ブランドの音声エージェントの声を選ぶことは、フォントを選ぶこととは違います。フォントはページの上で読まれるのを待っているだけです。声は顧客に話しかけ、問題に対応し、リアルタイムで会社を代表します。しかもそれは、顧客が苛立っていたり、急いでいたり、騒がしい通りから電話していたりする場面であることが少なくありません。
多くのチームは、いくつかのデモを聞いて「プロっぽく聞こえる」ものを選びます。そのやり方も、本番の通話で会社名を読み間違えたり、請求が却下されたと伝えるときに明るく聞こえたりするまでは、うまくいきます。このガイドでは、ブランド、ユースケース、そして電話をかける相手の状況に本当に合った声の選び方を解説します。
ボイスカタログではなくユースケースから始める
最もよくある間違いは、声に何をさせるのかを決める前にボイスライブラリを眺めてしまうことです。瞑想アプリでうまくいく声は、債権回収の電話では失敗します。役員会議室のデモで権威ある声に聞こえても、8kHzの電話回線では機械的に聞こえることがあります。
どの声も聞く前に、次の質問に答えておきます。
- 相手は何をしようとしていますか? 注文状況を確認する相手は効率を求め、請求に異議を唱える相手は共感を求めています。声は、ブランド全体のマーケティングトーンではなく、そのやり取りの感情のトーンに合わせるべきです。
- 相手はどこにいますか? 車、オフィス、キッチンからの電話には背景雑音があります。声はスタジオ録音だけでなく、PSTNの8kHzでも聞き取りやすい必要があります。
- うまくいかないときはどうなりますか? 声は、謝罪、訂正、エスカレーションを、場違いに聞こえずに伝える必要があります。明るくしか話せない声は、会話が深刻になったときに弱点になります。
重要な3つの特性
1. 明瞭性
相手は声が言っていることを理解できますか。当たり前に聞こえますが、明瞭性は決まった、予測可能な場所で崩れます。
- 数字とコード。 「確認コードは8-4-2-1-Jです」は曖昧さがあってはいけません。桁をなめらかに繋げてぼやけさせる声や、「$1,200」を相手が期待する「one thousand two hundred」ではなく「twelve hundred dollars」と読む声もあります。
- 名前と専門用語。 製品名が「Sonic」なのに声が「Sah-nik」と言うなら問題です。実際の製品名、顧客名、業界の語彙でテストします。
- なまりのある音声。 相手に英語のノンネイティブスピーカーや地域のなまりが含まれるなら、声はその人たちにも聞き取りやすい必要があります。そして、音声認識モデルはその人たちの話し方を理解する必要があります。この2つは関連していますが別の問題です。
Sonicは、価格、日付、電話番号、住所のような一般的な表記を、そのまま正しく読み上げます。モデルが読み間違える製品名や用語は、発音辞書に一度登録すれば、通話ごとにプロンプトエンジニアリングする必要はありません。
2. 感情のトーン
どの声にもデフォルトの感情のトーン、つまり発するすべての言葉を彩るベースラインの雰囲気があります。温かく安心させる声もあれば、そっけなく効率的な声もあります。どちらが間違っているわけではありません。問題は、そのトーンがやり取りに合っているかです。
ボイスライブラリからいくつか例を挙げます。
| ユースケース | トーン | 理由 |
|---|---|---|
| カスタマーサポート | 落ち着き、安定 | 相手は苛立っていることが多い。落ち着いた声は事態を鎮める。 |
| アウトバウンド営業 | 温かく、エネルギッシュ | 相手はこの電話を求めていない。エネルギーが電話を切らせない。 |
| 債権回収・コンプライアンス | 明瞭、断固 | 法的な告知には権威が必要。温かさはメッセージを弱める。 |
| 医療機関の予約 | 安定、安心感 | 相手は不安なことがある。声はストレスを足すのではなく減らすべき。 |
