音声AIの次のステップ:話し言葉を仕事につなげる

「前回の会議で決めた日程を探して。」
人にとっては自然な依頼です。音声AIが聞いて役に立つには、いくつもの課題を解く必要があります。発話をテキストにし、どの会議のどの日程かを判断し、関連する記録にアクセスして、根拠のある回答を返します。
日程を探したあと、「その日程をカレンダーにも入れて」と頼まれると、作業は増えます。日時と参加者を確認し、カレンダーにアクセスし、予定が実際に作られたかを確かめます。
音声AIの使いやすさは、これらの工程がどれだけうまくつながるかで決まります。それぞれの役割を理解すれば、改善すべき箇所も見えてきます。
音声をテキストに変える
最初の工程はSTT、つまり音声認識です。利用者が話した言葉を、後続のシステムで処理できるテキストに変えます。
業務では小さな認識誤りがその後の判断に影響します。似た響きの人名、プロジェクト名、製品名を取り違えると、検索対象が変わることがあります。数値や日付が間違っていれば、予定や金額の確認でも問題が起きます。
音声認識は、サービスが使う情報を作る工程と考える必要があります。会話の状況や用語に合った認識精度を確かめ、重要な情報が不明確なら確認し直せるようにします。
会議室での長い発言の記録と、スマートフォンに短い指示を話すときとでは、条件も違います。周囲の雑音、複数人の発言、発話が終わるタイミングなど、実際の利用環境で評価する必要があります。
言葉を理解し、実行する作業を選ぶ
テキストを得たら、依頼の意図を判断します。「前回の会議で決めた日程を探して」は記録の検索で、「来週の会議の日程を入れて」は予定の作成に近い依頼です。
自由に回答する場合と、決められた作業の中から一つを選ぶ場合とでは、異なる方法を取れます。サービスができることが検索、作成、変更などに限られるなら、まず選択肢と必要な情報を明確に定義できます。
自然言語の入力を分類し、実行する作業を選ぶ段階では、すべての依頼に長い文章を生成する必要はありません。依頼の種類と必要な情報を判断し、適切なツールにつなぐ方法もあります。
たとえば、次のように作業を分けられます。
- 依頼が記録の検索か、予定の作成かを分類します。
- 検索するプロジェクトや日付など、必要な情報を抽出します。
- 足りない情報は利用者に確認します。
- 選んだ作業に合うツールを呼び出します。
- 実行結果や見つけた根拠を利用者に伝えます。
選択肢の明確な判断と複雑な説明を分ければ、各工程に合うモデルやルールを適用できます。どの構成が速く、コストを抑えられるかは、実際の依頼データとエラーの種類を見て確かめます。
必要な文脈をどこから得るか
「その会議」「前回の日程」という表現には、必要な情報がすべて含まれているわけではありません。いまの会話、最近の議事録、利用者が関わったプロジェクトを合わせて見て、指しているものを絞ります。
情報をたくさん入れれば解決するわけでもありません。同じプロジェクトに似た名前の会議がいくつもあったり、先週の決定が今週変わったりしている場合があります。検索した資料が、いまの依頼に合っているか確認が必要です。
会議中の提案と確定した日程も区別します。「火曜日はどうですか?」という発言を最終日程として扱うと、言葉を正しく認識していても結果は誤ります。
そこで、記録の原文と時点、依頼者がアクセスできる範囲を合わせて扱うことが大切です。不確かなときは、推測して実行するより、候補を示すか、利用者に尋ねるほうが適しています。
実行には別の確認が必要です
情報を探して見せることと、外部システムを変更することでは、確認すべき条件が異なります。予定を作成したりメッセージを送ったりするには、対象、内容、権限、実行できたかまで確認します。
たとえば「明日の3時にジョンウォンさんとの会議を入れて」なら、どのジョンウォンさんか、時刻をどの基準で解釈するか、招待も送るかを確認する必要があります。依頼の意味が分かっても、実行に必要な条件がすべてそろうわけではありません。
完了の案内も、実際のツールの結果に基づいて行います。依頼を渡したものの作成に失敗したなら、成功したと伝えてはいけません。実行結果を確認し、必要な次の対応を説明するところまで含みます。
使いやすい音声操作は、質問が一切ない操作と同じではありません。重要な場面で短く的確に確認することが、信頼につながります。
会話を仕事につなぐ最初の入力
この流れの出発点となる、音声をテキストにする工程にdagloを活用できます。サービスでは会議やインタビューを記録でき、独自の製品を開発するチームは、STT APIで音声入力を処理できます。
プロジェクト名や専門用語がよく出る環境では、dagloの単語帳のように、業務用語を音声認識に反映する方法も検討できます。後続のシステムがどのように意図を判定する場合でも、最初に渡すテキストの品質は重要です。
意図の判定、記録の検索、カレンダーでの実行は、それぞれ別に設計し、連携する必要があります。この記事の一連の流れは音声サービスを設計する例であり、dagloがすべての後続作業を直接行うという意味ではありません。
一つの小さな依頼を最後までつなげる
音声AIを作るときは、多数の指示に対応することよりも、頻度の高い依頼を一つ、最後までつなげるところから始めるとよいでしょう。発話を正しく認識できるか、意図を正しく分類できるか、必要な資料を見つけられるか、実行結果を確認できるかを順に見ます。
失敗も工程ごとに記録します。認識を誤ったのか、意図の分類が違ったのか、検索対象がなかったのかが分かれば、改善すべき箇所を見つけられます。
言葉をテキストにする技術に、判断、検索、実行をつなげると、音声が業務の入力手段になります。サービスに音声入力を組み込みたい方はdaglo developersを、会議やインタビューの記録から始めたい方はdagloをご覧ください。
会話を、次の仕事へ
今すぐ無料で始めてみてください