遅い沈黙、相槌、割り込み ―
テレアポAIが語らない会話のディテール

テレアポAIの優劣は、機能表の○×では測れない。勝敗を分けているのは、受話器の向こうで0.3秒のあいだに起きていることだ。沈黙の速度、相槌の扱い方、割り込みへの譲り方、台本の柔軟性、自ら通話を終える判断、声の抑揚、そして ― 声そのものの最適化。いずれも地味で、いずれも見落とされてきた論点である。

本稿は、私たちRabona AIがテレアポAIを運用の現場に乗せる過程で見てきた、会話の細部に関する研究ノートである。業界の比較表には決して載らない、だが電話が切られるか続くかを決めている七つの論点を順に検証し、最後に一つの仮説を置く。テレアポAIの次の競争は、「人間らしく喋れるか」から「人間にはできない最適化を持つか」へ移る、という仮説である。

1. 遅い沈黙が、受話器を置かせる

テレアポにおいて、最初の数秒は聖域である。相手が「もしもし」と言い終えた瞬間から、次の発話までに許される沈黙はごく短い。ここを超えると、受話器の向こうの人間は無意識に判断を下す ― 「この電話、出なくてよかったやつだ」。

興味深いのは、この判断が内容ではなく間合いで行われていることだ。相手はまだ何も聞いていない。ただ、返事が遅い。それだけで通話は終わる。

実運用で観察していると、応答までの沈黙はおおむね1.0〜1.5秒までが現実的な許容ラインだ。人間のオペレーターでも、相手が話し終わってから口を開くまでに1秒程度はかかる。このあたりまでなら、受話器の向こうの人間は「相手が考えている」と解釈してくれる。

しかし2秒を超えると空気が変わる。3秒に達すると、多くの通話はここで終わる。音声の取り込みから意図理解、応答生成、音声合成までを誠実に回すと、構成次第では簡単に2〜3秒に届いてしまう。日常会話なら許容されるこの沈黙が、知らない番号からの電話では致命傷になる。

Rabona AIはここに独自の会話エンジン設計を敷いており、第一声の応答をおおむね1.0〜1.5秒の現実的な許容域に収めている。遅い沈黙は、会話の失敗ではない。通話そのものの失敗だ。ここを詰めずに次の議論はない。

2. 相槌と割り込みの矛盾 ― 同じ音を、正反対に捌く

ここからが本稿の中心的な関心である。

人間のオペレーターが無意識にやっている芸当のうち、最も再現が難しいのは、おそらくこれだ ― 相槌は聞き流し、割り込みには即座に譲る。両者は意味的には正反対だが、音響的にはほぼ同じ現象として受話口に届く。どちらも短い有声音で、どちらも発話の途中に割り込んでくる。

人間はこの差を文脈と抑揚と間合いで瞬時に振り分けているが、AIで再現しようとした瞬間、ほとんどの実装は二つの失敗パターンに収束する。

止まりすぎるAI と 止まらないAI

• 止まりすぎるAI。相槌のたびに律儀に黙る。「はい」「ええ」のたびに間が空き、会話のテンポが崩壊する。受話器の向こうの人間は即座に気づく ― これは機械だ、と。
• 止まらないAI。割り込みを無視して喋り続ける。客が「いや結構です」と言っているのに朗々と商品説明を続ける。これは迷惑電話以外の何物でもない。クレームになるか、ブロックされるか、どちらにせよその番号は二度と使えない。

市場のボイスAIを観察すると、この二択のどちらかに倒れている製品がほとんどである。両立している実装は、少なくとも私たちが触れた範囲では、ほぼ見当たらない。

なぜ両立が難しいのか

答えは単純で、判定対象が音ではないからである。相槌と割り込みを分けているのは、音量でも長さでも周波数でもない。話者交代の意図である。「はい」と言った人間は、会話のターンを奪う気がない。「ちょっと待って」と言った人間は、ターンを奪いに来ている。この差は、波形からは直接は読めない。

私たちRabona AIのアプローチは、この判定を独自の会話意図推定レイヤーに切り出している。相槌と判定された短い有声音は、発話を止めずにスルーする。話者交代の要求と判定された発話は、1語目の冒頭で即座にブレークをかける。この二つを同じ入力から同時に走らせていること自体が、うちの現在地であり、最もこだわっている部分だ。

相槌判定と割り込み対応は、一見「反応するかしないか」の単純な二択に見える。しかし現場の会話を観察すると、これは同じ音響事象に対して正反対の振る舞いを要求する、極めて精緻な判断であることがわかる。

