NTT、人間に迫る応答速度の音声対話AIを開発　コールセンタ向けに平均0.43秒を実現

　NTTは10月26日、相手の発話を聞きながら同時に応答し、相槌、発話待ち、割込みに対応できる双方向型の音声対話AI技術を開発したと発表した。人手不足が深刻化するコールセンタ業務への適用をめざし、顧客体験（CX）の向上とオペレータの負荷軽減につなげたい考えだ。

　同社は技術のポイントとして3点を挙げる。1つ目は対話の自然性だ。ユーザーの音声を聞きながら同時に発話できる仕組みにより、「話す・聞く・待つ」を会話の流れに応じて切り替え、自然なタイミングでの応答や相槌、ユーザーからの割込みへの対応を可能にしたという。

　2つ目は、タスク指示文による対話内容の指定である。AIに与える指示文を変更するだけで、モデルを再学習することなく、予約受付や問い合わせ対応など業務ごとのトークフローで会話できるとしている。

　3つ目は、外部知識の自律参照・更新だ。対話の内容やユーザーの意図に応じて、AIが必要な外部機能を自ら呼び出し、データベースやCRMなどの外部システムにある商品情報、予約状況、顧客情報を参照・更新するという。


　NTTは対話のテンポを、平均応答時間、発話待ち成功率、割込み成功率の3指標で評価した。日本語のコールセンタ対話を模した400対話を使い、市中の商用対話AIと比較したところ、平均応答時間は0.43秒となり、他社サービスと比べて50％以上短縮したとしている。日本人オペレータの平均応答速度である0.31秒に迫る水準という。発話待ち成功率と割込み成功率も、他社サービスに匹敵する性能を確認したと説明している。

　学習では、NTTが長年培ってきた音声強調、音声認識、音声合成などの音声処理技術で対話音声データを高品質化したほか、AIに期待する振る舞いを含む疑似音声対話データも生成して活用したという。

　研究成果は、11月18日～25日に開催される「NTT R&D FORUM 2026」で展示する予定だ。コールセンタでの実運用を見据え、適用可能性を検証する共同実験も計画中という。