Kabir Goel

Kabir Goel

Kabir Goelの執筆記事

ISDNとは:間もなく停止されるネットワーク

ISDNとは:間もなく停止されるネットワーク

ISDNは企業の電話をアナログから銅線上のデジタルへと移しました。現在キャリア各社が停止を進めており、英国の期限は2027年1月31日です。後継は何かを解説します。

チャットボットと会話AIの違いとは

チャットボットと会話AIの違いとは

チャットボットは会話するための製品、会話AIはそれを理解させる技術です。 両者の違いと、音声が果たす役割を解説します。

SIPプロトコルとは?Session Initiation Protocolを解説

SIPプロトコルとは?Session Initiation Protocolを解説

SIPは、IPネットワーク上で音声・ビデオ通話を設定、管理、終了する シグナリングプロトコルです。通話の確立方法、メソッドとレスポンス コードの意味、そしてSIPが音声エージェントと出会う場面を解説します。

VoIPのジッターとは?測り方と直し方

VoIPのジッターとは?測り方と直し方

ジッターとは音声パケットの到着タイミングのばらつきのこと。原因、聞こえ方、 30msという目安、そして電話システムや音声エージェントで途切れる通話を 直す方法を解説します。

CPaaSとは?通信APIレイヤーの解説

CPaaSとは?通信APIレイヤーの解説

CPaaSは、通話・SMS・認証を自社アプリに組み込むためのAPIモデルです。対象範囲、料金の仕組み、主要プロバイダー、音声エージェントとの関係を解説します。

コールセンター指標:FCR、AHT、そして本当に重要なもの

コールセンター指標:FCR、AHT、そして本当に重要なもの

一次解決率、平均処理時間、転送率、CSAT。計算式と現在のベンチマーク、そして電話に出るのが音声エージェントになると何が変わるかを解説します。

Discord TTSボット:追加するか、自分で作るか

Discord TTSボット:追加するか、自分で作るか

Discordのボイスチャンネルでテキスト読み上げを使う2つの方法:ホスト済みボットを招待するか、discord.jsとCartesiaで自分で作るか。動作するコード付き。

Speech-to-Speechモデルとカスケード型音声エージェントの比較

Speech-to-Speechモデルとカスケード型音声エージェントの比較

Speech-to-Speechモデルは音声を受け取り、音声で返します。STT・LLM・TTSのカスケード型エージェントと、レイテンシ、コスト、制御、声で比較します。

P95・P99レイテンシとは?テールレイテンシの測り方

P95・P99レイテンシとは?テールレイテンシの測り方

P95・P99レイテンシは、リクエストの95%・99%がそれ以内に収まる応答時間です。パーセンタイルの仕組み、Pythonでの測り方、テールが音声AIに効く理由を解説します。

Twilioの料金(2026年):通話、SMS、AIエージェント

Twilioの料金(2026年):通話、SMS、AIエージェント

2026年のTwilioの料金を解説。音声の分単価、電話番号、SMSとキャリア手数料、SIPトランキング、Conversation Relay、AI音声エージェントの総額まで。

Pythonで音声認識:ファイル・ストリーミング・マイク

Pythonで音声認識:ファイル・ストリーミング・マイク

Pythonで音声を文字起こしする3つの方法を解説します。録音ファイル、ターン検出付きのリアルタイムストリーミング、マイク入力。動作確認済みのコードと、ライブラリの選び方です。

G.711コーデックとは?mu-law・A-lawと8kHzの電話音声

G.711コーデックとは?mu-law・A-lawと8kHzの電話音声

G.711は多くの電話で使われるコーデックです。8kHz、1サンプル8ビット、μ-lawかA-law。仕組み、デコード方法、音声エージェントへの影響を説明します。

