音声AI技術

音声区間検出:通話相手の話の終わりを見極める

音声区間検出(VAD)が通話中の発話と無音をどう見分けるか、タイミングがずれる原因、割り込みや遅れを防ぐ無音の待ち時間の調整方法を解説します。

Call 編集部 · 公開 · 約7分で読めます

電話で2人が話すとき、次に誰が話すかをほとんど意識しません。音声エージェントは、それを計算する必要があります。最初のステップは、驚くほど単純な問いを1秒に何度も繰り返すことです。いま誰かが話しているか。これに答える部品が、音声区間検出、つまりVADです。

デスクで電話のヘッドセットに向かって話す人
イメージ画像

このガイドでは、VADが何をするのか、静かな部屋より電話回線でなぜ難しいのか、設定の意味と調整方法を説明します。音声エージェントの仕組みの全体像は電話の通話で音声AIはどう動くかをお読みください。

音声区間検出の役割

VADは、非常に短い区間ごとに音声を調べ、発話か非発話かのラベルを付けます。単純なものは音量だけを測ります。優れたものは、人の話し声のパターンを認識するよう学習したモデルで、キーボードの音、通りすぎるトラック、背景のテレビを無視します。

このラベルは、音声エージェントの3つの判断に使われます。

VADより後の処理はすべてVADに依存するため、VADが悪いと、優れたエージェントでも悪く見えます。お客様がまだ話しているときに返答が来るのは、言語の問題ではなく、たいていタイミングの問題です。

電話で難しくなる理由

電話回線は、狭く圧縮された経路で、お客様が路上、車内、店内にいることもよくあります。この組み合わせが、発話とノイズの境目をぼやけさせます。音声そのものについては電話の音声が音声認識に難しい理由で扱っています。ここではVAD特有の影響を見ます。

検出器が混乱する要因

  • 背景ノイズ交通音、風、カフェの話し声が発話と誤認され、順番が終わりません。
  • 小さな声小さな声が無音と判定され、エージェントがお客様の話に重なって話してしまいます。
  • 文の途中の間考えるため、名前のつづりを言うため、バッグの中の番号を探すために、人は止まります。
  • エコーとサイドトーンエージェント自身の声が回り込み、お客様が話しているように見えることがあります。
  • 息づかいやフィラー「うーん」やため息のような音は、順番に数える場合とそうでない場合があります。

無音しきい値のトレードオフ

最も重要な設定は、無音がどのくらい続いたらお客様が話し終えたと判断するか、という長さです。これを無音しきい値と呼びます。完璧な値はないトレードオフです。

無音しきい値の短い場合と長い場合

短い待ち時間長い待ち時間
通話の印象素早く活発ゆったりと慎重
リスクお客様が考えている最中や、番号を読み上げている最中に割り込むどの返答のあとにも無音が生じ、お客様が繰り返してしまう
向いている場面「はい」「いいえ」の短いやりとり名前、住所、アカウント情報、高齢のお客様やためらいがちなお客様

通話の内容を考えてみましょう。ほとんどが「はい」か「いいえ」の質問なら、短い待ち時間で問題ありません。お客様がメールアドレスや受付番号を伝える必要があるなら、長めの待ち時間なら、数字の間の間にエージェントが入ってしまうのを防げます。

質問によって速さを変える

システムによっては、質問ごとに待つ長さを変えられます。折り返しを希望するか尋ねるときは素早く、郵便番号を尋ねるときは辛抱強く、というようにです。使っているプラットフォームが対応していないなら、いちばん難しい質問に合う設定を選びましょう。お客様の話をさえぎるほうが、短い間より不快だからです。

CallでのVAD設定の調整

Callでは、各AIエージェントに文字起こしの設定があり、聞き取る言語を選ぶか、自動で検出させることができます。2つのスライダーで、お客様が話し終えたかの判断を調整します。無音しきい値は、お客様の順番が終わるまでの無音の秒数で、0〜1.5秒の間で調整でき、小さくするほど順番の交代が速くなり、大きくするほど長い間を許容します。ノイズ感度のスライダーでは、背景音への反応の敏感さを変えられます。そのページのバナーには、いまの実際の通話でこれらの設定のどれが使われているかが表示されるので、調整に時間をかける前に確認してください。

簡単な調整の流れ

  1. まず初期値で始める変更の前に、基準となるテスト通話のセットを作ります。
  2. 難しいケースをテストする騒がしい場所からかけ、ゆっくり話し、番号の途中で止まり、小声で話します。
  3. 設定は1つだけ変える無音とノイズ感度のどちらかだけを調整し、同時には変えません。
  4. 再テストして比べる同じシナリオを使い、違いが設定によるものとわかるようにします。
  5. 実際の通話を確認する文字起こしを読み、お客様の話が遮られていないか、長い間がないかを確認して、再度調整します。

