リアルタイムで話す会話型AI

会話型AIプラットフォームとは、会話エージェントを構築して運用するためのソフトウェアです。ユーザーの発言を言語モデルに渡して応答を返し、各会話に必要な電話回線、ツール連携、通話記録を提供します。Cartesiaのプラットフォームは音声向けで、ストリーミングの音声認識・音声合成モデルと、電話エージェントを最初から最後まで運用するManaged Agentsを備えています。

はい。ChatGPTは主にテキストで動く会話型AIです。音声エージェントは同じことをライブ通話で行うため、届いた音声をその場で文字起こしし、間を空けずに応答するというリアルタイムの処理が加わります。

音声の会話型AIとは、入力する代わりに話しかける会話型AIです。話した内容を文字起こしし、言語モデルから応答を得て、自然なやり取りが続く速さでその応答を声に出します。電話エージェント、音声アシスタント、話すキャラクターはどれもこの技術を使っています。

相手がまだつながっているのかと発信者が思わない速さです。人の会話に関する研究では、返答までに約700ミリ秒を超える間があると「いいえ」の前触れになりやすいとされています。Cartesiaの音声合成は最初の音声まで90ms未満でストリーミングを始めるため、その時間の大半を音声認識とLLMに回せます。

はい。Freeプランには毎月、音声エージェント用のプリペイド利用枠が含まれ、クレジットカードなしで登録できます。

はい。Ink（音声認識）とSonic（音声合成）はAPIとSDKで利用できるため、Managed Agentsを使わずに独自のパイプラインを動かせます。

はい。CartesiaはSOC 2 Type IIの認証を取得しており、HIPAAとGDPRに対応しています。EnterpriseプランではDPAとBAA、SSO、オンプレミスまたはVPCへのデプロイが追加されます。