会話型AIとは何ですか？
会話型AIは、自然な言葉の入力から相手の意図を理解し、複数のやり取りを通じて応答するソフトウェアです。よく知られているのはチャットアシスタントです。音声に応用したものが音声エージェントで、話している間に聴き、話し終わりを判断して声で答えます。割り込みにも、話の流れを保って対応します。
音声にはチャットにない制約があります。チャットボットは返答の開始に3秒かけられても、電話では相手が切ってしまいます。人は話の途中で言葉を止めたり、エージェントにかぶせて話したりしながら、会話が続くことを期待します。だから言語モデルの周辺処理も同じくらい大切です。発話中の文字起こし、間が「次はあなたの番」を意味するかの検出、1秒以内に戻り始める音声ストリーミングが必要です。
音声処理の全体をストリーミングで
世界中で、自然に、流暢に
Sonicで世界の市場へ。44言語と多様なアクセントを、ネイティブ話者の品質で提供します。
Managed Agentsに会話処理を任せる
Managed Agentsが会話の処理を接続します。LLMを選び、ツールや転送先、ナレッジベースを接続して電話番号を取得します。エージェントを設定すれば、Cartesiaがその下のストリーミング処理を運用します。
おすすめの用途
- カスタマーサポート・ヘルプデスク
- 受付・日程調整
- コールセンターの自動化
- キャラクター・アバター・玩具
さらに詳しく
よくある質問
会話型AIとは何ですか？
自然な言葉で会話するソフトウェアです。話した内容や入力した文章から意図を理解し、複数のやり取りにわたって応答します。チャットボットも音声エージェントも会話型AIです。音声の場合は、ライブ音声をリアルタイムに処理する必要があります。
ChatGPTは会話型AIですか？
はい。ChatGPTはテキストを中心とする会話エージェントです。音声エージェントは話し言葉で同じ役割を果たし、ストリーミング文字起こし、ターン検出、低遅延音声といったリアルタイムの要件が加わります。
チャットボットと音声エージェントはどう違いますか？
扱う情報とタイミングが異なります。チャットボットは文章を読み書きし、応答まで時間をかけられます。音声エージェントはライブの発話を文字にし、話し終わりを判断し、自然な会話が続く速さで声にして応答します。タイミングを逃すと、話者がかぶせて話したり電話を切ったりします。
音声エージェントにはどのくらいの応答速度が必要ですか？
音声入力をしている感覚ではなく、電話で会話している感覚になる速さが必要です。CartesiaのSonicは生成と同時に音声をストリーミングし、モデル遅延は90ミリ秒未満。通常は1秒を大きく下回る時間で再生が始まります。
Cartesiaで会話する音声エージェントを作れますか？
はい。二つの方法があります。Managed Agentsでは、LLM、ツール、ナレッジを使う電話エージェントを数回の操作で作れます。会話の処理を自分で構築する場合は、APIやSDKからSonicとInkを使えます。
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。
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。