感情表現のある音声合成:感情の付け方と制御

感情表現のある音声合成:感情の付け方と制御

感情表現のある音声合成の仕組み。テキストからの感情の推定、タグ、話し方のスタイル、プロンプトを主要APIごとに比較し、コード例と評価方法を紹介します。

DTMFとは?トーンの周波数と音声AIでの使い方

DTMFとは?トーンの周波数と音声AIでの使い方

DTMFは、電話のキーを押したときに送られる2つの音の組み合わせです。周波数、VoIPでの伝送方法、数字が届かない原因、音声エージェントでの使い方を説明します。

IVRテストの種類とツール、音声エージェントの検証

IVRテストの種類とツール、音声エージェントの検証

IVRのテスト方法を解説します。電話メニューの機能テスト、回帰テスト、負荷テスト、音声認識テストと、通話ごとに応答が変わるAI音声エージェントの検証方法。

OpenAI Whisper APIの料金(2026年):モデル別に解説

OpenAI Whisper APIの料金(2026年):モデル別に解説

Whisperは1分$0.006。2026年のOpenAI文字起こし料金をすべて整理し、2027年2月の提供終了と、それまでの移行先をまとめました。

Deepgramの料金(2026年):STT、TTS、エージェント

Deepgramの料金(2026年):STT、TTS、エージェント

2026年のDeepgramの料金を解説。音声認識の分単価、Aura・Flux TTS、Voice Agent APIの料金ティア、アドオン、Growthプランをまとめました。

会話型AIの事例:本番運用の12社

会話型AIの事例:本番運用の12社

本番で動いている会話型AIの事例12件。サポート、医療、住宅、融資、営業、ゲーム。それぞれ何をしていて、何が変わったのか。

オープンソースTTSモデル比較:ライセンスで選ぶ

オープンソースTTSモデル比較:ライセンスで選ぶ

Kokoro、Chatterbox、Piper、Orpheus、VibeVoice、XTTSなど。商用利用できるオープンソースの音声合成モデルと、その評価スコア。

銀行の会話型AI:顧客からの電話対応

銀行の会話型AI:顧客からの電話対応

銀行の会話型AIは顧客からの電話に応答します。得意な業務、線引きの位置、カード情報をモデルに渡さない方法、パイロットの進め方を解説します。

医療の会話型AI:患者からの電話対応

医療の会話型AI:患者からの電話対応

医療の会話型AIは患者からの電話に応答します。得意な業務、臨床との境界線、HIPAAの要件、パイロットの進め方を解説します。

ウォームトランスファーとは?コールドトランスファーとの違い

ウォームトランスファーとは?コールドトランスファーとの違い

ウォームトランスファーは発信者を紹介してから電話を引き継ぎ、コールドトランスファーは紹介なしで転送します。仕組み、使い分け、音声エージェントによる転送を解説します。

WebRTCとWebSocketの違い:リアルタイム音声にはどちらを使うか

WebRTCとWebSocketの違い:リアルタイム音声にはどちらを使うか

WebSocketはTCP上で順序どおりにメッセージを送り、WebRTCはジッターバッファと損失回復を備えてUDP上で音声を送ります。音声AIでの使い分けを解説します。

コンタクトセンターの自動化:最初に自動化すべきもの

コンタクトセンターの自動化:最初に自動化すべきもの

コンタクトセンターの自動化を層ごとに整理します。最初に自動化する通話、音声エージェントが解決に必要なもの、1分あたりのコスト、測定すべき指標を解説します。

SIPトランクとは?仕組みと音声AIでの使い方

SIPトランクとは?仕組みと音声AIでの使い方

SIPトランクは、電話システムと通信事業者の間の通話をインターネット経由で運びます。 仕組み、VoIPやPRIとの違い、AI音声エージェントへの接続方法を説明します。

MOS(平均オピニオン評点)とは?

MOS(平均オピニオン評点)とは?

