全二重音声AI：本当の会話には双方向の同時通話が必要な理由

ほとんどの音声AIは、いまだにトランシーバーのように話します。こちらが話し、待ち、相手が答える。途中で割り込もうとすると、そのまま話し続けるか、話の流れを完全に見失ってしまいます。

人はそのようには話しません。実際の通話では、双方が同時に聞き、話しています。相手が話している途中で「うんうん」と相づちを打ち、細かな点を訂正するために割り込み、発言権を渡さずに考えるために間を置きます。

全二重音声モデルは、こうした会話に対応できるよう設計されています。ここでは、その仕組み、カスタマーエクスペリエンス（CX）における重要性、そしてMaven Voiceが実際のサポート通話でどのように活用しているかをご紹介します。

「全二重」とは

この用語は電気通信に由来し、通信チャネルが双方向のやり取りをどう扱うかを表します。

• 半二重： データは双方向に流れますが、一度に一方向のみです。代表例はトランシーバーです。ボタンを押して話し、離して聞き、「どうぞ」と言って相手の番であることを伝えます。
• 全二重： データは同時に双方向に流れます。電話は全二重です。自分が話している間も相手の声が聞こえます。

現在のほとんどの音声エージェントは、全二重の電話回線上で動いているにもかかわらず、半二重システムのように振る舞います。エージェントは無音を待ち、発信者が話し終えたと判断し、返答を生成して再生します。話している間は、ほとんど何も聞こえていません。

全二重音声モデルは、話しながらも聞き続けます。入ってくる音声の処理と出ていく音声の生成を並行して行うため、発信者にリアルタイムで反応できます。

全二重音声モデルの仕組み

何が変わるのかを理解するために、まず現在の一般的な音声エージェントの構成を見てみましょう。一般的なのはカスケード型パイプラインです。

1. 音声認識（Speech-to-text） が発信者の音声を文字に起こします。
2. ターン検出 が、発信者が話し終えたと判断できるだけの間を待ちます。
3. 言語モデル が文字起こしを読み取り、返答を作成します。
4. 音声合成（Text-to-speech） がその返答を音声に戻します。

受け渡しのたびに遅延が生じ、各ステップで情報が失われます。文字起こしでは、トーン、ためらい、強調が失われます。ターン検出は無音に基づいて推測するため、口座番号を探すために間を置いた発信者は話を遮られ、早口の発信者は気まずい沈黙を待たされることになります。

全二重モデルは、この連鎖をひとつにまとめます。双方向で音声を直接処理し（一般にspeech-to-speechと呼ばれます）、聞くことと話すことを2つの連続したストリームとして実行します。これにより、ライブ通話で重要となるいくつかの振る舞いが可能になります。

• 割り込み（バージイン）。 発信者が「いえ、もうひとつの住所です」と割り込むと、モデルは話すのをやめ、訂正を受け止めて対応を修正します。発信者がすでに否定した内容を最後まで読み上げることはありません。
• 相づち。 「承知しました」「はい」といった短い反応で、発言権を奪うことなく話についていっていることを伝えます。
• 自然なターンテイキング。 モデルは無音だけでなくイントネーションや文脈も読み取るため、考えるための間なのか、話し終えたのかを区別できます。
• パラ言語的シグナル。 苛立ち、戸惑い、緊急性は、話し方に表れます。音声を直接聞き取るモデルはそれに応答できますが、文字起こしではそうした情報は失われてしまいます。

カスタマーエクスペリエンス（CX）にとって重要な理由

会話の質が最も早く表れるのが電話サポートです。発信者はストレスを抱えていたり、別の作業をしながらだったり、セルフサービスで解決できずに電話してきていることが少なくありません。気まずい間や、訂正にかぶせて話されることは、そのたびに相手の忍耐をすり減らします。

全二重は、サポート部門のリーダーが重視するいくつかの点を変えます。

• 不満によるエスカレーションの減少。 発信者は、話を聞いてもらえていないと感じるとオペレーターにつなぐボタンを押します。割り込みや訂正に対応できるエージェントなら、会話を継続してもらえます。
• 通話時間の短縮。 発信者は先回りして話を進めたり、話の途中で詳細を確認したり、不要な案内を飛ばしたりできます。
• より正確なデータ取得。 口座番号、住所、注文の詳細は、断片的に、訂正を交えながら伝えられることがよくあります。聞き続けることで、一度で正確に把握しやすくなります。
• 人間らしいブランド体験。 音声は今でも、顧客が最も緊急性の高い問題に使うチャネルです。エージェントの話し方が、そのまま企業の印象になります。

Maven Voiceの違い

自然な声は、仕事の半分にすぎません。サポート通話では、エージェントは問題を理解し、自社のシステムでアクションを実行し、ポリシーを順守する必要があります。Maven Voiceは、全二重の会話とMaven AGIプラットフォームの推論機能・統合機能を組み合わせています。

本番環境でのspeech-to-speech。 Maven Voiceは、企業のライブ通話で音声から音声へのモデルを稼働させているため、発信者の第一声からトーンやテンポがそのまま保たれます。パートナーのIBEXは、Mavenをエンタープライズ向けにspeech-to-speechを本格的な本番運用へと導いた最初の企業と評しています。

作り直し不要のエンジン選択。 Maven Voiceは、OpenAIやPhonicなどの主要な音声プロバイダーに対応しています。ユースケースに合ったエンジンを選べます。オーケストレーション、推論、統合はMavenが担うため、エンジンを切り替えたり追加したりしても、一から作り直す必要はありません。

アクションで完結する会話。 Maven Voiceは、サポートチームを支えるシステムと連携します。注文を確認して代替品を発送する、カードを停止して新しいカードを発行する、予約を変更するといった対応を、すべて1回の通話で完了できます。

雑音の多い現実の環境に対応。 Maven Voiceのテストは地下鉄、空港、スポーツスタジアムで実施しました。発信者が常に静かな部屋から電話してくるとは限りません。それでもエージェントは、相手の声を聞き取る必要があります。

57言語に対応し、通話中の切り替えも可能。 発信者が会話の途中で言語を変えても、Maven Voiceはそれに追従します。

既存のコンタクトセンターにフィット。 顧客はこれまでと同じ番号に電話をかけます。Maven Voiceは既存のルーティングやプラットフォームと連携し、人間の対応が必要な場合はコンテキストをすべて引き継いで転送するため、発信者が同じ説明を繰り返す必要はありません。

エンタープライズグレードのセキュリティ。 音声とテキストの秘匿化機能を標準搭載し、転送中および保存時の機密情報を保護します。ISO 42001やPCI-DSS 4.0 Level 1を含む15の認証・評価を取得しています。

Papaya Payをはじめとする音声チャネルのお客様は、すでにMaven Voiceを活用し、品質と管理を自社の手に保ちながら24/7の電話サポートを提供しています。

ぜひご自身で体験してください

全二重音声を理解する最も早い方法は、実際に話してみることです。割り込んでみてください。話の途中で考えを変えてみてください。言語を切り替えてみてください。そして、問題をエンドツーエンドで解決する様子をご覧ください。

** Maven Voiceのデモを予約 ** して、自社の通話がどのように変わるかをご確認ください。