音声AI・会話型システム

2026年、音声AIプラットフォームは至る所に普及しています。Retell、Vapi、Blandをはじめとする多数のサービスを利用すれば、半日で電話対応エージェントを立ち上げることが可能です。これらは予約受付、単純なFAQルーティング、アウトバウンドの確認電話には十分機能します。しかし、要件が高度化するにつれ、デモを成立させたプラットフォームは実運用の負荷に耐えきれず破綻します。当社の手法は、まさにそのようなケースに向けて、クラス最高峰のコンポーネントからカスタム音声パイプラインを構築することです。

プラットフォームの限界は現実に存在する

プラットフォームは手軽なデモには対応できますが、やがてその限界に直面します。保険の受付通話では、分岐する対話全体を通じて15項目のデータフィールドを正確に追跡する必要があります。医療トリアージボットでは、一般的な英単語に似た響きの薬剤名を正確に識別しなければなりません。決済フローでは、カード情報がLLMに一切触れないPCI-DSSの完全な隔離が求められます。これらはまさに、市販の既製システムが破綻する代表的なユースケースです。

失敗の記録は十分に文書化されています。 McDonald's は2年間、100以上の店舗で IBM とともに検証を重ねた後、ドライブスルー音声AIの運用を 2024年6月 に終了しました。アクセントや周囲の騒音、注文修正に対応できなかったためです。対照的に、 Wendy's FreshAI と Google Cloud は、 22秒の 速度向上を達成しました。ポーズや言い直し、複雑なカスタマイズに対応する自然言語処理に投資した成果です。その差は、実世界の音声に注ぎ込まれたエンジニアリングの深さにありました。

当社は、個々のエンゲージメントにおけるレイテンシ予算、専門語彙、規制上の制約に合わせて各パイプラインを設計します。このアプローチの詳細は、 音声AIがAPIラッパーを超えなければならない理由に関する当社の調査で解説しています。

レイテンシは会話を損なう決定的な要因である

標準的なパイプラインでは、音声認識(STT)、推論のためのLLM、そして音声合成(TTS)の順に処理が実行されます。各ステップで100〜300msとネットワークオーバーヘッドが加算され、往復の合計レイテンシは1〜2秒に達します。これは信頼感が失われる800msの閾値を大幅に超えています。当社はあらゆるレイヤーでレイテンシを徹底的に排除します:

• ASR: Deepgram nova-3は本番環境において単語誤り率(WER)中央値5〜7%、300ms未満のストリーミング文字起こしを実現します。これに対し、Whisperは30秒単位で音声を処理するバッチ指向のアーキテクチャです。
• TTS: Cartesia Sonicは約40msで最初の音声を出力し、ElevenLabs Flash v2.5は約75msで出力します。
• LLM推論 — 最大のレイテンシが潜む箇所: 投機的応答生成(speculative response generation)により、通話者が話している間に可能性の高い回答の生成を開始し、完全な応答が生成される前に最初の音声トークンをストリーミング配信します。

電話通信網も特有の隠れたレイテンシを生じさせます。TwilioのMedia Streams WebSocket接続は、ラボテストでは現れないジッターを引き起こします。後継のConversationRelay製品はこのオーバーヘッドを軽減し、Genesys AudioHookも同様の特性を備えています。SIPトランクの選定、コーデックのトランスコーディング、ジッターバッファのチューニングは、それぞれ20〜50msの遅延を生み、知らず知らずのうちに蓄積します。当社はAI推論ステップだけでなく、マイクからスピーカーに至る全音声経路をプロファイリングします。それこそが実環境における真のレイテンシが存在する場所だからです。

専門用語が汎用ASRを破綻させる

汎用的な音声認識は日常的な英語の会話に最適化されています。「予約をお願いしたいのですが」といった表現は適切に処理できますが、「アトルバスタチン40mgを1日1回(QD)」、「第12条3項(b)の不可抗力条項」、「部品番号XKCD-4419-REV-C」などは、何らかの支援なしには対応できません。多くのASRプロバイダーにフレーズブーストなどのカスタム語彙機能が存在しますが、ブースト対象の用語が日常語と音韻的に類似している場合、容易に破綻します。

認識エラーが後続の処理に深刻な影響を及ぼす規制産業に向けて、当社の手法はドメイン特化型コーパスを用いてASRモデルをファインチューニングすることです:

• 医療 向け音声認識では、臨床メモや医師の口述データに基づくトレーニングが必要です。
• 法務 の口述記録では、古風な言回しや固有の引用形式への適応が求められます。
• 金融サービス の通話では、汎用モデルが一度も学習していないティッカーシンボルや独自の金融商品名が登場します。

Google Research は2023年、合成されたアクセント音声で学習データを補強することにより、代表的なアクセントの性能を落とすことなく、マイナーなアクセントの認識精度を向上させられることを実証しました。当社は専門語彙にも同じ原理を適用しています。すなわち、システムが遭遇する正確な用語で学習分布を補強し、導入環境の実音声と照合して検証します。

会話状態の管理はエンジニアリングの課題であり、プロンプトの課題ではない

単純な音声エージェントは、全会話履歴をLLMのコンテキストウィンドウに投入し、何が議論されたかの追跡をモデルに依存します。これは短く直線的な対話では機能します。しかし、通話者が順不同で情報を提供したり、過去の発言を訂正したり、収集されたデータに基づいて会話が分岐したりする複雑なマルチターンの対話では破綻します。

