定義
バックチャネル（相づち）とは、他の人が話している間に聞き手が返す「うん」「そうですね」「はい」などの短い反応です。発話権を取らずに注意を向けていることを示します。音声エージェントにとっては、割り込みとして扱ってはならない音です。
バックチャネルの仕組み
普通の会話では、聞き手は黙っていません。話し手が話している間に「うんうん」「ええ」と言ったり、うなずいたり、「続けて」という意味の小さな音を出したりします。言語学者はこれをバックチャネルと呼びます。短く、たいてい話し手の文の自然な切れ目に入り、話し手はそれを返答として扱わずに話し続けます。
ここが重要な性質です。バックチャネルは発話権を取りません。「ええ」と「待ってください、その住所は違います」は、どちらもエージェントが話している間に始まる短い発話ですが、その後の動作を変えるのは後者だけです。
音声エージェントにとって重要な方向は2つあります。
- バックチャネルを聞き取る。 エージェントが説明している間に、発信者が「はい」「なるほど」と言います。エージェントは話し続けるべきです。この音を割り込みとして扱うと、文の途中で止まって続きを待ち、発信者が「どうぞ」と言う羽目になります。
- バックチャネルを返す。 発信者が長い番号を読み上げたり話をしたりしている間に、エージェントが短く「ええ」と返します。これにより、発信者は回線がつながっていて、エージェントが聞いていると分かります。これがないと、発信者の長い発話に無音が返り、「聞こえていますか？」と尋ねられ始めます。
音声エージェントにとって重要な理由
バックチャネルの扱いを誤ると、バージインが壊れているように感じられます。1語の相づちを含め、検出した音声すべてで止まるシステムでは、会話がつっかえます。よくある対策は、エージェントが話している間の非常に短い音声を無視する、割り込みとみなす前に数百ミリ秒続く音声を要求する、認識した単語を確認して短い相づちのリストを無視する、のいずれかです。どれにもコストがあります。しきい値を長くすると本当の割り込みも遅れ、単語リストは見たことのない相づちには効きません。これを解決する設定はないので、発信者が間の悪いところで「はい」と言う録音でテストしてください。
バックチャネルを返す方が、聞き取るよりも注意が必要です。不適切な位置の「ええ」は発信者の声と重なり、エージェント自身の音声が音声認識に拾われてしまいます。発信者が数字の列を読み上げている最中にも入れないようにします。もっと単純な方法は、区切りごとの終わりに、「承知しました、続きをお願いします」のような短い確認を入れることです。
バックチャネルは、頻度も使われる音も言語や文化によって異なります。ある言語に合わせて調整したしきい値が、別の言語では誤作動することがあります。
例
エージェントが保険の内容を読み上げている通話の例です。
- エージェント：「お客様のプランは毎月1日に更新され、料金は…」
- 発信者：「ええ。」
- エージェント：「…補償内容を変更しない限り変わりません。」
エージェントは「ええ」をバックチャネルとして扱い、そのまま続けます。発信者が「ちょっと待ってください」と言った場合は、エージェントは止まるべきです。