Skip to main content

音声技術

音声レイテンシ

別名： 応答レイテンシ · ターンレイテンシ

音声レイテンシとは、発信者が発話を終えてからエージェントが応答を開始するまでの往復の遅延です。音声認識（STT）、言語モデル、音声合成（TTS）の時間の合計です。自然な会話の基準は1秒未満のレイテンシです。

人間は、おおよそ500〜800ミリ秒を超える間（ま）に気づきます。高いレイテンシはエージェントをロボットのように感じさせ、発信者がかぶせて話してしまう原因になります。レイテンシの最小化は、リアルタイム音声AIにおける中核的な技術課題です。

関連用語

音声認識（音声のテキスト化）話し言葉の音声をリアルタイムでテキストに書き起こす技術。STTは、音声エージェントが発信者の発言を理解する仕組みです。音声合成（テキスト読み上げ）書かれたテキストを自然な音声に変換する技術。TTSは、AI音声エージェントに声を与えるものです。エンドポインティング（発話終了検出）発信者が話し終えた時点を検出し、エージェントが応答する番だと分かるようにすること。エンドポインティングが不十分だと、不自然な間や割り込みが生じます。バージイン（割り込み）発信者がエージェントの発話の途中で割り込み、エージェントが話すのをやめて聞く能力。自然でストレスのない会話に不可欠です。

音声レイテンシを実際の通話で見る。

30分のデモを予約して、Finnがインバウンドとアウトバウンドの通話を最初から最後まで処理する様子をご覧ください——組み立てるべきスタックは不要です。

デモを予約 プラットフォームを見る