当社は、会話状態を言語モデルから切り離す構造化対話管理を設計します。必須項目、検証ルール、分岐ロジック、エスカレーションのトリガーは、LLMが上書きできないステートマシン内に定義されます。モデルは、ステートマシンが設定した境界内でのみ自然言語の理解と生成を担当します。これにより、通話者が第7ターンで別の日付に言及した場合でも第3ターンですでに生年月日が提供されていたことを正しく追跡し、保険金請求が審査に回される前に15項目のデータフィールドがすべて揃っていることを確認し、明示的な承認なしに価格、期日、補償の決定をシステムが勝手に確約することを防止できます。

ヘルスケア向け音声AIにおいて、このアーキテクチャは選択肢ではなく必須です。 HIPAA は保護対象保健情報(PHI)を権限のない当事者に決して開示しないことを義務付けています。これは、対話マネージャーが会話レベルでアクセス制御を強制しなければならず、敵対的圧力やコンテキストウィンドウのドリフトによってLLMが無視する恐れのあるプロンプト指示に依存してはならないことを意味します。この信頼性への姿勢は、 ディープAIシステムにおけるアーキテクチャと信頼性に関する当社の調査で詳述しています。

誰も語らないNuanceの移行問題

Nuanceのオンプレミス音声スタックは、 2026年6月頃に継続サポート終了を迎え、およそ 30% のNuance顧客基盤が依然としてオンプレミス環境で稼働しています。MicrosoftはDynamics 365 Contact CenterやAzure AIサービスへの移行を推奨しており、HCLTechは大規模式な移行に向けて「Nuance Migration Factory」を開設しました。しかし真の課題はASRエンジンの交換ではなく、長年の本番運用で洗練されてきたVXMLグラマーに組み込まれた対話ロジックを保持することにあります。

エンタープライズのIVRツリーには、VXML自体以外にはどこにも記録されていないビジネスルール、例外処理、エッジケースが埋め込まれています。LLMベースのシステムでゼロから再構築する全面置換型の移行を行うと、旧システムがすでに対応していたエッジケースの再発見に何ヶ月も費やすことになります。当社はNuanceの移行を、 対話ロジックの抽出とそれに続くアーキテクチャの近代化: 既存のVXMLフローを解析し、ステートマシンとビジネスルールを移植可能な形式に抽出した上で、最新インフラ上に実装します。現実的な期間は、 18〜24ヶ月 (複雑なコンタクトセンターの場合)であり、ベンダーのマーケティングが謳うような90日間の計画ではありません。

規制コンプライアンスは後付けのオプションではない

米国の FCC は2024年、人工音声または事前録音音声に対する TCPA の規制がAI生成音声にも適用されることを確認しました。アウトバウンド通話を行うすべての音声AIは、情報提供通話では事前の明示的同意、マーケティング通話では事前の明示的な書面による同意を必要とします。違反した場合、過失の有無を問わない無過失責任のもと、 1通話あたり500〜1,500ドル の法定損害賠償が科されます。延期されていた個別同意(1対1同意)規則が発効する 2026年4月以降は販売事業者ごとの個別同意が義務付けられ、多くの音声AIベンダーが悪用してきたリード獲得の抜け穴が塞がれます。

TCPA以外にも、音声AIの導入は以下の規制に直面します:

• PCI-DSS (決済データを扱う場合) — カード番号がLLMに渡ったりログに出現したりしてはなりません。
• HIPAA (ヘルスケア対話向け) — BAA(事業提携契約)、最小限必要なアクセス権限、および監査証跡。
• 州レベルの規制 — コロラド州AI法(施行: 2026年6月)やイリノイ州BIPA(生体情報プライバシー法)。

当社の手法は、最初からパイプラインにコンプライアンスを組み込んで設計することです。同意取得および録音メカニズム、カードデータをAI処理経路から隔離するPCI適用範囲の音声ルーティング、通話者の管轄地域に応じた通話録音同意の処理、そしてシステムが「何を、なぜ発言したか」を正確に記録する監査証跡を整備します。

自社構築か、既製品購入か、それとも組み合わせか

「自社構築(Build)か既製品購入(Buy)か」という二者択一は、2026年の音声AIにおいてはすでに時代遅れです。真の意思決定は、 何をどう組み合わせるか(Compose)にあります。Daily発のPipecatやLiveKit Agentsといったオープンソースフレームワークは、ベンダーニュートラルなパイプラインオーケストレーションを提供します。ASR、LLM、TTSコンポーネントは個別に換装可能であり、電話網とは標準のSIPトランクやWebRTCを介して接続できます。問題は、自社のユースケースにおいてどこにカスタムエンジニアリングが必要で、どこなら既製品で真に十分であるかを見極めることであり、当社はその判断を誠実にお答えします。

ユースケースが標準的な英語話者による予約受付であり、規制上の制約もないのであれば、1分あたり0.07〜0.09ドルのプラットフォームが最適な解であり、当社も率直にそうお伝えします。すべてのプロジェクトは、レイテンシ予算、語彙の複雑さ、規制リスク、予測通話量、既存の電話インフラといった実際の要件定義から始まります。当社のプロジェクトは、アーキテクチャの設計、コンポーネントの選定、カスタム機能の構築、そしてクライアントのチームが分単位のベンダー依存なしに自社で保有・運用できるシステムの引き渡しまでをスコープとします。