Kotoba Technologiesは11月11日、顧客体験（CX）向けAIプラットフォームを提供する米Crestaと協業すると発表した。

Kotoba Technologiesの音声認識（Speech-to-Text）および音声合成（Text-to-Speech）モデルを、Crestaのコンタクトセンター向けVoice AIエージェントに提供する予定だ。日本語をはじめとする多言語での電話応対の自動化を進め、より自然なリアルタイム音声対話の実現を目指す。

  • サービスイメージ

CrestaのVoice AIに音声認識・音声合成モデルを提供へ

今回の協業では、Kotoba Technologiesが自社開発した音声認識モデルと音声合成モデルをCrestaに提供する。Crestaは、これらを自社のAIプラットフォームへ組み込む予定だ。

音声認識では、顧客の発話をリアルタイムでテキスト化。テキスト化した情報は、AIエージェントによる応対や有人オペレーターのリアルタイム支援、会話分析などに利用する。

音声合成では、AIエージェントが生成した応答を音声として読み上げる。自然な抑揚や間を備えた音声を即座に生成することで、円滑な会話を目指す。

対応言語は日本語、韓国語、中国語、英語などを予定する。2026年から順次提供を開始する計画だ。Crestaのプラットフォームを通じ、同社のエンタープライズ顧客への提供を予定している。

電話応対で課題となる遅延や聞き取り精度に対応

コンタクトセンターでは、人手不足や入電量の変動、応対品質のばらつきなどが課題になっている。こうした背景から、電話応対を自律的に担うVoice AIエージェントへの需要が高まっているという。

一方、電話を介した音声コミュニケーションには特有の難しさがある。

電話回線の音質や周囲の雑音は音声認識に影響を与える。固有名詞や数字を正しく認識することも課題になる。相づちや話し始めるタイミングなど、会話のテンポを自然に再現する技術も求められる。

従来の音声システムでは、こうした要因が回答までの待ち時間や聞き返しにつながることがあった。音声が機械的に聞こえることも、顧客体験を損なう要因になり得るという。

日本語では敬語表現や同音異義語も考慮する必要がある。日本語は、高品質な音声認識と音声合成を実現する難易度が高い言語の1つだとKotoba Technologiesは説明する。

今回の協業では、Kotoba Technologiesの音声技術とCrestaのCX向けAIプラットフォームを組み合わせる。これにより、人と話しているような電話応対の実現を目指す。

日本語など東アジア言語に強みを持つ音声AIモデル「Koto」

Kotoba Technologiesの「Koto」は、超低遅延のリアルタイム処理向けに開発された音声AIモデルである。音声認識と音声合成に加えて、音声から音声への翻訳（Speech-to-Speech）にも対応する。

特徴の1つが、日本語をはじめとする東アジア言語への対応である。日本語、韓国語、中国語などについて、高い認識精度と自然な発音の実現をうたう。

音声合成では、発話時の抑揚や間合いの再現に対応する。機械的に聞こえにくい自然な音声を生成するという。

Kotoba TechnologiesとCrestaは今後、対応言語やユースケースを拡大する計画だ。業界ごとの顧客体験の最適化にも取り組み、連携を深めていく方針を示している。