実装の細部は正直、毎週のように壊れては直している。それでも、この矛盾を解くこと自体がテレアポAIの本丸だと、私たちは考えている。

3. トークスクリプトの壁 ― 台本に縛られたAIは、現場で死ぬ

多くのテレアポAIは、固定台本ベースで動いている。「こう聞かれたらこう返す」「想定質問はN個」。一見、業務としては十分に見える。しかし現場を見ると、この前提は早々に崩れる。

理由は、客は台本を読んでいないからだ。

想定外の質問、話の脱線、唐突な雑談、聞き返し、専門用語での詰め。これらは全部、台本の外側で起きる。台本を厚くすれば捌けるかといえば、そうでもない ― 厚い台本は分岐の管理コストで運用側が潰れる。

私たちはトークスクリプトの数と分岐に制限を設けていない。正確に言えば、台本を「経路」ではなく「方針」として扱う設計にしている。これは機能表の一行では伝わらない差だが、運用に乗せた瞬間、現場の顔が変わるポイントである。

4. 切電対応 ― 自ら終われるAIであること

見落とされがちな論点がある。AIが自分から電話を切れるか、である。

終われないAIは、二つの問題を生む。一つは運用コスト。通話時間がそのまま従量課金に乗る場合、終われないことは直接損失になる。もう一つはもっと根本的な問題で、終われないAIは「会話の主導権を持っていない」ということだ。

人間のオペレーターは、相手が明確に拒絶したら、礼儀正しく退く。脈がないと判断したら、深追いしない。これは単なるマナーではなく、次の架電に時間を回すための判断である。切電は撤退ではなく、最適化だ。

自ら切電できるAIは、この判断を持っている。できないAIは、会話を終わらせる権限を持っていないまま電話をかけている、ということになる。

5. 抑揚 ― テキストから感情を立ち上げるという難題（開発中）

棒読みのAIは、どれだけ会話が速くても、どれだけ相槌を捌いても、最後の一歩で人間に届かない。受話器の向こうの客は、言葉の意味より先に声の温度で人か機械かを判断している。だから抑揚は、機能表の末尾に置かれた地味な項目ではなく、テレアポAIの最終関門だと私たちは考えている。

Rabona AIのアプローチは、音声合成の入力テキストに感情の指示情報を埋め込み、合成エンジン側でその区間だけ抑揚・速度・声色を動的に変える方式である。つまり「何を言うか」と「どう言うか」を別レイヤーで制御する設計だ。理屈の上ではきれい。現実はそう甘くない。

壁が三つある

一つ目、指示の粒度問題。感情は文単位ではなく、句や語の単位で揺れる。「恐れ入りますが」の「恐れ」と「入りますが」で微妙にトーンが違う。粒度を細かくすれば表現力は上がるが、運用側の台本作成コストが跳ね上がり、現実的でなくなる。

二つ目、合成エンジン側の追従性。指示を与えても、エンジンが持っている感情ベクトルの解像度が粗ければ、「温かく」も「明るく」も結局「少し明るい棒読み」に収束してしまう。指示を仕込んでいるのに指示が効いていない、という現象が普通に起きる。

三つ目、そして最大の壁 ― 文脈一貫性。人間の抑揚は直前の発話と紐づいている。客が沈んだ声で答えたら、次のAIの声も自然と落ち着くべきだ。ところが指示はあくまで台本側の静的な表現であって、相手の声に反応して動的に変わるわけではない。ここを解くには、合成の手前で会話の感情状態を推定し、指示を動的に書き換える層が要る。私たちはいまそこを触っている。

正直に書くと、現時点の抑揚機能は、機能表に「開発中」と記載している。実装の一部は動いているが、「人間に届く抑揚」と胸を張れる水準には、まだ届いていない。だがこの最後の一歩を越えたとき、テレアポAIは「機械と気づかれないこと」から「人間より聞きやすいこと」へ踏み出すと考えている。

6. 声そのものをABテストする ― カスタムボイスという新しい変数

ここまでの五つの論点は、すべて「人間らしく喋れるか」の話だった。この章だけ、話の軸が一つ動く。

テレアポの世界で長年チューニングされてきた変数は、だいたい決まっている。リスト、時間帯、トークスクリプト、オファー。どれも「何を、誰に、いつ、どう言うか」の話だ。ところが、ここに一つ、ほとんど誰も触ってこなかった変数がある ― 「誰の声で言うか」。

人間のオペレーターでこれをやろうとすると、即座に詰む。声質の違う人を同条件で大量に揃えること自体が不可能だし、同じ人でも日によって声は揺れる。声という変数は、統計的に扱える形で取り出せなかった。だから業界はこの変数を無視してきた。無視してきたというより、触れなかった。

