ボイスAI

解説

ボイスAIは、AIを使って電話応対を自動化する技術です。ボイスAIは、顧客が電話で話した内容をそのまま聞き取り、生成AIで意図を判断して、音声で回答を返します。従来のIVRやボイスボットを置き換える形で検討される場合があり、夜間の一次受けや、混雑時のあふれ呼への対応といった用途が想定されます。

仕組み

ボイスAIの代表的な構成は、音声認識で発話をテキストにし、生成AIが応答文を作り、音声合成で音声に戻す方式です。この方式では、段階ごとの内容を確認したり、部品を個別に入れ替えたりしやすくなります。一方で、音声を入力して直接音声を出力するモデル（speech-to-speech）を使う方式も登場しています。音声を直接扱う方式は、応答の速さや会話の自然さを重視する場合に選ばれます。

実務での使われ方

ボイスAIは、番号を押させずに用件から次の処理を判断する点で、IVRと異なります。IVRは、あらかじめ用意した選択肢を読み上げ、顧客に番号を押させて振り分けます。一方で、ボイスAIは、自由に話された用件を解釈して次の処理を決めるため、顧客に階層をたどらせる手間がかかりません。したがって、問い合わせの種類が多く、メニューが深くなりがちな窓口ほど、IVRとの差が大きくなります。

注意点

応答が遅れると、電話での会話が成立しなくなります。会話では、話者が交代するときの沈黙を短く抑える傾向が、言語を問わず確認されています。認識、生成、合成を順に通す方式では処理に時間がかかるため、応答の速さが実用に耐えるかどうかを左右します。また、周囲の騒音や早口で聞き取れないときに、ボイスAIが何度も聞き返すと、顧客が途中で電話を切ってしまうおそれがあります。そのため、一定の回数聞き返したら有人対応へつなぐ導線を用意しておきます。