会話型AIにおけるターンテイキングとは？自然な会話の流れを作るガイド

優れたカスタマーサービスには、卓越した会話スキルが必要です。特に重要なのは、聞く力と話すタイミングを知ることです。そうでなければ、問題を説明するために何度も電話している、すでに不満を感じている顧客の話を遮ってしまうおそれがあります。

同じ基準が、会話型AIのターンテイキングにも求められます。エージェントは、相手が話せる十分な間を取りつつ、レイテンシーや無音状態によって会話の質を下げないよう、長く黙りすぎない繊細なバランスを取る必要があります。

そのため、現代の会話におけるターンテイキングでは、厳格な無音タイマーではなく、モデルが発話意図をすばやく評価する必要があります。ElevenLabsの統合アーキテクチャは、口調、リズム、言葉の文脈を継続的に分析し、会話を軌道に乗せながら自然な流れを維持します。

概要

• カスタマーサービスチームは、音声エージェントにターンテイキングを学習させ、より少ない摩擦で迅速に問題を解決しています。
• ターンテイキングは、モデルが応答・対話するタイミング、発話権を維持するタイミング、聞く・黙るタイミングを判断するうえで重要です。
• AIエージェントは、適応型タイミング、音声活動検出、セマンティック分析を活用して、自然な会話の流れを維持します。
• エンジニアリングチームは、応答レイテンシーと中断率を追跡し、会話の流れを測定してワークフローを最適化します。

会話型AIにおけるターンテイキングとは？

会話型AIモデルがターンテイキングを行う際は、最適なタイミングを決める一連のルールに従います。

• 応答または対話： この場合、AIエージェントは質問に直接答えます。たとえば顧客が口座残高を尋ねると、システムは「口座残高は57.34ドルです」と応答します。
• 発話権を維持： この場合、モデルは間を置いている間も、まだ話し終えていないことを示しながら発話を続けます。たとえば顧客が口座残高を尋ねると、「まず、送信いただいた情報を使って口座を確認します… [pause]。口座残高は57.34ドルです。ただし… [pause] その金額の支払いが保留中になっています。延滞料金なしでその支払いがいつ処理されるかを確認するためのお電話でしょうか？」と応答します。
• 聞く、または黙る： この時点では、エージェントは顧客が状況を説明するか応答するまで沈黙を保ちます。たとえば顧客が、支払いを送信してから数日経っているため、処理済みか確認したかったと伝えた場合、AIモデルは「はい、お支払いの送信から2日経過していることを確認できます。通常、処理には3日かかるため、明日の朝までには処理されるはずです。延滞料金は請求されません。ほかにお手伝いできることはありますか？」と応答します。

デベロッパー向けドキュメントでは、これをターン検出またはターン終了検出と呼ぶことがよくあります。話者が話し終えたかどうかを判断するために、音声活動検出と言語理解を組み合わせるシステムは、セマンティックVADと説明されることがよくあります。

この流動的な顧客との対話維持方法により、硬直したトランシーバーのようなメッセージをなくし、音声エージェントを自然な会話へと進化させます。

また、この3段階の会話型AI意思決定レイヤーは、生の音声活動検出（VAD）とは異なります。VADがオーディオを発話または無音に分類するのに対し、会話におけるターンテイキングは、生の信号に加えて意味的文脈、意図、プロソディを考慮します。VADのガイドで、発話検出アルゴリズムの仕組みと必要な理由を詳しくご確認ください。

自然なターンテイキングが音声エージェントに不可欠な理由

不適切なターンテイキングは、顧客をいら立たせる最も早い方法です。特に、性能の低いボットとの会話にすでに抵抗感を抱いている顧客にはなおさらです。古い会話型AIエージェントは、通話者にかぶせて話したり、不自然で長い間を作ったり、会話についていけなかったりします。

ElevenAgentsは適応型タイミングを使用し、自動化エージェントが自然な会話のリズムを維持できるようにします。この正確なタイミングは、モデルの能力に対する顧客の信頼を築きます。ひいては、導入したテクノロジーと、顧客満足へのブランドの取り組みに対する信頼も高めます。

