音声エージェント設定ガイド

本記事では、設定ページの上から下へのパネル順に沿って各パラメータを項目ごとに解説します。その役割、取り得る値の範囲とデフォルト値、そして適用されるエンジンモードについてです。音声エージェントは、ナレッジ、データベース、メモリなどの汎用機能を維持しつつ、音声エンジン、入力、出力、ウェルカムガイド、通話制御の 5 つの音声関連設定を新たに追加しています。

音声エージェントの基本概念と 3 種類のエンジンモードをまだ理解していない場合は、先に音声エージェント概要を読むことをお勧めします。

音声エンジン

音声エンジンパネルの最上部はエンジンモードセレクターで、Real-time model、ASR-LLM-TTS、LLM+TTS を切り替えられます。切り替えると、下部に表示されるモデルとパラメータもそれに応じて変化します。

Real-time model（REALTIME）

単一のリアルタイム音声大規模モデルがエンドツーエンドで「聞く — 考える — 話す」を完結させます。音声の入力と出力はいずれも同一モデル内でループし、途中で独立した音声認識と合成を経由しないため、遅延が最も低く、口調が最も自然です。

通常、私たちは Real-time model モードをより推奨します。遅延が最も低く、口調が自然で、ほとんどのリアルタイム音声シーンに適しています。OpenAI が間もなくリリースする Live モデルは、全二重リアルタイム音声をサポートするだけでなく、複雑なタスクに直面した際にバックグラウンドでより高性能なテキスト大規模モデルを呼び出せるため、将来的にリアルタイム音声の第一選択肢となるでしょう。

graph LR
  U([ユーザー音声]) --> RT[リアルタイム音声大規模モデル エンドツーエンド処理]
  RT --> A([音声応答])

Real-time model は認識、推論、合成をすべて 1 つのモデルに集約するため、設定項目が最も簡潔です。

Real-time model には独立した ASR / TTS 工程がないため、書き起こし指示、音声言語、TTS 記号クリーニング（削除 / 置換）などの設定は提供されません。これらの機能はモデル内に内包されています。

ASR-LLM-TTS

3 段階のフローです。音声はまずテキストに認識され、テキスト大規模モデルに渡されて推論され、応答が音声に合成されます。3 つの段階でそれぞれモデルを選択でき、制御性が最も高いモードです。

graph LR
  U([ユーザー音声]) --> ASR[ASR 音声認識]
  ASR -->|テキスト| LLM[テキスト大規模モデル 推論]
  LLM -->|応答テキスト| TTS[TTS 音声合成]
  TTS --> A([音声応答])

段階ごとの設定は次のとおりです。

削除と置換はいずれも半角カンマで複数の記号を区切ります。ペアの括弧（()、《》 など）は 1 つのまとまりとして入力すれば十分です。

LLM+TTS

音声入力に対応したマルチモーダル LLM が直接音声を理解し、独立した ASR 工程を省きます。モデルのテキスト応答は TTS に渡されて音声に合成されます。

graph LR
  U([ユーザー音声]) --> LLM[マルチモーダル大規模モデル 音声を直接理解]
  LLM -->|応答テキスト| TTS[TTS 音声合成]
  TTS --> A([音声応答])

設定項目は LLM（モデルパラメータとアイデンティティプロンプトを含む）と TTS（削除、置換を含む）で、意味は ASR-LLM-TTS と同じです。

入力

入力パネルは「Agent がどう聞くか」を制御し、その中心は VAD（音声区間検出）と添付ファイル認識です。

VAD 制御

VAD（音声区間検出）は、Agent がユーザーがいつ話し終えたか、割り込めるかをどう判定するかを決定します。調整可能なパラメータはエンジンモードと認識モードによって変化し、切り替えるとフォームもそれに応じて変わります。

• Real-time model：モデル付属の VAD を使用し、設定ページで認識モード（プリセットモードまたはセマンティックモード、デフォルトはプリセットモード）を選択できます。
• ASR-LLM-TTS / LLM+TTS：プラットフォーム内蔵の VAD を使用し、動作はプリセットモードと同等で、認識モードの切り替えは提供されません。

プリセットモード

音声信号によって区切ります。音量しきい値と無音時間によってユーザーが話し終えたかを判定し、動作が直感的で予測可能です。Real-time model（プリセットモード選択時）および ASR-LLM-TTS、LLM+TTS に適用されます。

セマンティックモード

Real-time model のみサポートします。モデルが意味を理解してユーザーが話し終えたかを判定し、固定の音量と無音しきい値に依存しなくなります。区切りがより自然で、間が多く語調がゆるい口語対話に適しています。

添付ファイル

出力

出力パネルは「Agent がどう話すか」を制御し、背景音とキャッシュ再生を含みます。

背景音

通話に環境音を重ね、音声対話により臨場感を持たせます。人声を覆い隠さないよう、音量は 0.2 前後に調整することをお勧めします。

キャッシュ再生

ウェルカムガイド

通話開始時のオープニング演出を設定します。多言語ごとの個別設定をサポートします。

通話制御

通話制御は、通話をより自然にし、無言の空回りを防ぐために使用します。切断メカニズムを設定することで無制限の占有を防ぎ、リソースと費用を節約します。

無言制御

沈黙しきい値に達したとき、自動的に追加質問を行うかプロンプトを再生して、ユーザーを対話に引き戻します。

通話の切断

最大通話時間または最大沈黙回数のいずれかの条件を満たすと切断をトリガーします。

共有機能パネル

音声エージェントもナレッジ、データベース、メモリなどの汎用 Agent 機能をサポートしており、設定方法は通常の Agent と同一です。エージェント関連ドキュメントを参照できます。注意点は次のとおりです。

• 有人サービスパネルは、音声エージェントでは当面「近日サポート予定」と表示されます。
• ツール、Workflow などのパネルは、音声エージェントでは表示されません。

各モードの設定項目対照

エンジンモードによって、設定ページに表示される項目がわずかに異なります。下表と照らし合わせてください。

パラメータをどう設定すれば業務により適合するかは、続けてベストプラクティスをお読みください。