解決策は、問題が起きないように発話を短くしておくことです。

技術に合った会話を設計する

技術そのものを作り直すことはできませんが、技術と相性の良い会話を書くことはできます。改善の多くは、巧妙なエンジニアリングではなく、スクリプトとプロンプトから生まれます。

テンポの良いやりとり

  1. 短い挨拶誰が応答しているかを伝え、お手伝いを申し出ます。1文で済ませます。
  2. オープンな質問お客様が自分の言葉で説明できるようにします。
  3. 短い受け止め依頼を数語で言い換え、聞いたことを伝えます。
  4. 追加の質問は1つ足りない詳細を1つだけ尋ねます。
  5. 締めくくる次に何が起きるかを伝え、必要なら担当者を案内します。

タイミングと同じくらい速さも大切

ターン制御の判断が正しくても、返答が遅れると違和感が出ます。返答は、文字起こし、言語モデル、音声合成のそれぞれで遅れる可能性があります。返答全体を待たず、答えの最初の部分が準備できた時点で話し始めるシステムもあり、間を縮められます。時間がどこにかかるかは音声AIの遅延をご覧ください。

人間工学的な側面もあります。短い音や、最初のひと言のような小さな受け止めは、長めの照会の間にお客様を安心させますが、毎回の順番で繰り返されるつなぎ言葉は耳障りになります。控えめに使い、実際に聞く人でテストしてください。

ターン制御が難しくなる場面

自然なリズムが崩れるため、特別な配慮が必要な通話の種類があります。

どの場合も、対処法は同じです。実際の通話を観察し、リズムが崩れた箇所を見つけて、スクリプトか設定を調整します。お客様は一様ではないので、ターン制御に終わりはありません。

ターン制御をテストする

ターン制御は、文字起こしだけでは判断できません。実際に聞く必要があります。同僚にさまざまなお客様を演じてもらってテスト通話を行い、やりとりの感触を記録しましょう。

テスト聞くポイント
早口の人割り込まずに、ついていけているか。
ゆっくり話すためらいがちな人言葉の間の間を待てているか。
割り込むお客様エージェントがすぐに話すのをやめ、新しい入力に応じているか。
数字を読み上げる数字のグループの間で辛抱強く待てているか。
エージェントが話している間の「うん」止まらずに話を続けているか。
お客様が黙っている穏やかに促し、そのあと逃げ道を案内しているか。

Callでのターン制御の設定

Callでは、各AIエージェントに文字起こしの設定があり、聞き取る言語と、お客様が話し終えたかの判断のしかたを設定できます。最大1.5秒の無音しきい値と、ノイズ感度のスライダーです。マネージャーは、通話履歴で通話を開くと、各発話の長さを確認できるため、遅れが無音の待ち時間から来ているのか、返答自体から来ているのかを突き止めるのに役立ちます。エージェントは、返答を短く自然に保つように設定されています。テスト通話で自分の電話を鳴らし、調整して、もう一度かけてみましょう。手順はCallでのAIエージェントの設定をご覧ください。

最後に設計上のポイントです。お客様が会話から抜け出せる道を必ず用意してください。自動音声のリズムに戸惑うお客様が、担当者を求められるようにしておくことは、IVRとAI音声エージェントの違いでも説明しています。

よくある質問

音声エージェントのターン制御とは何ですか。

お客様が話し終えたか、いつ返答するか、お客様が話し始めたのでいつ話をやめるかを、エージェントが判断するしくみです。通話を、命令の連続ではなく会話らしくします。

音声エージェントがお客様の話に重なって話すのはなぜですか。

よくある原因は、無音の待ち時間が短すぎる、ノイズが話の終わりとして扱われている、お客様が頻繁に間をおく、などです。無音の設定を調整して、現実に近い話し方でテストしてください。

相づち(バックチャネル)とは何ですか。

「うん」「そうですね」のように、聞いていることを示す小さな音です。新しい順番ではありませんが、ソフトウェアはそう誤認することがあります。

エージェントはわざと割り込むことがありますか。

よく設計されたエージェントは避けます。割り込みが起きたら、ほぼ確実に選択ではなくタイミングの問題です。無音の待ち時間を長くすると、たいてい減ります。

返答は速いほど良く聞こえますか。

いいえ。早すぎる返答は、特にお客様が番号を読み上げている最中だと、割り込みのように感じられます。目指すのは最短ではなく、自然な間です。

ターン制御はどうテストすればよいですか。

ためらいがちな人、割り込み、数字の読み上げなど、さまざまな話し方で電話をかけ、録音を聞き返します。設定は1つずつ調整し、同じスクリプトを繰り返してください。

Callで、AIエージェントの順番の取り方を調整する

デモコンソールでは、着信をシミュレーションで体験できます。

関連記事