ElevenAgentsでEleven v4 Turboを使用する場合、リクエストから音声が聞こえるまでの時間の中央値は142msです。

さらに、適切なタイミングでの会話ターンテイキングにより、顧客の関心を十分に維持し、人間のエージェントへエスカレーションせずに初回で問題を解決できます。

会話のターンテイキングがリアルタイムで機能する仕組み

リアルタイムの会話ターンテイキングでは、ライブオーディオを継続的に分析する多層パイプラインを使用します。モデルは、流れるような会話を維持する最善のアクションを判断するために、複数のルールも活用します。ElevenAgentsは、各やり取りを自然かつ迅速に保つため、これらを3つの明確な段階で処理します。

発話、無音、意図を検出する

音声活動検出は、入力オーディオストリームを毎秒数十回、発話または無音として解釈・分類します。VADが生の信号を提供した後、意図検出が、人間の話者が実際に話し終えたのか、単に考えるために間を置いたのかを判断します。ターンの完了を確認する要素には、下降するイントネーションや構文的に完結した文が含まれます。一方、語尾の上がり調子や「えーと…」「その…」といったフィラーワードから、一時的な間を検出することもあります。

応答するタイミングを決める

応答の遅れは通話者が会話を離脱する原因になり得るため、モデルがいつ応答するかの判断は、成功を左右する最も重要な要素の一つです。従来の音声アーキテクチャでは、相手が本当に話し終えたタイミングを判断するために制約の多いタイマーに頼ることが多く、その結果、通話者が再び話そうとした際に遮ったり、不快な無音を生み出したりすることがあります。現代の会話型AIにおけるターンテイキングは、ディープラーニングを用いて、プロソディ、発話速度、フィラーワードといった手がかりを完全に理解します。

聞き取りから音声出力までの応答レイテンシーを管理する

Journal of Cognitionに掲載された言語学研究によると、人間同士の話者間に生じるターンの間隔は平均約200msであり、これは文化を問わず共通しています。そのため、応答に大幅に長い時間がかかるモデルは不自然な間を生み出します。これがいら立ちにつながり、通話放棄率を高めます。

中断、バックチャネル、発話の重複への対応

プロバイダーと、その会話型AIモデルのプログラミング方法によって、エージェントが中断、バックチャネル、発話の重複にどの程度対応できるかが決まります。

バックチャネルとは、聞き手が「なるほど」「はい」などの短い相づちや言葉を使い、発話権を取らずに話を理解していることを示すことです。音声エージェントは、これらの手がかりをバージインの兆候ではなく、話し続けるべきサインとして理解する必要があります。

ElevenAgentsは、通話者が実際に割り込んだ場合、即座に発話権を譲ることでライブの重複発話に対応します。通話者が口座情報を訂正したり会話内容を変更したりするために割り込むと、ElevenAgentsは200ms未満で停止シグナルを送信します。これにより、エージェントは予定していた文を最後まで話すのではなく、フレーズの途中で発話を止めます。

ディープラーニングモデルは、バックグラウンドノイズを継続的に除去し、本当の中断と、同意や思考を示すフィラーワードを区別します。たとえば、エージェントの発話中にユーザーが「なるほど…」や「うーん…」と言った場合、発話は重複していますが、割り込もうとしているわけではありません。

このような機能により、音声エージェントは、意図の強いバージインが発生する場面でも、正確な応答時間と自然な流れを維持できます。

ターンテイキングでよくある失敗と防止方法

会話型AIモデルには、音声エージェントを設定する際にエンジニアリングチームが考慮すべき主な失敗パターンが3つあります。

• 早すぎるエンドポインティング： 過度に積極的なタイムアウトにより、通話者が考えたり情報を探したりするために文の途中で置いた間を、ターンの終了と誤認することがあります。これにより、音声エージェントが頻繁に話を遮り、顧客をいら立たせます。
• 無音状態と応答遅延： 無音しきい値が過剰に長いと、不自然で長い間が生じ、離脱率が上昇する可能性があります。こうした遅延により、音声エージェントは遅く、反応が鈍いように見え、カスタマーエクスペリエンスとブランドイメージに悪影響を及ぼします。
• フィラーとノイズによる誤トリガー： 調整が不十分なモデルは、環境音、咳、聞き手のバックチャネルも本当の中断として解釈する可能性があります。その結果、顧客が実際には聞いていて割り込もうとしていない場面でも、モデルが不要に一時停止または停止します。

