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。
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。

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。
- 返答は1〜2文の短いものにする。 長い話は割り込みを招き、間違いの立て直しも難しくなります。
- 質問は1回に1つにする。 1回の順番に質問が2つあると、お客様はどちらから答えてよいか迷います。
- 確認は小分けにする。 電話番号は、1つの長い文字列ではなく、グループごとに自然な間をおいて読み上げます。
- 待たせることを宣言しない。 「少々お待ちください」のような言葉は、価値のない長さを足すだけです。
- 割り込みを無害にする。 エージェントが遮られたら、答えを最初からやり直すのではなく、新しい入力から続けられるようにします。
テンポの良いやりとり
- 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。
- 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。
- 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。
- 追加の質問は1つ足りない詳細を1つだけ尋ねます。
- 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。
- 不安な様子や怒っているお客様は、途切れずに長く話すことがよくあります。エージェントが早く割り込みすぎると、冷たく聞こえます。少し長めの待ち時間と、短く落ち着いた受け止めのほうが効果的で、早めに担当者を案内するのも賢明です。
- 高齢のお客様や迷っているお客様は、答えるまでに長い間をおくことがあります。速さより辛抱強さが大切で、長めの無音のあとの穏やかな促しは、すぐに質問を繰り返すよりも効果的です。高齢のお客様をAI受付でサポートするをご覧ください。
- スピーカーフォンや車内からのお客様は、エコーやロードノイズが発生し、エージェントが自分の声を聞いたり、文の終わりを聞き逃したりすることがあります。
- 情報を読み上げるお客様たとえばメールアドレスでは、部分ごとの間が必要です。各部分を手短に確認すれば、長い独白なしにリズムを保てます。
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。