音声AI「Prism」登場、発言内容を事前にテキストで確認できる仕組みを搭載

Rimeが、人間と区別しにくいほど自然に会話できる音声AI「Prism」を発表しました。最大の特徴は、ユーザーの声を直接理解して返答を考えながらも、実際に話す前に返答内容をテキストとして出力する仕組みを備えている点です。企業側は出力されたテキストを設定したルールに沿って確認し、必要であれば修正することができます。

Prismはユーザーの音声に約0.3秒で反応できるほか、会話をしながら外部ツールを呼び出すことも可能です。電話応対中に顧客情報を照会する場面などでの利用が想定されています。人名やアカウントに関する用語の発音をカスタマイズする機能も備えています。

Rimeは、航空会社や小売業者、通信事業者への問い合わせを想定した音声AIの評価テスト「τ-Voice」を実施しました。Prismはタスク成功率56.6%を記録し、回答前に追加の推論処理を行わないOpenAIやGoogleのリアルタイム音声モデルを17〜30ポイント上回ったといいます。通信分野のテストでは、OpenAIの「GPT-Live-1」の成功率45.6%に対し、Prismは82.5%でした。最初の音声を出力するまでの時間も0.57秒で、比較対象のモデルの約半分だったとのことです。

Prismは記事作成時点で一部企業向けに試験提供されており、一般向けAPIは今後公開される予定です。企業ごとの会話データを使って追加学習させるためのAPIも、試験導入企業と協力しながら開発が進められています。

音声AIには大きく分けて2つの方式があります。ひとつは、人間の発言をいったん文字に変換し、AIが考えた回答を再び音声に変換する方式です。処理の仕組みが分かりやすい一方、文字に変換する過程で怒りやためらい、笑い声といった声ならではの情報が抜け落ちやすく、会話が不自然になりがちでした。

もうひとつが、音声を直接理解して返答する方式です。声の調子を踏まえた自然な応答ができる半面、AIが話す内容を企業側が事前に確認したり修正したりすることが難しいという課題を抱えていました。顧客情報や金額を正確に伝える必要がある電話応対では、この「内容管理のしにくさ」が導入の壁になっていたといいます。

Prismは、直接音声を理解する方式の自然さを保ちながら、発言前にテキストで内容を確認できる仕組みを組み合わせることで、この課題への対応を図ったモデルといえます。開発元のRimeは、AIが話している最中もユーザーの声を聞き続ける設計にしており、会話の途中で相手が割り込んで発言した場合にも対応できるようにしているとのことです。