Rabona AIは、カスタムボイスを無制限に追加できる。自分の声、同僚の声、あるいは意図的に設計した合成音声を、いくらでも学習させて運用に乗せられる。これが意味するのは、機能表の「カスタムボイス追加 ○」という一行ではない。声を実験変数に昇格させられる、ということだ。

具体的には、こういうことができる。

• 同じ台本・同じリスト・同じ時間帯で、声Aと声Bを並走させる
• 受電後の離脱率、初回リアクションの温度、拒絶までの秒数、アポ獲得率を声単位で計測する
• 「若めの女性声」と「落ち着いた男性声」でどちらが切られにくいか、業種別に出す
• さらに踏み込めば、同じ人物の声で抑揚パターンだけ変えたバリアント同士を戦わせる

ここで面白いのは、勝つ声は商材ごとに違うということである。BtoBのバックオフィス向けと、個人宅向けの生活サービスで、同じ声が勝ち続けることはまずない。ところが従来の運用では、この最適化が事実上できなかった。声を変えるということは、人を入れ替えるということだったからだ。

カスタムボイス無制限は、この制約をまるごと外す。声は、もはや属人的な才能ではなく、ABテスト可能なパラメータになる。

この一点だけで、テレアポAIの運用思想は、人間の模倣から最適化装置へと、静かに軸を移す。

7. 示唆 ― 会話の瞬発力と、声の最適化

ここまでの論点を並べ直すと、勝敗を分ける軸は二本に集約される。

一本目、会話の瞬発力。遅い沈黙、相槌と割り込みの捌き、台本の柔軟性、切電判断、抑揚。いずれも「瞬間の振る舞い」に関わる論点である。ここで負けるAIは、内容以前に通話そのものが続かない。

二本目、声の最適化。カスタムボイス無制限とABテスト運用は、人間のオペレーターには構造的にできない最適化である。ここで勝つAIは、人間の模倣ではなく、人間を超えた変数操作の段階に入る。

多くの比較表は一本目の軸しか測っていない。しかし二本目の軸を持ち込んだ瞬間、競争の見え方は一変する。前者だけで戦っているかぎり、テレアポAIは「人間代替のコスト削減ツール」にとどまる。後者を持ち込めば、テレアポAIは人間には到達できない最適化の母艦になる。

ボイスAI選定の七つのチェックポイント

現場で意思決定する方向けに、実地で確認すべき項目を七つ残しておく。デモ動画ではなく、必ず実回線で試すことを勧める。

1. 応答までの沈黙は1.5秒以内に収まっているか。2秒を超えたら要注意、3秒は致命域。最初の一声を実回線で計測する。
2. 相槌に反応して止まらないか。「はい」「ええ」を連発しながら会話を続けて確認する。
3. 割り込みに即座に譲るか。「ちょっと待って」で発話がすぐ止まるか。
4. 想定外の質問に、台本の外側で返せるか。雑談を一つ振ってみる。
5. 自ら切電できるか。拒絶後の撤退を、AI自身が判断できるか。
6. 抑揚は「明るい棒読み」に収束していないか。同じ台本を感情別に再生して聴き比べる。
7. カスタムボイスをABテスト運用に乗せられるか。これができる製品は、現時点でほぼない。

よくある質問（FAQ）

まとめ ― 測られてこなかったものを測れる形にする

テレアポAIの議論は、これまで「人間の代わりになるか」という軸で語られてきた。本稿で並べた七つの論点は、その軸を少しだけ押し広げたいという試みである。沈黙の速度も、相槌と割り込みの矛盾も、抑揚の文脈一貫性も、声のAB運用も、いずれも地味な論点だ。地味だが、通話を続けるか切られるかを決めているのは、結局このディテールである。

私たちがこの領域で一番楽しんでいるのは、測られてこなかったものを測れる形にする瞬間だ。声を変数に昇格させた瞬間、相槌と割り込みを別レイヤーに切り出せた瞬間、抑揚を動的に書き換える層の必要性に気づいた瞬間。そのたびに、テレアポという古い業務のなかに、まだ誰も踏んでいない土が残っていたことに気づかされる。

最後の一歩 ― 抑揚 ― は、まだ踏めていない。だがその一歩を越えたとき、受話器の向こうの人間は、もう機械だと気づかなくなる。そしてそのとき初めて、声のABテストという変数が、本当の意味で効き始める。

私たちはいま、そこを触っている。