予約番号を伝える架空のお客様を考えてみましょう。最初の4文字を伝え、確認メールを見て、2秒後に続けます。待ち時間が短いと、エージェントはすでに答えてしまい、お客様はもう一度話し始めて、2人の声が重なります。待ち時間が長ければ、同じお客様が番号を一度に言い終えられます。一方、「はい」と言うだけのお客様なら、長い待ち時間はどの発話でも1秒の無音になります。どちらの電話が多いと見込むかで、適切な設定が決まります。

携帯電話からの通話には、さらに別の事情があります。強いノイズ抑制をかける機種では、文の最初の音節が切れて、発話の開始が遅れて届くことがあります。話し始めても無視されているように見えるお客様が多いなら、ノイズ感度を高めにして、実機で再テストしてください。

症状の読み取り

通話を聞くと、設定がどちら側にずれているかがわかることが多くあります。

聞こえること考えられる原因試すこと
エージェントがお客様の話に重ねて話す無音の待ち時間が短い、または小さな声が拾えていない無音しきい値を上げ、ノイズ感度を上げる
各返答の前に長い間がある無音の待ち時間が長いしきい値を少し下げる
何もないのにエージェントが反応するノイズが発話として扱われ、順番が終わらないノイズ感度を下げる
エージェントが小声のお客様を無視する発話がノイズとして扱われているノイズ感度を上げる
待ち時間が短くても返答が遅く感じる処理の別の箇所での遅延遅延のガイドを参照

遅延にはVAD以外の原因もあります。音声AIの遅延:返答が遅く感じる理由で整理しています。エージェントが話している最中にお客様が話した場合の動きは割り込み(バージイン)への対応で扱っています。

無音を超えて:より賢い発話終了の判断

無音だけでは、粗い判断材料です。新しい手法では、話された内容も考慮します。「そして」で終わる文や、途中までしか言っていない番号は、続きがある可能性が高く、完結した質問はそうでない可能性が高い、というものです。これらの手法は音声エージェントのターン制御で詳しく説明しています。手法にかかわらず、ベンダーの主張は仮説として扱い、自分の通話で確かめてください。

本番に出す前に確認すること

  • お客様が番号を読み上げているときに、エージェントが割り込まない
  • 1〜2秒の間を、順番の終わりとして扱わない
  • 騒がしい通りにいるお客様の声も理解できる
  • エージェント自身の声が検出器を反応させていない
  • 卓上の電話だけでなく、携帯電話からの通話も聞いた
  • 実際の通話で問題が出た場合に、設定を変える場所を知っている

Callでの次のステップ

エージェントの音声設定を開き、文字起こしの項目を確認して、回線経由で自分の電話にかかるテスト通話を行います。その後、通話履歴で通話を開くと、マネージャーは発話ごとの所要時間を確認でき、通話の感触と見比べられます。無音しきい値の小さな変更は、記憶に頼るより、並べて聞き比べたほうが判断しやすくなります。

よくある質問

VADとは何の略ですか。

Voice Activity Detection、つまり音声区間検出です。音声システムの中で、発話と無音・背景ノイズを見分ける部分です。

VADは音声認識と同じものですか。

いいえ。VADは、誰かが話しているかどうかだけを判断します。音声認識は、発話をテキストにします。両者は連携して動き、VADは、聞くのをやめて返答を始めるタイミングも決めます。

エージェントがときどき私の話に割り込むのはなぜですか。

話し方に対して無音の待ち時間が短すぎるか、間が順番の終わりと判断された可能性が高いです。無音しきい値を上げると、たいてい改善します。

エージェントが答える前に長い間があくのはなぜですか。

無音を待つ時間が長いか、返答の生成など別の箇所で遅延が生じています。まず設定を確認し、次に通話履歴で応答のタイミングを見てください。

背景ノイズは結果に影響しますか。

はい。ノイズが発話と誤認されて順番が終わらなくなったり、小さな声がノイズと誤認されたりします。ノイズ感度の設定と、現実に近い場所からのテスト通話で、バランスを見つけられます。

1つの設定で、すべてのお客様に合わせられますか。

めったにありません。最も重要な質問に合う値を選び、実際の通話を見直してください。のんびり話す人と素早く話す人は、動きが違います。

Callで、AIエージェントが話の終わりを判断する基準を調整する

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