エンジニアは、文脈対応の言語モデルを備えたElevenAgentsを導入することで、これらの問題を防げます。VADと組み合わせたこの適応型アプローチにより、誤った打ち切り、遅すぎる応答、バックグラウンドノイズへの過敏な反応をなくせます。

ElevenAgentsでターンテイキングを設定する方法

ターンテイキングの適切な設定は、ユースケースと、エージェントが受ける一般的な通話内容によって異なります。ElevenAgentsでは、エージェント設定で上記の各失敗パターンを細かく調整できます。

• 早すぎるエンドポインティング： 通話者が電話番号、メールアドレス、住所などの機密情報を読み上げる場合は、ターンの積極性をPatientに設定します。積極性には3つのレベルがあります。Eagerはより速く応答し、Normal（デフォルト）は自然な切れ目まで待機し、Patientは最も長く待機します。ユースケースに合わせて無音タイムアウトも調整できます。たとえば、応答性が重視されるカスタマーサービスでは5～10秒、免責事項では15～30秒に設定します。デフォルト値と推奨範囲は、チャネルやシナリオによって異なります。
• 無音状態と応答遅延： 速度が重要なカスタマーサービス通話では、Eagerの積極性を使用します。推測的ターンでは、エージェントが通話者の発話終了を確信する前に言語モデルの応答を開始するため、レイテンシーを削減できますが、LLMコストが増加する可能性もあります。ソフトタイムアウトでは、モデルが遅い場合に短いフィラーのフレーズを再生できます。推奨値は3秒です。
• 誤トリガーと不要な中断： 「そうですね」などの相づちを無視リストに追加し、エージェントを中断しないようにします。法的な免責事項を読み上げるときのように、すべての言葉を聞き取る必要がある場合は、中断をオフにします。エージェントは通話者の発言を文字起こしし、次のターンに渡すことができます。「少し待ってください」のようなフレーズには、skip-turnツールを使うとエージェントを待機させ、指定時間後に再確認できます。

これらの設定を最も効果的に使うには、Workflowsと組み合わせます。これによりエージェントは、たとえばカジュアルな会話ではNormal、電話番号を収集するステップに達したときはPatientというように、ターンの積極性を動的に切り替えられます。まずはデフォルト設定から始め、以下の中断率と応答レイテンシーの指標に基づいて、積極性とタイムアウトを調整してください。

会話型AIにおけるターンテイキングの品質を測定する方法

品質保証チームには、会話型AIにおけるターンテイキングを評価するための具体的な運用指標が必要です。テクノロジーや設定上のパフォーマンスから、実際の影響へと評価の軸を移す必要があります。簡単に言えば、「自然に感じるかどうか」だけではなく、より多くのことを測定する必要があります。

考慮すべき主な指標は、中断率と応答レイテンシーの2つです。中断率はモデルが通話者を誤って遮る頻度を測定し、応答レイテンシーは相手が話し終え、応答を待っている際にモデルが応答するまでの時間を追跡します。ElevenAgentsはすべての通話で両方の指標を記録するため、チームは手作業で文字起こしをレビューすることなく、データを使って音声活動検出のしきい値を最適化できます。会話型AIの測定に関するガイドで、評価フレームワークの詳細をご確認ください。

QAチームは、モデルを評価するための体系的なサイクルを作ることで、高い精度を維持します。以下は、一般的なチームで使用されるスケジュールの例です。

最後に、自動化された指標を利用できる場合でも、QAチームは手動レビュー用に一部のデータを抽出する必要があります。テキストの文字起こしだけでなく生のオーディオファイルを確認することで、より正確なデータを得られます。テキストの文字起こしには別の自動化レイヤーが加わるため、特に発話が重複する箇所では、文字起こしツールのエラーを見逃す可能性があるためです。

ElevenAgentsで自然な音声会話を始める

問題をすばやく解決する人間らしい音声エージェントは、運用効率を高めながらコストを削減します。ただし、こうしたメリットを得るには、ターンテイキングを適切に処理できるよう微調整可能な高度なAIモデルを使用する必要があります。エンジニアリングチームはElevenAgentsを導入することでこれを実現できます。統合アーキテクチャは、音声活動検出と意味理解を組み合わせ、自然な会話の流れを維持してレイテンシーを削減します。

ElevenAgentsのターン検出ドキュメントで、カスタマーサポートチーム向けに自然な会話のターンテイキングを設定するか、登録して始めましょう。

よくある質問