MOSは聴取者の評価を1〜5で平均した値です。計算方法、通話とTTSそれぞれでのよいスコアの目安、そして2つのMOSがほとんど比較できない理由を解説します。

対話型AIデザイン:音声エージェントのための設計ガイド

対話型AIデザイン:音声エージェントのための設計ガイド

音声向けの対話型AIデザイン。耳で聞く前提の書き方、ターンと割り込みの扱い、確認すべき情報、失敗時の動きと人への引き継ぎを解説します。

ニューラルTTSとは?ニューラル音声の仕組み

ニューラルTTSとは?ニューラル音声の仕組み

ニューラルTTSは、学習済みのニューラルネットワークでテキストを音声に変換します。その仕組み、標準音声との違い、そして「ニューラル」が請求額でいくらになるのかを解説します。

AIコールドコールとは:仕組みと構築方法

AIコールドコールとは:仕組みと構築方法

AIコールドコールは、自ら発信し、見込み客を見極め、商談を予約する音声エージェントです。通話費用、同意に関する法律、2つの構築方法を解説します。

オンプレミス音声AIとは:仕組みと導入方法

オンプレミス音声AIとは:仕組みと導入方法

音声認識、言語モデル、音声合成を自社ネットワーク内で実行するオンプレミス音声AI。クラウド、VPC、オンプレミス、エアギャップ構成を比較します。

AI音声エージェントとは:仕組みと構築方法

AI音声エージェントとは:仕組みと構築方法

AI音声エージェントの仕組みと、通話者が会話を続けられるかを左右するレイテンシ、ターン交代、テストの判断を解説します。

音声区間検出:音声エージェントのためのVAD

音声区間検出:音声エージェントのためのVAD

音声区間検出の仕組み、ターン検出との違い、リアルタイム音声エージェントで間や割り込みを扱う方法を解説します。

単語誤り率とは。音声AIのWERでは測れないもの

単語誤り率とは。音声AIのWERでは測れないもの

単語誤り率が測るもの、TTS評価で判断を誤らせる理由、実際の会話で重要な音声品質の検証方法を解説します。

対話型IVRとは?電話メニューを置き換える方法

対話型IVRとは?電話メニューを置き換える方法

対話型IVRは、キーを押す代わりに用件を話すだけで電話を振り分ける仕組みです。動き方、音声エージェントの役割、切り替え前に検証すべきことを解説します。

AIコールセンターとは?仕組みと費用、試験導入の進め方

AIコールセンターとは?仕組みと費用、試験導入の進め方

AIコールセンターは音声エージェントで電話に応答し、用件を解決します。通話の流れ、1分あたりの費用、評価表付きの試験導入の手順を解説します。

AI受付:既製品を買うか、自分で構築するか

AI受付:既製品を買うか、自分で構築するか

既製のAI受付と独自の音声エージェントを比較し、予約、人への引き継ぎ、費用、最初の着信のテストを計画します。

SpeechSynthesis API:JavaScriptで音声合成する方法

SpeechSynthesis API:JavaScriptで音声合成する方法

window.speechSynthesisの仕組みを解説。メソッド、rate・pitch・volumeの範囲、イベント、そのまま使えるJavaScriptの読み上げデモを紹介します。

Pythonで音声合成:音声をWAVファイルに保存する

Pythonで音声合成:音声をWAVファイルに保存する

PythonとCartesia SDKでテキストからWAVファイルを生成します。APIキーの設定、声の選択、音声や認証に関するよくあるエラーへの対処を解説します。

Four copies of the same looping line glyph in a row, drawn in pale green, mid green, grey and dark green

Claudeの大部隊を育てるソフトウェアエンジニアを募集しています

コードを書くことは解決したように感じます。でも、エンジニアリングはまだです。その差を埋める人を募集しています。

[エンジニアリング]

今すぐ始める

専門家に相談する。

音声体験の開発にCartesiaをどう活用できるか、私たちのチームにご相談ください。

営業に問い合わせる

開発を始める。

APIでモデルにアクセスし、数分で音声エージェントを本番環境に導入できます。

Cartesiaを試す