表現力モード
会話の文脈に応じて、トーン、タイミング、感情表現を調整する音声エージェントを構築します。
概要
表現力モードでは、意図、感情、強調を反映した音声をエージェントが生成し、ユーザーの話し方や発言内容にリアルタイムで適応できます。会話スタックに対する、次の2つのシステムレベルの改善を基盤としています。
- Eleven v4 Turbo — ElevenAgentsで利用できる、最も感情理解力と文脈認識力に優れたテキスト読み上げモデル。
- 新しいターンテイキングシステム — 中断を減らし、より正確なタイミングで応答します。
エージェントのTTSモデルとしてEleven v4 Turboを選択すると、表現力モードは自動的に有効になります。
Eleven v4 Turbo
Eleven v4 TurboはEleven v4のリアルタイム版で、中央値約100msのレイテンシーを実現し、ライブでの対話に最適化されています。ターンをまたいで会話の文脈を維持し、各やり取りのトーンと意図に合わせて表現を調整します。
- 文脈に応じた表現：会話の文脈に基づいてトーンを調整します。たとえば、ユーザーが心配しているように聞こえる場合はより落ち着いて、明確さが重要な場合はより直接的に応答します。
- 明示的な感情コントロール：正確なトリガーから幅広いシナリオまで、システムプロンプトのルールで表現を誘導し、ブランドボイスやコンプライアンス要件に合わせられます。
- 90以上の言語をサポート：Flashモデルの約32言語から拡大しました。
- 表現タグ：LLMは、特定の表現を制御するために
[laughs]、[whispers]、[sighs]などのタグを出力できます。
ElevenAgentsの料金は、すべてのプランで通話時間1分あたりの料金が1つだけ設定されており、TTS モデルごとの個別料金はありません。追加の通話時間は1分あたり0.08ドルで、LLMの使用量は別途請求されます。詳しくは ElevenAgentsの料金をご覧ください。
ターンテイキングシステム
新しいターンテイキングシステムは、感情的な手がかりや話し方のパターンを含むScribe v2 Realtimeからのリアルタイムシグナルを使用して、エージェントが発話、停止、待機すべきタイミングを判断します。これにより、特に感情が高まった状況でも、エージェントはより自然に応答できます。
たとえば、「うん」は完全な相づちの場合もあれば、そのまま話し続ける前置きの場合もあります。文字起こしに加えて、どのように発話されたか（韻律などの音声上の手がかり）を分析することで、システムはより自然なタイミングでエージェントの応答を返します。
ターンテイキングの動作は、ターン積極度設定でさらに調整できます。
設定
表現力モードを有効にする
TTSモデルを選択する
エージェントのTTSモデルをEleven v4 Turbo（eleven_v4_turbo）に設定します。このモデルでは表現力モードが自動的に有効になります。無効にするには、expressive_modeをfalseに設定します。
ダッシュボードで更新
CLIで更新
APIで更新
- ダッシュボードでエージェントを開き、Voicesの下にある音声を選択して、Agent voiceパネルを開きます。
- TTS model familyでV4 Turboを選択します。Expressive modeトグルがオンになり、その下のSuggested audio tagsにエージェントが使用できるタグが表示されます。
- Publishをクリックして変更を保存します。
システムプロンプトの例
システムプロンプトに自然言語の指示を記述して、エージェントの感情表現を誘導します。モデルはこれらを文脈に応じて解釈するため、あらゆる状況で明示的なタグは必要ありません。
大まかなガイダンス
特定のトリガー
表現タグを使用する
文脈に応じた表現に加えて、LLMは特定の箇所を制御する明示的なタグを出力できます。一般的なタグは次のとおりです。
[laughs]— 音声に笑い声を加えます[whispers]— 音量を下げてささやき声にします[sighs]— ため息のような表現を加えます[slow]— 発話速度を遅くします[excited]— 表現に興奮した雰囲気を加えます
各タグは、通常の表現に戻るまで、次の約4〜5語の発話に影響します。
ベストプラクティス
表現を文脈に合わせる
エージェントが状況に合わせて感情表現を調整するように誘導してください。不満を抱えている顧客には、落ち着いた共感的な応答が必要です。良い知らせを共有するユーザーには、心からの温かさが伝わる応答が必要です。トーンの不一致は信頼を損ないます。
一貫性のためにシステムプロンプトのルールを使用する
モデルの判断だけに頼るのではなく、システムプロンプトで明確なトーンのガイドラインを定義してください。これにより、ブランドボイスやコンプライアンス要件に沿った一貫性のある表現を実現できます。
複数の言語でテストする
表現力は言語によって異なる場合があります。特に会話の慣習が異なる言語では、意図した感情的なニュアンスが伝わることを確認するため、対象となる各言語でエージェントをテストしてください。
ターン積極度設定と組み合わせる
表現力モードは、適切なターン積極度設定と組み合わせてください。忍耐モードは感情的に繊細な会話でユーザーにより多くの間を与え、積極モードはテンポの速い対話に適しています。
モニタリングと改善を続ける
会話分析を使用して、ユーザーが表現力のある応答にどのように反応するかを追跡します。会話の結果とユーザーフィードバックに基づいて、トーンのガイドラインを改善してください。
制限事項
- 表現タグの効果は約4〜5語続いた後、通常の表現に戻ります。
- 表現力は音声と言語によって異なる場合があります。
FAQ
表現力モードの料金は高くなりますか？
いいえ。ElevenAgentsの料金は、すべてのプランで通話時間1分あたりの料金が1つだけ設定されており、表現力モードやTTSモデルに対する個別料金はありません。追加の通話時間は1分あたり0.08ドルで、LLMの使用量は別途請求されます。詳しくはElevenAgentsの料金をご覧ください。
表現力モードを有効にするには？
Agent voiceパネルで、TTS model familyの下にあるV4 Turboを選択します。このモデルでは表現力モードが自動的に有効になります。無効にするには、Expressive modeトグルをオフにするか、APIまたはCLIでconversation_config.tts.expressive_modeをfalseに設定します。
ターンテイキングシステムはどのように機能しますか？
システムは、感情的な手がかりや話し方のパターンを含むScribe v2 Realtimeからのリアルタイムシグナルを使用して、エージェントが応答すべきタイミングを予測します。文字起こしと、単語がどのように発話されたか（韻律）の両方を分析し、自然なタイミングで応答します。
Professional Voice Cloneで表現力モードを使用できますか？
Eleven v4 Turboは何言語をサポートしていますか？
Eleven v4 Turboは90以上の言語をサポートしており、Flashモデルの約32言語から拡大しています。
ElevenAgentsの他のTTSモデルと比べてどう違いますか？
Eleven v4 TurboはFlashおよびMultilingual v2よりも幅広い感情表現を提供し、会話の文脈に応じて表現を調整できます。Flashの約32言語と比べ、90以上の言語をサポートしています。