CartesiaのSonicモデルは、多くのTTSシステムより一歩進んでいます。読み上げるテキストに応じて感情表現を調整します。LLMが共感的な応答を生成すれば、Sonicは共感的に聞こえます。テキストが断固とした拒否なら、Sonicは断固として聞こえます。つまり、音声のデザインはLLMの生成と結びついており、声は静的な設定ではなくコンテンツに従います。
3. レイテンシ
相手が話し終えてから話し始めるまで2秒かかる声は、どんなに音が良くても壊れているように感じられます。会話では、人は約200ミリ秒以内の応答を期待します。1秒を超えると、相手は自分の言葉を繰り返したり、エージェントに被せて話したりし始めます。
レイテンシは声そのものではなく、TTSモデルの特性です。ただし、使える声の選択肢を制約します。自然に聞こえるために重い処理を要する声は、デモでは完璧に聞こえても、リアルタイムの音声エージェントでは使えないことがあります。
既成の声とクローン音声
ほとんどのブランドは既成の声から始めるべきです。既成の声は作り込まれ、テスト済みで、すぐに使えます。Cartesiaのボイスライブラリには、カスタマーサポート、営業、予約など、特定のユースケース向けにデザインされた声が揃っています。
ボイスクローニングが意味を持つのは2つの場面です。
- ブランドの一貫性。 広く知られた声、たとえばスポークスパーソン、ポッドキャストのホスト、決算説明会に登場するCEOなどがすでにあるなら、その声をクローンすることでチャネルをまたいだ一貫性を保てます。
- 差別化。 競合がみな同じ3つの既成音声を使っているなら、クローン音声は差別化になります。
Cartesiaには2つのクローニング方法があります。5秒の音声から作るインスタントボイスクローニングと、30分以上の音声から高品位に作るプロフェッショナルボイスクローニングです。インスタントクローニングは速く、プロトタイピングに適しています。プロフェッショナルクローニングはより多くのニュアンスを捉え、本番利用に向いています。
選び方のフレームワーク
私たちがおすすめするプロセスは次のとおりです。
ステップ1:ユースケースを定義する。 音声エージェントが扱う上位3つのタスクを書き出します。それぞれについて、必要な感情のトーン、扱う必要のある語彙、コミュニケーションを誤った場合の影響を記録します。
ステップ2:声を絞り込む。 必要なトーンに合う声をライブラリから3〜5つ選びます。この段階で考えすぎないこと。テストで絞り込めます。
ステップ3:実際のスクリプトでテストする。 エージェントが言う最も頻繁な10の文を書き出します。謝罪、拒否、数字の多い確認、製品名といった難しいものも含めます。それぞれの声で音声を生成し、続けて聞き比べます。
ステップ4:実際の環境でテストする。 エージェントが電話で使われるなら、スタジオのヘッドフォンではなく電話のスピーカーで聞きます。相手が騒がしい環境にいるなら、背景雑音を足します。静かな部屋で一番よく聞こえる声が、車の中でも一番とは限りません。
ステップ5:実際の相手で試験運用する。 その声を本番で1週間運用します。録音を聞きます。相手がエージェントに繰り返しを求める瞬間に注目してください。それは明瞭性の失敗です。相手の口調が変わる瞬間にも注目してください。それはトーンの不一致です。
よくある間違い
- 創業者に似た声を選ぶ。 創業者の好みは顧客の体験ではありません。実際の相手でテストします。
- すべてのユースケースに同じ声を使う。 サポート窓口と営業窓口の両方を持つ会社は、それぞれに違う声が必要かもしれません。ブランドは会社であり、声ではありません。
- STT側を無視する。 エージェントが話す声は方程式の半分にすぎません。音声認識モデルが相手のなまりを理解できなければ、世界最高の声でも会話は救えません。私たちのストリーミングSTTモデルInkは、なまりのある音声や騒がしい環境に対応していますが、実際の相手層でテストしてください。
- デモ向けに最適化する。 営業デモで印象の良い声が、10分のサポート通話でも持つとは限りません。長時間聞くと、短いクリップでは隠れていた人工物らしさや癖が見えてきます。